本发明属于电力系统模型仿真与控制领域，尤其涉及一种MMC‑HVDC系统控制参数优化方法，包括在PSCAD上搭建MMC‑HVDC仿真模型用以计算适应值，在MATLAB上运行改进的多目标粒子群算法对MMC‑HVDC控制系统PI参数进行寻优；对多个PI控制器参数进行分层优化。在算法迭代过程中，将获得的非支配解加入到外部存储器后，对外部存储器中的所有粒子的位置进行变异操作并更新外部存储器，提出一种基于隶属度函数的领导粒子选取方法。本发明在保留了基本多目标粒子群算法特点的同时，利用变异操作增加了粒子的多样性，提高了全局搜索能力；利用基于隶属度函数的领导粒子选取方法提高了算法的收敛性，与实际工程结合度高。
1.一种MMC-HVDC系统控制参数优化方法，其特征在于，所述方法包括：步骤1、在PSCAD上搭建MMC-HVDC仿真模型，作为参数优化的计算模型，用以计算适应值；
步骤2、在MATLAB上采用改进多目标粒子群寻优算法，待优化的MMC-HVDC系统控制参数为粒子的位置，并将待优化的控制参数进行分层；
步骤3、初始化算法参数和粒子信息，设定最大迭代次数，此时令迭代次数j＝1；
步骤4、进入主循环，j＝j+1，将基于拥挤度的方法和基于隶属度函数的方法相结合选取领导粒子，更新粒子的速度和位置，优化内环参数，将非支配解加入到外部存储器中，对外部存储器中的粒子进行变异并更新外部存储器；
步骤5、选取领导粒子，更新粒子速度和位置，优化外环参数，将非支配解加入到外部存储器中，对外部存储器中的粒子进行变异并更新外部存储器；
步骤6、重复步骤4和步骤5，直到达到最大迭代次数；
所述步骤4中变异是对外部存储器中的非支配解进行变异，对于第k个非支配解的位置信息xk，变异的具体过程为首先，根据式(5)计算变异率p，
p＝(1-(j-1)/(Nloop-1))(1/m) (5)式中：Nloop为最大迭代次数，m为变异系数；
[min(Vmin,xk-Δx),max(Vmax,xk+Δx)] (6)式中，Vmax和Vmin为参数寻优空间的最大和最小值，Δx由式(7)计算得到；
Xk＝unifrnd(min(Vmin,xk-Δx),max(Vmax,xk+Δx)) (8)所述更新外部存储器是指使用变异后的结果计算适应值，如果所得适应值支配变异前的适应值，则以此变异结果代替存储器中原有的非支配解，从而完成变异操作。
2.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
1中MMC-HVDC仿真模型的控制系统采用直接电流控制中的矢量控制技术，包括内环电流控制和外环输出控制，其将ABC坐标系下的三相交流量转换为DQ坐标系下的直流量并建立MMC的数学模型，内环电流控制和外环输出控制中各有两套PI控制器。
3.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
1中适应值由换流器的控制目标通过采用误差绝对值乘以时间的积分ITAE指标计算：式中yref为控制目标参考值，y为控制目标实际值，积分上限T为动态过程时间。
4.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
2中改进多目标粒子群算法以多目标粒子群算法为基础，其采用外部存储器和自适应网格机制保存非支配解，从中选取领导粒子对粒子的信息进行迭代更新；粒子的位置代表控制参数，迭代过程根据式(2)更新：其中，vid代表第id个粒子的飞行速度，ω表示惯性权重系数，c1和c2表示加速因子，r是[0,1]之间均匀分布的随机数，pid代表第id个粒子的位置，pbest代表第id个粒子所经过的最优位置，gbest代表当前所有粒子所经过的最优位置。
5.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
2中分层是指将待优化的PI参数分为内环和外环两层，先优化内环控制参数层，再优化外环控制参数层。
6.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
3中算法参数包括粒子数、惯性权重系数、加速因子、最大迭代次数、外部存储器容量、网格数、网格膨胀系数；所述的粒子信息包括维数、速度、位置及其运动范围、适应值。
7.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
4中基于拥挤度的方法是首先计算每个网格的拥挤程度，利用轮盘赌方法选取某个网格，再从中随机选取一个粒子作为领导粒子；设每个网格中粒子数gi个，i代表网格编号，该网格被选择的概率为p＝1/(gi^β)，即粒子越拥挤，则选择的概率越低；
所述基于隶属度函数的方法为通过计算外部存储器中每个非支配解的适应值的隶属度，作为领导粒子选取的评价指标；采用一个简单的线性函数作为适应值的隶属度函数，具体为：首先，找出每一维适应值的最大值fimax和最小值fimin，其中i表示第i维；
然后，对三维ITAE指标构成的适应值按式(3)进行模糊化处理；
其中， 代表第k个非支配解第i维的适应值， 为对应的模糊化处理后的适应值；通过模糊化处理，每一维适应值转化为0到1之间的数值，数值越大代表该维适应值更优，数值越小则更差；
最后，计算每一个粒子的隶属度函数值Lk，通过式(4)计算隶属度函数值，并用轮盘赌的方法选取其中一个粒子作为领导粒子；
所述基于拥挤度的方法和基于隶属度函数的方法相结合选取领导粒子的过程具体为：设置在算法前半迭代周期内采用基于拥挤度的方法选取领导粒子，后半迭代周期采用基于隶属度函数的方法选取领导粒子，从而使算法在前半迭代周期内保持粒子的多样性和全局搜索能力，后半迭代周期内快速收敛。
8.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
4中优化内环参数具体为：每次迭代过程中领导粒子选取两次，粒子速度和位置更新两次，计算两次适应值，第一次更新后，将领导粒子的外环参数赋给所有粒子进而计算适应值，试图优化出性能更佳的内环参数。
9.根据权利要求1所述的一种MMC-HVDC系统控制参数优化方法，其特征在于，所述步骤
5中优化外环参数具体为：第二次选取领导粒子并更新粒子速度和位置后，将领导粒子的内环参数赋给所有粒子进而计算适应值，试图优化出性能更佳的外环参数。
一种MMC-HVDC系统控制参数优化方法
技术领域
[0001] 本发明属于电力系统控制参数优化技术领域，尤其涉及一种运用多目标粒子群算法对模块化多电平换流器型高压直流输电工程系统控制参数进行优化的方法。
背景技术
[0002] 作为一种新型的电压源型换流器，模块化多电平换流器自被提出以来便得到了广泛的关注，其利用子模块级联的方式实现换流器的电压等级的提高和输送容量的提升，由于其采用模块化的结构而具有很多技术优势。迄今为止，模块化多电平换流器型高压直流输电工程即MMC-HVDC在国内外均取得了成功的应用，并备受重视。
[0003] 多模块的拓扑结构和多环节的控制策略使其在仿真研究和工程实践中需要考虑复杂的协调控制，因而对其控制系统的性能要求非常高。比例-积分(PI)控制器以其调节快速、结构简单、参数定义易于理解、易于实现等优点而被广泛应用于实际工程中，但工程中常采用试凑法获得参数，具有一定程度的盲目性，可能会增大工作量，降低效率。
发明内容
[0004] 为了解决上述问题，本发明提出了一种MMC-HVDC系统控制参数优化方法，其特征在于，包括以下步骤：
[0005] 步骤1、在PSCAD上搭建MMC-HVDC仿真模型，作为参数优化的计算模型，用以计算适应值；
[0006] 步骤2、在MATLAB上编写改进多目标粒子群寻优算法，待优化的MMC-HVDC系统控制参数为粒子的位置，并将待优化的控制参数进行分层；
[0007] 步骤3、初始化算法参数和粒子信息，令迭代次数j＝1；
[0008] 步骤4、进入主循环，j＝j+1，利用基于拥挤度的方法和基于隶属度函数的方法相结合的方法选取领导粒子，更新粒子的速度和位置，优化内环参数，将非支配解加入到外部存储器中，对外部存储器中的粒子进行变异并更新外部存储器；
[0009] 步骤5、选取领导粒子，更新粒子速度和位置，优化外环参数，将非支配解加入到外部存储器中，对外部存储器中的粒子进行变异并更新外部存储器；
[0010] 步骤6、重复步骤4和步骤5，直到达到最大迭代次数。
[0011] 步骤1中，所述的MMC-HVDC仿真模型控制器采用直接电流控制中的矢量控制技术，包括内环电流控制和外环输出控制，其将ABC坐标系下的三相交流量转换为DQ坐标系下的直流量并建立MMC的数学模型，实现了DQ轴解耦，化简了换流器的数学模型，适合对三相MMC进行控制。内环电流控制和外环输出控制中各有两套PI控制器。
[0012] 所述的适应值由换流器的控制目标通过式(1)计算而来，其计算方法采用误差绝对值乘以时间的积分ITAE(Integrated Time and Absolute Error)指标。式中yref为控制目标参考值，y为控制目标实际值，积分上限T为动态过程时间。
[0013]
[0014] 步骤2中，所述的改进多目标粒子群算法以2004年Coello提出的多目标粒子群算法为基础，其采用外部存储器和自适应网格机制保存非支配解，从中选取领导粒子对粒子的信息进行迭代更新。粒子的位置代表控制参数，迭代过程中会根据式(2)更新。
[0015]
[0016] 其中，vid代表第id个粒子的飞行速度，ω表示惯性权重系数，c1和c2表示加速因子，r是[0,1]之间均匀分布的随机数，pid代表第id个粒子的位置，pbest代表第id个粒子所经过的最优位置，gbest代表当前所有粒子所经过的最优位置。
[0017] 式(2)的右边由三部分组成，第一部分是粒子更新前的速度，具有随机性，有助于扩大搜索空间，探索新的搜索区域，因此具有全局搜索能力；第二部分属于自我认知部分，表示粒子自己的思考；第三部分属于社会认知部分，表示粒子之间的合作和信息共享。两个极值可以引导粒子位置快速收敛于当前搜索到的最优区域，然后再对此区域进行局部搜索以便获得最优解。
[0018] 所述的分层是指将待优化的PI参数分为内环和外环两层，先优化内环控制参数层，再优化外环控制参数层。
[0019] 步骤3中，所述的算法参数包括粒子数、惯性权重系数、加速因子、最大迭代次数、外部存储器容量、网格数、网格膨胀系数等；所述的粒子信息包括维数、速度、位置及其运动范围、适应值等。
[0020] 步骤4中，所述的基于拥挤度的领导粒子选取方法是MOPSO的基本方法，其首先计算每个网格的拥挤程度，利用轮盘赌方法选取某个网格，再从中随机选取一个粒子作为领导粒子。假设每个网格中粒子数gi个，i代表网格编号，该网格被选择的概率为p＝1/(gi^β)，即粒子越拥挤，则选择的概率越低。
[0021] 所述的基于隶属度的领导粒子选取方法通过计算外部存储器中每个非支配解的适应值的隶属度，作为领导粒子选取的评价指标。为了简化分析同时具有代表性，采用一个简单的线性函数作为适应值的隶属度函数，具体为：
[0022] 首先，找出每一维适应值的最大和最小值，记为fimax和fimin，其中i表示第i维；
[0023] 然后，对三维ITAE指标构成的适应值进行模糊化处理，
[0024]
[0025] 其中， 代表第k个非支配解第i维的适应值， 为对应的模糊化处理后的适应值。
[0026] 通过模糊化处理，每一维适应值转化为0到1之间的数值，数值越大代表该维适应值更优，数值越小则更差。
[0027] 最后，计算每一个粒子的隶属度函数值Lk，为简化分析，认为各维适应值之间同等重要，即可以通过式(4)计算隶属度函数值，并用轮盘赌的方法选取其中一个粒子作为领导粒子。
[0028]
[0029] 其中，n为外部存储器中非支配解的数量。
[0030] 所述的利用基于拥挤度的方法和基于隶属度函数的方法相结合的方法，设置在算法前半迭代周期内采用基于拥挤度的方法选取领导粒子，后半迭代周期采用基于隶属度的方法选取领导粒子，从而使算法在前半迭代周期内保持粒子的多样性和全局搜索能力，后半迭代周期内快速收敛。
[0031] 所述的优化内环参数具体为：每次迭代过程中领导粒子选取两次，粒子速度和位置更新两次，计算两次适应值，第一次更新后，将领导粒子的外环参数赋给所有粒子，试图优化出性能更佳的内环参数。
[0032] 所述的变异是对外部存储器中的非支配解进行变异，对于第k个非支配解的位置信息xk，采用如下变异方法：
[0033] 首先，根据式(5)计算变异率p，
[0034] p＝(1-(j-1)/(Nloop-1))(1/m) (5)
[0035] 式中：Nloop为最大迭代次数，m为变异系数。
[0036] 然后，计算变异区间，区间为
[0037] [min(Vmin,xk-Δx),max(Vmax,xk+Δx)] (6)
[0038] 式中：Vmax和Vmin为参数寻优空间的最大和最小值，Δx由式(7)计算得到。
[0039] Δx＝p×(Vmax-Vmin) (7)
[0040] 最后，根据式(8)计算变异结果Xk。
[0041] Xk＝unifrnd(min(Vmin,xk-Δx),max(Vmax,xk+Δx)) (8)
[0042] 所述的更新外部存储器是指使用变异后的结果计算适应值，如果所得适应值支配变异前的适应值，则以此变异结果代替存储器中原有的非支配解，从而完成变异操作。
[0043] 步骤5中，所述的优化外环参数具体为：第二次选取领导粒子并更新粒子速度和位置后，将领导粒子的内环参数赋给所有粒子，试图优化出性能更佳的外环参数。
[0044] 有益效果
[0045] 本发明提出了一种MMC-HVDC系统控制参数优化方法，在保留了基本多目标粒子群算法特点的同时，利用变异操作增加了粒子的多样性，提高了全局搜索能力；利用基于隶属度函数的领导粒子选取方法提高了算法的收敛性。本发明收敛性好，获得参数的动态性能更优，适合于MMC-HVDC系统控制参数优化，与实际工程结合度高。
附图说明
[0046] 图1为单端101电平MMC-HVDC系统结构图；
[0047] 图2为改进MOPSO算法的流程图；
[0048] 图3为最优参数的响应曲线图。
具体实施方式
[0049] 下面结合附图和具体实例，进一步阐述本发明，但本发明的保护范围不限于下述的实例。
[0050] 本发明提出了一种MMC-HVDC系统控制参数优化方法，联合调用PSCAD与MATLAB对MMC-HVDC系统控制参数进行优化。
[0051] 步骤1、在PSCAD中搭建单端101电平MMC-HVDC系统对其控制系统PI参数进行优化，如图1所示，采用半桥详细等效模型和最近电平逼近调制方法，采用定有功功率和定无功功率运行方式。其运行参数为：有功功率设定值为100MW，无功功率设定值为30Mvar，每个桥臂子模块数为100，半桥子模块电容值为0.03F，桥臂电抗值为0.007H，仿真时间为2秒。待优化的控制参数为矢量控制策略的内外环4套PI参数，分为内环和外环两层。适应值为换流器的控制目标包括有功功率和无功功率的误差绝对值乘以时间的积分指标，其值由PSCAD计算得到。
[0052] 步骤2、在MATLAB中编写改进多目标粒子群算法程序，多目标粒子群算法流程如图2所示。
[0053] 步骤3、初始化算法参数和粒子信息，设置种群大小为50，外部存储器容量为50，适应值维数为2，最大迭代次数为50，惯性权重系数ω＝0.7，加速因子c1＝c2＝1.5，初始化粒子速度、位置和适应值等，初始化网格。令迭代次数j＝1。
[0054] 步骤4、设置在前25次迭代过程中，利用基于拥挤度的方法选取领导粒子，在后25次迭代过程中，利用基于隶属度函数的方法选取领导粒子，然后更新粒子速度和位置，将领导粒子的外环参数赋值给所有粒子，进而仿真计算适应值并将非劣解加入到外部存储器中，最后对外部存储器中的粒子进行变异并更新外部存储器。
[0055] 步骤5、内环参数优化结束后，再次选取领导粒子并更新粒子速度和位置，将领导粒子的内环参数赋值给更新后的所有粒子，仿真计算适应值并将非劣解加入到外部存储器中，最后对外部存储器中的粒子进行变异并更新外部存储器。
[0056] 步骤6、重复步骤4和步骤5，直到达到最大迭代次数退出程序。
[0057] 为验证本发明方法的有效性，将本发明所得结果与基本MOPSO所得结果作对比，表1对比了两种优化方法的参数，表2对比了两种方法优化的效果，由表可知，采用本发明方法可以获得更小的适应值，从而验证了本发明的有效性。
[0058] 表1优化前后参数对比
[0059]
[0060] 表2优化前后效果对比
[0061]
[0062] 为了校验本发明得到的PI参数的最优解的效果，采用PSCAD仿真分别对采用基本MOPSO和本发明方法所得结果进行验证。设置4s时交流电压下降为0.8pu，有功功率和无功功率的响应曲线如图3所示。可见本发明方法所得结果可以使响应获得更小的超调量和调整时间，性能明显提高。
