论文部分内容阅读
针对电力系统因负荷扰动而引起的频率和功率稳定问题,为提升经典控制策略的控制性能,本文基于自抗扰控制（Active Disturbance Reject Control,ADRC）技术开展负荷频率控制（Load Frequency Control,LFC）设计的研究。为解决自抗扰控制错综复杂的参数优化难题,本文通过引入智能优化算法,提出了基于智能优化算法的负荷频率自抗扰控制策略,具体研究内容及主要创新性如下:1.通过电力系统各组成部分的动态,表达了互联区域的状态空间方程,并以此设计了自抗扰控制方案,将负荷扰动和联络线功率偏差等视为系统总扰动,通过扩张状态观测器进行估计,并在误差非线性反馈中予以补偿,从而将原系统转化为标准串联积分型。2.为合理优化自抗扰控制器的参数,本文引入具有较好的收敛速度和稳定性的双链量子遗传算法（Double Chains Quantum Genetic Algorithm,DCQGA）,设计了基于DCQGA的自抗扰控制方案。在再热式火电两区域、考虑调速器侧隙（Governor Dead Band,GDB）的火电两区域、水-火-燃气多源电力系统以及考虑发电速率约束（Generation Rate Constraints,GRC）的互联三区域电力系统中与比例积分微分（Proportional–Integral-Derivative,PID）控制、模糊PID控制等多种文献中的控制算法进行了性能比较,并考虑了参数摄动和不同区域扰动的鲁棒性检验,结果验证了所提DCQGA-ADRC控制策略的有效性。3.在参数优化问题上,本文引入一种将强化学习融入粒子群算法搜索过程策略的判断与决策中而产生的新型模因智能算法,即基于强化学习改进的模因粒子群算法（Reinforcement Learning-based Memetic Particle Swarm Optimization,RLMPSO）,设计了基于RLMPSO的自抗扰控制器参数优化方案,通过在传统非再热式火电两区域标称参数和参数摄动不同工况、考虑调速器死区（Governor Dead Zone,GDZ）和GRC的非线性电力系统中与分数阶PID控制器（Fractional Order PID,FOPID）、预测控制（Model Predictive Control,MPC）等其它控制算法的性能比较,突出了所提RLMPSO-ADRC方法的优势,验证了其优越性。4.提出了一种基于混沌和分数阶微分思想的改进天牛群算法,即混沌分数阶天牛群算法（Chaos Fractional Order Beetle Swarm Optimization,CFBSO）,阐述了改进思路,并在23个单峰、多峰、固定维度多峰基准函数的优化问题上与天牛群算法、混沌粒子群算法进行了比较,验证了改进策略的有效性,进而将该算法用于自抗扰控制器的优化设计中,提出了基于CFBSO的自抗扰控制方案,并在考虑GDZ、GRC和传输时延的太阳能-火电互联电力系统中参与负荷频率控制,结果表明所提方法较MPC、PID等超调负调更小、调节时间更短,更契合LFC的高性能要求。