CN103595046A - 以柴油机侧为主的风柴混合电力系统负荷频率控制方法 - Google Patents

Abstract

本发明涉及一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，包括以下步骤：1)根据风力发电机的额定功率采用PID变桨距控制方法控制风力发电机的输出功率；2)采用基于BP神经网络观测器的滑模控制方法控制柴油机子系统的输出功率，并将步骤1)中风力发电机的输出功率作为滑模控制中可测的扰动项，建立系统状态方程；3)采用趋近律方法计算控制输入u(t)，根据该控制输入优化整个混合电力系统的频率偏差。与现有技术相比，本发明具有控制精度高、有效改善电力系统负荷频率偏差等优点。

Description

以柴油机侧为主的风柴混合电力系统负荷频率控制方法

技术领域

本发明涉及一种电力系统负荷频率控制方法，尤其是涉及一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法。

背景技术

近些年来，火电等传统发电形式对环境的污染已经日益严重，而在传统能源迅速耗尽的背景下，以风能、太阳能等为主要代表的新能源越来越被人们重视和研究。然而，新能源资源丰富的地区一般都比较偏远，例如海岛的风力资源、新疆地区的太阳能资源均十分丰富。偏远地区及孤立海岛由于交通的不便，大电网无法对其持续供电。这样，这些地区也就更加具备大力开发利用新能源的条件了。然而，风速不是恒定的，风力发电机组的输出机械功率是关于风速的立方与由受风力发电机组波动量影响的函数。所以风能的间歇性和波动性也成为了其主要的缺陷。为了解决这一问题，风机常与柴油机组成风柴混合系统给负荷供电，通过柴油机启动快，效率高的特点来迅速弥补风能不稳定的缺陷。电力系统的频率是电能质量的重要指标之一，在电力系统的负荷频率控制(LFC)中，许多学者通过不同的方法来优化频率偏差。

现有技术中有将经典的PID控制应用到调速系统的设计中，然而，对于复杂的非线性和耦合性的电力系统来说，仅靠PID控制来调频完全是不够的，所以许多现代控制方法已经得到了应用。风柴混合系统作为小型发电系统，其对频率质量的要求也非常的高，所以当具有波动且较大渗透率的风电输出接入小型电力系统中，由于仅靠柴油机自身的调节机制已无法使频率达到满意的效果，所以风柴混合小型电力系统仍需借助现代控制来实现调频。文献“风机-柴油机混合系统的负荷频率控制，2011中国控制会议论文集”中针对风柴混合电力系统的数学模型，设计了内模控制器来调节频率，但内模控制实际是对PI控制的改进，所以系统中存在某些不确定参数项时，控制效果可能差。文献“Atsushi Yona，Hideomi Sekine，Chul-Hwan Kim，Output power control for large wind power penetration in small powersystem，Renewable Energy,2009”针对单域风柴混合电力系统，通过模糊控制方法实现了以风电输出功率来调频，但这样必须缩小风电的渗透率，方法虽然可行，但没有充分的利用新能源。文献“Toshiaki Kaneko，Akie Uehara，Atsushi Yona,Tomonobu Senjyu and Chul-Hwan Kim，A new control methodology of wind turbinegenerators for frequency control of power system in isolated island，Wind Energy.2011”同样针对风柴混合电力系统模型，设计了最小阶状态观测器，并通过干扰观测值与风速值得到风电输出指令，为了实现较好的效果，该方法同样要缩小风电渗透率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种控制精度高、有效改善电力系统负荷频率偏差的风柴混合电力系统负荷频率控制方法。

本发明的目的可以通过以下技术方案来实现：

一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，所述的风柴混合电力系统包括风力发电子系统和柴油机子系统，所述的风力发电子系统包括风力发电机，所述的控制方法包括以下步骤：

1)根据风力发电机的额定功率采用PID变桨距控制方法控制风力发电机的输出功率；

2)采用基于BP神经网络观测器的滑模控制方法控制柴油机子系统的输出功率，并将步骤1)中风力发电机的输出功率作为滑模控制中可测的扰动项，建立如下系统状态方程：

其中 $x\left(t\right)=\left[\begin{array}{c}\mathrm{\Δf}\left(t\right)\\ P_d\left(t\right)\\ X_d\left(t\right)\\ E\left(t\right)\end{array}\right],A=\left[\begin{array}{cccc}-\frac{1}{T_p}& \frac{K_p}{T_p}& 0& 0\\ 0& -\frac{1}{T_t}& \frac{1}{T_t}& 0\\ -\frac{1}{{\mathrm{RT}}_g}& 0& -\frac{1}{T_g}& -\frac{1}{T_g}\\ K_{\mathrm{\ϵ}}& 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ 0\\ \frac{1}{T_g}\\ 0\end{array}\right],$

x(t)是状态变量矩阵；A是状态变量系数矩阵；B是控制输入系数矩阵；u(t)是控制输入；

为扰动，

为扰动系数矩阵；Δf(t)为频率偏差；P_d(t)为柴油发电机输出功率；x_d(t)为调速器阀门位置；T_g是调速器时间常数；T_t是柴油机时间常数；T_p是电力系统模型时间常数；K_p是电力系统增益；R是调速器速度调节；P_L是不可知负荷扰动；K_ε是积分控制增益；E(t)是积分控制增量变化；

3)采用趋近律方法计算控制输入u(t)，根据该控制输入优化整个混合电力系统的频率偏差。

所述的步骤1)中，采用PID变桨距控制方法控制风力发电机的输出功率具体为：

1a)计算发电机输出功率P_g与额定功率P_g.ref的偏差ΔP_g=P_g-P_g.ref；

1b)根据如下精确函数计算桨距角的变化量Δβ：

$G\left(\mathrm{\β}\right)=\frac{\mathrm{\Δ\β}}{{\mathrm{\ΔP}}_g}=\frac{1}{A_1+A_2{V}_w^2}$

式中，A₁=a₁₂+2a₁₃β+3a₁₄β²，A₂=a₂₂+2a₂₃β+3a₂₄β²，a₁₂a₂₄为常数，β为桨距角，V_w为风速；

1c)以步骤1b)计算的桨距角的变化量控制风机的桨距角，进而控制风力发电机的输出功率。

所述的步骤2)中，基于BP神经网络观测器的滑模控制方法具体为：

2a)设计切换面S满足如方程：S＝Cx，C为切换增益矩阵；

2b)采用趋近律方法设计滑模控制器，令：

$\stackrel{\·}{S}=C\stackrel{\·}{x}=C(\mathrm{Ax}+\mathrm{Bu}+\mathrm{Hd}\left(t\right))=-\mathrm{\ϵsgn}\left(s\right)$

求解可得控制率：

u=-(CB)^-1[CAx+CHd(t)+εsgn(s)]

其中x为状态变量，u为控制输入，A为状态变量系数矩阵，B和H为系数矩阵，d(t)为扰动；ε为增益，sgn(s)为符号函数，为： $\left(s\right)=\left\{\begin{array}{cc}1,& s>0\\ -1,& s<0\end{array}\right.;$

2c)运用BP神经网络观测器计算扰动d(t)中不可知负荷扰动P_L的近似值代入滑模控制器，获得最终的u。

所述的BP神经网络观测器设计如下：

设状态方程为

$\left\{\begin{array}{c}\stackrel{\&CenterDot;}{x}=\mathrm{Ax}+\mathrm{Bu}+d\left(t\right)\\ y=\mathrm{Dx}\end{array}\right.$

其中D=[1，0，0，0]，将输入u和输出y作为三层BP神经网络的输入来逼近 $d\left(t\right)=\stackrel{\&CenterDot;}{x}-\mathrm{Ax}-\mathrm{Bu},$ 得：

d(t)=Wσ(Vx)+ε(x)

其中，σ()是隐含层神经元的激励函数，V表示输入层到隐含层的权值矩阵且第一列包含阀值向量，W表示隐含层到输出层的权值矩阵，ε(x)表示神经网络逼近误差，所以，d(t)的近似值为：

$\hat{d}\left(t\right)=\hat{w}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)$

观测器设计为：

$\begin{array}{c}\stackrel{\stackrel{\&CenterDot;}{~}}{x}=A_L\tilde{x}+\tilde{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)+\mathrm{\&omega;}\left(t\right)\\ \tilde{y}=D\tilde{x}\end{array}$

其中，

A_L=A-LD是渐进稳定的Hurwitz矩阵，L为设计的观测器增益矩阵，

是个有界的扰动，满足

是正常数。

与现有技术相比，本发明具有以下有益效果：

1、在风机侧提出了改进的变桨距PID控制来优化输出功率，即将风电输出功率变化量应用PID控制的变桨距控制器设计中，使得本发明提出的PID控制器与传统的PID控制器相比有更好的效果；

2、柴油机侧则采用基于BP神经网络观测器的滑模控制方法，即设计BP神经网络观测器来估计电力系统中的干扰不确定项，并将干扰的估计值应用到滑模控制器的设计中，与传统滑模控制中利用不确定项的界来设计控制器具有更好的抖振抑制效果；

3、本发明将风力发电机的输出功率作为柴油机侧滑模控制中可测的扰动项，使风机参与调频，有效改善了系统的频率偏差。

附图说明

图1为风柴混合小型电力系统结构图；

图2为风力发电系统结构图；

图3为柴油机电力系统负荷频率控制模型图；

图4为风机变桨距控制策略；

图5为风机功率反馈PID控制；

图6为G(β)函数与桨距角的关系；

图7为风柴混合小型电力系统负荷频率控制模型；

图8为BP神经网络观测器结构原理图；

图9为三层BP神经网络原理图；

图10(a)为BP神经网络观测器得到的观测值曲线图；

图10(b)为神经网络干扰观测值与实际值的误差曲线图；

图10(c)为输出误差曲线图；

图10(d)为神经网络干扰观测值与实际值的误差与干扰观测器方法的误差比较图；

图11(a)为基于Kaimal谱的风速仿真曲线图；

图11(b)为变桨距控制的风电机组输出功率曲线图；

图11(c)为无变桨距控制时的风电机组输出功率曲线图；

图12(a)为风柴均无控制时的频率偏差曲线图；

图12(b)为WO频率偏差曲线图；

图12(c)为DO频率偏差曲线图；

图12(d)为WD频率偏差曲线图；

图12(e)为CO-DW频率偏差曲线图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

(1)风柴混合小型电力系统的数学模型

建立风力发电子系统的数学模型：

C_p(λ，β)=c₁(β)λ²+c₂(β)λ³+c₃(β)λ⁴

$\left.\begin{array}{c}{c}_1\left(\mathrm{\&beta;}\right)=c_{10}+c_{11}\mathrm{\&beta;}+c_{12}{\mathrm{\&beta;}}^2+c_{13}{\mathrm{\&beta;}}^3+c_{14}{\mathrm{\&beta;}}^4\\ c_2\left(\mathrm{\&beta;}\right)=c_{20}+c_{21}\mathrm{\&beta;}+c_{22}{\mathrm{\&beta;}}^2+c_{23}{\mathrm{\&beta;}}^3+c_{24}{\mathrm{\&beta;}}^4\\ c_3\left(\mathrm{\&beta;}\right)=c_{30}+c_{31}\mathrm{\&beta;}+c_{32}{\mathrm{\&beta;}}^2+c_{33}{\mathrm{\&beta;}}^3+c_{34}{\mathrm{\&beta;}}^4\end{array}\right\}$

$\mathrm{\&lambda;}=\frac{{\mathrm{\&omega;}}_{r}R}{V_w}$

${\mathrm{\&omega;}}_r^2=\&Integral;\frac{2}{J}(P_w-P_g)\mathrm{dt}$

$s=\frac{{\mathrm{\&omega;}}_0-{\mathrm{\&omega;}}_r}{{\mathrm{\&omega;}}_0}$

其中，C_p(λ，β)为风能利用系数，λ为叶尖速比，β为桨距角，c₁₀～c₃₄为风能利用系数参数的定值，R为风轮桨叶半径，V_w为风速，ω_r为风机角速度，J为风机的转动惯量，s为转差率，ω₀为同步转速，风轮机的机械功率P_w由以下方程得到：

$P_w=\frac{C_p(\mathrm{\&lambda;},\mathrm{\&beta;})V_w^3\mathrm{\&rho;A}}{2}$

式中，ρ为空气密度，A为风轮桨叶转子的横切面；

发电机输出功率P_g由以下方程得到：

$P_g=\frac{-3{\mathrm{\&pi;}}^{2}s(1+s)R_2}{{(R_2-s{R}_1)}^2+s^2{(X_1+X_2)}^2}$

式中，V为相电压，R₁为定子电阻，R₂为转子电阻，X₁为定子电抗，X₂为转子电抗。

以无再热环节的柴油机作为原动机，建立如下柴油机子系统数学模型：

$\mathrm{\&Delta;}\stackrel{\&CenterDot;}{f}\left(t\right)=-\frac{1}{T_p}\mathrm{\&Delta;f}\left(t\right)+\frac{K_p}{T_p}{P}_d\left(t\right)-\frac{K_p}{T_p}{P}_L\left(t\right)$

$\stackrel{\&CenterDot;}{P_d}\left(t\right)=-\frac{1}{T_t}{P}_d\left(t\right)+\frac{1}{T_t}{X}_d\left(t\right)$

${\stackrel{\&CenterDot;}{X}}_d\left(t\right)=-\frac{1}{{\mathrm{RT}}_g}\mathrm{\&Delta;f}\left(t\right)+\frac{1}{T_g}{X}_d\left(t\right)-\frac{1}{T_g}E\left(t\right)+\frac{1}{T_g}u\left(t\right)$

$E\left(t\right){=K}_{\mathrm{\&epsiv;}}{\&Integral;}_0^t\mathrm{\&Delta;f}\left(\mathrm{\&tau;}\right)\mathrm{d\&tau;}$

$\stackrel{\&CenterDot;}{x}\left(t\right)=\mathrm{Ax}\left(t\right)+\mathrm{Bu}\left(t\right)+\mathrm{Hd}\left(t\right)$

其中 $x\left(t\right)=\left[\begin{array}{c}\mathrm{\&Delta;f}\left(t\right)\\ P_d\left(t\right)\\ X_d\left(t\right)\\ E\left(t\right)\end{array}\right],A=\left[\begin{array}{cccc}-\frac{1}{T_p}& \frac{K_p}{T_p}& 0& 0\\ 0& -\frac{1}{T_t}& \frac{1}{T_t}& 0\\ -\frac{1}{{\mathrm{RT}}_g}& 0& -\frac{1}{T_g}& -\frac{1}{T_g}\\ K_{\mathrm{\&epsiv;}}& 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ 0\\ \frac{1}{T_g}\\ 0\end{array}\right],d\left(t\right)=\left[\begin{array}{c}{P}_L\\ 0\\ 0\\ 0\end{array}\right],H=\left[\begin{array}{c}-\frac{K_p}{T_p}\\ 0\\ 0\\ 0\end{array}\right];$

x(t)是状态变量矩阵；A是状态变量系数矩阵；B是控制输入系数矩阵；u(t)是控制输入；d(t)是扰动；H是扰动系数矩阵；Δf(t)为频率偏差；P_d(t)为柴油发电机输出功率；X_d(t)为调速器阀门位置；T_g是调速器时间常数；T_t是柴油机时间常数；T_p是电力系统模型时间常数；K_p是电力系统增益；R是调速器速度调节；P_L是不可知负荷扰动；K_ε是积分控制增益；E(t)是积分控制增量变化。

风机侧和柴油机侧均无增加控制时的频率偏差如图12(a)所示。

(2)本发明风柴混合小型电力系统负荷频率控制策略的设计原理及设计方法

本发明针对风柴混合发电的小型电力系统，风机侧提出了改进的变桨距PID控制来优化输出功率，柴油机侧则采用基于神经网络观测器的滑模控制方法，并使风机参与调频，具体说明如下。

单独控制风力发电子系统(WO)的控制策略为：风机侧使用改进的PID变桨距控制来控制发电机输出功率；柴油机侧使用自身的调节机制来对频率进行调节。变桨距控制的原理是当风速超过额定风速时，通过改变风轮机桨叶的位置来限制风轮机获取风能，从而限制并维持发电机输出有功功率在额定功率上。

如图5所示，采用PID变桨距控制方法控制风力发电机的输出功率具体为：

定义如下精确函数计算桨距角的变化量Δβ：

$G\left(\mathrm{\&beta;}\right)=\frac{\mathrm{\&Delta;\&beta;}}{{\mathrm{\&Delta;P}}_g}=\frac{1}{A_1+A_2{V}_w^2}$

式中，ΔP_g为风力发电机输出功率与额定功率的偏差值，A₁=a₁₂+2a₁₃β+3a₁₄β²，A₂=a₂₂+2a₂₃β+3a₂₄β²，a₁₂～a₂₄为常数，V_w为风速。图6表明了G(β)的变化情况且其值同样取决于从额定风速12.5m／s至切出风速24m／s的风速变化。例如，当风速V_w=15m／s，桨距角β=20°时，G(β)=0.05。

变桨距控制只能限制超过额定功率的部分，而若用数学模型近似等效为一阶滞后环节的蓄电池来优化风机的输出功率，则可以补充额定功率以下的部分，其优化后的风电机组输出功率与优化前的输出功率比较图如图11(b)所示，两者的频率偏差比较图如图12(b)所示。

单独控制柴油机子系统(DO)的控制策略为：风机侧不控制，把风电输出功率直接接入负荷频率控制系统中，柴油机侧使用基于BP神经网络观测器的滑模控制来调频。

针对图7的风柴混合电力系统负荷频率控制状态方程，设计控制率u来调节频率偏差。滑模控制器的设计分两个步骤，第一步是设计切换面S，第二步才是设计滑模控制器。最终的目标是保证所设计的控制器能使系统的状态轨迹能从初始的任意值迅速到达切换面并保持在滑动模态附近。

设计切换面S满足如方程：S＝Cx；

其中切换增益矩阵C由系统的极点配置得到，当系统到达滑动模态时满足S=0。

采用趋近律方法设计滑模控制器，令：

$\stackrel{\&CenterDot;}{S}=C\stackrel{\&CenterDot;}{x}=C(\mathrm{Ax}+\mathrm{Bu}+\mathrm{Hd}\left(t\right))=-\mathrm{\&epsiv;sgn}\left(s\right)$

求解可得控制率：

u=-(CB)^-1[CAx+CHd(t)+εsgn(s)]。

其中d(t)只包含不可知的负荷P_L，虽然传统的滑模控制可以取一近似负荷下界的恒定值来替代，但为了获得更好的控制效果，可以运用BP神经网络观测器来获得干扰d(t)的近似值并代入到控制器中。BP神经网络观测器的设计如下：

传统的滑模控制输入已知，则：

$\left\{\begin{array}{c}\stackrel{\&CenterDot;}{x}=\mathrm{Ax}+\mathrm{Bu}+d\left(t\right)\\ y=\mathrm{Dx}\end{array}\right.$

其中D=[1，0，0，0]，由(D，A)满秩可知系统是可观的且u已知，则可通过输入u和输出y作为三层BP神经网络的输入来逼近

得：

d(t)=Wσ(Vx)+ε(x)

其中σ()是隐含层神经元的激励函数，V表示输入层到隐含层的权值矩阵且第一列包含阀值向量，W表示隐含层到输出层的权值矩阵，ε(x)表示神经网络逼近误差，三层BP神经网络原理图如图9所示。所以，d(t)可以近似为：

$\hat{d}\left(t\right)=\hat{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)$

所以观测器可以设计为：

$\left\{\begin{array}{c}\stackrel{\&CenterDot;}{\hat{x}}=A\hat{x}+\mathrm{Bu}+\hat{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)+L(y-D\hat{x})\\ \hat{y}=D\hat{x}\end{array}\right.$

定义状态误差

和输出

由以上的公式，整理得：

$\begin{array}{c}\stackrel{\&CenterDot;}{\tilde{x}}=\mathrm{Ax}+\mathrm{W\&sigma;}\left(\mathrm{Vx}\right)-A\hat{x}-\hat{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)\\ -G(\mathrm{Dx}-D\hat{x})+\mathrm{\&epsiv;}\left(x\right)\\ \stackrel{\&CenterDot;}{\tilde{y}}=D\tilde{X}\end{array}$

上面的右式加上

整理得：

$\begin{array}{c}\stackrel{\stackrel{\&CenterDot;}{~}}{x}=A_L\tilde{x}+\tilde{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)+\mathrm{\&omega;}\left(t\right)\\ \tilde{y}=D\tilde{x}\end{array}$

其中，

A_L=A-LD是渐进稳定的Hurwitz矩阵，

是个有界的干扰，满足

是正常数。BP神经网络观测器获得的结果如图10(a)～10(d)所示。

风柴均进行控制(WD)就是WO、DO的分散控制同时应用，即风机侧采用变桨距控制，柴油机侧采用基于BP神经网络观测器的滑模控制。

本发明以柴油机侧为主的协调控制(CO-DW)是指在WD控制策略的基础上把风电机组输出功率作为滑模控制中可测的干扰项，代入柴油机侧滑模控制器u中，最终将风机侧输出功率P_g(t)、柴油机侧输出功率P_d(t)和不可知负荷P_L(t)输入电力系统得到频率变化量Δf(t)输出并反馈回柴油发电机侧，使滑模控制在调节频率偏差时也考虑到了风电机组输出功率的量，提高了频率偏差调节的有效性。状态方程变为：

其中 $x\left(t\right)=\left[\begin{array}{c}\mathrm{\&Delta;f}\left(t\right)\\ P_d\left(t\right)\\ X_d\left(t\right)\\ E\left(t\right)\end{array}\right],A=\left[\begin{array}{cccc}-\frac{1}{T_p}& \frac{K_p}{T_p}& 0& 0\\ 0& -\frac{1}{T_t}& \frac{1}{T_t}& 0\\ -\frac{1}{{\mathrm{RT}}_g}& 0& -\frac{1}{T_g}& -\frac{1}{T_g}\\ K_{\mathrm{\&epsiv;}}& 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ 0\\ \frac{1}{T_g}\\ 0\end{array}\right],$

其中系统状态系数矩阵A没有变化，所以切换增益矩阵C也不变。同样采用趋近律方法来设计滑模控制器，则：

(4)算例分析

在本发明中将通过matlab仿真结果来验证所提出的控制策略的有效性。通过几种情况来对比本发明提出的方法和传统方法的效果。前三种情况为分散控制：第一种情况，单独控制风力发电机组(WO)；第二种情况，单独控制柴油机(DO)；第三种情况，风柴均控制(WD)；第四种情况为协调控制，以柴油机侧为主的协调控制(CO-DW)。在matlab仿真过程中，BP神经网络的训练函数采用Levenberg-Marquardt(LM)算法来修正权值和阀值，LM算法虽然在运行时会极大的占用内存空间，但是其逼近速度则是一般算法的几百倍。在本算例分析中，风速采用基于Kaimal谱的风速仿真，如图11(a)所示。

1)算例1

本算例中，风机侧使用改进的PID变桨距控制来限制发电机输出功率；柴油机侧使用自身的调节机制来对频率进行调节。变桨距控制的原理是当风速超过额定风速时，通过改变风轮机桨叶的位置来限制风轮机获取风能，从而限制并维持发电机输出有功功率在额定功率上。其中图4为变桨距控制策略，图5是功率反馈PID控制，图6是G(β)函数与桨距角的关系。

图11(c)为无变桨距控制时的风电机组输出功率，图12(b)是WO控制策略时频率偏差，可以看出，经过蓄电池优化和不经蓄电池优化的频率偏差效果差不多，蓄电池优化后消除了部分偏差幅值较大的部分。从整体的调频来看，并没有很大的改善。

2)算例2

本算例中，风机侧不控制，把风电输出功率直接接入负荷频率控制系统中，柴油机侧使用基于BP神经网络观测器的滑模控制来调频。图7为风柴混合小型电力系统负荷频率控制模型，图8是BP神经网络观测器，图9三层BP神经网络原理图，

图12(c)是DO控制策略下的频率偏差，即使没有变桨距控制，通过柴油机侧的滑模控制还是较好的将大部分的偏差限制在±0.1之内，极个别偏差较大的幅值超过了±0.2。

3)算例3

本算例中，风机侧采用改进的变桨距PID控制来优化输出功率，柴油机侧则采用基于神经网络观测器的滑模控制方法，称为WD分散控制策略，两种方法分别使用互不干涉。

图12(d)是WD控制策略对频率的影响，消除了DO控制策略时频率偏差的个别较大幅值。

4)算例4

本算例中，在WD控制策略的基础上把风电机组输出功率作为滑模控制中可测的干扰项，代入柴油机侧滑模控制器u中，使滑模控制在调节频率偏差时也考虑到了风电机组输出功率的量。

图12(e)是协调控制CO-DW时的频率偏差，将风电输出功率作为干扰代入滑模控制器u中，频率偏差很好的被限制在了±0.05之内，效果较为理想。

Claims (4)

1.一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，所述的风柴混合电力系统包括风力发电子系统和柴油机子系统，所述的风力发电子系统包括风力发电机，其特征在于，所述的控制方法包括以下步骤：

1)根据风力发电机的额定功率采用PID变桨距控制方法控制风力发电机的输出功率；

2)采用基于BP神经网络观测器的滑模控制方法控制柴油机子系统的输出功率，并将步骤1)中风力发电机的输出功率作为滑模控制中可测的扰动项，建立如下系统状态方程：

其中 $x\left(t\right)=\left[\begin{array}{c}\mathrm{\&Delta;f}\left(t\right)\\ P_d\left(t\right)\\ X_d\left(t\right)\\ E\left(t\right)\end{array}\right],A=\left[\begin{array}{cccc}-\frac{1}{T_p}& \frac{K_p}{T_p}& 0& 0\\ 0& -\frac{1}{T_t}& \frac{1}{T_t}& 0\\ -\frac{1}{{\mathrm{RT}}_g}& 0& -\frac{1}{T_g}& -\frac{1}{T_g}\\ K_{\mathrm{\&epsiv;}}& 0& 0& 0\end{array}\right],B=\left[\begin{array}{c}0\\ 0\\ \frac{1}{T_g}\\ 0\end{array}\right],$

x(t)是状态变量矩阵；A是状态变量系数矩阵；B是控制输入系数矩阵；u(t)是控制输入；

为扰动，

为扰动系数矩阵；Δf(t)为频率偏差；P_d(t)为柴油发电机输出功率；x_d(t)为调速器阀门位置；T_g是调速器时间常数；T_t是柴油机时间常数；T_p是电力系统模型时间常数；K_p是电力系统增益；R是调速器速度调节；P_L是不可知负荷扰动；K_ε是积分控制增益；E(t)是积分控制增量变化；

3)采用趋近律方法计算控制输入u(t)，根据该控制输入优化整个混合电力系统的频率偏差。

2.根据权利要求1所述的一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，其特征在于，所述的步骤1)中，采用PID变桨距控制方法控制风力发电机的输出功率具体为：

1a)计算发电机输出功率P_g与额定功率P_g.ref的偏差ΔP_g=P_g-P_g.ref；

1b)根据如下精确函数计算桨距角的变化量Δβ：

$G\left(\mathrm{\&beta;}\right)=\frac{\mathrm{\&Delta;\&beta;}}{{\mathrm{\&Delta;P}}_g}=\frac{1}{A_1+A_2{V}_w^2}$

式中，A₁=a₁₂+2a₁₃β+3a₁₄β²，A₂=a₂₂+2a₂₃β+3a₂₄β²，a₁₂～a₂₄为常数，β为桨距角，V_w为风速；

1c)以步骤1b)计算的桨距角的变化量控制风机的桨距角，进而控制风力发电机的输出功率。

3.根据权利要求1所述的一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，其特征在于，所述的步骤2)中，基于BP神经网络观测器的滑模控制方法具体为：

2a)设计切换面S满足如方程：S＝Cx，C为切换增益矩阵；

2b)采用趋近律方法设计滑模控制器，令：

$\stackrel{\&CenterDot;}{S}=C\stackrel{\&CenterDot;}{x}=C(\mathrm{Ax}+\mathrm{Bu}+\mathrm{Hd}\left(t\right))=-\mathrm{\&epsiv;sgn}\left(s\right)$

求解可得控制率：

u=-(CB)^-1[CAx+CHd(t)+εsgn(s)]

其中x为状态变量，u为控制输入，A为状态变量系数矩阵，B和H为系数矩阵，d(t)为扰动；ε为增益，sgn(s)为符号函数，为： $\mathrm{sgn}\left(s\right)=\left\{\begin{array}{cc}1,& s>0\\ -1,& s<0\end{array}\right.;$

2c)运用BP神经网络观测器计算扰动d(t)中不可知负荷扰动P_L的近似值代入滑模控制器，获得最终的u。

4.根据权利要求3所述的一种以柴油机侧为主的风柴混合电力系统负荷频率控制方法，其特征在于，所述的BP神经网络观测器设计如下：

设状态方程为

$\left\{\begin{array}{c}\stackrel{\&CenterDot;}{x}=\mathrm{Ax}+\mathrm{Bu}+d\left(t\right)\\ y=\mathrm{Dx}\end{array}\right.$

其中D=[1，0，0，0]，将输入u和输出y作为三层BP神经网络的输入来逼近 $d\left(t\right)=\stackrel{\&CenterDot;}{x}-\mathrm{Ax}-\mathrm{Bu},$ 得：

d(t)=Wσ(Vx)+ε(x)

其中，σ()是隐含层神经元的激励函数，V表示输入层到隐含层的权值矩阵且第一列包含阀值向量，W表示隐含层到输出层的权值矩阵，ε(x)表示神经网络逼近误差，所以，d(t)的近似值为：

$\hat{d}\left(t\right)=\hat{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)$

观测器设计为：

$\begin{array}{c}\stackrel{\stackrel{\&CenterDot;}{~}}{x}=A_L\tilde{x}+\tilde{W}\mathrm{\&sigma;}\left(\hat{V}\hat{x}\right)+\mathrm{\&omega;}\left(t\right)\\ \tilde{y}=D\tilde{x}\end{array}$

其中，

A_L=A-LD是渐进稳定的Hurwitz矩阵，L为设计的观测器增益矩阵，是个有界的扰动，满足

是正常数。

Images