离网微型智能电网"集群总线的电压稳定控制策略基于自适应遗传模糊双闭环控制

文摘

在离网的微型智能电网"集群,能量存储设备主要是充电和放电维持母线电压的稳定和系统功率平衡。一般来说,电压和电流双闭环控制和模糊控制采用储能变换器。传统的双闭环控制参数和比例因子和模糊控制的量化因素不能实时调整系统操作期间,导致较慢的动态响应和系统的抗干扰能力弱。针对上述问题,本文提出了一种自适应遗传模糊双闭环控制,可以调整PI控制参数实时地通过调整量化因子和比例因子优化控制效果。在MATLAB / Simulink仿真平台构建及仿真结果表明,自适应遗传模糊双闭环控制结合了模糊PI控制的优点。在不同工作条件下,系统不仅快速动态响应,小超调、抗干扰能力强而且良好的鲁棒性。

1。介绍

随着能源需求、能源短缺和环境污染造成的能源利用率,利用太阳能等可再生能源和清洁能源的分布式电源获得了人们的支持和快速的发展。解决能源短缺和环境污染。和偏远地区的电力供应和分配问题大大节省成本(1- - - - - -3]。在分布式电源的发展,以确保为用户供电的可靠性和电能质量,一些学者提出了微型智能电网"的概念。分布式电源的微型智能电网"是一个集合,能量转换设备,负载和保护设备。配电系统可以实现自我控制和管理(4,5]。作为一个单一的微型智能电网"结构和功能的延伸扩张,微型智能电网"集群使用多个单独的微型电网的互联操作来改善系统的供电的可靠性。它可以运行在两个不同的工作模式,上网和离网(6- - - - - -9]。离网微型智能电网"集群,总线电压是唯一标准来衡量系统的稳定性。然而,影响光伏发电的随机性和负载的动态变化,这将导致系统总线电压扰动。在回应的问题如何保持系统的稳定,主要是通过存储设备连接的能量双向直流-直流转换器(BDC)和母线充电和放电,总线电压稳定和功率平衡的微型智能电网"集群系统维护。当能量微型智能电网"不足,能源存储设备提供足够的能量,当微型智能电网"是顺差,能量存储设备存储剩余能量(10- - - - - -12]。

目前,控制储能转换器的微型智能电网"是非常重要的。一般来说,电压和电流双闭环控制。传统的双闭环控制使用总线电压外环控制和电感电流转换器的内循环控制。应用经典控制理论,微型智能电网"集群可以通过PI控制和调整操作稳定。然而,双闭环控制的参数不能动态调整,动态响应慢,和抑制外部干扰和自动恢复的能力很差。因此,它不适合非线性时变集群网的微型电网控制(13- - - - - -17]。

由于模糊控制适用于非线性和时变系统,及其鲁棒性很好,它是针对传统的双闭环控制的缺点;提出了改进的双闭环控制。模糊控制用于电压外环控制设置外环的PI控制参数实时达到最优控制效果。然而,量化因子、比例因子模糊规则和隶属函数模糊控制不能动态调整。同时,模糊控制的控制规则和控制参数是基于经验,具有一定程度的主观性和缺乏理性的非线性系统。在优化PI控制参数有一定的局限性,导致系统动态响应和抗干扰能力没有提高18- - - - - -21]。文献[22)提出了一种自适应模糊控制,两种类型的间接自适应模糊控制和直接自适应模糊控制,但是他们两人修改模糊控制参数通过经营外部机制。这个过程是更多的麻烦和系统误差相对较大,不适合非线性微型智能电网"集群系统。针对改善模糊控制,一些学者提出了利用智能算法来调整量化因子和比例因子的模糊控制来优化模糊输出。文献[23- - - - - -25]提出遗传模糊控制,实时优化模糊控制的输出值,寻求最优解决方案,编码、选择、交叉和变异的量化因子和比例因子模糊控制。然而,它没有考虑这个问题,当系统中所有个体倾向于一个国家,停止进化,很难得到全局最优解。因此,当储能变换器采用遗传模糊双闭环控制,微型智能电网"集群的动态响应速度和抗干扰能力,外面的世界不是很理想。

本文提出了一种自适应遗传模糊双闭环控制储能转换器集群在一个微型智能电网"。通过调整量化因子和比例因子,PI控制参数可以调整实时优化控制效果,提高微型智能电网"集群的动态响应速度和抗干扰能力。仿真结果表明,自适应遗传模糊双闭环控制结合了模糊PI控制的优点。在不同工作条件下,系统不仅快速动态响应,小超调、抗干扰能力强而且良好的鲁棒性。

2。拓扑结构和线路图

2.1。拓扑结构图

直流微型智能电网"集群的拓扑如图1。微型智能电网"集群是由两个直流微型电网互联。每个微型智能电网"的微型智能电网"集群包含光伏电池、蓄电池、负载。光伏电池和蓄电池分别连接到总线通过Boost变换器和双向直流-直流转换器,和负载连接到总线通过巴克转换器。

2.2。电路结构图

能源存储设备中扮演一个重要的角色在维持功率平衡的微型智能电网"集群和总线电压的稳定性。它可以用作电源补偿能量,或作为储存能量的负荷。离网的结构直流微型智能电网"集群在本文中如图2。

在图2, , , ,和分别是,光伏电池的输出电流的微型智能电网" 1微型智能电网"集群通过Boost变换器,巴克转换器的输入电流,电池的输出电流通过下死点,和输入电流的隔离下死点; , , ,和分别是提高转换器的储能电感,巴克转换器,下死点,和孤立的BDC微型智能电网" 1;和分别是总线电压和滤波电容器的微型智能电网" 1; , , ,和分别是,光伏电池的输出电流的微型智能电网" 2微型智能电网"集群通过Boost变换器,巴克转换器的输入电流,电池的输出电流通过下死点,和孤立的BDC输入电流; , ,和分别是,提高变换器的电感,巴克转换器,和下死点的微型智能电网" 2;和和总线电压和滤波电容的微型智能电网" 2,分别。当前的微型智能电网" 1和微型智能电网" 2关系从基尔霍夫电流定律获得如下:

在上面的方程(1)和(2),积极和消极的和相关工作状态的能量存储设备在微型智能电网" 1和微型智能电网" 2。时的值和是积极的,能量存储设备排放和充当电源。时的值和是负面的,能量存储设备带电,充当一个负载。本文主要采用自适应遗传模糊双闭环控制的能源存储转换器微型智能电网"集群和抑制直流母线电压的波动通过控制电池的充电和放电,以确保系统的安全稳定运行。

3所示。控制策略

3.1。模糊的双闭环控制

传统的微型智能电网"集群储能变换器通常采用模糊双闭环控制,和模糊双闭环控制结构如图3。

在图3,根据参考价值之间的差异总线电压和实际的价值 ,偏差和偏差变化速度得到,偏差和偏差变化速度获得和通过量化的因素和 ,然后和获得调整值和的比例和积分参数,通过模糊逻辑控制器来调整控制器的控制参数实时 , , ,和是固定值。设置公式如下,和是实时控制器的比例和积分系数和和是控制器的初始比例和积分控制系数:

模糊控制的设计主要是确定模糊规则和隶属度函数。常用的隶属度函数主要包括z字形,s形,三角形,钟形,高斯。三角形隶属函数形式简单,高灵敏度和快速响应。

本文的隶属度函数 , , ,和都是三角形,模糊域都是[5]−5日。的模糊子集 , , ,和都是{ , , , , , , },函数图所示4。

根据模糊控制的隶属函数和控制理论,模糊规则的和如表所示,推断出吗1和2。

模糊输入的模糊正则曲面图e和电子商务和输出和摘要图所示5。

3.2。自适应遗传模糊双闭环控制

针对这种情况的比例因子和量化因子模糊无法实时调整双闭环控制,本文提出了一种自适应遗传模糊双闭环控制,和它的控制结构如图6。

在图6,直接自适应遗传算法优化量化的因素和和规模因素和找到全局最优和在真正的时间。自适应遗传算法的实现如下:(我)确定遗传算法的编码方案:有多个编码如二进制、格雷,排列,实数编码。在这里,采用二进制编码遗传算法编码组成的{0,1}。 , , ,和全部采用8位二进制编码,分别。样品的数量大小= 40。(2)适应度函数的确定:遗传算法执行的算法优化搜索基于个人健身价值。它基本上不使用外部环境优化搜索的信息;因此,它是非常重要的,当选择适应度函数。它决定了算法的收敛速度和算法能否寻找最好的解决方案。优化三个元素的稳定性、速度和精度控制系统的性能指标函数一般选用下列公式所示: 本文中使用的优化算法设计了罚函数。当系统错误有一个过度,过度是一个系统的最优指标。这个目的可以有效地避免过度。此时,最优指标函数表示为下面的公式: 在上面的公式中,自调优的输出; ,和的重量,在哪里 ,和 ; 上升时间;是系统错误; ;和被控对象的输出。目标函数的倒数是用来表示适应度函数,即 。(3)选择:选择过程是消除一些人不满足要求根据每个身体的健身价值,和个人,不消除可以传递给下一代。这里使用的比例选择法,相关的表达式如下: 在前面的方程,是人群中个体的数量;个人的健身价值吗 ; 个人的概率是被选中。本文采用最优个体保留策略和最优个体保存out-of-group策略基于比例选择:一代的最优个体直接复制到下一代参与进一步进化,和健身价值与外部变量的组。如果大于 , 被最优个体,其健身价值;否则,它保持不变。(iv)交叉和变异:在传统的遗传算法中,不改变控制参数,系统很容易“过早”,削弱了收缩算法的效率。摘要交叉概率和变异概率总是变化动态,见以下方程: 在上面的公式中,和的初始值和 ,分别;和大于0;本文以 , ; ,在哪里是最大的个人健身;和代表个人的平均健身的健身大于平均健身。在人口的发展,由于是不断变化的,和也是动态调整。

4所示。仿真分析

根据离网直流微型智能电网"集群在图2,在MATLAB / Simulink仿真模型建立和仿真参数如表所示3。

为了研究公共汽车的动态性能在三瞬态过程的初始接通电源的电压,负载突然增加,和负载突然降低时,储能变换器采用模糊双闭环控制和自适应遗传模糊双闭环控制,分别执行以下工作的模拟情境:

工况1:微型智能电网" 1是连接到一个4欧姆的电阻在1.5 s,和获得的波形如图7- - - - - -10。

数据7和9是微型智能电网"的总线电压图1和微型智能电网" 2模糊双闭环自适应遗传模糊双闭环,分别。数据8和10的三个部分分别是放大视图初始接通电源的,负载突然增加,和负载的突然减少数据吗7和9。

从图可以看出8当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为22.1 V。多个振荡调整之后,它稳定在1.3 s 500 V。采用自适应遗传模糊双闭环控制时,总线的最大超调电压为1.2 V,不存在振荡现象,它稳定在大约0.9年代500 V。当负载突然增加时,总线电压降。当储能变换器采用模糊双闭环控制,总线电压下降到486.7 V。有一个过度现象时复苏,最大超调是9.6 V。同时,多个振荡调整之后,它稳定在2.85 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,立即总线电压下降到493.2 V,在复苏过程中还有一个超调现象。超过0.6 V,没有振荡,它稳定在2.3 s 500 V。负载突然降低时,总线电压突然增加。 When the energy storage converter adopts fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 29.6 V. After multiple oscillation adjustments, it stabilizes to 500 V in about 3.95 s. When the energy storage converter adopts adaptive genetic fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 18.2 V, there is no oscillation phenomenon during the recovery process, and it stabilizes to 500 V in about 3.25 s.

从图可以看出10当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为15.2 V。振荡调整后,它稳定在大约1 650 V。采用自适应遗传模糊双闭环控制时,的最大超调总线电压为0.9 V。没有在复苏过程中振荡,它稳定在大约0.75年代650 V。负载突然增加时,储能变换器采用模糊双闭环控制,和的最大超调总线电压为3.5 V。多个振荡调整之后,它稳定在2.6 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为1.2 V,而且没有振荡在复苏过程中,它稳定在大约2.31年代650 V。负载突然降低时,储能变换器采用模糊双闭环控制,和过度的总线电压为2.2 V。振荡调整之后,它稳定在3.8 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,过度的总线电压为-0.8 V。 There is no oscillation occurring during the recovery process, and it stabilizes to 650 V in about 3.4 s.

工况2:微型智能电网" 2是连接到一个15欧姆的电阻在1.5 s,和获得的波形如图11- - - - - -14。

数据11和13的总线电压图微型智能电网" 2和微型智能电网" 1模糊双闭环自适应遗传模糊双闭环,分别。数据12和14的三个部分分别是放大视图初始接通电源的,负载突然增加,和负载的突然减少数据吗11和13。

从图可以看出11当储能变换器采用模糊初始接通电源的双闭环控制,总线电压12 V的最大超调。振荡调整之后,它稳定在0.85 s 650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为3.3 V。没有在复苏过程中振荡,它稳定在大约0.75年代650 V。当负载突然增加时,总线电压降。当储能变换器采用模糊双闭环控制,总线电压下降到639.8 V。有一个过度现象在复苏过程中,它稳定在大约2.1年代650 V。当储能变换器采用自适应遗传模糊双闭环控制,总线电压下降到643.2 V。没有过度发生在复苏过程中,它稳定在大约2 s 650 V。负载突然下降时,总线电压突然增加。 When the energy storage converter adopts fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 13.4 V. After oscillation adjustment, it stabilizes to 650 V in about 3.6 s. When the energy storage converter adopts the genetic fuzzy double closed-loop control, the maximum overshoot of the bus voltage is 8.2 V. There is no oscillation during the recovery process, and it stabilizes to 650 V in about 3.25 s.

从图可以看出10当储能变换器采用模糊初始接通电源的双闭环控制,的最大超调总线电压为17.5 V。振荡调整之后,它稳定在1.23 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,总线的最大超调电压为2.1 V。没有在复苏过程中振荡现象,它稳定500 V 0.92秒左右。负载突然增加时,储能变换器采用模糊双闭环控制,和过度的总线电压为-0.8 V。振荡调整之后,它稳定在2.2 s 500 V。当储能变换器采用自适应遗传模糊双闭环控制,过度的总线电压为0.2 V。没有振荡发生在复苏过程中,它稳定500 V 1.85秒左右。负载突然降低时,储能变换器采用模糊双闭环控制,和过度的总线电压为3.2 V。振荡调整后,它稳定在大约4 s 500 V。 When the energy storage converter adopts adaptive genetic fuzzy double closed-loop control, the overshoot of the bus voltage is 0.8 V. There is no oscillation during the recovery process, and it stabilizes to 500 V around 3.65 s.

5。结论

针对微型智能电网"集群总线电压稳定问题,本文采用模糊双闭环自适应遗传模糊双闭环控制储能转换器的微型智能电网"集群,分别。研究总线电压的动态性能的三个瞬变过程中系统初始开机,突然增加的负载,负载的突然减少,根据仿真分析,也得出以下结论:(我)微型智能电网"集群,与模糊双闭环控制相比,自适应遗传模糊双闭环控制可以在全球范围内找到的最优值动态调整量化因子和比例因子,设置PI控制参数实时优化控制效果,提高了微网络组织系统的鲁棒性和稳定性。(2)微型智能电网"集群可以实现相互的相互连接的微型电网能量转移通过隔离下死点。所以,当总线电压的微型智能电网"波动,互连总线电压的微型智能电网"也会波动,和微型智能电网"集群系统下死点和自我调节恢复下进行孤立的下死点的联合行动,这样系统恢复稳定。(3)仿真证明,在三个不同的微型智能电网"集群系统的瞬态过程初始接通电源的负载突然增加,和负载突然减少,当储能BDC模糊双闭环控制,采用自适应遗传与模糊双闭环控制相比,该系统不仅具有动态响应快,超调,更强的抗干扰能力,还好鲁棒性。(iv)自适应遗传模糊双闭环控制可广泛应用于非线性和时变系统。

数据可用性

使用的数据来支持这项工作的结果可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持广西自然科学基金(没有。2017年gxnsfa A198161)。

引用

1. z丽安和c·邓cyber-physical微型电网的分布式安全二级控制系统网络DoS攻击下,“国际系统科学杂志》上,52卷,不。6、2021。视图:出版商的网站|谷歌学术搜索
2. k·拉梅什和n . Sinha“电压稳定的太阳能dish-Stirling自治直流微型智能电网"使用灰太狼FOPID-controller优化为基础,“国际可持续能源杂志》上,40卷,不。5,2021。视图:谷歌学术搜索
3. m . Yazdanian和a . Mehrizi-Sani”微型电网分布式控制技术”,IEEE智能电网,5卷,不。6,2901 - 2909年,2014页。视图:出版商的网站|谷歌学术搜索
4. 桑德罗和g . Fujita“先进的负载频率控制的最佳大小的影响电池能量储存在坐落微型智能电网"系统"能量,14卷,不。8,2021。视图:谷歌学术搜索
5. m . Chiandone m . d . Feste d . Bosich和g . Sulligoi”实时监控系统的里雅斯特大学校园电气配电电网,”IEEE米兰PowerTech学报》上,页1 - 5,米兰,意大利,2019年6月。视图:谷歌学术搜索
6. w·黄、吴p和n . Tai“灵活的互联multi-microgrid结构和基于混合公共连接单元,控制方法”中国电机工程学报,卷039,不。12日,第3513 - 3499页,2019年。视图:谷歌学术搜索
7. ElH . .a . Bourouhou和公元Plasencia Lotufo,“太阳能光伏发电预测,”电气和计算机工程杂志》上卷,2020篇文章ID 8819925, 2020。视图:谷歌学术搜索
8. 联合国Ekanayake、美国Navaratne和A . Bonfiglio”坐落在微型智能电网"控制技术模式,调查”电气和计算机工程杂志》上卷,2020篇文章ID 6275460, 2020。视图:出版商的网站|谷歌学术搜索
9. j . Mirez”之间互连优化的建模与仿真直流微型电网电压的新颖策略,权力和控制”《IEEE第二直流微型电网国际会议(ICDCM)纽伦堡,页536 - 541年,德国,2017年6月。视图:谷歌学术搜索
10. m .他和m . Giesselmann“Reliability-constrained向弹性微型智能电网"集群自组织和能源管理,”IEEE电力能源学会学报创新智能电网技术会议(ISGT)美国,页1 - 5,华盛顿特区,2015年2月。视图:谷歌学术搜索
11. 高z Lei, f . Wang y, y阮,”研究现状和应用453年DC芯片,分析双向直流-直流转换器”中国电工技术学会454年交易没有,卷。31日。22日,第147 - 137页,2016年。视图:谷歌学术搜索
12. p .歌曲和w·朱,“虚拟的直接功率控制策略双重活跃498年桥直流-直流转换器,”电气测量及仪表,卷499,不。5,125 - 131年,2018页。视图:谷歌学术搜索
13. g . z . Wu, w .他g .华和c . Cai”典型场景的仿真方法研究微型智能电网"(集团)访问分销网络”学报2018第五届国际会议上信息科学与控制工程(ICISCE)郑州,页491 - 495年,中国,2018年7月。视图:谷歌学术搜索
14. p .通用电气,y, y, f . Wu和l .周”稳定控制策略的混合储能直流微型智能电网"基于双闭环,”黑龙江电力、黑龙江,中国第41卷。。4、319 - 366年,2019页。视图:谷歌学术搜索
15. 梁h . y .董,d .曹”研究VSC-HVDC双闭环控制器基于宇宙变量模糊PID控制,”《2017年中国国际电力和能源会议(CIEEC),第638 - 633页,北京,中国,2017年10月。视图:谷歌学术搜索
16. m .小春就w .北京市l .杨s Shouxin z曹国伟,“改善微电网电压波动的研究基于改进双闭环控制的飞轮电池,”学报2019年IEEE第三先进信息管理、通信、电子和自动化控制会议(IMCEC)重庆,页1876 - 1880年,中国,2019年10月。视图:谷歌学术搜索
17. 吴x l .左j .咦,l .汉”双闭环控制策略LCL-type发电逆变器基于状态反馈组合,”《2016年国际智能电网与清洁能源技术会议(ICSGCE)成都,页359 - 363年,中国,2016年10月。视图:谷歌学术搜索
18. z Zhixiong、z . Yanzheng l . . h .道,“一个相互关联的非线性模糊控制框架下的电网TDS攻击:估计和补偿,”富兰克林研究所杂志》上,卷358,不。1,2021。视图:谷歌学术搜索
19. e . Almodarresi“平滑速度跟踪和kinematic-based模糊控制的移动机器人,”SN应用科学,卷2,不。12日,2020年。视图:出版商的网站|谷歌学术搜索
20. 诉阿布利亚佐夫,诉阿布利亚佐夫,o .里,诉Tisenko,模糊控制在机械制造的不确定性,”IOP会议系列:材料科学与工程,卷971,不。2、2020。视图:出版商的网站|谷歌学术搜索
21. z z . Liu g·范,陈,“双闭环仿真研究spwm逆变器基于模糊神经网络,”学报2018年IEEE第三先进的信息技术、电子和自动化控制会议(IAEAC)重庆,页241 - 245年,中国,2018年10月。视图:谷歌学术搜索
22. 陆y”,自适应模糊控制补偿设计直接自适应模糊控制,”IEEE模糊系统,26卷,不。6,3222 - 3231年,2018页。视图:出版商的网站|谷歌学术搜索
23. z杰,h .长,r .该矿“RBF神经网络自适应滑模控制基于遗传算法优化”《2016年中国控制与决策会议(CCDC)银川,页6772 - 6775年,中国,2016年5月。视图:谷歌学术搜索
24. z彭”,PID控制粮仓温度和湿度的基于改进的遗传算法,”学报2019年IEEE国际会议,智能计算和系统(ICPICS)p。428年,沈阳,中国,2019年7月。视图:谷歌学术搜索
25. 于哲,w .治国,l·范”优化基于遗传算法的模糊内模PID控制器,”在化工控制和仪器卷,47号4、294 - 321年,2020页。视图:谷歌学术搜索

版权

版权©2021余张等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。