文摘
作为可再生能源的广泛集成到电力系统、随机性和间歇性发电的可再生能源可能导致系统频率偏离规定的水平,特别是对于一个微型智能电网"。摘要负荷频率控制(利物浦)的一个岛屿微型智能电网"与光伏(PV)权力和电动车(电动车)调查,电动汽车可以被视为分布式能源存储。考虑负荷变化和光伏电源的干扰,一个observer-based积分滑模控制器(OISM)是为了调节频率回到规定的值,在神经网络观测器用于在线估计光伏发电。基准仿真研究提出了微型智能电网"系统来说明OISM控制器的有效性,和比较结果也表明,该方法具有稳定的性能优越在PID控制频率。
1。介绍
随着现代电力系统的技术创新,可再生能源被广泛整合电力系统,如风能和太阳能。虽然可再生能源会导致减少污染和节约能源,可再生能源的大规模集成会对电力系统产生巨大的影响因为可再生能源不是理想的发电(1- - - - - -3]。
负载频率稳定度被认为是一个不可或缺的因素在考虑电力系统的稳定性(4]。微型智能电网"系统,如果负荷消费之间的不平衡和发电经常发生,然后负荷频率控制器必须有足够的能够快速阻尼振荡频率(5,6]。传统电力系统负荷频率模型近似为线性模型在一个操作点附近没有发电机动态参与,和最常用的频率控制策略对于这种线性模型的PID控制,在报道7]。参数的离线调优后,PID控制器能有一个较好的阻尼性能在一定频率范围的设计操作点(8]。对可再生能源发电的非线性特征,它可能不太有效的微型智能电网"系统,特别是当微型智能电网"系统远离设置操作点。此外,几种先进控制方法被用来利物浦的问题在过去的十年中,如模糊逻辑控制(9- - - - - -11),自适应控制12,13),和鲁棒控制14]。虽然非线性控制方法相对复杂的设计,先进的非线性控制方法的研究在智能电网以来一直非常关注非线性控制更接近电力系统本身的特点(3,15- - - - - -18]。
在本文中,我们调查的积分滑模(ISM)控制方法对负荷频率控制的一个岛屿微型智能电网"与光伏发电系统集成,以及神经网络观测器设计的在线观测光伏发电。与此同时,随着汽车电网(V2G)技术的提高,电动汽车也集成到微型智能电网"分布式存储设备支持频率调节。本文的主要贡献如下。首先,微型智能电网"与电动汽车的供应管理协会(ISM)控制器设计。关于著名的光伏发电模式,在线OISM控制器调节的频率提出了微型智能电网",和相关的稳定性证明严格分析。其次,提出了控制器对系统参数的不确定性的鲁棒性验证,这个方法的控制性能在哪里与传统的PID控制。
本文组织如下。部分2介绍了微型智能电网"系统和制定频率控制问题研究。部分3设计了神经网络观测器,并进一步介绍了OISM控制器方法。模拟是进行基准的微型智能电网",和所有的结果,分析了部分4。部分5本文总结道。
2。问题公式化
本文研究了基准体系一般包括以下部分:一个等效microturbine (MT),光伏阵列,与电池银行两个等效EV模型,需求方面,如智能家居和负载。岛模式和发电模式都可能的操作模式(19]。在这篇文章中,这个基准测试电力系统被认为是一个微型智能电网"和运营在孤岛模式下,系统功率流平衡由当地负荷和本地发电。这意味着MTs和光伏阵列提供有功功率平衡所有本地负载,电池和电动车充电站可以视为分布式能源存储发电和负荷需求之间的不平衡补偿。
电力系统通常被认为是非线性和动态,但只存在小负载变化在其正常运行。作为电动汽车集成到基准系统,给出了基准系统的原理图如图1。
微型智能电网"是在岛上的操作模式以来,利物浦能力需要足够的快速阻尼振荡频率。通过将EVs到微型智能电网",系统惯性可以增加,可以提高频率稳定度(20.,21]。为了演示V2G技术的好处,添加一个有功功率扰动;频率动态与电动汽车和电动车如图2。
负荷频率控制器预计将保持命令频率水平当负载扰动出现和可再生能源纳入嘲骂。为了制定利物浦控制问题的微型智能电网",一些数学符号定义如下:,,,,频率的变化,汽轮机,州长位置阀,第一个电动汽车电源,分别和第二EV动力。,,,,涡轮的时间常数,州长,第一个电动车,第二个电动车,分别和电力系统。和电力系统的增益和调速系数,分别。
基于图1,状态向量系统的定义是 和利物浦模型制定了下列微分方程:
系统矩阵,控制矩阵,干扰矩阵可以表示为 是控制向量,,和从负载变化和综合扰动光伏电源,分别。以下假设是应用于基准体系。
假设1。光伏电力扰动和负载变化的诱导规范满足和分别在哪里和代表上界。
3所示。控制器设计
3.1。积分滑模控制器
与大型互联系统相比,微型智能电网"系统更不稳定,容易造成严重破坏下参数不确定性和干扰。因此,控制器的鲁棒性保持微型智能电网"系统稳定是必需的。
滑模控制是健壮和系统匹配扰动和参数变化(22- - - - - -25]。保持频率要求的水平,ISM控制作为利物浦的基本控制方法选择基准系统的问题。提出的微型智能电网"系统(2),一个ISM变量设计 在哪里和的系数向量,满足这两个多项式和赫维茨。
ISM控制器设计采用接触法。与等效控制的想法,ISM频率控制器构成 在哪里控制增益和满足吗和是饱和函数消除抖振的控制信号通过设置一个合理的宽度。
3.2。神经网络观测器
在本节中,光伏发电是由特定的传感器测量的数据和存储在控制单元。最近,已经开发了智能算法从数据获取信息26- - - - - -31日]。因此,这些数据可用于设计一个观察者预测未来光伏电力。在本文中,一个三层神经网络隐层是用来实现光伏功率的在线观测,其结构如图3。
从图3,我们可以知道,光伏发电与神经网络观测器输入层神经元,隐层神经元,和一个输出层神经元。因此,观察者的输入光伏功率值在时间,记录为。输出光伏功率值在时间吗。其余的变量在图3可以被定义为 在哪里和满足和,分别。和输入和输出的价值观是吗分别th隐藏神经元。的重量吗输入神经元th隐藏的神经元,的重量吗隐藏的节点到输出节点。用作激活函数。
权重向量和是随机初始化(−1,1)。根据计算向前传播,神经网络输出光伏发电时的评估价值。
神经网络的初始权值更新的误差反向传播算法。之间的区别和测量光伏电力的真正价值被定义为网络错误,这是 如果,它代表了估计光伏功率值是完全等于真正的光伏功率值。在反向传播过程中,目标是最小化目标函数与;也就是说,
梯度下降法是用于更新权重利用bp神经网络观测器的(26- - - - - -28,32]。定义input-to-hidden权重向量和hidden-to-output权向量作为 在哪里和,分别。然后(8)可以进一步简化为
根据链式求导法则,神经网络的权重更新观察者
具体来说,权重和是由 在哪里是学习速率。估计光伏发电可以作为输入信号到ISM控制器消除集成光伏功率的影响。
3.3。Observer-Based积分滑模控制器
根据神经网络的万能逼近特性(32,33),观察者可以近似真实的输出光伏电力容许误差。换句话说,存在一个权重向量使错误达到最小,这是 在哪里是一个任意的足够小正的常数。它代表了最大的绝对差异估计价值和真正的光伏发电。通过引入神经网络观测器,OISM控制器是光伏发电的微型智能电网"系统集成。因此,我们有以下定理。定理1。对于系统(1),如果神经网络观测器的权重更新(13),OISM控制器设计 微型智能电网"系统渐近稳定。证明。我们定义系统的李雅普诺夫函数和控制律(1)(17),
很明显,。设置重量误差向量 在哪里是理想的权向量和其实是观察者的权向量。通过区分关于时间,我们可以获得
通过结合(20.),的导数可以获得的
神经网络的权重更新观察者根据(13);然后可以推导出
我们简化(23)和替代;然后就变成了
根据神经网络的通用逼近性质和假设1,,,我们就能获得滑模增益ε需要满足
足够的学习后,神经网络观测器的误差是合理的足够小,这意味着。因此,它很容易推断
与和因此,我们有以下:
它的意思是 对于这两个和。
观测的不平等(18)和(28),控制器(17)可以确保和对于系统(1),根据李雅普诺夫稳定性定理,系统(1)是渐近稳定的。这意味着监管系统(1)的频率推导设计下为零OISM控制器。
4所示。模拟和分析
在本节中,我们提出的频率控制方法应用于研究基准微型智能电网",这是一个典型的基准系统。基准微型智能电网"系统给出的参数表1通过引用(19,34,35]。PID控制器还用于潮湿基准体系作为竞争的频率偏移的方法。
在PID控制器,频率偏差作为输入,参数成比例,积分,微分增益设置为 和分别。提出了ISM控制方法,控制增益和系数向量和被定义为和分别。为了验证设计的控制器的性能,我们有以下情况。
4.1。动态响应负荷变化
在这种情况下,微型智能电网"系统最初的频率稳定;四个连续的有功功率扰动引起的负载变化应用于微型智能电网"系统,表所示2。没有集成光伏电源,ISM控制器(5)用于抑制振荡频率。
当这些系统上的顺序添加干扰,积分滑模控制器的性能呈现在图4。竞争的结果,调节PID控制器的结果也呈现在图4。太的功率输出和电动汽车在图所示5。
4.2。动态响应负载扰动和输出功率的限制
考虑太的输出功率限制和两个电动汽车36]。MT的输出功率值和两个电动汽车产量限制(−0.02,+ 0.02),(−0.01,+ 0.01),和(−0.005,+ 0.003)的输出功率范围太,EV1,和EV2分别。表中给出的相同的干扰2这个基准测试系统上添加。在这种情况下,系统频率偏差的性能图所示6,包括PID控制和ISM控制。太的输出和电动汽车在图所示7。
从数据4和6,我们可以观察到每一个扰动产生一个明显的频率偏离规定的值,和偏差取决于扰动的振幅。ISM控制器与PID控制器相比,具有更快的响应能力以及瞬时振幅小。此外,没有功率输出限制,调节PID和ISM控制器有更好的性能比两个控制器输出功率条件下的约束。数据5和7显示MT和电动汽车的功率输出没有和约束。
基于积分值的性能指标的总频率偏差在整个监管过程被定义为
对于上面的两种情况,提出了两个控制器的性能指标表3。相对而言,ISM控制器比PID控制有更好的监管能力。
4.3。动态响应负载扰动和光伏发电
在这种情况下,光伏电力集成到基于案例1微型智能电网"系统。光伏电力和四个连续的电力扰动都应用于微型智能电网"。具体来说,四个连续的权力从负载扰动变化表2。
控制器的参数PID控制器和ISM案例1中的值是一样的。为了消除光伏功率的影响,我们改变ISM控制器OISM控制器,设计(17)。神经网络观测器的参数设置如下:输入层节点,隐层节点和学习速率。这意味着神经网络学习时间之前从35以前的值然后估计光伏发电时间。神经网络观测器的输出如图8,而真正的光伏发电。从图8,我们可以知道,神经网络观测器能够预测光伏电源通过学习前面的光伏电力数据。
后将光伏电源集成到系统和应用这些连续的干扰,系统频率偏差曲线与PID控制器和OISM控制器呈现在图9和输出功率的电动汽车在图所示10。
4.4。动态响应负载扰动、光伏电源和输出功率限制
考虑到输出功率限制的和两个电动车,输出约束的和电动汽车使用相同的设置,例2所示。应用扰动也表所示2。通过使用OISM控制器,系统频率偏移如图11,太的输出和电动汽车在图所示12。提供了PID控制器的性能比较。
从数据9和11,频率偏离扰动下的命令值从光伏电源和负载变化。然而,OISM控制器比PID控制器更有效,它可以控制性能提供了更快的监管和较小的振动在整个监管过程。从数据10和12,我们可以知道,PID控制器很难调整输出功率的偏差为零;这意味着频率难以监管设置为指定的值。比较与PID控制器的控制性能,OISM控制器仍保持快速观察光伏电力监管和强鲁棒性。类似案例2中,PID控制器的性能变得更糟的是,当输出功率限制。从数据11和12,我们可以观察到PID控制器很难调节频率扰动下所需的值。相反,OISM控制器仍然有优越的阻尼性能。
的性能指标还用于评估控制性能。并给出了控制器的索引值表4。可以看出OISM控制器的性能明显优于PID控制器的整个监管过程。
5。结论
本文解决了利物浦的问题岛上微型智能电网" EVs和光伏发电集成。采用OISM控制策略调节频率推导,在神经网络观测器设计预测光伏电源干扰。OISM的理论分析,提出了系统的李雅普诺夫稳定性。模拟与不同的系统上执行一个基准条件,包括负载变化、PV干扰,输出功率限制。与传统的PID控制器作用比较研究提供演示OISM控制器的性能优越。在未来的工作中,有几个重要的主题,需要集中解决。例如,将多元化的能源集成到岛上微型智能电网"将被考虑。同时,我们将考虑多元化的协调控制能量和相互连接的微型电网的频率稳定度。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是支持由国家自然科学基金委资助51377065,61304018,61301035,和6141130160,部分由湖北省科技支持计划资助2014 baa035,和部分由天津市自然科学基金资助14 jcqnjc05400。