直流微網(wǎng)中變流器的ANN功率控制方法

錢 欣，任 東

(1. 承德石油高等?？茖W(xué)校，河北 承德 067000; 2. 華北電力大學(xué) 高壓與電磁兼容北京重點(diǎn)實(shí)驗(yàn)室，北京 102206)

0 引 言

微電網(wǎng)通常由可再生能源(renewable energy resources，RESs)、電力電子轉(zhuǎn)換器、儲(chǔ)能系統(tǒng)和負(fù)載組成[1]。由于分布式電源 (distributed energy resources, DER)固有的間歇性，其功率輸出是非平穩(wěn)的。因此，研究變流器的功率控制具有重要的作用[2-4]。與傳統(tǒng)交流微電網(wǎng)相比，直流微電網(wǎng)具有諸多優(yōu)勢[5-7]。為了應(yīng)對可再生能源的強(qiáng)波動(dòng)性，儲(chǔ)能系統(tǒng)接入直流微網(wǎng)可極大提升系統(tǒng)的靈活性和穩(wěn)定性[8]。在微網(wǎng)中，儲(chǔ)能系統(tǒng)作為一個(gè)互補(bǔ)源來存儲(chǔ)多余的能量，并在需要時(shí)返回給負(fù)載。相關(guān)文獻(xiàn)中，大多數(shù)非線性控制方案(如模型參考自適應(yīng)、滑模、遲滯電壓控制等)都存在一些缺點(diǎn)，如開關(guān)頻率高，使得系統(tǒng)無法對電力電子變換器進(jìn)行足夠的控制，從而產(chǎn)生諧振問題[9-10]。傳統(tǒng)的控制方法依賴于系統(tǒng)模型的詳細(xì)參數(shù)，在負(fù)載突然變化和發(fā)生故障時(shí)可能會(huì)遇到各種問題。然而，基于非模型的方法，如模型預(yù)測、神經(jīng)網(wǎng)絡(luò)和模糊邏輯，不需要系統(tǒng)模型來克服這種情況，是最近在電力電子領(lǐng)域的首選方法。此外，電力變流器的可持續(xù)控制對直流微網(wǎng)的運(yùn)行至關(guān)重要，然而，其控制層的測量傳感器由于易受攻擊而出現(xiàn)錯(cuò)誤或故障時(shí)，會(huì)對系統(tǒng)產(chǎn)生不利影響。這也是本文研究減少傳感器控制方法的目的。針對上述問題，國內(nèi)外學(xué)者進(jìn)行了大量研究。如文獻(xiàn)[11]提出了基于神經(jīng)網(wǎng)絡(luò)、模糊、強(qiáng)化學(xué)習(xí)等先進(jìn)的電力電子變流器控制策略，以緩解對負(fù)荷需求的快速響應(yīng)、高魯棒性和大穩(wěn)定容差的要求。文獻(xiàn)[12]提出了無傳感器控制方法，以預(yù)測無法感知遠(yuǎn)程點(diǎn)的電壓[13]。近年來，基于估計(jì)器的控制在風(fēng)能轉(zhuǎn)換和電機(jī)驅(qū)動(dòng)系統(tǒng)中引起了廣泛關(guān)注，通過預(yù)測轉(zhuǎn)矩、磁通和速度而不是單個(gè)機(jī)器變量來實(shí)現(xiàn)無傳感器控制[14]。

本文的重點(diǎn)是解決直流微電網(wǎng)中儲(chǔ)能變流器的無傳感器功率控制，通過應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)滿足負(fù)載側(cè)的成本效益和高可靠性，神經(jīng)網(wǎng)絡(luò)主要分為離線和在線兩個(gè)主要階段。首先，執(zhí)行離線模式來收集足夠的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)；在離線模式下訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)調(diào)整并評估相關(guān)變量。在此之后，該網(wǎng)絡(luò)的目標(biāo)是在不使用傳感器測量來減少電壓和電流傳感器數(shù)量的情況下，估計(jì)功率變流器控制器所需的輸入。結(jié)果表明，所提出的無傳感器功率控制策略可以在不同的環(huán)境下運(yùn)行。

1 直流微網(wǎng)的結(jié)構(gòu)及控制策略

1.1 直流微網(wǎng)的數(shù)學(xué)模型

圖1為孤島直流微網(wǎng)的結(jié)構(gòu)圖。

圖1 直流微電網(wǎng)的一般結(jié)構(gòu)圖

由圖可知，直流微網(wǎng)包括DERs（由光伏和含永磁同步發(fā)電機(jī)(permanent magnet synchronous generator, PMSG)的風(fēng)力發(fā)電系統(tǒng) (wind turbine,WT)構(gòu)成）、BSS為電池組、電力電子轉(zhuǎn)換器、濾波器和交流負(fù)載。其中，光伏和風(fēng)力發(fā)電(WT)系為主要電源，BSS為備用電源。針對DC/DC升壓變換器采用最大功率點(diǎn)跟蹤(maximum power point tracking, MPPT)控制，以通過太陽能電池板獲得最大功率。就溫度和太陽輻照度而言，光伏板的電壓和電流也隨著功率的變化而變化。光伏的功率PPV表示為：

式中：VPV——光伏的電壓，V；

IPV——光伏的電流，A。

在變換器控制中采用MPPT算法調(diào)節(jié)參考光伏電壓Vref，以便在任何情況下盡可能提高發(fā)電量。此外，MPPT算法通過PI控制運(yùn)行，通過獲取參考電壓(如MPPT產(chǎn)生的電壓)和瞬時(shí)PV電壓VPV之間的差異，產(chǎn)生占空比來形成PWM波。擾動(dòng)觀測法(P&O)是最優(yōu)的最大功率跟蹤算法之一，被用來檢測電壓功率特性中功率的變化。風(fēng)力發(fā)電系統(tǒng)由風(fēng)機(jī)和PMSG、整流器和變換器組成。風(fēng)機(jī)(WT)通過全橋二極管整流器和單向DC-DC升壓變換器提高其直流母線的電壓。風(fēng)能轉(zhuǎn)換系統(tǒng)的輸出功率和機(jī)械扭矩可表示為：

式中：Pm——渦輪的機(jī)械輸出功率，W；

cp— —渦輪的性能系數(shù)，依賴于 λ和 β；

ρ——空氣密度，k g/m3；

A——渦輪掃掠面積，c m2；

vwind——風(fēng)速，m /s；

λ——相對于風(fēng)速的渦輪轉(zhuǎn)子葉尖速度比；

β——葉片距角，(°)。

上述可變電池電壓為鉛酸電池，其存在放電和充電兩種模式，分別對應(yīng)式(3)和式(4)：

式中：E0——電池恒壓，V；

RBatt——內(nèi)阻，Ω ；

iBatt——電池實(shí)際充電電流，A；

IBatt——電池放電電流，A；

K——極化常數(shù)；

Q——電池容量，mAh。

當(dāng)電池組的產(chǎn)生功率和荷電狀態(tài)(state of charge, SoC)水平低于不能向負(fù)荷提供電力時(shí)，主網(wǎng)可以給負(fù)荷供電。帶有LCL濾波器的雙向逆變器是該系統(tǒng)的關(guān)鍵部件，它將電源從直流母線傳導(dǎo)到負(fù)載側(cè)，主網(wǎng)與微電網(wǎng)之間的連接由雙向DC/AC逆變器連接。

1.2 孤島直流微網(wǎng)的控制策略

為了達(dá)到MPPT算法計(jì)算的最大功率點(diǎn)(maximum power point, MPP)，采用級聯(lián)控制驅(qū)動(dòng)變換器。這種級聯(lián)控制機(jī)制是一系列電壓、電流和脈寬調(diào)制(PWM)控制器。為了動(dòng)態(tài)收斂和最大精度，P&O算法的步長選擇為0.01 V。無控制全橋整流器僅利用二極管作為開關(guān)半導(dǎo)體器件，此外，為了管理功率流，首選DC-DC升壓變換器。然后，功率被分配到由PI參考電壓-電流控制器存在的單向DC-DC升壓變換器的直流母線。此外，BSS通過一個(gè)雙向DC-DC buck-boost變換器供給負(fù)載，該變換器直接連接到直流母線上，其目的是使直流母線電壓和電池電流盡可能地保持在所需的水平。利用級聯(lián)PI控制結(jié)構(gòu)，通過控制直流母線電壓和電池電流來實(shí)現(xiàn)這一目的。該變換器的工作模式可以描述為降壓和升壓模式。buck模式表示充電，boost模式表示蓄電池組放電。功率變換器的開關(guān)頻率達(dá)到10 kHz。圖2為整個(gè)系統(tǒng)的總體控制結(jié)構(gòu)。另外，雙向DC/AC逆變器將獲得的功率分配給負(fù)載，調(diào)節(jié)直流母線電壓，并通過鎖相環(huán)(phase-locked loop,PLL)提供電網(wǎng)同步。該控制器有兩個(gè)目的：1)為神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練提供所需的數(shù)據(jù)；2)在恒負(fù)載下對比分析所提出的神經(jīng)網(wǎng)絡(luò)控制器的性能。

圖2 用于離線階段訓(xùn)練系統(tǒng)的級聯(lián)PI局部控制器的控制圖

2 基于ANN的功率控制策略

基于PI或線性控制器的經(jīng)典控制不能完全捕捉所有的系統(tǒng)動(dòng)態(tài)。而ANN在獲取系統(tǒng)動(dòng)態(tài)特性方面得到了廣泛應(yīng)用，如在電力應(yīng)用中對不同變量的估計(jì)。為了對直流微電網(wǎng)進(jìn)行控制，需要采集變換器的電壓、電流相關(guān)數(shù)據(jù)，并發(fā)送給控制器對其進(jìn)行管理。前饋神經(jīng)網(wǎng)絡(luò)的元素是分層的，從輸入層到輸出層的符號通過單向連接傳輸。雖然是一層到下一層的鏈路，但同一層中不存在鏈路。在前饋網(wǎng)絡(luò)中，各層細(xì)胞的輸出是下一層的輸入。如果逐層檢查網(wǎng)絡(luò)，則輸入層將外部環(huán)境的信息傳遞給中間層(隱藏層)的單元，而不做任何改變。通過在隱含層和輸出層進(jìn)行處理，計(jì)算網(wǎng)絡(luò)的輸出。綜上所述，前饋網(wǎng)絡(luò)可以模擬靜態(tài)的非線性關(guān)系，因?yàn)橹恍枰o態(tài)關(guān)系，所以前饋網(wǎng)絡(luò)即可滿足。此外，前饋網(wǎng)絡(luò)一般可以通過應(yīng)用delta學(xué)習(xí)規(guī)則來響應(yīng)諸如分類、回歸和預(yù)測等問題。一旦給網(wǎng)絡(luò)接入了輸入，就可以將相應(yīng)的網(wǎng)絡(luò)輸出與實(shí)際結(jié)果進(jìn)行比較。故本文采用復(fù)雜度較低的多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。ANN估計(jì)m(t)的數(shù)據(jù)序列，當(dāng)獲得n(t)序列的k個(gè)過去值時(shí)：

圖3為n個(gè)輸入和1個(gè)輸出的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元起著至關(guān)重要的作用，它有1個(gè)或多個(gè)輸入信號和1個(gè)輸出信號。神經(jīng)元的輸入信號可以來自上一層神經(jīng)元，輸出信號可以傳遞到下一層神經(jīng)元。如果神經(jīng)網(wǎng)絡(luò)有n個(gè)輸入，1個(gè)隱層有m個(gè)神經(jīng)元，1個(gè)輸出，則隱含層ith(1＜i＜m)神經(jīng)元的輸出信號可計(jì)算為：

圖3 具有n個(gè)輸入和1個(gè)輸出的神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)圖

其中，wh,j,i是輸入層jth神經(jīng)元與隱含層ith神經(jīng)元之間的權(quán)重因子，bh,i是隱層ith神經(jīng)元的偏置因子，xj為ANN的第j個(gè)輸入；zi為隱含層ith第i個(gè)神經(jīng)元的輸出。在式(6)中，fhidden(·)是激活的隱含層因子。神經(jīng)網(wǎng)絡(luò)的輸出也可以表示為：

式中：y——ANN的輸出；

wo,j——隱含層的jth神經(jīng)元與輸出層神經(jīng)元之間的權(quán)系數(shù)；

bo——輸出層神經(jīng)元的偏置因子；

fo(·)——輸出層神經(jīng)元的激活因子。

實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)，需要對模型進(jìn)行訓(xùn)練與調(diào)整。訓(xùn)練的目的是優(yōu)化神經(jīng)元的權(quán)重因子和偏置因子并找到合適的值。其中Wh、Wo、Bh、Bo分別表示ANN輸入層與隱含層之間的權(quán)重因子、隱含層與輸出層之間的權(quán)重因子、隱含層的偏置因子、輸出層的偏置因子。Wh、Wo、Bh和Bo分別為：

為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，需要收集輸入和輸出數(shù)據(jù)。然后，利用收集到的數(shù)據(jù)創(chuàng)建輸入輸出數(shù)據(jù)集，在此基礎(chǔ)上得到Wh、Wo、Bh和Bo的優(yōu)化值。對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行評估時(shí)，均方誤差(mean squared error, MSE)和相關(guān)系數(shù)R是兩個(gè)重要的評價(jià)指標(biāo)。MSE越小，表示預(yù)測越準(zhǔn)確。如果R收斂到1，則網(wǎng)絡(luò)的精度較高。這些指標(biāo)可表示為：

式中：P——期望值；

e——預(yù)測值；

d——本文方法的期望值；

μd——期望值的平均值；

σd——期望值的標(biāo)準(zhǔn)差。

首先，與輸入有靜態(tài)關(guān)系的ANN的輸出被指定為消除控制層的數(shù)據(jù)感知。隨后，確定要選擇輸出的相關(guān)輸入。一旦系統(tǒng)在訓(xùn)練階段運(yùn)行，ANN的輸入和輸出就會(huì)被收集起來，在測量變量(如相關(guān)氣象、電流和電壓數(shù)據(jù))的幫助下進(jìn)行訓(xùn)練。從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中獲得滿意的結(jié)果，與選擇合適的數(shù)據(jù)和足夠的采樣時(shí)間有關(guān)。在得到理想的訓(xùn)練結(jié)果后，將確定的傳感器數(shù)據(jù)停用，并在開發(fā)階段將ANN的輸出連接到控制器上。圖4為訓(xùn)練和開發(fā)階段人工神經(jīng)網(wǎng)絡(luò)。

圖4 神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練和開發(fā)階段

值得注意的是，對ANN的訓(xùn)練是離線完成的。為了更好地說明ANN的應(yīng)用，將會(huì)有大量不再需要的傳感器。這些消除的傳感器數(shù)據(jù)可以在圖5中觀察到，在提高系統(tǒng)可靠性方面，需要較少的傳感器數(shù)據(jù)是相當(dāng)可觀的。此外，圖5描繪了離線階段后，即開發(fā)階段圖4的概要情況。首先，對于DCDC升壓型PV變換器的MPPT控制，定位輸出PV電壓(VPV)、太陽輻照度(G)和溫度(T)數(shù)據(jù)作為輸入，然后估計(jì)輸出PV電流(īPV)。對于WT，將施加到發(fā)電機(jī)軸上的轉(zhuǎn)矩(TM)、風(fēng)速(Ws)和輸出WT電壓(VWT)作為輸入。然后用類似的方法估計(jì)輸出風(fēng)機(jī)輸出電流 (īWT)。根據(jù)預(yù)估輸出電流 (īPV和īWT)、電池內(nèi)部電流(IBat)、蓄電池組電壓(VBat)和占空比(d)對DC/DC buck-boost電池變換器的輸出電流(IBat)進(jìn)行預(yù)估。最后，對于具有VBat和d輸入的逆變器，預(yù)估的īBAT可以便于其控制直流母線電壓(VDC_Bus)。

圖5 為本文所提方法的電路配置與控制結(jié)構(gòu)

3 仿真分析

為驗(yàn)證本文所提方法的可行性與有效性，仿真系統(tǒng)結(jié)構(gòu)如圖5所示。測試系統(tǒng)參數(shù)見表1。表2為ANN的相關(guān)參數(shù)，圖6為系統(tǒng)氣象輸入數(shù)據(jù)。

表1 測試系統(tǒng)相關(guān)參數(shù)

表2 ANN的相關(guān)參數(shù)

圖6 仿真期間的瞬時(shí)輸入數(shù)據(jù)

如圖7所示，PV變流器最大功率點(diǎn)控制的實(shí)際電流、實(shí)測電流和估計(jì)電流均由實(shí)測電流和估計(jì)電流(Ipv和īPV)表示，估計(jì)電流與實(shí)測電流幾乎重合，估計(jì)的誤差約為4.1%；同樣，WT的輸出電流(IWT和īWT)的測量值和估計(jì)值如圖8所示，估計(jì)的誤差約為4.8%。

圖7 光伏最大功率跟蹤控制的測量和估計(jì)電流

圖8 WT的控制測量和估計(jì)電流

圖9為BSS電流(IBAT和īBAT)的測量值和估計(jì)值。圖10為直流母線電壓(VDC_Bus和DC_Bus)的測量和估計(jì)值。對于不同的事件，當(dāng)負(fù)載1激活時(shí)，通過開關(guān)切換負(fù)載2，可以看到瞬時(shí)電力調(diào)度的狀態(tài)。通過直流母線構(gòu)成逆變器功率的主要變量為IBAT和VDC_Bus，該方法對負(fù)載變化的響應(yīng)速度更快，其中用于BSS控制的估計(jì)電流要快11.2%，而用于BSS控制的估計(jì)電壓要快21.5%。

圖9 用于BSS控制的測量和估計(jì)電流

圖10 BSS和逆變器控制的測量和估計(jì)電壓

在不采用本文方法的情況下，傳感器通信延遲的影響約為10 ms，如圖11和圖12所示。此外，測量值與估計(jì)值之間存在穩(wěn)態(tài)振蕩，且所提方法的振蕩較小，在穩(wěn)態(tài)運(yùn)行中，估計(jì)電流的峰值證明比測量的性能更好，所提方法減小震蕩約為35.8%。

圖11 負(fù)載變化下BSS控制中測量和估計(jì)電流之間通信延遲

圖12 負(fù)載變化下通信延遲對測量和估計(jì)直流母線電壓的影響

同理，圖12為負(fù)載變化情況下，直流母線實(shí)測電壓與估計(jì)電壓之間的通信延遲對相關(guān)控制器的影響，本文所提方法可將延遲時(shí)間縮小18.3%。通過對兩種方法的比較，可以看出本文所提方法在穩(wěn)態(tài)振蕩方面的優(yōu)越性。

圖13為在某負(fù)載變化時(shí)間間隔內(nèi)測量值(即現(xiàn)有PI控制器)與估計(jì)值(即基于ANN的控制器)的比較圖。如圖13(a)所示，本文所提方法在超調(diào)量、振蕩和轉(zhuǎn)矩率方面表現(xiàn)出優(yōu)越的性能。圖13(b)為負(fù)載變化響應(yīng)下實(shí)測和估計(jì)BSS電流的對比。從圖13可以看出，估計(jì)信號具有較好的魯棒性。

圖13 測量和估計(jì)的比較

當(dāng)系統(tǒng)出現(xiàn)空載時(shí)，溫度、光照強(qiáng)度、風(fēng)速等輸入值都是可變的。因此，這使得SoC迅速增加，從而使神經(jīng)網(wǎng)絡(luò)產(chǎn)生的誤差值比其他時(shí)間更大。換句話說，在負(fù)載不活躍且DERs輸入具有滿意條件的情況下，誤差隨電池的突然充電而增加。因此，本文提出的方法可以在負(fù)載變化的情況下，以較小的誤差跟蹤相關(guān)信號，實(shí)現(xiàn)ANN能夠快速地控制這些變化。此外，對于WT控制(即īWT)的估計(jì)，百分比誤差值比其他誤差值具有更好的估計(jì)率, 百分比誤差量縮小約4.5%。當(dāng)負(fù)荷參與運(yùn)行時(shí)，預(yù)計(jì)誤差會(huì)隨著直流母線電壓的變化而增大，如圖14所示，這些估計(jì)值的錯(cuò)誤率以%表示。

圖14 估計(jì)值的誤差百分比

由圖可知，在對系統(tǒng)產(chǎn)生積極影響的振蕩較小的情況下估計(jì)數(shù)據(jù)是有益的。同時(shí)可以明顯看出，該百分比誤差量小于10%，即在仿真的每個(gè)時(shí)刻都有一個(gè)高精度的估計(jì)器。由于負(fù)載功率不像PI那樣偏離常規(guī)路徑，所以真實(shí)控制器和估計(jì)控制器之間的相關(guān)性值得注意。所提出的控制方法采用了結(jié)構(gòu)簡單、響應(yīng)快的多層前饋人工神經(jīng)網(wǎng)絡(luò)，減少了傳感器的數(shù)量，降低了對通信干擾的脆弱性，從而使直流微電網(wǎng)更加可靠，同時(shí)也降低了系統(tǒng)中傳感器的擁有成本。

4 結(jié)束語

本文在不降低控制效率的情況下，提出了一種基于ANN的無傳感器功率控制方法，并將非線性輸入輸出神經(jīng)網(wǎng)絡(luò)應(yīng)用于直流微電網(wǎng)功率控制。這種神經(jīng)網(wǎng)絡(luò)應(yīng)用簡單，估計(jì)結(jié)果合理，且復(fù)雜度較低。采用基于級聯(lián)PI的電流電壓控制器實(shí)現(xiàn)離線訓(xùn)練所需的數(shù)據(jù)。為了證明所提出的控制系統(tǒng)的有效性，在不同的運(yùn)行條件下成功地進(jìn)行了離線和在線時(shí)域仿真。結(jié)果表明，所提方法減少了傳感器的數(shù)量，可以消除由傳感器引起的通信延遲的影響，提高了系統(tǒng)的可靠性，因?yàn)樗鼈儾辉傩枰獪y量數(shù)據(jù)，該方法可以應(yīng)用于直流微電網(wǎng)。