CN104065105B - 一种风柴储微网频率控制方法 - Google Patents

Abstract

本发明公开了一种风柴储微网频率控制方法，首先进行功率预测得到预测周期内每秒的负荷预测值和风力发电功率预测值，根据预测值对风力发电机和柴油发电机进行功率分配得到设定功率值，以设定功率值和实时输出功率值的差值为输入，功率调整量为输出，采用模糊控制策略得到功率调整量；并采用自抗扰控制器，以实时频率相对于额定频率的偏移值Δf_ref＝0为设定值，利用扩展状态观测器观测扰动对于频率波动的影响，并对其进行实时补偿，使风柴储微网的频率稳定在额定频率值附近。本发明利用预测信息，提前安排风机和柴油机的发电计划，并且利用自抗扰控制器进行储能电池的实时频率控制，提高了系统频率的抗干扰能力和鲁棒性。

Description

一种风柴储微网频率控制方法

技术领域

本发明属于风柴储微网控制技术领域，更为具体地讲，涉及一种风柴储微网频率控制方法。

背景技术

由于偏远地区修建常规集中电网造价太高，无法依赖大电网来供电，因此需要采用其他方式供电。最初偏远地区的供电系统主要是利用柴油发电机来供电的，但是其成本高，并且会对环境造成很严重的污染。近年来，从经济与环境保护角度考虑，引入了风能等可再生能源发电。但风能具有随机性和间歇性的特点，为了补偿风力发电输出功率的波动，在风柴系统中引入了储能电池，用来提高风柴混合发电系统的供电可靠性，风柴储微网结构应运而生。

频率稳定反映了风柴储微网中有功功率供需平衡的基本状态，是风柴储微网安全稳定运行的重要因素。一方面，由于负荷的不可预测性和风力发电等可再生能源发电的波动性和间歇性，使得微网孤岛运行时很容易出现有功功率的供需不平衡，导致微网频率波动，使得微网孤岛运行时的频率控制更加困难；另一方面，由于大量电力电子接口的引入，造成微网系统的惯性很弱，使得扰动发生后系统频率快速频繁地变化，严重的情况甚至会导致系统解列。

考虑到储能电池的响应速度快，而柴油发电机响应速度慢，风能波动性和间歇性强难控制等现实情况，目前，微网频率控制方法大部分都是主要依靠储能电池来控制的，对储能电池的要求会比较高，而相应的成本也会增加。同时，传统的下垂控制策略中，下垂控制系数整定困难，并且存在抗干扰能力差、有静差、和响应速度与超调之间相互矛盾的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种风柴储微网频率控制方法，利用负荷和风电预测信息，提前安排风力发电机和柴油发电机的发电计划，减小了由于柴油发电机响应速度慢而导致的系统频率波动，并且将自抗扰控制器用于储能电池的实时频率控制，提高了系统频率的抗干扰能力和鲁棒性。

为实现上述发明目的，本发明风柴储微网频率控制方法包括以下步骤：

S1：对风柴储微网未来一段时间内的负荷和风力发电功率进行预测，得到负荷预测值和风力发电功率预测值，并采用插值方法，得到预测周期内每秒的负荷预测值P_{L_pre}和风力发电功率预测值P_{w_pre}；

S2：根据预测值对风力发电系统和柴油发电机进行功率分配：

当P_{L_pre}＜P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{L_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝0；

当P_{L_pre}≥P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{w_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝P_{L_pre}-P_{w_pre}；

S3：在风柴储微网运行过程中，将柴油发电机的功率偏差ΔP_d和风力发电机的功率偏差ΔP_w作为输入，其中ΔP_d＝P_{d_ref}-P_d，P_d为柴油发电机的实时输出功率值，ΔP_w＝P_{w_ref}-P_w，P_w为风力发电机的实时输出功率值，将分配给风力发电机的设定功率值P_{w_ref}的功率调整量ΔP作为输出，采用模糊控制策略得到功率调整量ΔP，对设定功率值进行修正，风力发电系统修正的设定功率值为 ${\hat{P}}_{w\_ref}=P_{w+ref}+\mathrm{\Δ}P,$ 柴油发电机修正的设定功率值为 ${\hat{P}}_{d\_ref}=P_{d\_ref}-\mathrm{\Δ}P;$

S4：采用二阶自抗扰控制器对储能电池的充放电功率进行实时控制，二阶自抗扰控制器中，微分控制器的输入量为频率偏差设定值Δf_ref＝0，频率偏差为风柴储微网实时频率值和额定频率值的差值，扩张状态观测器的输入量为系统当前的频率偏差值Δf，以及反馈的储能电池的功率调节值ΔP_f，输出为储能电池的功率调节值ΔP_f；

将储能电池等效为一阶惯性环节1/(1+T_bs)，其中T_b是时间常数，s表示拉普拉斯变换的复变量，风力发电机和柴油发电机等效为1/(Ms+D)，其中M为等效惯性时间常数，D为负荷集中影响的阻尼常数，控制对象的状态空间表达式为：

$\left\{\begin{array}{c}\stackrel{\·}{x_1}=\frac{1}{M}(-D{x}_1+x_2)\\ \stackrel{\·}{x_2}=-\frac{1}{T_b}u\end{array}\right.$

其中，状态变量x＝[x₁,x₂]＝[Δf,P_b]，分别表示x₁和x₂的导数，P_b表示当前系统的充放电功率，输出y＝x₁，控制量u＝ΔP_f。

本发明风柴储微网频率控制方法，首先进行功率预测得到预测周期内每秒的负荷预测值和风力发电功率预测值，根据预测值对风力发电机和柴油发电机进行功率分配得到设定功率值，以设定功率值和实时输出功率值的差值为输入，功率调整量为输出，采用模糊控制策略得到功率调整量，得到最终给风力发电机和柴油发电机的设定功率值；并采用自抗扰控制器，以实时频率相对于额定频率的偏移值Δf_ref＝0为设定值，利用扩展状态观测器观测扰动对于频率波动的影响，并对其进行实时补偿，使风柴储微网的频率稳定在额定频率值附近。

本发明具有以下有益效果：

(1)本发明将负荷和风力发电的预测信息考虑在内，通过安排风力发电机和柴油发电机的发电计划来尽可能地跟踪预测的负荷值的变化，使得在负荷和风力发电波动的情况下，有功功率的供需之间的缺额尽可能地小，从而对风柴储微网的频率进行控制，减小储能电池实时控制系统频率的压力；

(2)本发明将自抗扰控制器用于储能电池实时频率控制，利用自抗扰控制器鲁棒性强、适应性强、稳定性强、能够实现无超调、快速跟踪控制目标等优点，从而稳定地控制系统输出频率。

附图说明

图1是本发明风柴储微网频率控制方法的结构示意图；

图2是本发明风柴储微网频率控制方法的具体实施流程示意图；

图3是输入变量E1的隶属度函数分布图；

图4是输入变量E2的隶属度函数分布图；

图5是输入变量U的隶属度函数分布图；

图6是基于自抗扰控制器的储能电池频率控制结构示意图；

图7是自抗扰控制器示意图；

图8是控制量到输出量的控制结构示意图；

图9是对比验证1中本发明与对比算法的频率控制效果对比图；

图10是对比验证1中本发明与对比算法的风力发电机输出功率对比图；

图11是对比验证1中本发明与对比算法的柴油发电机输出功率对比图；

图12是对比验证1中本发明与对比算法的储能电池输出功率对比图；

图13是对比验证1中本发明与对比算法的储能电池SOC对比图；

图14是对比验证2中本发明与对比算法的频率控制效果对比图；

图15是对比验证2中本发明与对比算法的储能电池输出功率对比图；

图16是对比验证2中本发明的储能电池SOC对比图；

图17是对比验证2中对比算法的储能电池SOC对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明风柴储微网频率控制方法的结构示意图。如图1所示，本发明风柴储微网频率控制方法通过风柴功率分配模块利用下一时刻的负荷和风电的预测值对风力发电机和柴油发电机的功率进行分配，然后在运行过程中对储能电池进行实时控制，从而稳定频率。图2是本发明风柴储微网频率控制方法的具体实施流程示意图。具体步骤包括：

S201：功率预测：

对风柴储微网未来一段时间内的负荷和风力发电功率进行预测，得到负荷预测值和风力发电功率预测值，并采用插值方法，得到预测周期内每秒的负荷预测值P_{L_pre}和风力发电功率预测值P_{w_pre}。

在功率预测中，两个预测值之间的间隔即预测周期T是根据需要进行设置的，通常大于1s。在本发明中，为了使频率控制更为精确，因此需要通过插值方法得到每秒的预测值。插值方法有多种，例如线性插值、多项式插值、样条插值等。本实施例中，采用线性插值，具体方法为：

已知t₀时刻的预测值为y₀，t₀+T时刻的预测值为y₁，线性插值公式为：

y(t)＝at+b(1)

其中，t₀≤t≤t₀+T，将(t₀,y₀)和(t₀+T,y₀)两点的坐标值代入上式可以求出参数a和b的值：

$\left\{\begin{array}{c}a=\frac{y_1-y_0}{T}\\ b=\frac{(T+t_0)y_0-t_0{y}_1}{T}\end{array}\right.---\left(2\right)$

然后即可根据线性插值公式(1)得到时刻t₀至时刻t₀+T之间每秒的预测值。

S202：功率分配：

接下来根据预测值对风力发电系统和柴油发电机进行功率分配，分配原则为：按照使得有功功率供需之间的差额的绝对值最小的前提下，尽可能地利用可再生能源风能来发电。预先对功率进行分配，可以使风柴储微网频率还未出现波动时，让柴油发电机和风力发电机提前动作，减小可能出现的频率波动，同时也可以减小储能电池充放电的压力。分配方法为：

当P_{L_pre}＜P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{L_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝0；

当P_{L_pre}≥P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{w_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝P_{L_pre}-P_{w_pre}。

S203：功率实时修正：

考虑到风速陡增陡降的情况，如果直接按照步骤S202中简单的最大化风力发电机输出功率的分配方法，风力发电机输出功率的波动会非常大，并且很有可能响应不过来，因此需要上述的简单分配得到的设定功率值进行调整，减小风力发电机输出功率的变化，相当于平滑了风力发电机的输出，从而减少风力发电机的动作，进而减少风力发电机的损耗。虽然柴油发电机能够按照零到额定功率之间的任意给定功率值来发电，但是其功率的变化率也是有约束的，只不过其约束条件相对于风力发电机来说没有那么严格，因此在调整功率变化值时，优先考虑风力发电机的变化率。

本发明中，将柴油发电机的功率偏差ΔP_d和风力发电机的功率偏差ΔP_w作为输入，将分配给风力发电机的设定功率值P_{w_ref}的功率调整量ΔP作为输出，采用双输入单输出的二维模糊控制器对进行功率实时修正。具体方法为：

输入1：柴油发电机的功率偏差ΔP_d＝P_{d_ref}-P_d，其中，P_d为柴油发电机的实时输出功率值，取其语言变量为E1，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示ΔP_d为{负大，负中，负小，零，正小，正中，正大}；

输入2：风力发电机的功率偏差ΔP_w＝P_{w_ref}-P_w，其中，P_w为风力发电机的实时输出功率值，取其语言变量为E2，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示ΔP_w为{负大，负中，负小，零，正小，正中，正大}；

输出：分配给风力发电机的设定功率值P_{w_ref}的功率调整量ΔP，取其语言变量为U，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示调整量ΔP的取值为{负大，负中，负小，零，正小，正中，正大}；

根据隶属度函数对两个输入与输出进行模糊化。本实施例中，输入变量E1、E2和输出变量U均采用均匀分布全交迭的三角形隶属度函数，函数式为：

其中，i表示模糊子集中项目的序号，i的取值范围为i＝1,2,…,N，N表示项目数量，a_i＜b_i＜c_i，为隶属度函数的设置参数。

图3是输入变量E1的隶属度函数分布图。本实施例中，输入变量E1的连续论域为[-87.5kW，87.5kW]。图4是输入变量E2的隶属度函数分布图。本实施例中，输入变量E2的连续论域为[-75kW，75kW]。图5是输入变量U的隶属度函数分布图。本实施例中，输出变量U的连续论域为[-37.5kW，37.5kW]。各变量的连续论域是根据风柴储微网的功率配置和风力发电机、柴油发电机的输出功率波动要求来设置的。

模糊控制规则表为：

进行模糊推理然后解模糊即可得到当前时刻的功率调整量ΔP。模糊控制为现有技术，其具体过程在此不再赘述。

根据得到的功率调整量ΔP即可对设定功率值进行修正，风力发电系统修正的设定功率值为其中柴油发电机分配的设定功率值为 ${\hat{P}}_{d\_ref}=P_{d\_ref}-\mathrm{\Δ}P.$

S204：储能电池频率实时控制：

由于预测数据与实际数据之间有误差，需要利用储能电池来实时地控制风柴储微网的频率。但是由于储能电池传统的下垂控制方法存在下垂系数调节困难，有静差，抗干扰能力差等缺点，因此，需要对其进行改进，考虑到自抗扰控制器不仅具有鲁棒性强、适应性强、稳定性强并且能够实现无超调、快速跟踪控制目标等优点，而且由于引入了扩张状态观测器能够实时估计扰动并且进行补偿，能够抑制消除几乎所有形式的扰动影响，因此，本发明设计了基于自抗扰控制器的储能电池实时控制方法，使得风柴储微网的频率稳定在额定值附近。

图6是基于自抗扰控制器的储能电池频率控制结构示意图。以频率偏差设定值Δf_ref＝f-f_ref＝0为输入值，也就是控制需要达到的目标值，其中f_ref为风柴储微网的额定频率值，f表示风柴储微网的实时频率值，ΔP_f表示为了维持频率稳定储能电池需要调节的功率值，也就是系统的控制量；P_L表示当前的微网负荷值，P_w表示当前的风力发电机输出功率，P_d表示当前的柴油发电机输出功率值，P_L-P_w-P_d表示风柴储微网的干扰项，Δf表示风柴储微网的当前实际的频率偏差值。

由图6可以看出，该控制结构的被控对象由储能电池和发电系统(风力发电机和柴油发电机)共同组成，由于储能电池能够等效为一阶滞后环节，因此基于自抗扰控制器的储能电池频率控制的被控对象可以看出是两个一阶惯性系统的串联，是一个二阶系统，因此本发明采用二阶自抗扰控制器。

图7是自抗扰控制器示意图。如图7所示，自抗扰控制器包括微分控制器G₁、扩张状态观测器G₂、非线性状态误差反馈律G₃、被控对象G₀，各部分的具体说明如下：

1)微分控制器G₁

微分跟踪器对应的数学模型为：

$\left\{\begin{array}{c}\stackrel{\·}{v_1}=v_2\\ \stackrel{\·}{v_2}=fst(v_1,v_2,r,h)\end{array}\right.---\left(5\right)$

其中，v是设定值，它将输出两个信号v₁和v₂，和分别表示v₁和v₂的导数，就能安排对象可期望的过渡过程v₁，也就是v₁跟踪给定值v，而从而把v₂作为v的“近似微分”。本发明中给定值v＝Δf_ref＝0。

fst(v₁,v₂,r,h)函数由下式表示：

$\left\{\begin{array}{c}\mathrm{\δ}=r\·h\\ {\mathrm{\δ}}_0=\mathrm{\δ}\·h\\ d=v_1-v+h\·v_2\\ a_0=\sqrt{{\mathrm{\δ}}^2+8r\left|d\right|}\\ a=\left\{\begin{array}{cc}{x}_2+\frac{d}{h}& \left|d\right|\≤{\mathrm{\δ}}_0\\ x_2+\frac{(a_0-\mathrm{\δ})}{2}sign\left(d\right)& \left|d\right|>{\mathrm{\δ}}_0\end{array}\right.\\ fst(v_1,v_2,r,h)=\left\{\begin{array}{cc}-\frac{r\·a}{\mathrm{\δ}}& \left|a\right|\≤\mathrm{\δ}\\ -r\·sign\left(a\right)& \left|a\right|>\mathrm{\δ}\end{array}\right.\end{array}\right.---\left(6\right)$

其中，sign函数为符号函数，h称为滤波因子，其值决定了系统在输入信号被噪声污染情况下的滤波效果，r称为速度因子，其值决定了系统的跟踪速度。由式(5)和式(6)可知，微分跟踪器的可调参数是速度因子r和滤波因子h。

2)扩张状态观测器G₂

扩张状态观测器对应的数学模型如下式所示：

$\left\{\begin{array}{c}\mathrm{\ϵ}=z_1-y\\ \stackrel{\·}{z_1}=z_2-{\mathrm{\β}}_{01}\·\mathrm{\ϵ}\\ \stackrel{\·}{z_2}=z_3-{\mathrm{\β}}_{02}\·fal(\mathrm{\ϵ},{\mathrm{\α}}_1,{\mathrm{\δ}}_1)+b_0\·u\\ \stackrel{\·}{z_3}=-{\mathrm{\β}}_{03}\·fal(\mathrm{\ϵ},{\mathrm{\α}}_2,{\mathrm{\δ}}_1)\end{array}\right.---\left(7\right)$

其中fal(ε,α,δ)函数如下式所示：

$fal(\mathrm{\ϵ},\mathrm{\α},\mathrm{\δ})=\left\{\begin{array}{cc}|\mathrm{\ϵ}{|}^{\mathrm{\α}}sign\left(\mathrm{\ϵ}\right)& \left|\mathrm{\ϵ}\right|>\mathrm{\δ}\≥0\\ \frac{\mathrm{\ϵ}}{{\mathrm{\δ}}^{1-\mathrm{\α}}}& \left|\mathrm{\ϵ}\right|\≤\mathrm{\δ}\end{array}\right.---\left(8\right)$

本发明中，y＝Δf，u＝ΔP_f，分别是z₁、z₂、z₃的导数。适当选择{α₁,α₂,δ₁,β₀₁,β₀₂,β₀₃}，就能够使得z₁、z₂很好地估计被控量y和y的微分，而z₃则可以估计出扰动。

3)非线性状态误差反馈律G₃

非线性状态误差反馈律的数学模型如下式所示：

$\left\{\begin{array}{c}{e}_1=v_1-z_1\\ e_2=v_2-z_2\\ u_0=k_1\·fal(e_1,{\mathrm{\α}}_3,{\mathrm{\δ}}_2)+k_{2}fal(e_2,{\mathrm{\α}}_4,{\mathrm{\δ}}_2)\\ u=u_0-\frac{z_3}{b_0}\end{array}\right.$

其中，fal函数如式(8)所示，z₃是受控系统中被扩张出来的状态变量，k₁、k₂、α₃、α₄、δ₂为可调参数。

4)控制对象G₀

自抗扰控制器需要得到被控对象的状态空间表达式。图8是控制量到输出量的控制结构示意图。如图8所示，控制量u＝ΔP_f、输出量y＝Δf。本发明中将储能电池等效为一阶惯性环节1/(1+T_bs)，其中T_b是时间常数，s表示拉普拉斯变换的复变量，风力发电机和柴油发电机组成的发电系统等效为1/(Ms+D)，其中M为等效惯性时间常数，D为负荷集中影响的阻尼常数，P_L-P_w-P_d是系统的干扰项，自抗扰控制器的被控对象不包括干扰项，容易求出该控制结构的传递函数如下式所示：

$G\left(s\right)=-\frac{1}{T_{b}s(Ms+D)}---\left(10\right)$

G(s)相应的状态空间表达式如下式所示：

$\left\{\begin{array}{c}\stackrel{\·}{x_1}=\frac{1}{M}(-D{x}_1+x_2)\\ \stackrel{\·}{x_2}=-\frac{1}{T_b}u\end{array}\right.---\left(11\right)$

其中，状态变量x＝[x₁,x₂]＝[Δf,P_b]，分别表示x₁和x₂的导数，P_b表示当前系统的充放电功率，输出y＝x₁，控制量u＝ΔP_f。

自抗扰控制器的参数整定可以参见“吴猛,朱喜林,鄂世举,等.自抗扰控制器参数整定方法的研究[J].北京理工大学学报,2009(2):121-123.”。

为了说明本发明的有益效果，采用两个对比实验进行对比验证，分别来说明本发明中功率分配方法和基于自抗扰控制器的实时控制方法对频率控制的效果。

对比验证1：

采用本发明风柴储微网频率控制方法，利用负荷和风电的预测信息，提前安排风机和柴油发电机的发电计划；而对比算法不控制风力发电机的输出，以最大功率跟踪模式运行，利用柴油发电机和储能电池来控制风柴储微网的频率。

图9是对比验证1中本发明与对比算法的频率控制效果对比图。如图9所示，对比算法的频率波动最大值为1.2411赫兹，最小值为-0.4772赫兹；而本发明的频率波动最大值为0.4103赫兹，最小值为-0.2920赫兹，相对于对比算法减小了59％。

图10是对比验证1中本发明与对比算法的风力发电机输出功率对比图。图11是对比验证1中本发明与对比算法的柴油发电机输出功率对比图。如图10和图11所示，本发明平滑了风力发电机和柴油发电机的输出，避免了它们的频繁动作。

图12是对比验证1中本发明与对比算法的储能电池输出功率对比图。如图12所示，本发明中储能电池的充放电功率比对比算法的小很多，这是因为知道了负荷和风力发电的预测信息，提前安排了风力发电机和柴油发电机的发电计划，使得其尽量跟踪负荷的预测值，减小可能出现的有功功率差额，减小了储能电池充放电的压力；而对比算法由于不知道负荷和风力发电的波动情况，因此很容易出现有功功率供需差额比较大的情况，从而导致了储能电池的充放电功率比较大。

图13是对比验证1中本发明与对比算法的储能电池SOC对比图。如图13所示，SOC(StateofCharge，荷电状态值)的初始值为0.5，本发明的SOC值一直在0.5附近波动，这是因为知道了负荷和风力发电的预测信息，提前安排了柴油发电机的出力，减小了储能电池的出力。而对比算法的SOC值远低于0.5，是因为不知道负荷和风电的预测信息，出现负荷比风力发电值大的情况，此时，柴油发电机参与频率控制，其增加的输出功率是由频率波动引起的，由于储能电池的响应时间更快，因此储能电池一直在放电来弥补有功功率供需之间的差额，也就是不利用预测信息，就不知道负荷和风电的变化趋势，很有可能会导致储能电池过充过放的情况，影响储能电池的寿命。

对比验证2：

本对比验证实验中，对比算法采用传统的下垂控制方法。

图14是对比验证2中本发明与对比算法的频率控制效果对比图。如图14所示，采用本发明的风柴储微网的频率偏移量比采用对比算法的较小，这是由于本发明中自抗扰控制器通过扩张状态观测器观测了系统的扰动，也就是负荷和风力发电的波动，并且对该扰动进行实时补偿，抑制了负荷和风电波动对于频率的影响，使得风柴储微网的系统频率在额定值附近小幅度的波动。

图15是对比验证2中本发明与对比算法的储能电池输出功率对比图。如图15所示，由于对比算法中的下垂控制方法没有办法抑制负荷和风电的波动对系统频率的影响，因此储能电池必须根据负荷和风力发电的预测误差，和风力发电机、柴油发电机跟踪预测负荷的差值进行充放电，从而使得储能电池的输出功率比较大；而本发明中基于自抗扰控制器的储能电池频率实时控制方法由于引入了扩张状态观测器实时地补偿了扰动，因此其充放电功率很小。

图16是对比验证2中本发明的储能电池SOC对比图。图17是对比验证2中对比算法的储能电池SOC对比图。如图16和图17所示，由于本发明中基于自抗扰控制器的储能电池频率实时控制方法的抗干扰能力强，因此储能电池的充放电功率比较小，因此其SOC基本维持在0.5附近小范围波动。而对比算法的储能电池SOC波动较大。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种风柴储微网频率控制方法，其特征在于包括以下步骤：

S1：对风柴储微网未来一段时间内的负荷和风力发电功率进行预测，得到负荷预测值和风力发电功率预测值，并采用插值方法，得到预测周期内每秒的负荷预测值P_{L_pre}和风力发电功率预测值P_{w_pre}；

S2：根据预测值对风力发电系统和柴油发电机进行功率分配：

当P_{L_pre}＜P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{L_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝0；

当P_{L_pre}≥P_{w_pre}时，分配给风力发电机的设定功率值为P_{w_ref}＝P_{w_pre}，分配给柴油发电机的设定功率值为P_{d_ref}＝P_{L_pre}-P_{w_pre}；

S3：在风柴储微网运行过程中，将柴油发电机的功率偏差ΔP_d和风力发电机的功率偏差ΔP_w作为输入，其中ΔP_d＝P_{d_ref}-P_d，P_d为柴油发电机的实时输出功率值，ΔP_w＝P_{w_ref}-P_w，P_w为风力发电机的实时输出功率值，将分配给风力发电机的设定功率值P_{w_ref}的功率调整量ΔP作为输出，采用模糊控制策略得到功率调整量ΔP，对设定功率值进行修正，风力发电系统修正的设定功率值为柴油发电机修正的设定功率值为

S4：采用二阶自抗扰控制器对储能电池的充放电功率进行实时控制，二阶自抗扰控制器中，微分控制器的输入量为频率偏差设定值Δf_ref＝0，频率偏差为风柴储微网实时频率值和额定频率值的差值，扩张状态观测器的输入量为系统当前的频率偏差值Δf，以及反馈的储能电池的功率调节值ΔP_f，输出为储能电池的功率调节值ΔP_f；

将储能电池等效为一阶惯性环节1/(1+T_bs)，其中T_b是时间常数，s表示拉普拉斯变换的复变量，风力发电机和柴油发电机等效为1/(Ms+D)，其中M为等效惯性时间常数，D为负荷集中影响的阻尼常数，控制对象的状态空间表达式为：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=\frac{1}{M}(-D{x}_1+x_2)\\ {\stackrel{\·}{x}}_2=-\frac{1}{T_b}u\end{array}\right.$

其中，状态变量x＝[x₁,x₂]＝[Δf,P_b]，分别表示x₁和x₂的导数，P_b表示当前系统的充放电功率，输出y＝x₁，控制量u＝ΔP_f。

2.根据权利要求1所述的风柴储微网频率控制方法，其特征在于，步骤S1中的插值方法为线性插值。

3.根据权利要求1所述的风柴储微网频率控制方法，其特征在于，步骤S3中的模糊控制策略的具体方法为：

输入1：柴油发电机的功率偏差ΔP_d＝P_{d_ref}-P_d，其中，P_d为柴油发电机的实时输出功率值，取其语言变量为E1，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示ΔP_d为{负大，负中，负小，零，正小，正中，正大}；

输入2：风力发电机的功率偏差ΔP_w＝P_{w_ref}-P_w，其中，P_w为风力发电机的实时输出功率值，取其语言变量为E2，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示ΔP_w为{负大，负中，负小，零，正小，正中，正大}；

输出：分配给风力发电机的设定功率值P_{w_ref}的功率调整量ΔP，取其语言变量为U，根据实际情况设置其连续论域，对应的模糊子集为{NB，NM，NS，ZO，PS，PM，PB}，分别表示调整量ΔP的取值为{负大，负中，负小，零，正小，正中，正大}；

根据隶属度函数对两个输入与输出进行模糊化；

模糊控制规则表为：

进行模糊推理然后解模糊即可得到当前时刻的功率调整量ΔP。

4.根据权利要求3所述的风柴储微网频率控制方法，其特征在于，所述隶属度函数为：

其中，i表示模糊子集中项目的序号，i的取值范围为i＝1,2,…,N，N表示项目数量，a_i＜b_i＜c_i，为隶属度函数的设置参数。