结合神经网络的微电网分布式模型预测控制

来源:用户上传      作者:

　　摘  要： 针对大规模且地理分散的微电网中，各个子系统之间缺乏信息交流，相隔较远且无法实现同步优化的问题，提出用分布式模型预测控制的策略对其系统进行协同优化和调节，从而实现整个微电网的功率平衡和电压稳定运行。对微电网中存在的大量非线性环节，运用神经网络线性逼近的能力，训练得出各个子系统的神经网络线性化模型。在此基础上，基于风力优先发电，光伏配合，蓄电池必要时输出的原则，设计了相应的目标函数。研究结果表明，提出的分布式模型预测控制能有效地保证整个微电网安全、可靠、稳定的运行。
　　关键词： 微电网; 分布式模型预测控制; 风力发电子系统; 光伏发电子系统; 蓄电池; 神经网络
　　中图分类号： TN876?34; TM76; TP18                文献标识码： A                 文章编号： 1004?373X（2020）19?0126?04
　　Abstract： In the large?scale and geographically dispersed microgrid， there is a lack of information exchange between various subsystems. In addition， each subsystem is far away from each other， so the synchronous optimization cannot be achieved. Therefore， a distributed model predictive control strategy is proposed to coordinate and optimize the system， so as to realize power balance and voltage stable operation of the entire microgrid. In view that a large number of nonlinear components exists in the microgrid， the linear approximation performance of neural network is used to train the neural network linearization model of each subsystem. On this basis， the corresponding objective function is designed according to the principle of wind power generation first， photovoltaic power generation in combination and battery when necessary. The research results show that the proposed distributed model predictive control can effectively ensure the safe， reliable and stable operation of the entire microgrid.
　　Keywords： microgrid; distributed model predictive control; wind power generation subsystem; photovoltaic power generation subsystem; battery; neural network
　　0  引  言
　　随着全球人类数量的持续增长，可再生能源和新能源的发展越来越受到人们的重视[1]。其中，以太阳能、风能等可再生能源为基础的微电网已经受到各界广泛的关注，单独的风力发电和光伏发电会导致发电和用电负荷的不均衡[2?3]。
　　模型预测控制（Model Predictive Control，MPC）是近些年来提出用来解决系统优化的问题，该方法能夠很好地对约束问题进行在线处理[4]。随着网络信息化技术的逐步完善，集中式控制和分散式控制的方法过于局限且系统之间缺乏信息交流，导致系统在优化方面耗时大、效率低，逐步地被分布式思想所替代[5?6]。文献[7]提出把分布式模型预测控制策略用在大型的风电场中，通过迭代算法实现全局的最优值。文献[8]提出运用一种非线性预测的控制方法，针对系统中存在的混合整数优化问题，通过模型预测控制的方法转化为非线性优化的问题，进而调节光伏和风力发电系统的输出电能。
　　虽然上述方法都在系统的优化方面取得了不错的成果，但都采用集中式优化方法且没有对系统本身存在的非线性问题进行解决。本文结合神经网络的分布式模型预测控制对微电网进行系统优化，解决了系统中存在的非线性因素的问题。
　　1  微电网数学模型
　　微电网结构如图1所示。其中，采用风力和光伏发电解决系统中多数情况下的负荷需求，当两个子系统共同发电超出系统负荷需求时，剩余的能量会提供给电池组;而风力和光伏子系统发出的功率满足不了系统的负荷需求时，电池组会进行必要的补充。
　　图1中：[iw]和[is]分别是风力和光伏发电子系统的输出电流;[uw]和[us]是风力涡轮机和光伏板的控制信号（DC/DC整流器的占空比）;[ib]和[iL]分别是电池和负荷的输入电流。
　　1.1  风力发电子系统模型 　　风力发电子系统的数学模型可描述如下：
　　风力发电子系统的模型可以写成如下紧凑形式：
　　风力发电子系统的最大输出功率[pw，max]如下：
　　1.2  光伏发电模型
　　光伏发电子系统包括由多个光伏板组成的光伏面板阵列和DC/DC转换器，其中，DC/DC整流器把太阳能转化到直流母线，数学模型如下：
　　1.3  蓄电池模型
　　蓄电池结构为1个电压源[Eb]串联1个电阻[Rb]和1个电容[Cb]，模型如下[9]：
　　2  神经网络线性化分布式模型
　　系统模型的离散形式写成如下形式：
　　3  仿真实验
　　整个仿真实验在风速为5～15 m/s之间波动，日照强度在50～70 mW/cm2范围内，温度在20 ℃上下浮动，负荷需求在450 min时由2 500 W上升到3 800 W，在1 000 min时下降到2 600 W。實验参数和外界环境如表1和图3所示。
　　从图4中可以看出当风力发电子系统的输出功率最大化时也不能满足系统的负荷需求时，此时，光伏发电去补充且效果很好，蓄电池只有在400～600 min和1 250～1 400 min进行必要的补充。
　　4  结  论
　　本文针对大规模且地理分散的微电网系统中，各个子系统优化时缺少通信交流，提出基于模型预测控制的方法设计各个子系统的控制器，合理分配各个子系统的输出功率。针对系统中存在的非线性环节，运用神经网络线性化模型的能力，并将其模型运用到分布式模型预测控制中，设计了目标函数。通过仿真证明了该方法的优越性，保证了微电网的安全、可靠、稳定运行。
　　注：本文通讯作者为刘洋。
　　参考文献
　　[1] HOSENUZZAMAN M， RAHIM N A， SELVARAJ J， et al. Global prospects， progress， polices， and environmental impact of solar photovoltaic power generation [J]. Renewable & sustainable energy reviews， 2015， 41： 284?297.
　　[2] 慈松，李宏佳，陈鑫，等.能源互联网重要基础支撑：分布式储能技术的探索与实践[J].中国科学：信息科学，2014，44（6）：762?773.
　　[3] 孔小兵，刘向杰，韩梅.风光互补发电系统的分级递阶分布式预测控制[J].中国科学：信息科学，2018，48（10）：1316?1332.
　　[4] 张怡，刘向杰.互联电力系统鲁棒分布式模型预测负荷频率控制[J].控制理论与应用，2016，33（5）：622?630.
　　[5] 董婷婷，李丽娟，熊鹿.基于关联子系统的分布式模型预测控制算法[J].控制工程，2015，22（6）：1201?1206.
　　[6] SAHU B K， PATI S， PANDA S. Hybrid differential evolution particle swarm optimization fuzzy proportional?integral derivative controller for automatic generation control of interconnected power system [J]. IET generation， transmission & distribution， 2014， 8（11）： 1789?1800.
　　[7] ZHAO Haoran， WU Qiuwei， GUO Qinglai， et al. Distributed model predictive control of a wind farm for optimal active power control part II： implementation with clustering?based piece?wise affine wind turbine model [J]. IEEE transactions on sustainable energy， 2015， 6（3）： 840?849.
　　[8] SALAZAR J， TADEO F， PRADA C D. Predictive control of microgrids with mixed sources for desalination in remote areas [J]. IFAC?Papers online， 2016， 49（27）： 244?249.
　　[9] KOU Peng， LIANG Deliang， GAO Feng， et al. Coordinated predictive control of DFIG?based wind?battery hybrid systems： using non?Gaussian wind power predictive distributions [J]. IEEE transactions on energy conversion， 2015， 30（2）： 681?695.
　　[10] LAWRYNCZUK M. Explicit nonlinear predictive control algorithms with neural approximation [J]. Neurocomputing， 2014， 129： 570?584.
转载注明来源:https://www.xzbu.com/8/view-15329064.htm