一种多能量源协同动态组合功率系统的控制方法

本发明涉及多能源发电系统的控制方法，尤其是涉及一种多能量源协同动态组合功率系统的控制方法。

背景技术：

1、新能源技术的发展对解决全球能源和环境危机至关重要。对于光伏、温差发电或无线发电线圈等的单独或组合或混合的多单元发电系统，其输出能力随负载的变化而变化，需要变换器进行最大功率点跟踪(mppt)控制。然而，在复杂的工作条件下，如光照强度、温度分布或磁场大小变化的情况下，多单元发电系统的中各个发电单元之间最大输出功率点不匹配或输出特性曲线存在多峰值的情况，导致单一的mppt算法无法有效管理多个发电单元组合，从而降低整个系统的输出能力。

2、目前，多是采用复杂的mppt控制算法，此方案不仅控制复杂且依然无法实现对多个单元的有效管理，或是对每个单元都设计一个功率调节电路，但此方案不仅体积大且成本高，不被市场接受。

技术实现思路

1、本发明的目的就是为了提供一种多能量源协同动态组合功率系统的控制方法，快速寻找开关矩阵的最优开关组合，提高系统的输出功率。

2、本发明的目的可以通过以下技术方案来实现：

3、一种多能量源协同动态组合功率系统的控制方法，包括以下步骤：

4、获取动态组合功率系统架构，所述动态组合功率系统架构包括依次连接的多单元发电系统、开关矩阵、dc-dc变换器和负载；

5、基于神经网络控制算法寻找开关矩阵的最优开关组合；

6、在最优开关组合的基础上，基于快速mppt算法对多单元发电系统进行最大功率追踪控制，实时调节功率变换器的占空比，实现负载与内阻匹配。

7、所述基于神经网络控制算法寻找开关矩阵的最优开关组合包括以下步骤：

8、建立神经网络模型，所述模型的输入为动态组合功率系统的工作条件，输出为最优开关组合控制信号和最大输出功率；

9、初始化神经网络模型参数；

10、训练神经网络模型；

11、利用训练完成的神经网络模型和获取的模型输入得到最优开关组合的控制信号和对应的最大输出功率。

12、所述神经网络模型的实现方式包括bp神经网络、rbf神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络、卷积神经网络。

13、所述神经网络模型基于rbf神经网络构建，包括输入层、隐含层和输出层，其中，从输入层空间经过非线性指数变换到隐含层，其变换权重值均为1，隐含层径向基函数为高斯基函数，其表达式为：

14、

15、其中，ci＝[ci1,ci2,...,ciq]t为基函数的中心点，bi为径基宽度，t为rbf神经网络模型的输入；

16、从隐含层经过多变量线性变换到输出层；

17、神经网络输出的描述形式为：

18、

19、其中，n表示神经元的个数，g(.)为径向基函数，wi为权重。

20、所述神经网络模型输出的最大输出功率作为判断系统是否正常工作以及是否触发mppt算法的判断条件。

21、所述动态组合功率系统的工作条件包括测温值、光照强度和磁场强度，取决于多单元发电系统的模式。

22、所述最优开关组合控制信号经串行输入，并行输出的寄存器后，控制开关同时动作，以保证系统稳定性。

23、当神经网络模型输出的最大输出功率与实际功率之间的差值大于预配置的阈值时，基于快速mppt算法对多单元发电系统进行最大功率追踪控制。

24、根据多单元发电系统的输出电压-电流线性关系特性，采用线性外推与小步长扰动相结合mppt算法实现系统输出性能的实时优化调节，具体包括以下步骤：

25、给定预配置的占空比d1，d2并采样其对应的输出电压、电流，从而计算出系统输出的开路电压和短路电流；

26、基于开路电压和短路电流初步快速定位最大功率点；

27、基于小步长扰动观察算法对最大输出功率进行精准跟踪；

28、判断是否满足判断条件，若是，则结束小步长扰动观察，执行线性外推步骤，计算出新的最大功率点；

29、基于新的最大功率点，重新基于小步长扰动观察算法对工作点进行微调；

30、当系统输出持续稳定时，保持小步长扰动观察算法的控制不变，实现快速精准的最大功率跟踪。

31、所述判断条件为：

32、

33、其中，δp为mppt算法计算的最大输出功率与实际输出功率之间的差值，δ为输出功率变化阈值，ki和ki*分别表示当前和前一时刻的开关组合。

34、与现有技术相比，本发明具有以下有益效果：

35、(1)本发明针对多能量源协同动态组合功率系统，采用神经网络模型快速、实时、准确的寻找开关矩阵的最优开关组合，并得到理论最大输出功率。

36、(2)本发明通过找寻到的最优开关组合，采用单一的快速mppt算法实现最大功率追踪控制，大幅降低了多能量源系统控制中mppt算法的复杂度，算法简单易实现，成本低，能够实时调节功率变换器的占空比，实现负载与内阻的匹配，进一步提高系统的输出性能。

技术特征：

1.一种多能量源协同动态组合功率系统的控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述基于神经网络控制算法寻找开关矩阵的最优开关组合包括以下步骤：

3.根据权利要求2所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述神经网络模型的实现方式包括bp神经网络、rbf神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络、卷积神经网络。

4.根据权利要求2所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述神经网络模型基于rbf神经网络构建，包括输入层、隐含层和输出层，其中，从输入层空间经过非线性指数变换到隐含层，其变换权重值均为1，隐含层径向基函数为高斯基函数，其表达式为：

5.根据权利要求2所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述神经网络模型输出的最大输出功率作为判断系统是否正常工作以及是否触发mppt算法的判断条件。

6.根据权利要求2所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述动态组合功率系统的工作条件包括测温值、光照强度和磁场强度，取决于多单元发电系统的模式。

7.根据权利要求1所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述最优开关组合控制信号经串行输入，并行输出的寄存器后，控制开关同时动作，以保证系统稳定性。

8.根据权利要求5所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，当神经网络模型输出的最大输出功率与实际功率之间的差值大于预配置的阈值时，基于快速mppt算法对多单元发电系统进行最大功率追踪控制。

9.根据权利要求1所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，根据多单元发电系统的输出电压-电流线性关系特性，采用线性外推与小步长扰动相结合mppt算法实现系统输出性能的实时优化调节，具体包括以下步骤：

10.根据权利要求9所述的一种多能量源协同动态组合功率系统的控制方法，其特征在于，所述判断条件为：

技术总结
本发明涉及一种多能量源协同动态组合功率系统的控制方法，包括以下步骤：获取动态组合功率系统架构，所述动态组合功率系统架构包括依次连接的多单元发电系统、开关矩阵、DC‑DC变换器和负载；基于RBF神经网络控制算法寻找开关矩阵的最优开关组合；在最优开关组合的基础上，基于快速MPPT算法对多单元发电系统进行最大功率追踪控制，实时调节功率变换器的占空比，实现负载与内阻匹配。与现有技术相比，本发明具有能够快速找到最优开关组合、提高系统输出性能等优点。

技术研发人员：钱挺
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/4/24