CN104659798A - 基于模糊神经网络的风电混合储能系统及其优化方法 - Google Patents

Abstract

本发明主要是涉及一种基于模糊神经网络的风电混合储能优化系统，包括混合储能系统和储能元件，由超级电容器和蓄电池组成的混合储能系统并联在双馈电机电网侧变流器的直流侧，转子侧变流器连接双馈电机，电网侧变流器连接电网，电网侧变流器与转子侧变流器并联，储能元件分别采用双向DC/DC变换器连接。根据超级电容器和蓄电池在功能上的互补性，将其并联在双馈式风力发电机变流器的直流侧。并采用模糊神经网络算法对混合储能系统PID控制参数进行在线优化，能够提高储能装置的使用寿命。

Description

基于模糊神经网络的风电混合储能系统及其优化方法

技术领域

本发明主要涉及一种基于模糊神经网络的风电混合储能系统及其优化方法，属于风电利用技术领域。

背景技术

风速的变化使风机输出功率具有波动性，严重影响风电并网的电能质量。虽然可以通过控制机组桨距角的变化来调节输出的波动功率，但是这种控制方式只能在高风速时有效，且需要浪费一部分风力资源，在风速比较低或无风的情况下该控制方式就不具有实用性，因此风力资源间歇性的特点对风机输出功率具有直接的影响。采用储能技术可以改善风力资源间歇性引起的负面影响。将一定容量的储能装置应用到风电系统中，能够平抑风电波动功率，实现风力发电系统安全、稳定、优质地运行。

本发明以基于超级电容器和蓄电池的双馈式风电储能系统为研究对象，基于混合储能系统的电流变化率和其荷电状态，设计一种模糊神经网络自适应控制策略，对混合储能装置的PID控制参数进行在线优化。经过仿真验证该控制策略能够实现平抑风电波动功率，储能装置荷电状态转变适中，避免了过度充放电的状况，从而有利于提高储能装置的使用寿命。

发明内容

发明目的

为了解决风电并网对大电网电能质量的影响以及现有控制策略的局限性，本发明提出了一种风力发电储能系统及其优化方法，通过平抑风电系统波动功率来改善并网电能质量，提高风电系统的稳定性，提高能源的利于率以及储能装置的使用寿命。

技术方案

一种基于模糊神经网络的风电混合储能系统，其特征在于：由超级电容器和蓄电池组成的混合储能系统并联在双馈电机电网侧变流器的直流侧，转子侧变流器连接双馈电机，电网侧变流器连接电网，电网侧变流器与转子侧变流器并联，超级电容器和蓄电池分别采用双向DC/DC变换器连接。

混合储能系统采用高通滤波器对系统波动功率进行分解，超级电容器和蓄电池的双向DC/DC变换器的电流控制环内，分别采用模糊神经PID控制器，取代了传统采用的PI控制器。

一种如上所述基于模糊神经网络的风电混合储能系统的优化方法，其特征在于：对模糊神经网络PID控制器进行优化；首先，将电流误差、电流误差变化率和储能原件的荷电状态作为模糊神经控制器的输入变量；其次，采用改进的粒子群优化算法对系统输入的隶属函数进行优化；最后，通过对神经网络的训练速率和动量因子进行改进，使模糊神经网络控制器较传统控制器具有高效性。

优点及效果

本发明提出了一种基于模糊神经网络的风电混合储能优化系统，具有如下优点：

1、根据超级电容器与蓄电池功能互补性组成混合储能装置，通过对波动功率进行合理分配，使储能装置的使用寿命得到提高。

2、将混合储能元件并联在双馈电机直流侧，较传统储能装置采用逆变器进行并网，节省了逆变控制系统，使风电储能控制系统的复杂性减小。

3、混合储能元件并通过双向变流器进行控制，使其对储能元件充放电控制更具有灵活性。

4、对储能元件电流控制环中采用模糊神经PID控制方式，较传统控制方式具有较强的鲁棒性，使风电储能系统并网电能质量以及系统稳定性得到提高。

附图说明

图1基于模糊神经网络的风电混合储能系统结构示意图；

图2基于模糊神经网络的风电混合储能系统优化控制框图；

图3为模糊神经PID控制器结构示意图；

图4为模糊神经网络控制器的结构图；

图5为模糊神经网络优化前后训练比较图；

图6为控制系统含扰动信号阶跃响应对比曲线；

图7为风电机组输出功率P_rl和风电并网功率P_g示意图；

图8为超级电容器和蓄电池的功率波动图；

图9为超级电容器和蓄电池的荷电状态图。

具体实施方式

下面结合附图对本发明做进一步的说明：

一种基于模糊神经网络的风电混合储能系统，其特征在于：由超级电容器1和蓄电池2组成的混合储能系统并联在双馈电机电网侧变流器3的直流侧，转子侧变流器4连接双馈电机，电网侧变流器3连接电网，电网侧变流器3与转子侧变流器4并联，由超级电容器1和蓄电池2分别采用双向DC/DC变换器5连接。

混合储能系统采用高通滤波器对系统波动功率进行分解，由超级电容器1和蓄电池2的双向DC/DC变换器的电流控制环内，分别采用模糊神经PID控制器，取代了传统采用的PI控制器。

一种如上所述基于模糊神经网络的风电混合储能系统的优化方法，对模糊神经网络PID控制器进行优化；首先，将电流误差、电流误差变化率和储能原件的荷电状态作为模糊神经控制器的输入变量；其次，采用改进的粒子群优化算法对系统输入的隶属函数进行优化；最后，通过对神经网络的训练速率和动量因子进行改进，使模糊神经网络控制器较传统控制器具有高效性。

基于模糊神经网络的风电混合储能系统，工作原理如下：

基于模糊神经网络的风电混合储能系统结构示意图如图1所示。将超级电容器和蓄电池组成的混合储能系统并联在双馈电机电网侧变流器的直流侧，储能元件分别采用双向DC/DC变换器连接，使控制风电功率输入输出更具有灵活性。

当风力发电机输出的功率比系统输出功率参考值高时，混合储能系统吸收多余的能量；当风力发电机输出的功率比系统输出功率参考值低时，混合储能系统将存储的能量释放出来弥补电网功率需求。因此采用这种方式能有效地平抑风电系统输出的波动功率，使风电输出的功率更加平滑，保证并网电能质量。

图2为基于模糊神经网络的风电混合储能系统优化控制框图。混合储能系统主要用于吸收和补偿风机输出的波动功率P_rl与并网目标参考功率P^﹡ _g的差值P_H，则P_H为混合储能系统有功功率吸收和补偿的目标值。

选取风机转子侧变流器的直流侧输出波动功率为P_rl，令风电并网功率P_g的低频分量P^﹡ _g为并网目标参考功率。超级电容器功率调节迅速且适于频繁充放电，因此将其用于补偿P_H中的高频分量，而蓄电池储能容量较大功率调节速度慢，将其用于补偿P_H中的低频分量。采用高频率滤波器对P_H进行功率分解，得到超级电容器功率参考值P^﹡ _sc和蓄电池功率参考值P^﹡ _b。分别将超级电容器功率参考值P^﹡ _sc和蓄电池功率参考值P^﹡ _b与相对应的储能装置的电压参考值的比值作为双向DC/DC变流器的调制电流参考值i^﹡ _sc、i^﹡ _b，并与其反馈值i_sc、i_b进行比较，经过PID控制器计算出储能装置对应变流器开关的占空比。

混合储能模糊神经PID控制器：

模糊神经PID控制器是由改进粒子群算法、模糊神经网络、PID控制器和被控对象所构成的。其结构如图3所示。

模糊神经网络基本原理

图4为模糊神经网络控制器的结构图，其采用五层基于Mamdani模型。

第一层主要有三个输入量，分别为电流误差e，误差变化率ζ和储能装置荷电状态变化率δ。第二层对输入量进行模糊化，且m₁=m₂=m₃=3,含有9个节点，其中每个节点代表一个模糊语言值，采用高斯函数来求出每个输入量属于模糊语言值的隶属度。

$f\left(x\right)=e^{-\frac{{(x-b_i)}^2}{c_i}}$

其中，b_i和c_i分别为隶属函数的中心值和宽度。

第三层含有27个节点，每个节点代表一个模糊规则，采用下式来计算模糊规则使用度。

$a_j=\min \{i_1^{x1},i_2^{x2},S_1^{x3}\}$

$\underset{i=1}{\overset{3}{\mathrm{\Π}}}{m}_i=27$

x1,x2∈{1,2…27},j＝1,2…27.

第四层与第三层节点数相同，这一层主要是进行归一化计算：

$\widehat{\mathrm{\α}}={\mathrm{\α}}_j/\underset{j=i}{\overset{27}{\mathrm{\Σ}}}{\mathrm{\α}}_j$

第五层输出量分别为PID的三个参数K_p、K_i和K_d。它主要是对系统进行反模糊化计算：

$K_i=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{l}_j.$

模糊神经网络控制算法

系统输入模糊化

模糊神经网络控制器通过电流变化误差和电流变化率以及对储能装置荷电状态变化率进行实时监控，对PID控制器参数进行在线修正。荷电状态与储能设备输入输出电流关系如式（2.1）所示。

$S=\mathrm{\λ}(C_1+{\∫}_0^{t_{\mathrm{ch}}}{\mathrm{\η}}_{\mathrm{ch}}{i}_{\mathrm{ch}}\mathrm{dt}-{\∫}_0^{t_{\mathrm{dis}}}\frac{1}{{\mathrm{\η}}_{\mathrm{dis}}}{i}_{\mathrm{dis}}\mathrm{dt})\frac{1}{C}---\left(2.1\right)$

S为储能设备额定荷电状态；C₁为储能设备初始荷电量；C为储能设备额定荷电容量；η_ch，i_ch分别为储能设备充电效率和电流；η_dis，i_dis分别为储能设备放电效率和电流；t_ch,t_dis充放电时间；λ为储能设备荷电状态限制系数（0﹤λ﹤1）。

采用电流变化差值和其变化率作为系统第一和第二个输入。采用储能设备电流的第t时刻荷电状态与其初始荷电状态的差值与荷电状态参考值的比值作为第三个输入。超级电容器两输入值δ_s-sc与ζ_i﹡sc的表达式如式（2.2）所示。

$\begin{array}{c}{e}_{\mathrm{sc}}=i_{\mathrm{sc}}-i_{\mathrm{sc}-\mathrm{ref}}\\ {\mathrm{\ζ}}_{{i^{*}}_{\mathrm{sc}}}=d{e}_{{i^{*}}_{\mathrm{sc}}}/\mathrm{dt}\\ {\mathrm{\δ}}_{s-\mathrm{sc}}=(S_{\mathrm{sc}}\left(t\right)-S_{\mathrm{sc}-\mathrm{in}})/S_{\mathrm{sc}-\mathrm{ref}}\end{array}.---\left(2.2\right)$

其中S_sc(t)为超级电容器t时刻荷电状态；S_sc-in为超级电容器初始荷电状态；S_sc-ref为超级电容器荷电状态参考值。

蓄电池两输入值δ_s-sc与ζ_i﹡sc的表达式如式（2.3）所示。

$\begin{array}{c}{e}_b=i_{\mathrm{sc}}-i_{\mathrm{sc}-\mathrm{ref}}\\ {\mathrm{\ζ}}_{{i^{*}}_b}={\mathrm{de}}_{{i^{*}}_b}/\mathrm{dt}\\ {\mathrm{\δ}}_{s-b}=(S_b\left(t\right)-S_{b-\mathrm{in}})/S_{b-\mathrm{ref}}\end{array}---\left(2.3\right)$

其中S_b(t)为蓄电池t时刻荷电状态；S_b-in为蓄电池初始荷电状态；S_b-ref为蓄电池荷电状态参考值。

取超级电容器和蓄电池第一个和第二个输入值基本论域分别都为[-0.98,0.98]、[-0.65,0.65]，第三个输入值基本论域都为[-1,1]；模糊子集均为{-1，0，1}。输出模糊论域为［-0.98，-0.49，0，0.49，0.98］。相对应的模糊语言为{NB，NS，ZO，PS，PB}，分别表示为{负大，负小，零，正小，正大}。依据超级电容器和蓄电池组成混合储能设备的特点，设计模糊控制规则如表1～3所示。

表1超级电容器模糊控制规则表

表3e,ζ模糊控制规则表

隶属函数优化

模糊神经网络控制器输入隶属函数的中心值和宽度属于全局性的参数，为提高系统运行速度，需要对输入隶属函数进行迭代优化。标准粒子群优化算法主要是初始化一群随机的粒子，根据其速度、位置和适应度值进行迭代寻优，通过跟踪个体极值与群体极值来不断更新个体的位置过程，在一个n维问题空间中，粒子位置更新如式（2.4）所示：

$\left\{\begin{array}{c}{V}_{\mathrm{ij}}^{k+1}=V_{\mathrm{ij}}^k+c_1{r}_1(P_{\mathrm{ij}}^k-X_{\mathrm{ij}}^k)+c_2{r}_2(P_{\mathrm{gj}}^k-X_{\mathrm{gj}}^k)\\ X_{\mathrm{ij}}^k=V_{\mathrm{ij}}^k+V_{\mathrm{ij}}^{k+1}\end{array}\right.---\left(2.4\right)$

式中，j=1，2，…，n；i=1，2，…，m；k为当前迭代次数；V_ij为第i个粒子的速度；X_ij为第i个粒子的位置；c₁和c₂为学习因子；r₁和r₂为[0，1]之间的随机数。

标准的粒子群算法所有粒子主要向着全局最优方向运动，因此粒子在演化过程对目标搜索能力逐渐减弱，甚至出现静止状态。在标准粒子群算法中引入收敛因子ξ，对标准粒子群算法进行改进，通过大量的实验证明了此算法具有更好的收敛性，不再需要最大速度的限制。其中，收敛因子ξ是一个关于参数c₁和c₂的简单函数。其速度更新式如（2.5）所示。

$V_{\mathrm{ij}}^{k+1}=\mathrm{\ξ}(V_{\mathrm{ij}}^k+c_1{r}_1(P_{\mathrm{ij}}^k-X_{\mathrm{ij}}^k)+c_1{r}_2(P_{\mathrm{gj}}^k-X_{\mathrm{gj}}^k))---\left(2.5\right)$

权值优化

模糊神经网络控制器的权值部分大部分存在局域性，因此神经网络在线调整需要耗费较长时间。其具体优化过程如下式所示：

$E=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(r_i-y_i)}^2$

网络权值调整：

$\begin{array}{c}\mathrm{\Δ}{w}_{\mathrm{ji}}\left(k\right)=\mathrm{\ϵ}\frac{\∂E}{\∂w_{\mathrm{ji}}}=\mathrm{\ϵ}(r_i-y_i)\frac{{\∂y}_i}{\∂\mathrm{\Δd}}\frac{\∂\mathrm{\Δd}}{\∂f_i^{\left(5\right)}}\frac{\∂f_i^{\left(5\right)}}{\∂w_{\mathrm{ji}}}\\ =\mathrm{\ϵ}(r_i-y_i)\frac{\∂y_i}{\∂\mathrm{\Δd}}\·a\left(j\right)f_i^{\left(4\right)}\end{array}$

$\frac{\&PartialD;y_i}{\&PartialD;\mathrm{\&Delta;d}}=\left\{\begin{array}{cc}1& z\&GreaterEqual;0\\ -1& z<0\end{array}\right.$

其中， $z=\frac{y_i\left(k\right)-y_i(k-1)}{\mathrm{\&Delta;d}\left(k\right)-\mathrm{\&Delta;d}(k-1)}$

PID控制算式：d(k)＝d(k-1)+Δd(k)

Δd(k)＝K_p·a(1)+K_i·a(2)+K_d·a(3)

其中，a(1)=e(k)-(k-1),a(2)=e(k)

a(3)=e(k)-2(k-1)+(k-2)

其中，r_i和y_i分别表示模糊神经控制器期望输出与实际输出，式中m=27，r=3，i∈（1，2，3），j∈（1，2，…，27），改进后权值更新式如式（2.6）： $w_{\mathrm{ji}}\left(k\right)=w_{\mathrm{ji}}(k-1)+\mathrm{\&epsiv;}\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{ji}}}+\mathrm{\&beta;}(w_{\mathrm{ji}}(k-1)-w_{\mathrm{ji}}(k-2))---\left(2.6\right)$

其中ε为训练速率，β为动量因子。

防止神经网络对于高维数样本有较长的训练时间，对训练速率进行优化改进，调整式如式（2.7）：

${\mathrm{\&epsiv;}}^{(t+1)}=\left\{\begin{array}{cc}1.25{\mathrm{\&epsiv;}}^{\left(t\right)}& e_{s,\left(t\right)}<e_{s,(t-1)}\\ 0.89{\mathrm{\&epsiv;}}^{\left(t\right)}& e_{s,\left(t\right)}>e_{s,(t-1)}\\ {\mathrm{\&epsiv;}}^{\left(t\right)}& e_{s,\left(t\right)}=e_{s,(t-1)}\end{array}\right.---\left(2.7\right)$

e_s,(t)为神经网络在t时刻输出误差和;ε^(t)为t时刻的学习速率。防止模糊神经网络优化过程中陷入局部极小值，因此对动量因子加以改进，其更新公式如下：

$c=\left\{\begin{array}{cc}0& e_{s,\left(t\right)}>e_{s,(t-1)}\\ 0.98& e_{s,\left(t\right)}<e_{s,(t-1)}\\ c& e_{s,\left(t\right)}=e_{s,(t-1)}\end{array}\right.---\left(2.8\right)$

通过模糊神经网络改进前后的训练比较，由表4和图5可知改进后的控制运算效果要明显优于改进前的，改进后算法迭代次数明显减少，运行时间较短，误差和接近目标值0.0011；图6为模糊神经PID控制系统阶跃响应对比曲线，在0.25s时刻施加扰动信号，可知采用模糊神经控制方式具有较小的超调量，动态响应恢复较快，较强的抗干扰能力。

表4模糊神经网络优化前后训练数据比较

控制系统参数设定

在Matlab/Simulink平台对图4所示的控制框图，搭建基于双馈电机混合储能系统的仿真模型，对风力发电系统进行仿真验证。具体参数设置如下：仿真时间设定为3000s；双馈电机额定功率为2MW，频率50Hz，线电压的有效值为690V；T值为1500，T_sc值为25；蓄电池额定容量0.1MWh，额定功率为0.8MW，荷电状态S取值范围为10%～90%，初始荷电状态S值取为60%，蓄电池充电效率η_b-ch=75%，放电效率η_b-dis=85%；超级电容器额定容量为0.004MWh，额定功率为0.02MW，荷电状态取值范围为2%～99%，荷电状态S初值取为60%，，超级电容器充电效率η_sc-ch和放电效率η_sc-dis均为95%；双馈电机变流器的直流侧额定电压值为2200V，开关管器件IGBT频率均设为5kHz；混合储能装置的双向DC/DC变换器的升压电感均为0.09mH，双馈电机变流器的直流侧电容为25mF，并网滤波电感为L_g=1.8mH，等效电阻R_g=0.04Ω。

仿真结果及分析：

图7为风电机组输出功率P_rl和风电并网功率P_g曲线，其风电机组输出功率P_rl幅值范围为0.002MW～1.98MW,风电并网功率P_g幅值范围0.9MW～1.22MW，验证了混合储能系统有较好的平抑风电波动功率的效果。图8为超级电容器蓄电池所吸收和补偿的有功功率，可以看到超级电容补偿了风电波动功率中高频部分，而蓄电池则补偿了低频部分。因此由超级电容器作为辅助设备的储能系统，使蓄电池的充放电周期变小，即使其充放电次数也将明显减少，从而延长了蓄电池的使用寿命。图9为超级电容器和蓄电池的荷电状态，其波动范围分别为15%～97%、48%～73%。因此采用模糊神经网络控制方式，荷电状态均在可控范围内。

结论：

风力发电混合储能系统的优化控制在提高其技术性能和经济性能方面将起到至关重要的作用。本发明将蓄电池和超级电容器协调配合应用到基于双馈电机的风力发电系统中。采用模糊神经网络算法对混合储能系统PID参数进行在线优化，并对模糊神经网络控制算法进行改进，经过仿真验证了该控制算法的有效性。通过对风电的混合储能系统进行了仿真分析，得出该控制策略能够使储能装置荷电状态和补偿功率接近其目标值，提高储能装置的使用寿命，更好的实现了平抑风电波动功率，从而保证了并网的电能质量，进一步证明该控制方法的有效性。

Claims (3)

1.一种基于模糊神经网络的风电混合储能系统，其特征在于：由超级电容器（1）和蓄电池（2）组成的混合储能系统并联在双馈电机电网侧变流器（3）的直流侧，转子侧变流器（4）连接双馈电机，电网侧变流器（3）连接电网，电网侧变流器（3）与转子侧变流器（4）并联，超级电容器（1）和蓄电池（2）分别采用双向DC/DC变换器（5）连接。

2.根据权利要求1所述的基于模糊神经网络的风电混合储能系统，其特征在于：混合储能系统采用高通滤波器对系统波动功率进行分解，超级电容器（1）和蓄电池（2）的双向DC/DC变换器的电流控制环内，分别采用模糊神经PID控制器，取代了传统采用的PI控制器。

3.一种如权利要求1或2所述基于模糊神经网络的风电混合储能系统的优化方法，其特征在于：对模糊神经网络PID控制器进行优化；首先，将电流误差、电流误差变化率和储能原件的荷电状态作为模糊神经控制器的输入变量；其次，采用改进的粒子群优化算法对系统输入的隶属函数进行优化；最后，通过对神经网络的训练速率和动量因子进行改进，使模糊神经网络控制器较传统控制器具有高效性。