基于GAPSO算法的电力系统低频振荡控制器优化

资 源 简 介

本项目针对大均衡电力系统中普遍存在的低频振荡（LFO）问题，开发了一套基于改进遗传粒子群（GAPSO）算法的控制器参数整定方案。 该功能深度融合了遗传算法（GA）的强大全局搜索能力和粒子群算法（PSO）的高效收敛特性，通过在粒子迭代过程中引入交叉和变异操作，有效解决了传统优化算法在处理复杂非线性电力系统模型时易陷入局部最优解的缺陷。

详 情 说 明

基于GAPSO算法的电力系统低频振荡控制器优化设计

项目介绍

本项目致力于解决大均衡电力系统中的低频振荡（LFO）问题，这一问题通常由系统阻尼不足引起，可能威胁电网的稳定运行。项目核心是利用改进的遗传粒子群（GAPSO）算法，对电力系统稳定器（PSS）的控制参数进行自动化整定。

通过建立单机无穷大系统（SMIB）的Phillips-Heffron数学模型，程序能够模拟同步发电机在受到扰动后的动态行为。该方案旨在寻找一组最优的PSS参数，以最大限度地提升系统的阻尼比，加速振荡衰减，从而增强电力系统的动态稳定性。

功能特性

1. 混合优化机制：结合了粒子群算法（PSO）的高效局部收敛能力与遗传算法（GA）的交叉、变异机制，显著增强了算法跳出局部最优解的能力。
2. 多环节PSS建模：支持对包含洗出环节（Washout）和两级超前-滞后环节（Lead-Lag）的典型PSS模型进行全参数优化。
3. 综合性能评价：采用基于系统特征值分析的复合适应度函数，同时权衡系统阻尼比和参数的时间常数合理性。
4. 全方位仿真对比：提供优化前后的特征根轨迹分布对比、功角响应曲线及角速度波动对比，直观展示优化效果。
5. 自动化分析报告：程序运行结束后自动输出最优控制器参数，并生成阻尼比提升幅度的统计数据。

实现逻辑

程序的主执行流程遵循以下逻辑步骤：

1. 模型与参数初始化 首先定义SMIB系统的常数（K1-K6系数、惯性常数H、转子时间常数等）。随后设定GAPSO算法的种群规模、迭代次数、社会学习因子及GA特有的交叉和变异概率。

2. 搜索空间定义 明确5个待优化变量：控制增益Kpss，以及四个时间常数T1、T2、T3、T4。为这些参数设置了符合工程实际的上下限约束。

3. 混合迭代过程 在每一代演化中，程序先后执行以下操作：

• PSO更新：计算动态惯性权重，根据个体极值和全局极值更新粒子的速度与位置。
• 边界约束：强制将越界的参数拉回定义的搜索范围内。
• GA交叉：随机选择配对粒子进行算术交叉，引入新的基因组合。
• GA变异：以一定概率对粒子特定维度的参数进行重置，维持种群多样性。
• 适应度评估：计算当前参数组合下系统特征矩阵的特征值，提取最小阻尼比。

4. 结果可视化与验证 优选出全局最佳参数后，程序通过调用常微分方程求解器（ode45）执行非线性时域仿真，模拟系统在遭受0.1单位功角扰动后的恢复过程。

关键算法与细节说明

GAPSO算法实现 算法采用了线性递减的惯性权重策略，使搜索过程在前期偏重全局探测，后期偏重局部精细搜索。通过在PSO的位置更新后直接加入遗传算法的交叉和变异算子，改变了传统PSO单一的演化路径。

适应度函数设计 适应度函数是优化的核心，其计算逻辑为提取系统矩阵A的所有特征值，计算每个振荡模式的阻尼比（zeta = -real/abs）。目标函数设为最小阻尼比的倒数，并加入参数惩罚项。这意味着阻尼比越大，适应度值越低，从而引导算法寻求阻尼最大化的解。

系统状态空间构建 程序内部将电力系统线性化为多维状态空间模型。状态变量涵盖了发电机功角、角速度、暂态电动势以及励磁系统和PSS各环节的内部状态。这种严谨的数学描述保证了控制器在处理非线性电力系统时的准确性。

系统要求

• 软件环境：MATLAB 2018b 或更高版本。
• 工具箱依赖：基础MATLAB功能即可运行（主要使用ode45求解器和特征值计算函数），无需特殊的专业工具箱。

使用方法

1. 配置系统的物理参数（如K1-K6等）以匹配特定的电网场景。
2. 设定算法的迭代次数和颗粒度。
3. 执行主脚本程序。
4. 程序将自动弹出三张图表：

- 收敛特性图：展示优化过程中目标函数的下降趋势。 - 特征根对比图：展示加入优化PSS后系统极点向复平面左侧移动的结果。 - 响应对比图：对比优化前后系统在时间轴上的波动恢复情况。

1. 查看命令行窗口输出的最优参数结果和阻尼提升报告。