一種基于SMAFA優(yōu)化算法的多機電力系統(tǒng)穩(wěn)定器參數(shù)最優(yōu)設計

詹仁俊

?

一種基于SMAFA優(yōu)化算法的多機電力系統(tǒng)穩(wěn)定器參數(shù)最優(yōu)設計

詹仁俊

（福建水口發(fā)電集團有限公司，福州 350000）

傳統(tǒng)電力系統(tǒng)穩(wěn)定器（power system stabilizer, PSS）的性能受自身參數(shù)影響較大。為最大限度提高電力系統(tǒng)穩(wěn)定的性能，當前的研究主要將優(yōu)化算法用于PSS參數(shù)的整定。自適應螢火蟲算法（adaptive firefly algorithm, AFA）作為一種新興的群體智能優(yōu)化算法，其具有較好的全局搜索能力，非常適用于電力系統(tǒng)優(yōu)化問題。針對AFA算法在收斂后期在極值點附近反復振蕩和局部搜索能力較差的問題，本文引入單純形法（simplex method, SM）來改進AFA算法的性能。通過數(shù)學測試算例和PSS小干擾仿真及適應性仿真實驗表明，本文方法具有較好的全局搜索能力和局部搜索能力，整定的PSS參數(shù)能更好提高系統(tǒng)的魯棒性。

電力系統(tǒng)穩(wěn)定器；參數(shù)優(yōu)化；SMAFA；多機系統(tǒng)

隨著我國互聯(lián)電網(wǎng)的發(fā)展，快速高放大倍數(shù)勵磁裝置越來越多地被應用于電網(wǎng)中，導致電網(wǎng)呈現(xiàn)弱阻尼或負阻尼狀態(tài)，在外界干擾下，極易發(fā)生低頻振蕩[1-2]。電力系統(tǒng)穩(wěn)定器（PSS）作為勵磁系統(tǒng)附加阻尼控制，向電力系統(tǒng)提供正阻尼，能夠抑制低頻振蕩，提高電力系統(tǒng)的穩(wěn)定性。PSS的模型種類有很多[3-6]，有雙輸入信號的PSS2A[3]，多頻段電力系統(tǒng)穩(wěn)定器PSS4B[4]，廣域電力系統(tǒng)穩(wěn)定器WPSS[5]等。但是在實際電力系統(tǒng)的應用中，結(jié)構(gòu)固定的超前-滯后型PSS因其結(jié)構(gòu)簡單、參數(shù)易調(diào)而被廣泛地應用于電力系統(tǒng)阻尼控制中[6]。

PSS的參數(shù)直接影響PSS性能的優(yōu)劣，若參數(shù)設定的不恰當，則不能很好地發(fā)揮PSS的性能。PSS的整定方法有相位補償法[7-9]、極點配置法[10]以及靈敏度分析法[11]等。對于相位補償法整定的PSS參數(shù)，只考慮一種運行工況，當系統(tǒng)處在其他工況時魯棒性時達不到要求。文獻[9]采用基于相位補償?shù)牧魯?shù)法來整定PSS參數(shù)，該方法簡單易用，物理意義明確，但缺少協(xié)調(diào)優(yōu)化不同控制器的能力；極點配置法通過選擇恰當?shù)脑鲆婢仃?，使系統(tǒng)達到穩(wěn)定要求，但此方法存在增益矩陣難以確定的問題；近年來，有學者引入智能優(yōu)化算法來整定PSS參數(shù)[12-15]。螢火蟲算法是一種新興的群體智能優(yōu)化算法，由Xin-She Yang教授于2008年提出[16]。與其他智能優(yōu)化算法相比，螢火蟲算法概念清晰，參數(shù)設置少且設置簡單，自被提出以來已經(jīng)得到越來越多的應用，主要應用于光伏發(fā)電功率預測[17]、分布式電源定容和選址[18]及微網(wǎng)經(jīng)濟規(guī)劃[19]等領域。目前，應用螢火蟲算法來整定PSS參數(shù)的研究較少。

本文提出了SMAFA方法來對PSS進行參數(shù)整定。針對自適應螢火蟲算法（AFA）存在收斂后期在極值點附近反復振蕩以及局部搜索能力較弱，引入單純形法（SM）來改進AFA。通過測試函數(shù)算例表明，SMAFA方法具有較好的全局性能及局部搜索能力。通過4機11節(jié)點算例仿真驗證了本文方法整定的PSS參數(shù)能夠發(fā)揮PSS的性能，并能最大限度提高了系統(tǒng)的魯棒性。

1 PSS參數(shù)優(yōu)化的目標函數(shù)確定

電力系統(tǒng)的動態(tài)模型可以用以下公式來描述：

將式（1）在平衡點取一階近似處理，得到多機電力系統(tǒng)的狀態(tài)方程如下所示：

式中，為系統(tǒng)狀態(tài)矩陣；為系統(tǒng)輸入矩陣。

PSS由放大、隔直、超前-滯后和限幅環(huán)節(jié)組成。傳統(tǒng)超前-滯后型PSS和勵磁系統(tǒng)如圖1所示。

圖1 帶有傳統(tǒng)超前-滯后型PSS的勵磁系統(tǒng)

結(jié)合式（2）和圖1可得，傳統(tǒng)超前-滯后型PSS及勵磁系統(tǒng)的傳遞函數(shù)為

進一步地，考慮低頻振蕩時的有功功率振蕩，式（4）可以轉(zhuǎn)化為

圖2 特征根分布圖

2 基于SMAFA的PSS優(yōu)化算法

2.1 提出的SMAFA優(yōu)化算法

為提高螢火蟲算法搜索性能，引入單純形策略。單純形法（SM）是由Nekler J A等人提出的應用反射、擴張、壓縮等操作的較廣泛使用的優(yōu)化算法，是一種性能較好的局部搜索方法之一。在一次AFA算法迭代完成后，利用單純形法搜索策略，選擇K個位置較差的螢火蟲進行優(yōu)化，從而進一步提升PSS參數(shù)整定的效果。

計算當前最優(yōu)螢火蟲位置點和次優(yōu)位置點的中心位置

執(zhí)行反射操作。計算螢火蟲反射位置點

2.2 基于SMAFA算法優(yōu)化PSS流程

根據(jù)2.1節(jié)，基于SMAFA算法對PSS參數(shù)優(yōu)化的流程圖如圖3所示。

圖3 PSS參數(shù)優(yōu)化流程

根據(jù)圖3可知，本文所提方法主要步驟如下所示：

2）螢火蟲位置初始化。

3）運行仿真模型得到ITAE目標函數(shù)值。判斷是否滿足終止條件。若滿足，則輸出優(yōu)化結(jié)果及最優(yōu)解；若不滿足，則進行步驟4）。

4）代入式（7）和式（8）得到各個螢火蟲的相對亮度和吸引力大小，依照相對亮度的大小確定螢火蟲的移動方向。

5）利用式（10）對螢火蟲的位置進行更新并隨機擾動處在最優(yōu)位置的螢火蟲。再次運行仿真模型，得到目標函數(shù)值。

6）根據(jù)目標函數(shù)大?。ㄎ灮鹣x亮度）對螢火蟲按照位置最優(yōu)到最差進行排序。利用單純形法操作來更新較差螢火蟲位置。

7）轉(zhuǎn)步驟3），進行下一次搜索。

3 仿真分析

3.1 算法性能仿真

為了探究本文算法的收斂速度和收斂精度，構(gòu)造一個二元測試函數(shù)的優(yōu)化實例如下式所示：

測試函數(shù)的三維曲線圖如圖4所示，從圖中可以看出該函數(shù)在限定的范圍內(nèi)具有4個極值點。其中，在在函數(shù)的隸屬的范圍具有兩個最大值，同時有兩個局部的最大值為。

分別采用自適應螢火蟲算法（AFA）以及單純形的自適應螢火蟲混合算法（SMAFA）在固定的迭代次數(shù)下，利用相應的最優(yōu)解來表征算法的搜索精度，并與最常用的粒子群（PSO）優(yōu)化算法進行比較。

從圖5（a）中可以看出，PSO算法只收斂于極值點3，陷入局部最優(yōu)；圖5（b）中，AFA算法具有較好的全局性，收斂于兩個全局最大值極值點3和極值點4，與此同時收斂于兩個局部極值，即極值點1和極值點2，由于本算例中求得是極大值，故可以看出AFA算法陷入局部最優(yōu)；比較圖5（a）、5（b），PSO算法容易陷入局部收斂，相比較而言，AFA算法具有較好的全局搜索性能，但其中一些螢火蟲也容易陷入局部收斂；圖5（c）中SMAFA算法收斂于兩個全局最大值，即極值點3和極值點4，與圖5（b）比較，SMAFA具有跳出局部極值的特性，說明引入單純形改進算法性能的有效性。

由以上分析可知，PSO算法在3次迭代運算之后陷入局部最優(yōu)，在28次迭代后才收斂到全局最優(yōu)點；AFA算法在17次迭代后收斂到全局最優(yōu)點；而SMAFA算法更快，在8次迭代次數(shù)后即收斂于全局最優(yōu)點。

在相同的仿真條件下，通過50次測試3種算法總仿真平均時長，PSO、AFA、SMAFA仿真時長分別為3.8406s、4.0625s、4.3750s。表1為3種算法的最優(yōu)適應度值與收斂到最優(yōu)適應度值所花的時間。

表1 3種算法的結(jié)果對比

從表1中可以看出這3種算法都能收斂到最優(yōu)適應度值，但是SMAFA算法的收斂時間最短，AFA算法次之，PSO算法達到收斂要求所花費的時間最長。比較仿真總時長與收斂時間還可以看出，在自適應螢火蟲算法（AFA）中引入單純形法（SM），會使得原本算法的總仿真時長變長，但是混合后的算法（SMAFA）的收斂性能大大提高，收斂所花的時間大大減小，這是混合算法的優(yōu)勢所在。

3.2 PSS參數(shù)優(yōu)化結(jié)果

為了進一步驗證SMAFA算法的性能以及PSS參數(shù)優(yōu)化對系統(tǒng)暫態(tài)穩(wěn)定的作用，本文對標準IEEE 4機兩區(qū)域系統(tǒng)[20]進行PSS參數(shù)優(yōu)化和系統(tǒng)性能仿真。4機兩區(qū)域系統(tǒng)由發(fā)電機G1和發(fā)電機G2組成的區(qū)域A向發(fā)電機G3和發(fā)電機G4組成的區(qū)域B輸送413MW的有功功率，該系統(tǒng)極易在外界干擾下發(fā)生低頻振蕩?？紤]經(jīng)濟性，即不可能在所有發(fā)電機上都安裝PSS，采用留數(shù)法采實現(xiàn)PSS的最佳配置，即在提高系統(tǒng)魯棒性的同時，使PSS的安裝數(shù)量最少。各發(fā)電機的模態(tài)留數(shù)模值的結(jié)果見表2。

表2 各發(fā)電機的模態(tài)留數(shù)模值

從表2中的數(shù)據(jù)可以看出，對于區(qū)域1中的模態(tài)1在留數(shù)上只體現(xiàn)與發(fā)電機G1、G2有關；模態(tài)2同樣只與發(fā)電機G3、G4有關；而模態(tài)3與發(fā)電機G1、G2、G3、G4都有關。對比留數(shù)的模值可以知：對于模態(tài)1在發(fā)電機G2配置PSS效果最好；而模態(tài)2在發(fā)電機G4配置PSS效果較好；同樣，模態(tài)3在發(fā)電機G2配置PSS效果較好。綜上，為了能夠更好的抑制低頻振蕩，提高系統(tǒng)的魯棒性，本文將考慮在發(fā)電機G2、G4上面配置PSS。

對4機兩區(qū)域系統(tǒng)在1s時刻對發(fā)電機G2和發(fā)電機G4施加持續(xù)時間為0.1s，幅值為0.05的脈沖干擾信號。分別采用AFA算法和SMAFA算法進行PSS參數(shù)的優(yōu)化，兩種算法優(yōu)化的目標函數(shù)適應度收斂曲線如圖6所示。從圖中可以看出，SMAFA算法的收斂精度優(yōu)于比AFA算法。

圖6 算法優(yōu)化PSS參數(shù)結(jié)果目標函數(shù)適應度值

兩種算法的PSS參數(shù)優(yōu)化結(jié)果見表3。

表3 算法優(yōu)化PSS參數(shù)結(jié)果

3.3 動態(tài)仿真結(jié)果分析

1）小擾動情況下PSS有效性分析

為了評價基于SMAFA算法優(yōu)化的PSS性能，對4機兩區(qū)域系統(tǒng)在1s時刻對發(fā)電機G2和發(fā)電機G4施加持續(xù)時間為0.1s，幅值為0.05的脈沖干擾信號。對配置了采用AFA、SMAFA算法優(yōu)化的PSS系統(tǒng)進行小擾動動態(tài)仿真。發(fā)電機G2和發(fā)電機G4的轉(zhuǎn)速變化曲線如圖7所示。

（a）發(fā)電機G2

（b）發(fā)電機G4

圖7 發(fā)電機角速度變化曲線（小擾動）

由圖7可以看出，在未安裝PSS的情況下，發(fā)電機角速度的振蕩無法衰減到平衡；在加裝PSS后系統(tǒng)的振蕩得到了很好的抑制。AFA算法整定的PSS與SMAFA算法整定的PSS相比，后者振蕩曲線平緩的時刻較短，后者的曲線較為平緩，具有更好的抑制低頻振蕩的效果。

表4給出了采用PSS前后發(fā)電機G1—G4轉(zhuǎn)速曲線和聯(lián)絡線功率曲線的最小阻尼比變化。

表4 安裝PSS前后阻尼比變化

從表4中可以看出，系統(tǒng)在沒有安裝PSS時，在擾動干擾下，各發(fā)電機及聯(lián)絡線的最小阻尼比都為負阻尼，威脅著系統(tǒng)的穩(wěn)定運行。在加裝AFA算法和SMAFA算法整定的PSS后，各發(fā)電機的阻尼都有大幅的提高，低頻振蕩得到抑制，系統(tǒng)的魯棒性增強，相比而言，SMAFA算法整定的PSS能更大提高發(fā)電機角速度與聯(lián)絡線功率的阻尼比。所以，本文方法整定的PSS在系統(tǒng)小擾動情況下使系統(tǒng)具有更高的魯棒性能。

2）大擾動情況下PSS有效性分析

為驗證SMAFA整定PSS參數(shù)的暫態(tài)性能，對4機兩區(qū)域系統(tǒng)進行如下大干擾：在1s時刻使聯(lián)絡線發(fā)生三相短路，其持續(xù)時間為1/6s。采用傳統(tǒng)相位補償法對PSS進行參數(shù)整定，并與3.2節(jié)SMAFA整定的參數(shù)進行對比，結(jié)果見表5。

表5 用于大干擾仿真的參數(shù)

采用表5所示參數(shù)整定PSS，并將整定的PSS投入系統(tǒng)中運行，與未加裝PSS的振蕩結(jié)果進行對比，結(jié)果如圖8所示。圖8為發(fā)電機G4轉(zhuǎn)速變化曲線及聯(lián)絡線功率變化曲線。

（a）發(fā)電機G4角速度

（b）聯(lián)絡線功率

圖8 電氣量變化曲線

從表6中的信息可以看出，未加PSS的系統(tǒng)為負阻尼狀態(tài)，最小阻尼比為-0.0333；投入PSS后的系統(tǒng)的阻尼比提高，為正阻尼，其中最小阻尼比為0.0781，滿足要求系統(tǒng)阻尼比至少為0.05的要求，系統(tǒng)穩(wěn)定性增強，魯棒性提高。

表6 阻尼比及特征根

4 結(jié)論

為了抑制電力系統(tǒng)低頻振蕩，本文討論了對多機電力系統(tǒng)穩(wěn)定器優(yōu)化的問題，提出一種基于單純形策略的自適應螢火蟲算法來對傳統(tǒng)超前-滯后型PSS進行參數(shù)整定。通過數(shù)值仿真，驗證了本文方法具有較好的全局搜索能力和局部搜索能力，在滿足收斂精度的要求下，與傳統(tǒng)方法相比收斂速度快；將本文方法應用于4機兩區(qū)域的PSS參數(shù)優(yōu)化整定，小干擾仿真結(jié)果表明本文方法整定的PSS參數(shù)能夠有效提高系統(tǒng)的阻尼比和魯棒性；同時，實驗仿真也表明整定后的PSS能夠有效地抑制系統(tǒng)低頻振蕩。

[1] 金濤, 劉對. 基于廣義形態(tài)濾波與改進矩陣束的電力系統(tǒng)低頻振蕩模態(tài)辨識[J]. 電工技術(shù)學報, 2017, 32(6): 3-13.

[2] 陳劍, 周宇植. 基于PMU的分布式次同步振蕩在線辨識方法[J]. 電氣技術(shù), 2017, 18(10): 92-95.

[3] 張俊峰, 李鵬, 郭琦. PSS2A模型的負阻尼案例分析及檢測方法[J]. 電力系統(tǒng)自動化, 2014, 38(2): 127-130.

[4] 趙曉偉, 謝歡, 呂思昕, 等. 電力系統(tǒng)穩(wěn)定器PSS4B的參數(shù)整定及現(xiàn)場試驗[J]. 電網(wǎng)技術(shù), 2016, 40(2): 508-513.

[5] 陳剛, 程林, 張放, 等. WPSS輸入反饋時延的自適應分段補償設計[J]. 電力系統(tǒng)自動化, 2013, 37(14): 25-31.

[6] 邊曉燕, 施磊, 宗秀紅, 等. 多運行方式下風電機組變頻器參與次同步相互作用的分析與抑制[J]. 電工技術(shù)學報, 2017, 32(11): 38-47.

[7] 杜文娟, 王海風, 曹軍. PSS就地相位補償法的模型和理論[J]. 中國電機工程學報, 2012, 32(19): 36-41.

[8] Larsen E V, Swann D A. Applying power system stabilizers[J]. IEEE Transactions on Power Apparatus and Systems, 1981, 100(6): 3017-3046.

[9] Zhang Junbo, Chung C Y, Han Yingduo. A novel modal decomposition control and its application to PSS design for damping interarea oscillations in power systems[J]. IEEE Transactions on Power Systems, 2012, 27(4): 2015-2025.

[10] 袁野, 孫元章, 程林. 基于多信號在線辨識的廣域PSS協(xié)調(diào)設計[J]. 電力系統(tǒng)自動化, 2010, 34(8): 14-19.

[11] 史慧杰, 陳陳, 陳迅, 等. 基于靈敏度分析的電力系統(tǒng)穩(wěn)定器參數(shù)優(yōu)化[J]. 電力系統(tǒng)自動化, 2012, 36(17): 15-19.

[12] 宗鵬鵬, 王培秀, 閆濟紅, 等. 計及隨機性的電網(wǎng)低頻振蕩實時修正控制研究[J]. 電氣技術(shù), 2017, 18(2): 25- 30.

[13] 胡曉波, 楊利民, 陳中, 等. 基于人工魚群算法的PSS參數(shù)優(yōu)化[J]. 電力自動化設備, 2009, 29(2): 47-50.

[14] 郭成, 李群湛, 王德林. 基于Prony和改進PSO算法的多機PSS參數(shù)優(yōu)化[J]. 電力自動化設備, 2009, 29(3): 16-21.

[15] Wang Z, Chung C Y, Wong K P, et al. Robust power system stabiliser design under multi-operating conditions using differential evolution[J]. IET Generation Transmission & Distribution, 2008, 2(5): 690-700.

[16] 王昕, 黃柯, 鄭益慧, 等. 基于螢火蟲算法-廣義回歸神經(jīng)網(wǎng)絡的光伏發(fā)電功率組合預測[J]. 電網(wǎng)技術(shù), 2017, 41(2): 455-461.

[17] Yang X S. Nature-inspired metaheutistic algo- rithms[M]. Luniver Press, 2008.

[18] 陳家俊, 蔣鐵錚, 周勇, 等. 考慮電壓驟降的分布式電源定容和選址[J]. 電網(wǎng)技術(shù), 2014, 38(8): 2244- 2249.

[19] 王晶, 王宗禮, 陳駿宇, 等. 基于螢火蟲優(yōu)化算法的微網(wǎng)源-荷博弈模型及分析[J]. 電力系統(tǒng)自動化, 2014, 38(21): 7-12.

[20] Farmer R G. Second benchmark model for computer simulation of subsynchronous resonance IEEE subsynchronous resonance working group of the dynamic system performance subcommittee power system engineering committee[J]. IEEE Power Engineering Review, 1985, 5(5): 34-34.

The multimachine power system stabilizer parameters optimal design based on SMAFA optimization algorithm

Zhan Renjun

(Fujian Shuikou Power Generation Group Co., Ltd, Fuzhou 350000)

The performance of traditional power system stabilizer is greatly influenced by its own parameters. In order to maximize the performance of the power system stability, the current research mainly uses optimization algorithms for the tuning of PSS parameters. As an emerging swarm intelligence optimization algorithm, adaptive firefly algorithm (AFA) is very suitable for power system op-timization problems because of its good global search capability. In view of its problems of poor local search ability and easily oscillating at extreme point, combining the adaptive firefly algorithm with the simplex method, this paper proposes a new SMAFA method to improve the PSS optimization performance. Through the mathematics test and PSS interference and adaptive simulations, the proposed method is proved to have good global search ability and local search ability, and it can be better to improve the robustness of the power system.

power system stabilizer; parameters optimization; SMAFA; multi-machine system

2018-05-23

詹仁?。?963-），男，高級工程師，主要研究方向：電網(wǎng)調(diào)度運行及其自動化。