基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的光儲系統(tǒng)優(yōu)化控制

張宇寧，王海云，王維慶

(新疆大學(xué)電氣工程學(xué)院，新疆 烏魯木齊 830047)

0 引 言

隨著國家對低碳電力的大力發(fā)展，以光伏發(fā)電為代表的高比例可再生能源在電網(wǎng)中持續(xù)增加，但光伏出力受天氣光照和溫度影響波動較大，其并網(wǎng)發(fā)電的不穩(wěn)定性給電網(wǎng)的調(diào)度帶來諸多困難[1-2]，這將嚴重制約光伏發(fā)電的大規(guī)模開發(fā)與利用，所以實現(xiàn)光伏出力波動小、精準(zhǔn)跟蹤調(diào)度指令是亟待解決的研究課題。為合理應(yīng)用光伏并盡量減小光伏發(fā)電的隨機性和間歇性對電網(wǎng)帶來的沖擊，提高系統(tǒng)的穩(wěn)定性，需配備一定容量的儲能裝置，理想的儲能裝置應(yīng)具有高能量密度、高功率密度、循環(huán)壽命長、環(huán)保節(jié)約等特性，但就目前的研究，還沒有單一的儲能方式能滿足上述特性，因此有專家提出混合儲能的概念，多種儲能方式同時工作，優(yōu)勢互補，超級電容與蓄電池最為熱門，應(yīng)用也最為廣泛[3- 4]。為充分發(fā)揮混合儲能的優(yōu)勢，最為關(guān)鍵的是合理有效的混合儲能控制策略，一般采用低通濾波或滑動平均算法得目標(biāo)并網(wǎng)功率和儲能系統(tǒng)補償功率，但此類方法未考慮電池荷電狀態(tài)的變化，易造成電池的過充過放，影響電池的壽命[5- 8]，所以在上述控制策略的基礎(chǔ)上，有專家學(xué)者提出加入模糊控制算法，完成對儲能設(shè)備荷電狀態(tài)的實時調(diào)節(jié)[9-10]。此類方法中的模糊控制也是采用經(jīng)驗值，缺乏在線自學(xué)或自調(diào)整功能、費時費力，因此對隸屬函數(shù)和模糊規(guī)則的調(diào)整成為模糊控制過程難題[11]。神經(jīng)網(wǎng)絡(luò)對輸入輸出數(shù)據(jù)有較強的自組織、自學(xué)習(xí)、自適應(yīng)功能，Sugeno型模糊模型表達能力、推理能力較強且輸出量是清晰集合[12-15]，因此將Sugeno型模糊模型與神經(jīng)網(wǎng)絡(luò)結(jié)合建立自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)可對大量歷史光儲數(shù)據(jù)進行處理，使混合儲能控制系統(tǒng)更加有效的跟蹤調(diào)度指令。

1 光儲系統(tǒng)結(jié)構(gòu)

基于混合儲能的光儲系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)由兩組光伏發(fā)電和一組混合儲能系統(tǒng)構(gòu)成，經(jīng)逆變控制后升壓并入電網(wǎng)。

1.1 混合儲能的光儲結(jié)構(gòu)

基于混合儲能的光儲系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)由兩組光伏發(fā)電和一組混合儲能系統(tǒng)構(gòu)成，經(jīng)逆變控制后升壓并入電網(wǎng)。

圖1 混合儲能的光儲結(jié)構(gòu)示意

光儲電站調(diào)度實時指令與光伏出力偏差Per為

Per=Pd-Pg

(1)

式中，Pd為光儲電站調(diào)度實時指令；Pg為光伏出力。

調(diào)度實時指令與光伏出力偏差Per功率作為混合儲能系統(tǒng)的目標(biāo)功率，通過自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制分頻后將高頻部分功率分配給超級電容，低頻部分功率給蓄電池，最后將混合儲能系統(tǒng)出力與光伏出力相加構(gòu)成光儲總出力跟蹤調(diào)度指令，計算過程為

Per=Ps+Pb

(2)

Pt=Per+Pg

(3)

式中，Ps為超級電容功率；Pb為電池功率；Pt為光儲總出力。

混合儲能系統(tǒng)的充放電既要考慮調(diào)度的指令同時還要考慮兩者的荷電狀態(tài)情況，為了避免混合儲能運行過程中出現(xiàn)過沖和過放的情況，對混合儲能的荷電狀態(tài)做出相應(yīng)的設(shè)置，電池的荷電狀態(tài)上下限為[0.8，0.2]；超級電容的荷電狀態(tài)上下線為[0.9，0.1]， 兩者荷電狀態(tài)的平均值通過自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)控制，使得混合儲能系統(tǒng)荷電狀態(tài)運行在合理范圍的同時跟蹤電網(wǎng)調(diào)度指令效果最佳。核電狀態(tài)的平均值為

socp=[(socb-0.5)+(socs-0.5)]/2

(4)

式中，socp為荷電狀態(tài)平均值 ；socb為蓄電池荷電狀態(tài)；socs為超級電容荷電狀態(tài)。

為保證光伏發(fā)電滿足并網(wǎng)調(diào)度要求，國家電網(wǎng)公司對光伏電站并網(wǎng)功率波動做出規(guī)定，對于15 MW及以下的光伏裝機，要求1 min內(nèi)最大有功功率變化值不超過0.2 MW，要求10 min內(nèi)最大有功功率變化值不應(yīng)超過其對應(yīng)裝機容量。

根據(jù)電網(wǎng)標(biāo)準(zhǔn)對光伏電站并網(wǎng)功率波動范圍，1 min和10 min功率波動計算式為

ΔPt.1(t)=maxPt.1(t)-minPt.1(t)ΔPt.1(t)∈[0，0.2]

(5)

ΔPt.10(t)=maxPt.10(t)-minPt.10(t)ΔPt.10(t)∈[0，15]

(6)

式中，ΔPt.1(t)、ΔPt.10(t)分別為1 min和10 min功率波動；maxPt.1(t)、maxPt.10(t)分別為1 min和10 min最大功率波動；minPt.1(t)、minPt.10(t)分別為1 min和10 min最小功率波動。

光儲出力滿足并網(wǎng)功率標(biāo)準(zhǔn)的區(qū)間為

Pt.(t)∈[Pt.min(t)，Pt.max(t)]=[minPt.1(t)，maxPt.1(t)]∩[minPt.10(t)，maxPt.10(t)]

(7)

2 混合儲能系統(tǒng)模糊控制設(shè)計

2.1 基于實測數(shù)據(jù)的模糊控制設(shè)計

對某光儲電站大量實測輸入—輸出數(shù)據(jù)經(jīng)過反復(fù)試驗、篩選和整理可得出有代表性的18組數(shù)據(jù)。數(shù)據(jù)組如下

(8)

式中，n為測量的組數(shù)；p1為光儲出力跟蹤調(diào)度指令偏差；soc為混合儲能荷電狀態(tài)平均值；p2為送給混合儲能的功率指標(biāo)。

根據(jù)這18組數(shù)據(jù)組歸納總結(jié)出初始模糊規(guī)則的步驟如下：

(1)根據(jù)數(shù)據(jù)組確定模糊論域。

(2)根據(jù)數(shù)據(jù)組構(gòu)建模糊規(guī)則。

(3)根據(jù)“留大去小”原則決定模糊規(guī)則強度。

(4)確定模糊規(guī)則表，由以上兩輸入單輸出均為5個模糊子集覆蓋可得25條模糊規(guī)則如表1所示。

表1 混合儲能模糊控制規(guī)則

2.2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計

2.2.1 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建立

目前研究和應(yīng)用最廣泛的一個典型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖中的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的模糊推理是根據(jù)模糊系統(tǒng)的工作過程設(shè)計的5層前饋網(wǎng)絡(luò)結(jié)構(gòu)。

第一層為輸入層，將輸入為節(jié)點數(shù)量變化的精確值隸屬度函數(shù)經(jīng)過模糊化送給節(jié)點為i的參數(shù)。

(9)

第二層為輸入層，負責(zé)將輸入信號相乘，實現(xiàn)輸入變量的模糊化，節(jié)點輸出為該模糊規(guī)則的可信度ai。

(10)

第三層為歸一化層，該層的第i個節(jié)點計算第i條規(guī)則的歸一化可信度，確定該層節(jié)點數(shù)為模糊規(guī)則數(shù)。

(11)

第四層為模糊規(guī)則輸出層，每個節(jié)點i為輸出變量模糊度劃分的個數(shù)，pi，qi，ri為該節(jié)點的參數(shù)集。節(jié)點i的輸出為

(12)

式中，pi、qi、ri為該節(jié)點的參數(shù)集。

第五層為清晰化層，該層將計算所有的輸入信號轉(zhuǎn)換為精確的輸出量。

(13)

2.2.2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)儲能功率分配

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的模糊控制器采用兩輸入、單輸出系統(tǒng)，輸出的功率偏差采用低通濾波器將功率分為兩部分，其中的高頻分量由超級電容負責(zé)，低頻分量由電池承擔(dān)，為便于計算，濾波器從頻域轉(zhuǎn)換到時域的傳遞函數(shù)為

(14)

式中，τ為濾波時間常數(shù)。

經(jīng)t時間濾波后的超級電容器和電池的功率分別為

(15)

(16)

λ為與濾波時間常數(shù)τ相關(guān)的濾波系數(shù)，λ的取值范圍為[0 1]，其函數(shù)為

(17)

經(jīng)驗表明濾波系數(shù)λ的控制可以實現(xiàn)混合儲能的能量分配，當(dāng)λ較小時，超級電容功率波動較大不利于承擔(dān)功率，此時電池輸出功率較為平滑；當(dāng)λ較大時，超級電容功率波動較小，負擔(dān)功率降低，此時電池輸出功率增加。

2.2.3 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練

為使自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)和輸出參數(shù)更加完善和準(zhǔn)確，本文用大量光儲電站歷史數(shù)據(jù)對以上初始形成的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行訓(xùn)練。

將歷史光儲電站實測數(shù)據(jù)輸入，其對應(yīng)關(guān)系變?yōu)閜1→x，soc→y，p2→u。將得到18行3列的矩陣，x列是光伏出力與調(diào)度偏差，y列是荷電狀態(tài)，u列是送給儲能的功率。

光儲電站數(shù)據(jù)生成自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可作為后期大量數(shù)據(jù)訓(xùn)練依據(jù)，只需改變初始自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，而不會改變其結(jié)構(gòu)。根據(jù)光儲電站數(shù)據(jù)自動生成的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的模糊子集的隸屬度函數(shù)都是高斯型，在對大量數(shù)據(jù)訓(xùn)練前可以按照設(shè)計需求改變模糊子集的隸屬度函數(shù)，一般情況下采用自動生成的隸屬度函數(shù)效果較好，本模型采用自動生成的隸屬度函數(shù)。

m1=1.284×10-5x+4.861×10-5y+0.000 117 4

(18)

m2=0.002 051x+0.005 968y+0.014 63

(19)

m3=0.000 979 5x+0.002 556y+0.006 314

(20)

m25=0.284 9x+0.200 7y+0.231 6

(21)

經(jīng)過訓(xùn)練后的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模糊規(guī)則的兩個輸入量，輸出量也會跟著變化，使得兩個輸入量與歷史給定的兩個參數(shù)相同，得到表2、3如下所示，例如第一個數(shù)據(jù)組輸入同為p1=0.41，soc=0.93，經(jīng)過自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的p2=0.405較初始模糊控制輸出p2=0.38更精確。

表2 初始模糊控制輸入、輸出數(shù)據(jù)

表3 訓(xùn)練后的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)輸入、輸出數(shù)據(jù)

3 仿真驗證與分析

為驗證自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制的有效性，仿真采用裝機容量為4 MW的光伏歷史運行數(shù)據(jù)，利用MATLAB/simulink配置1 MW的電池和超級電容組成的混合儲能系統(tǒng)，取光照時間良好的某天24 h歷史運行數(shù)據(jù)，由于光伏出力跟蹤調(diào)度采樣間隔為3 s，一天共計采樣頻率28 882次，將以上數(shù)據(jù)導(dǎo)入MATLAB仿真時間較長，本文講仿真時間為縮短為2.4 s，超級電容和電池的相關(guān)參數(shù)如表4所示。

表4 超級電容和電池的相關(guān)參數(shù)

青海某光儲電站光儲出力跟蹤調(diào)度指令一天的歷史曲線如圖3所示，實際的光儲出力跟蹤電網(wǎng)調(diào)度指令的偏差相對較大，給電網(wǎng)調(diào)度工作帶來諸多困難。

圖3 光儲出力跟蹤調(diào)度指令曲線

加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的光儲出力跟蹤調(diào)度指令偏差對比如圖4所示，在偏差較大的1.6 s時達到1 MW，加入優(yōu)化控制后的光儲出力跟蹤調(diào)度指令偏差放大效果如圖5所示，從放大效果圖可以看出初始模糊控制和自適應(yīng)模糊控制在最大偏差時降低到0.85 MW，自適應(yīng)模糊控制后的功率偏差下降的更快，表明跟蹤調(diào)度指令速度快、幅值偏差小。

圖4 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制后的光儲出力跟蹤調(diào)度指令曲線

圖5 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制后的光儲出力跟蹤調(diào)度指令曲線局部放大圖

加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的電池荷電狀態(tài)波動對比如圖6所示、超級電容荷電狀態(tài)波動對比如圖7所示，從圖6中可以看出，3種控制策略的電池荷電狀態(tài)均在10%～90%之間，加入初始模糊控制和自適應(yīng)模糊控制策略的在1.6 s后荷電狀態(tài)快速恢復(fù)40%，自適應(yīng)模糊控制策略恢復(fù)速度和幅值較快。從圖7中可以看出三種控制策略的超級電容荷電狀態(tài)均在58%～78%之間，自適應(yīng)模糊控制策略的超級電容荷電狀態(tài)基本維持在初始的67%，整體荷電狀態(tài)波動最小，有效保護了超級電容的充放電深度。

圖6 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的電池荷電狀態(tài)曲線

圖7 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容荷電狀態(tài)曲線

加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電壓波動對比如圖8所示，由圖可知超級電容充放電期間，加入優(yōu)化控制后的超級電容器電壓波動較之前小很多，尤其是在電壓最低點，其放大效果如圖9所示，從圖中可以看出加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制提升了最低點電壓50 V，使得超級電容電壓波動相對減小，有利于維護系統(tǒng)直流側(cè)的電壓穩(wěn)定。

圖8 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電壓波動對比

圖9 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電壓波動對比

加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電流波動對比如圖10所示，加入初始模糊控制和自適應(yīng)模糊控制策略的在1.6 s之后，放完電后的電流能快速恢復(fù)，其放大效果如圖11所示，從圖中可以看出加入自適應(yīng)模糊控制策略的電流恢復(fù)較其他控制策略快0.1～0.3 s之間。

圖10 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電流波動對比

圖11 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化控制前后的超級電容電流波動對比

加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制前后的儲能誤差指標(biāo)對比如表5所示，從表中的指標(biāo)可以看出，加入優(yōu)化控制后的儲能在平均絕對百分比誤差、最大百分比誤差、均方根誤差的3個指標(biāo)得到了明顯的改進，驗證了自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制的混合儲能光儲電站在跟蹤調(diào)度指令精度方面得到提升，有效提高了電網(wǎng)對光儲電站的調(diào)度的可靠性。

表5 加入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制前后的儲能誤差指標(biāo)對比

4 結(jié) 語

通過混合儲能性能上的互補作用實現(xiàn)光儲出力跟蹤調(diào)度指令，提出一種新型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的光儲系統(tǒng)優(yōu)化控制策略，在對某光儲電站大量實測輸入—輸出數(shù)據(jù)中，經(jīng)過反復(fù)試驗、篩選和整理得出有代表性的數(shù)據(jù)生成初始模糊控制，對其進行自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制的訓(xùn)練，經(jīng)過訓(xùn)練后的優(yōu)化控制輸出功率采用低通濾波方法分解為高、低頻分量分別給超級電容和電池，可有效提高光儲出力跟蹤調(diào)度指令精度混合儲能荷電狀態(tài)運行在合理范圍內(nèi)的同時，有效減小了超級電容器充放電時的電壓、電流波動，在MATLAB/SIMULINK上對光儲電站的歷史實測數(shù)據(jù)驗證了該控制策略的有效性，對實際光儲混合儲能電站出力跟蹤調(diào)度指令具有實際指導(dǎo)意義。