一种针对并网分布式能源系统中储能设备的控制方法与流程

本发明涉及新能源发电及自动控制技术领域，具体涉及并网分布式能源系统技术。

背景技术：

近年来，随着经济的增长和环境保护的需求，分布式能源被越来越广泛地应用到发电系统中。分布式能源系统一般是将太阳能，风能等清洁能源转换成电能的系统，因此，分布式能源系统发出电能功率的大小在一天中并不是固定不变的，并取决于光照、温度、风速等因素。此时，如果分布式能源系统缺乏储能设备，那么系统输出的功率将是不可控的，并不受上级调度的控制。因此在分布式能源发电系统中，通常加入储能设备使全系统的输出功率变得可控。

储能设备按在分布式能源并网系统中按照接入位置的不同分为集中式储能和分布式储能两种。集中式储能即储能装置经过逆变后接入交流母线，分布式储能即储能装置经过dc/dc变换后直接接入分布式能源系统的直流母线。

在智能电网中，必须采用高效的转换算法才能很好地控制储能设备与智能电网间的交换功率。在以往对储能设备的控制中，通常使用传统的pid控制，显然pid控制难以满足智能电网越来越高的控制质量需求。

技术实现要素：

本发明所要解决的技术问题就是提供一种针对并网分布式能源系统中储能设备的控制方法，为储能系统提供了高效的转换算法，并使储能系统对功率调度指令的响应更为迅速。

为解决上述技术问题，本发明采用如下技术方案：一种针对并网分布式能源系统中储能设备的控制方法，储能设备经过buck-boost电路转换后接入直流母线，buck-boost电路由pid控制器控制，pid控制器的参数由rbf神经网络自适应控制，储能设备的控制方法包括如下步骤：

步骤1：获得需要分布式能源系统输出的功率值pref，pref＝pc-pd，其中pc为上级调度给此分布式能源系统所下的指令，即此分布式能源系统需要给外界电网提供的功率值，pd为分布式电源发出的功率值；

步骤2：测量储能设备输出端的电压ub、电流ib，并计算储能系统实时输出的功率pb，pb＝ubib；

步骤3：将x＝[u(k),z(k),y(k)]^t定义为rbf神经网络的输入，其中u(k)为buck-boost电路输入，y(k)为储能设备的输出，即pb，z(k)为系统误差，定义为pref-pb；

步骤4：将矩阵x输入rbf神经网络进行在线辨识，计算得出pid参数kp、ki和kd的调节量δkp、δki和δkd；

步骤5：根据步骤4所设计的调节量δkp、δki和δkd设计pid参数更新算法，使用更新后的pid参数作为新pid参数对buck-boost电路进行控制。

优选的，步骤4中rbf神经网络隐含层定义为：

其中c＝[ci1,ci2,l,cim]为rbf神经网络隐含层第i层的中心矢量，b＝[b1,b2,l,bm]^t为网络的基宽向量，bi为节点i的基宽度参数，并定义网络的权向量为w＝[w1,w2,l,wm]^t；rbf神经网络的输出定义为：

此外，系统的性能指标函数被定义为：

优选的，根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下：

δwi(k)＝α(y(k)-ym(k))ri(x(k))

wi(k)＝wi(k-1)+δwi(k)+β(wi(k-1)-wi(k-2))(4)

其中，α和β分别为rbf神经网络的学习率和动量因子，

参数bj(k)的学习算法表示为：

bj(k)＝bj(k-1)+αδbj(k)+β(bj(k-1)-bj(k-2))(5)

参数cij(k)可以表示为：

cij(k)＝cij(k-1)+αδcij+β(cij(k-1)-cij(k-2))(6)

被控对象jacobian信息辨识算法为：

优选的，所述步骤5中，系统误差定义为：

z(k)＝v(k)-y(k)-ε(k)(8)

其中v(k)为系统输入参考信号，ε(k)为补偿信号，定义为：

参数γ选取在单位圆内，uc(k)和u(k)分别为约束器的输入和输出，参数整定指标设置为：

采用梯度下降法对pid参数kp,ki,kd进行调整，调整规则如下：

优选的，pid参数的更新算法为：

kp(k)＝kp(k-1)+δkp(k)+β(kp(k-1)-kp(k-2))

ki(k)＝ki(k-1)+δki(k)+β(ki(k-1)-ki(k-2))

kd(k)＝kd(k-1)+δkd(k)+β(kd(k-1)-kd(k-2))(12)。

优选的，所述步骤4中，rbf神经网络的学习率和动量因子α和β分别设置为0.06和0.34。

优选的，所述步骤5中，控制器参数kp(0),ki(0),kd(0)的初值分别设置为0.3，0.00051，0。

本发明使用神经网络自适应调节pid控制器参数，相比传统pid控制具有更好的动态特性，在储能系统的控制方面有重要应用，为储能系统提供了高效的转换算法，并使储能系统对功率调度指令的响应更为迅速。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为本发明的硬件框图；

图2为本发明控制方法的原理示意图；

图3为rbf神经网络原理图；

图4为经rbf神经网络自适应辨识后pid参数变化曲线；

图5为储能装置在pid控制下的分布式储能系统输出功率曲线；

图6为储能装置在rbf神经网络自适应pid控制下的分布式储能系统输出功率曲线。

具体实施方式

如图1所示，并网分布式能源系统包括分布式电源1、boost电路2、储能设备10、逆变器3、滤波电路4、变压器5、外界电网6、rbf神经网络7、pid控制器8、buck-boost电路9、储能设备10，分布式电源1发出直流电，并经过boost电路2升压后接入直流母线11。储能设备10经过buck-boost电路9转换后同样接入直流母线11。其中buck-boost电路9由rbf神经网络7自适应控制pid控制器8的参数。直流母线11上的直流电经过逆变器3逆变成三相交流电，并经过滤波电路4滤波和变压器5升压后，并入外界电网6。

由于分布式电源输出功率的不稳定，因此需要加入储能设备来满足功率调度的需要。在储能设备的控制中，必须采用高效的转换算法才能更好地控制储能设备与电网之间的功率交换。

在以往对储能设备的控制中，通常使用传统的pid控制，显然pid控制难以满足智能电网越来越高的控制质量需求，因此本发明采用rbf神经网络自适应调节pid控制器的参数。

参考图2至图6，具体说明本发明中针对并网分布式能源系统中储能设备的控制方法如下：

步骤1：获得需要分布式能源系统输出的功率值pref。pref＝pc-pd，其中pc为上级调度给此分布式能源系统所下的指令，即此分布式能源系统需要给外界电网提供的功率值，pd为分布式电源发出的功率值。

分布式能源系统输出的功率值pref作为神经网络输入的一部分，系统的控制目标即为储能设备的输出功率跟踪pref，即z(k)为0。

步骤2：测量储能设备输出端的电压ub，电流ib，并计算储能系统实时输出的功率pb，pb＝ubib。

步骤3：将x＝[u(k),z(k),y(k)]^t定义为rbf神经网络的输入，其中u(k)为buck-boost电路输入，即pid控制器输出信号uc(k)经过约束器后的信号，y(k)为储能设备的输出，即pb，z(k)为系统误差，定义为pref-pb。

步骤4：将矩阵x输入rbf神经网络进行在线辨识。

rbf神经网络隐含层定义为：

其中c＝[ci1,ci2,l,cim]为rbf神经网络隐含层第i层的中心矢量，b＝[b1,b2,l,bm]^t为网络的基宽向量，bi为节点i的基宽度参数。并定义网络的权向量为w＝[w1,w2,l,wm]^t。

rbf神经网络的输出定义为：

此外，系统的性能指标函数被定义为：

根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下：

δwi(k)＝α(y(k)-ym(k))ri(x(k))

wi(k)＝wi(k-1)+δwi(k)+β(wi(k-1)-wi(k-2))(16)

其中，α和β分别为rbf神经网络的学习率和动量因子。

参数bj(k)的学习算法表示为：

bj(k)＝bj(k-1)+αδbj(k)+β(bj(k-1)-bj(k-2))(17)

参数cij(k)可以表示为：

cij(k)＝cij(k-1)+αδcij+β(cij(k-1)-cij(k-2))(18)

被控对象jacobian信息辨识算法为：

系统误差定义为：

z(k)＝v(k)-y(k)-ε(k)(20)

其中v(k)为系统输入参考信号，ε(k)为补偿信号，定义为：

参数γ选取在单位圆内，uc(k)和u(k)分别为约束器的输入和输出。

参数整定指标设置为：

传统离散pid控制算法定义为：

δu(k)＝u(k)-u(k-1)

＝kp[z(k)-z(k-1)]+kiz(k)+kd[z(k)-2z(k-1)+z(k-2)](23)

然后，将pid控制器的三输入定义为：

z1(k)＝z(k)-z(k-1),

z2(k)＝z(k),

z3(k)＝z(k)-2z(k-1)+z(k-2)(24)

因此，式(23)可以被写成：

δu(k)＝u(k)-u(k-1)

＝kpz1(k)+kiz2(k)+kdz3(k)(25)

如图3所示，pid控制器uc的输出信号通过约束装置限幅，约束装置输出信号u的方程可以定义为：

其中，t是系统的采样时间，是控制信号的微分，的定义如下：

sat(.)是约束函数，表示为：

根据梯度下降法，kp,ki,kd的参数的调整量如下：

步骤5：因此，pid参数的更新算法可以写成：

kp(k)＝kp(k-1)+δkp(k)+β(kp(k-1)-kp(k-2))

ki(k)＝ki(k-1)+δki(k)+β(ki(k-1)-ki(k-2))

kd(k)＝kd(k-1)+δkd(k)+β(kd(k-1)-kd(k-2))(30)

rbf神经网络的学习率和动量因子α和β分别设置为0.06和0.34。控制器参数kp(0),ki(0),kd(0)的初值分别设置为0.3，0.00051，0。

上述记载中，k为pid控制器的参数，k为离散系统中某个采样点。

假定上级调度给此分布式电站指定输出功率为100kw，从图5和图6的对比可以看出，当储能装置处在pid控制器控制下时，整个系统输出的功率随着分布式能源发出功率的波动产生了较大的抖震；而当储能装置在rbf神经网络自适应pid控制器控制下时，整个系统输出功率平稳维持在100kw，未产生较大波动。因此，验证了本发明所设计的控制器相比传统pid控制器具有更好的控制效果。

综上，本发明通过使用神经网络自适应调节pid控制器参数，图4示意出了经rbf神经网络自适应辨识后pid参数变化曲线。减少了分布式能源系统输入电网的功率曲线抖震，使系统与电网的功率交换更为平滑，方法在现实中较容易实现，具有较好的应用前景。相比传统pid控制具有更好的动态特性，为储能系统提供了高效的转换算法，并使储能系统对功率调度指令的响应更为迅速。对于外界扰动，本发明所设计的控制器相比传统pid控制器具有更好的鲁棒性和动态特性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。