CN105811405A - 一种风光水气发电联合运行广域系统优化控制方法 - Google Patents

Abstract

本发明提出一种风光水气发电联合运行广域系统优化控制方法。特别涉及到风光水气发电联合运行系统的单神经元自适应PID的电压、频率的优化控制。包括单神经元模块、自适应PID模块、电压和频率的优化控制模块。单神经元自适应PID控制器通过调整连接权值来实现自适应、自调整、自组织的优化功能。电压与频率的优化控制方法采用改进的下垂控制策略。本发明可以改善系统受扰时电压与频率的控制性能，使系统具有良好的暂态响应能力和稳定性。

Description

一种风光水气发电联合运行广域系统优化控制方法

●技术领域

本发明涉及电力系统电压、频率控制技术领域，特别涉及一种风光水气发电联合运行广域系统的优化控制方法。

●背景技术

随着国家对节能减排的高度重视,新能源发电和传统集中式发电的联合运行系统，不仅能够提供稳定电能，而且减少温室气体排放，具有良好的社会效益和经济效益。随着新能源发电规模的不断扩大，联合运行系统及其优化控制方法的研究显得尤为重要。现有的一些联合运行控制技术不具有通用性和广域性，当系统运行受到扰动时，不能将地理分散、多种多样的分布式电源进行统一管理和协调控制，导致广域系统中新能源发电不能充分发挥快速抑制电压和频率波动的作用，使系统缺少良好的暂态响应能力。

●发明内容

本发明提供了一种风光水气发电联合运行广域系统优化控制方法。风光水气发电联合运行广域系统优化控制总体结构如附图1，系统由风力发电、水力发电、光伏发电、燃气发电四个发电子系统和大电网所构成，控制方式采用对等模式，对传统的控制策略进行了改进，设计了电压-频率优化控制器，包括单神经元模块、自适应PID模块、改进的下垂控制模块。本发明目的在于协调控制风光水气发电出力，改善广域系统电压与频率的控制性能，使广域系统具有良好的暂态响应能力与稳定性。

为了达成上述目的，本发明的解决方案分为两个部分：

(1)风光水气发电联合运行广域系统

风光水气发电联合运行广域系统示意图如附图2，四个发电子系统包含：风力发电子系统、光伏发电子系统、水力发电子系统和燃气发电子系统，各发电子系统接入大电网组成一个风光水气发电联合运行的广域系统。

风力发电系统主要包括双馈风力发电机、换流器、电气控制系统、原动机及其控制系统和各部分之间的数据接口。光伏发电系统主要包括光伏阵列、DC/AC换流器以及各部分之间的数据接口。水力发电系统主要包含水库、水轮发电机组、调速器和励磁控制系统。燃气发电系统主要包括燃气轮机、永磁同步发电机、整流器、逆变器。

本发明所建立的联合运行广域系统是一种广域多能源互补电力系统，多能源互补电力系统是解决偏远地区供电问题的有效途径之一。针对各地区的风力、光照、降水等不同自然资源优势，对单一的发电方式进行升级改造，因地制宜地充分利用可再生能源，形成多种能源互补的电力系统。

考虑到独立发电系统运行的灵活性和安全性问题以及更好地实现多能源互补，控制方式采用对等模式。风光水气发电联合运行广域系统对等控制模式如附图3。对等控制无需为各个发电子系统安排等级，风光水气发电子系统地位相同，使新能源发电得到充分利用。当系统发生扰动时，风光水气发电子系统各自的电压-频率优化控制器采集实时电气信息量，根据设定的下垂控制模式，按照自定的下垂系数共同分担负荷变化量，通过控制发电机的出力来调节各自的瞬时有功功率和无功功率输出，实现协调控制风光水气发电出力，维持系统的电压和频率稳定，使系统平稳、快速过渡到一个新的稳定运行状态，实现风光水气联合互补系统功率的合理分配，达到多能源互补、改善经济效益、提高资源综合利用率的目的。

(2)单神经元自适应PID下垂控制器

风光水气发电联合运行广域系统中的新能源发电多数是通过逆变器接入电网，而电力电子元件是非线性元器件，所以系统具有一定的非线性。神经网络算法能很好地适应非线性系统，因此利用神经网络机理进行PID控制器的参数整定。

根据单神经元自适应PID算法在线确定m_p、m_I、m_D和n_p、n_I、n_D的值，提出能够自适应调节PID参数的联合运行广域系统的改进下垂控制策略。改进下垂控制策略中系统频率和电压的调节公式为：

$f=f_0-m_p(P-P_0)-m_I{\∫}_{-\mathrm{\∞}}^t(P-P_0)d\mathrm{\τ}-m_D\frac{dP}{dt}$

$E=E_0-n_p(Q-Q_0)-n_I{\∫}_{-\mathrm{\∞}}^t(Q-Q_0)d\mathrm{\τ}-n_D\frac{dQ}{dt}$

其中，P、Q、f、E分别表示系统实际运行时的有功功率、无功功率、系统频率和电压；f₀、E₀分别表示系统额定运行时的系统频率和电压；P₀和Q₀分别表示系统额定运行时的有功功率和无功功率；m_p和n_p主要负责分配负荷变化量；m_I和n_I可以减小系统稳态功率误差；m_D和n_D起到提高系统动态响应能力的作用。当电网内负荷频繁变化时，m_D和n_D以及m_I和n_I可以依据功率变化量，经过积分和微分环节来修正下垂控制，确保系统具有良好的暂态响应能力和稳定性。

单神经元自适应PID控制器通过改变连接权值来实现自适应、自调整、自组织的功能。单个神经元自适应PID控制器结构图如附图4，将输入值r(k)与预期输出值y(k)之间的误差信号e(k)，进行微积分计算输入至神经元结构中，得到神经元所需的控制状态量x₁(k)、x₂(k)和x₃(k)，与神经元的权值系数进行相乘求和，K为神经元的比例系数，根据神经网络输出u(k)以及误差进行权值修正，从而使其达到最优。

本发明在监督Hebb学习规则的基础上，考虑误差信号e(k)以及Δe(k)的影响，积分、比例、微分各自采用不同的学习速率η_I、η_P、η_D来实现不同权值系数的调整，改进连接权值修正公式为：

ω₁(k)＝ω₁(k-1)+η_Iz(k)u(k)(e(k)+Δe(k))

ω₂(k)＝ω₂(k-1)+η_Pz(k)u(k)(e(k)+Δe(k))

ω₃(k)＝ω₃(k-1)+η_Dz(k)u(k)(e(k)+Δe(k))

其中，z(k)表示输出误差信号；u(k)表示神经元系统的输出；η_I、η_P、η_D分别表示积分、比例和微分的学习速率，η_I、η_P、η_D>0。积分、比例、微分各自采用不同的学习速率η_I、η_P、η_D可实现不同权值系数的调整。

采用上述方案后，本发明风光水气发电联合运行广域系统包含多种新能源发电方式，能够协调控制风光水气发电机群的出力，实现能源互补，提高了能源的利用率。无论正常运行还是系统出现扰动，改进后的下垂控制器均能体现出良好的鲁棒性、跟踪性能、动态响应性，与传统的下垂控制策略相比，改进后的下垂控制器能快速抑制系统电压和频率的波动。

●附图说明

图1为本发明联合运行广域系统优化控制总体结构图；

图2为本发明联合运行广域系统示意图；

图3为本发明联合运行广域系统对等控制结构图；

图4为本发明单神经元自适应PID控制器结构图。

●具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

设某一风光水气发电联合运行广域系统优化控制结构如附图1，该系统包含风光水气四个发电子系统：风力发电子系统、光伏发电子系统、水力发电子系统和燃气发电子系统，各发电子系统接入大电网组成广域系统，其简化模型如附图2，控制方式采用对等模式，对传统的控制策略进行了改进，采用电压-频率优化控制方式，包括单神经元模块、自适应PID模块、改进的下垂控制模块。

本实例考虑到独立发电系统运行的灵活性和安全性问题以及更好地实现多能源互补，控制方式采用对等模式。该风光水气发电联合运行广域系统对等控制模式如附图3，对等控制无需为各个发电子系统安排等级，风光水气发电子系统地位相同，使新能源发电得到充分利用。当系统发生扰动时，各发电子系统根据设定的下垂控制模式，按照自定的下垂系数共同分担负荷变化量，参与到瞬时有功功率和无功功率的调节中，协调控制风光水气发电出力，以实现电压、频率的优化控制。

风光水气发电联合运行广域系统中的新能源发电大多数通过逆变器接入电网，而电力电子元件是非线性元器件，所以系统具有一定的非线性。神经网络算法能很好地适应非线性系统，因此利用神经网络机理进行PID控制器的参数整定。根据单神经元自适应PID算法在线确定m_p、m_I、m_D和n_p、n_I、n_D的值，设计出能够自适应调节PID参数的电压-频率优化控制器。

该实施例中风光水气发电联合运行广域系统采用改进的下垂控制策略，系统频率和电压的调节公式为：

$f=f_0-m_p(P-P_0)-m_I{\∫}_{-\mathrm{\∞}}^t(P-P_0)d\mathrm{\τ}-m_D\frac{dP}{dt}$

$E=E_0-n_p(Q-Q_0)-n_I{\∫}_{-\mathrm{\∞}}^t(Q-Q_0)d\mathrm{\τ}-n_D\frac{dQ}{dt}$

其中，P、Q、f、E分别表示系统实际运行时的有功功率、无功功率、系统频率和电压；f₀、E₀分别表示系统额定运行时的系统频率和电压；P₀和Q₀分别表示系统额定运行时的有功功率和无功功率；m_p和n_p主要负责分配负荷的变化量；m_I和n_I可以减小系统的稳态功率误差；m_D和n_D起到了提高系统动态响应能力的作用。当电网内负荷频繁变化时，m_D和n_D以及m_I和n_I可以依据功率变化量，经过积分和微分环节来修正下垂控制，确保了系统具有良好的暂态响应能力和稳定性。

单神经元自适应PID控制器通过改变连接权值来实现自适应、自调整、自组织的功能。单个神经元自适应PID控制器结构图如附图4，将输入值r(k)与预期输出值y(k)之间的误差信号e(k)，进行微积分计算输入至神经元结构中，得到神经元所需的控制状态量x₁(k)、x₂(k)和x₃(k)，与神经元的权值系数进行相乘求和，K为神经元的比例系数，根据神经网络输出u(k)以及误差进行权值修正，从而使其达到最优。

本实施例权值调整采用改进的监督Hebb学习规则，连接权值修正公式为：

ω₁(k)＝ω₁(k-1)+η_Iz(k)u(k)(e(k)+Δe(k))

ω₂(k)＝ω₂(k-1)+η_Pz(k)u(k)(e(k)+Δe(k))

ω₃(k)＝ω₃(k-1)+η_Dz(k)u(k)(e(k)+Δe(k))

其中，z(k)表示输出误差信号；u(k)表示神经元系统的输出；η_I、η_P、η_D分别表示积分、比例和微分的学习速率，η_I、η_P、η_D>0。积分、比例、微分各自采用不同的学习速率η_I、η_P、η_D可实现不同权值系数的调整。

实施例中初始连接权值为随机数，有功功率与频率下垂特性中神经元比例系数为K₁，无功功率与电压下垂特性中神经元比例系数为K₂。有功功率与频率下垂特性中神经元的学习速率分别为η_I1、η_P1、η_D1，无功功率与电压下垂特性中神经元学习速率分别为η_I2、η_P2、η_D2。

设定参数后，通过改进的监督Hebb学习规则实时的修正连接权系数，单神经元自适应PID控制器根据改变的连接权值来实现自适应、自调整、自组织的功能。

与传统的广域系统控制方式相比，本发明风光水气发电联合运行广域系统包含多种新能源发电方式，能够协调控制风光水气发电机群的出力，实现能源互补，提高了能源的利用率。单神经元自适应PID控制器能够实现自适应、自调整、自组织的优化功能，无论正常运行还是系统出现扰动，改进后的下垂控制器均能体现出良好的鲁棒性、跟踪性能、动态响应性，与传统的下垂控制策略相比，改进后的下垂控制器能快速抑制系统电压和频率的波动。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种风光水气发电联合运行广域系统优化控制方法，其特征在于：在风光水气发电联合运行系统中，单神经元自适应PID的电压，并且对电压和频率进行优化控制；

在所述风光水气发电联合运行系统中设置单神经元模块、自适应PID模块以及电压和频率的优化控制模块；

所述单神经元模块自适应PID控制器，通过调整连接权值来实现自适应、自调整、自组织的优化功能；

所述电压与频率的优化控制模块采用优化的下垂控制策略。

2.根据权利要求1所述的风光水气发电联合运行广域系统优化控制方法，其特征在于：所述风光水气发电联合运行系统中包含风力发电、水力发电、光伏发电、燃气发电四个发电子系统，与大电网构成了一个联合运行广域系统，控制方式采用对等模式。

3.根据权利要求1所述的风光水气发电联合运行广域系统优化控制方法，其特征在于：所述优化的下垂控制策略具体为，在传统下垂控制策略基础上,加入积分和微分环节，优化的下垂控制策略中系统频率和电压的调节公式为：

$f=f_0-m_p(P-P_0)-m_I{\∫}_{-\mathrm{\∞}}^t(P-P_0)d\mathrm{\τ}-m_D\frac{dP}{dt}$

$E=E_0-n_p(Q-Q_0)-n_I{\∫}_{-\mathrm{\∞}}^t(Q-Q_0)d\mathrm{\τ}-n_D\frac{dQ}{dt}$

其中，P、Q、f、E分别表示系统实际运行时有功功率、无功功率、系统频率和电压；f₀、E₀分别表示系统额定运行时的系统频率和电压；P₀和Q₀分别表示系统额定运行时有功功率和无功功率；m_p和n_p为负责分配负荷的变化量的参数；m_I和n_I为减小系统的稳态功率误差的参数；m_D和n_D为提高系统动态响应能力的参数；

当电网内负荷频繁变化时，m_D和n_D以及m_I和n_I将依据功率变化量，经过积分和微分环节来修正下垂控制，进而提高系统的暂态响应能力和稳定性。

4.根据权利要求3所述的风光水气发电联合运行广域系统优化控制方法，其特征在于：所述单神经元模块自适应PID控制器，通过调整连接权值来实现自适应、自调整、自组织的优化功能，具体为：

在监督Hebb学习规则的基础上，考虑误差信号e(k)以及Δe(k)的影响，积分、比例、微分各自采用不同的学习速率η_I、η_P、η_D来实现不同权值系数的调整，改进连接权值修正公式为：

ω₁(k)＝ω₁(k-1)+η_Iz(k)u(k)(e(k)+Δe(k))

ω₂(k)＝ω₂(k-1)+η_Pz(k)u(k)(e(k)+Δe(k))

ω₃(k)＝ω₃(k-1)+η_Dz(k)u(k)(e(k)+Δe(k))

其中，z(k)表示输出误差信号；u(k)表示神经元系统的输出；η_I、η_P、η_D分别表示积分、比例和微分的学习速率，η_I、η_P、η_D>0；积分、比例、微分各自采用不同的学习速率η_I、η_P、η_D可实现不同权值系数的调整。