基于径向基神经网络预测的直流微电网均流方法与流程

本发明涉及一种微电网控制方法，特别涉及一种基于径向基神经网络预测的直流微电网均流方法。

背景技术：

微电网作为一种新型的发电系统，可以充分利用风、光等新能源生产电能，在一定程度上缓解了传统能源短缺和环境污染的压力。在多种微电网结构中，直流微电网能够更高效的接纳风、光、储及直流负荷。直流微电网有分布式电源、直流母线、储能系统和负荷组成。其运行模式可分为并网运行和孤岛运行两种。并网模式下，直流微电网通过dc/ac并网逆变器与大电网互联，由大电网维持直流母线电压的平稳。孤岛模式下，直流微电网独立为一个小的发电系统，并在系统内实现“自给自足”，由分布式电源向负载供电。系统中各个单元都分别由电力电子变换器与直流母线相连。其中，光伏和风力发电单元作为单纯的发电源，通过单向变换器连接到直流母线上；储能系统即可作为吸收功率的负荷，又可作为发出功率的发电源，因此通过可实现功率双向流动的dc/dc变换器与直流母线连接，参与功率分配和母线电压的调节，起到消峰填谷的作用；负荷通过单向功率变换器与母线相连，分为紧急负荷和非紧急负荷，在系统能量供不应求的情况下可优先切除非紧急负荷以保证电能质量和系统的稳定性。当微电网内单元众多时，一般通过加设通讯线交换各单元间的信息提高系统的稳定性，但随着单元数的增加，通讯压力也会随之增大，一旦某单元发生故障极易影响到全局的控制效果。而不依靠通讯完全实现自治的控制方式，抗干扰能力不足，特别是微电网容量较大时，稳定性会变得脆弱，只适合于小型的微电网。在采用下垂控制直流微电网中，线路阻抗的存在会影响到分率分配精度和电能质量。

技术实现要素：

本发明是针对线路阻抗的存在会影响到分率分配精度和电能质量的问题，提出了一种基于径向基神经网络预测的直流微电网均流方法，通过径向基(rbf)神经网络对直流变换器进行动态建模，只需要本地单元的信息便可预测其它单元的输出，在所提出的控制策略里，各个单元之间无需通信，便可实现虚拟互联，获取全局信息,自动实现均流，可以减少通讯线和传感器的使用。

本发明的技术方案为：一种基于径向基神经网络预测的直流微电网均流方法，有n个发电单元并联组成直流微电网，通过各自变换器并入交流电网，实时采集本地单个发电单元的输出并网电流i01，发电单元输出并网电压u01和发电单元输出线路上电感电流il1数据送入训练后rbf神经网络预测模型，预测得到直流微电网中其余n-1个并联单元的输出平均电流值由i01和计算出本地单个发电单元应该输出并网电流的平均值与本地实时输出电流值差值输入到电流调节器进行电流调节，输出均流控制的控制变量δio1进入本地下垂控制进行电流补偿；直流微电网中每个发电单元均用前述预测方式进行本地调控，克服线路阻抗导致的电流波动，达到均流控制。

所述rbf神经网络预测模型分输入层、隐含层和输出层：

x＝[i01u01il1]^t(2)

其中x、y分别为网络输入和输出；j＝1，2，3，…，m，m为隐含层的个数；hj为隐含层第j个单元的训练得到的高斯基函数；cj为基函数中心；bj为基函数的宽度；yi为第i组训练数据输入对应的神经元输出值；ωij表示第i组训练数据输出神经元与隐含层第j个单元之间的连接权值。

所述输出均流控制的控制变量δio1进入本地下垂控制进行电流补偿的关系式如下：

uo1＝uref-rd1io1-δio1+δu(6)

δu＝gpiv(ubus-uref)(7)

式中：uo1为本地发电单元变换器输出端口电压；uref为直流母线基准电压；rd1为本地发电单元变换器本地控制下垂系数；k1为本地发电单元变换器的功率分配比例；δu为电压控制的控制变量；ubus为直流母线电压；gpiv为电压调节器的传递环数；gpic为电流调节器的传递函数。

本发明的有益效果在于：本发明基于径向基神经网络预测的直流微电网均流方法，只需利用本地控制器和电压、电流传感器，控制简单，经济性高；控制过程中无需通信，可以减少通信线的使用，提高系统的稳定性；可以有效实现电流均分的目标，可以实现系统功率的自动分配，改善电能质量；各单元间通过预测网络实现了虚拟互联。

附图说明

图1为直流微电网结构等效模型图；

图2为rbf预测模型结构示意图；

图3为本发明rbf神经网络预测模型与下垂控制相结合示意图；

图4为本发明基于径向基神经网络预测的直流微电网均流方法流程图；

图5为本发明rbf预测结果对比

图6为本发明在线路阻抗变化时所提方法控制下变换器输出电流图；

图7为本发明在线路阻抗变化时所提方法控制下母线电压图；

图8为本发明模拟了公共负荷跳变所提方法控制下变换器输出电流图；

图9为本发明模拟了公共负荷跳变所提方法控制下母线电压图。

具体实施方式

本发明提出的方法，结合直流微电网传统下垂控制与rbf神经预测网络。首先，通过传统的下垂控制实现初始近似功率分配，然后通过母线侧的电压传感器采集母线电压。各单元变换器采集本地电压和电流信息，使用神经网络模型预测其它单元的输出电流，本地控制器计算预测值和本地测量值以获得本单元的平均电流。电压偏差和电流偏差分别通过相应的电压调节器和电流调节器得到电压补偿量和电流补偿量，用以调整电压基准值。经过pi控制器的调节，能够减小母线电压与设定值之间的偏差，同时各单元输出电流与平均电流趋于一致，提高了均流效果。

在孤立直流微电网内部，各节点的输出电压、电流不仅仅与本单元的功率和线路阻抗有关，同时由其相邻并联单元的输出共同决定。如图1所示，dgi表示n个发电单元中的任意选择的第i个发电单元，dg1到dgn表示与dgi并联的n-1个发电单元。为了简化分析和计算，可以将dg1到dgn的n-1个发电单元并联等效为一个发电单元dg2，称为第二发电单元，将dgi单元设为dg1，称为第一发电单元，那dg2上的电流为：

其中kj表示并联等效的第j个发电单元的电流分配比例，ij表示并联等效的第j个发电单元的电流值。这样，将直流微电网等效为两个发电单元dg1、dg2与公共负载并联的结构对系统进行建模。

如图2所示rbf预测模型结构示意图，模型分输入层、隐含层和输出层，rbf预测模型的建立首先要确定其网络结构，经过多次重复试验，最后选定dg1发电单元输出并网电流i01，发电单元输出并网电压u01和发电单元输出线路上电感电流il1三个较能表征系统特性的量作为rbf预测模型输入，输入节点取3。依据下垂控制策略的实际需求，选定其余并联单元的输出平均电流值作为预测输出，输出节点取1。

x＝[i01u01il1]^t(2)

其中x、y分别为网络输入和输出；j＝1，2，3，…，m，m为隐含层的个数；hj为隐含层第j个单元的训练得到的高斯基函数；cj为基函数中心；bj为基函数的宽度；yi为第i组训练数据输入对应的神经元输出值；ωij表示第i组训练数据输出神经元与隐含层第j个单元之间的连接权值。

本发明将rbf神经网络预测模型与下垂控制相结合，将本地的dgi发电单元设为dg1，将实时采集的数据送入训练后rbf神经网络预测模型，预测得到其余并联单元的输出平均电流值计算dg1应该输出并网电流的平均值与实时输出电流值差值输入电流调节器进行电流调节，输出均流控制的控制变量δio1进入本地下垂控制进行电流调节，每个发电单元均用预测方式进行本地调控，可实时克服线路阻抗导致的电流波动，达到均流控制目的。也就是用rbf神经网络预测模型取代单元间的通信，具体如图3所示rbf神经网络预测模型与下垂控制相结合示意图(图3中两组发电单元的rbf神经网络预测模型与下垂控制相结合示意图)。

uo1＝uref-rd1io1-δio1+δu(6)

δu＝gpiv(ubus-uref)(7)

式中：uo1为dg1变换器输出端口电压；uref为直流母线基准电压；rd1为dg1变换器本地控制下垂系数；io1是dg1经过变换器输出到并网pcc点的实时电流；为本地控制器计算的dg1变换器应该输出的电流平均值；k1为dg1变换器的功率分配比例，本文取ki＝1；δio1为均流控制的控制变量；δu为电压控制的控制变量；ubus为直流母线电压；gpiv为电压调节器的传递环数；gpic为电流调节器的传递函数；io2^*为rbf神经网络预测的其余并联单元输出平均电流值。

本发明中提出的神经网络因其自身特点，不易受到其控制目标内部结构的复杂的影响，各单元间虽不需要通信，但依然实现了虚拟互联并非相互独立。更适合于结构复杂、单元数目众多的中大型的微电网。

为了验证网络模型的有效性，依据图1搭建仿真模型，并将训练好的神经网络模型接入到仿真中，比较rbf网络模型预测结果和实际输出如图5所示。

仿真1：测试在线路阻抗变化时所提方法控制下变换器的性能。如图6、7所示变换器输出电流图和母线电压图，母线电压额定400v,公共负载rl＝50ω，在负荷不变的情况下模拟了线路电阻的变化。初始线路电阻r1＝r2＝2ω，在2s时r2突变为1ω。在4s时，r1突变为0.4ω。

仿真2：系统的额定功率为3000w，母线电压额定400v。仿真2模拟了公共负荷跳变的情况下，所提方法控制下如图8、9所示变换器输出电流图和母线电压图。初始的公共负荷为2000w；在1s时，公共负荷突增为4000w；2s时，公共负荷恢复到2650w。