CN107069831A - 一种下垂控制方法 - Google Patents
一种下垂控制方法 Download PDFInfo
- Publication number
- CN107069831A CN107069831A CN201710147230.4A CN201710147230A CN107069831A CN 107069831 A CN107069831 A CN 107069831A CN 201710147230 A CN201710147230 A CN 201710147230A CN 107069831 A CN107069831 A CN 107069831A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- particle
- inverter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002245 particle Substances 0.000 claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000007665 sagging Methods 0.000 claims description 52
- 238000004146 energy storage Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供一种下垂控制方法,所述方法提出一种下垂控制—解耦下垂控制;提出一种改进粒子群优化算法——具有多群体和多速度更新方式的改进粒子群优化算法(MMPSO);建立了基于改进粒子群优化算法的离线优化模型,模型中每个逆变电源均串联一个电抗器,然后再通过并联给负载供电。本发明可以运用于新能源微电网领域和不间断供电等领域,能够满足多个逆变电源的并联要求,可以有效的减小并联环流,提升并联系统的稳定性和可靠性。
Description
技术领域
本发明涉及电力电子控制技术领域,更具体地,涉及一种下垂控制方法。
背景技术
下垂控制是指根据微电网的控制目标,采用与传统发电机相似的下垂曲线来达到对微源的控制,采用频率有功下垂特性(DroopCharacter)将系统不平衡的功率动态分配给各个机组承担,保证微网系统中频率电压的统一。
目前,并联系统线路阻抗不同,其有功功率和无功功率耦合情况也不相同,传统下垂控制不存在功率解耦,所以比较依赖线路阻抗的特性。当线路阻抗呈感性时,功率耦合程度要小于线路阻抗呈阻感性或阻性时的情况;线路阻抗呈感性时,其有功无功和电压差还有相位差之间的关系形式与传统下垂最为接近;因此,传统下垂控制需要并联线路阻抗呈感性。
线路阻抗呈感性时,并没有完全消除功率耦合,传统下垂控制中有功功率并没有考虑无功功率中电压差的影响,同样无功功率也没有考虑有功功率中相位差的影响。逆变电源并联时,无功功率与有功功率均会进行调节,此时无功功率的调节通过耦合通道影响有功功率的调节,有功功率的调节同样也影响无功功率的调节,如此反复使得并联逆变电源的有功功率无法均分。
下垂系数决定了无功功率与有功功率间的影响程度,下垂系数越大,功率调节时的波动越大,耦合影响使有功功率无法均分;下垂系数越小,功率波动减小,同样因耦合影响的存在,有功功率无法均分。不管怎样选取下垂系数,两逆变电源的输出有功功率无法均分,产生的功率环流会产生额外的器件损耗,减少器件寿命。
逆变器的控制参数整定方法主要有常规整定方法和智能参数优化方法。
常规整定方法有:Z-N法、极点配置法和经验法等。Z-N法无法获取精确的临界信息,难以得到配置出较好的控制参数;极点配置法需要精确的系统模型,同时还需要丰富的经验确定所期望性能,配置的参数还需在线进行调整,整定非常耗时;经验法则需要依赖丰富的经验不断在线调整参数,受调试人员场地限制,整定同样耗时。
智能参数优化方法主要有:模糊控制、神经网络控制、遗传算法和群智能算法等。模糊控制需要非常丰富的先验知识编写模糊规则,对象不同时还需要修改模糊规则;神经网络的优化效果受初值影响,优化还需要多次有效信息的训练;遗传算法属于进化算法,通过交叉和变异保证群体的多样性,按概率大小筛选掉差个体,而得到最优解。该方法和群智能算法相比,缺少记忆性,无最优值引导,优化过程中交叉和变异有一定概率将好个体变差,所以在优化性能上群智能算法更胜一筹。
群智能算法中粒子群优化算法属于较为经典的一种算法,它于1995年IEEE国际会议上由Eberhart和Kennedy提出。Shi和Eberhart在1998年发表的论文中,在最初版本PSO的基础上增加了惯性权重w,其目的主要是平衡局部优化和全局优化能力(现阶段主要采用该方法)。粒子群优化算法从随机解出发,通过迭代进行寻优,算法简单,操作方便,一经提出便受到了极大的欢迎,该算法已经成功运用到诸如电力系统分析、电力电子控制、数据挖掘、图像识别、生物、地质和调度等领域。
粒子群优化算法的优化性能由惯性权重、加速因子、全局最优粒子位置和个体最优粒子位置共同决定。当针对复杂模型时,仅仅依靠全局最优粒子和个体最优粒子,或调节优化参数都难以避免优化陷入局部最优值。为了提升粒子群的优化性能,需要对标准粒子群优化算法进行改进,以期望获得更优性能。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题,提供一种下垂控制方法。
根据本发明的一个方面,提供一种下垂控制方法,包括:
步骤1,基于初始适应值,利用改进粒子群优化算法获得控制参数;
步骤2,基于所述控制参数,通过解耦下垂控制方法,对应获得有功下垂调节输出频率和无功下垂调节输出电压;基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制;
步骤3,基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形,利用优化目标函数模型获得适应值。
本申请提出一种下垂控制方法,所述方法提出一种新型下垂控制—解耦下垂控制;提出一种改进粒子群优化算法—具有多群体和多速度更新方式的改进粒子群优化算法(MMPSO);建立了基于改进粒子群优化算法的离线优化模型,模型中每个逆变电源均串联一个电抗器,然后再通过并联给负载供电。本发明可以运用于新能源微电网领域和不间断供电等领域,能够满足多个逆变电源的并联要求,采用本发明可以有效的减小并联环流,提升并联系统的稳定性和可靠性。
附图说明
图1为根据本发明实施例一种下垂控制方法的整体流程示意图;
图2为根据本发明实施例一种下垂控制方法的并联系统的总体结构框图示意图;
图3为根据本发明实施例一种下垂控制方法的传统下垂控制示意图;
图4为根据本发明实施例一种下垂控制方法的改进下垂控制示意图;
图5为根据本发明实施例一种下垂控制方法中改进粒子群优化算法示意图;
图6为根据本发明实施例一种下垂控制方法中改进粒子群优化算法(MMPSO)示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1,本发明一个具体实施例中,示出一种下垂控制方法的整体流程示意图。总体上,包括:步骤1,基于初始适应值,利用改进粒子群优化算法获得控制参数;
步骤2,基于所述控制参数,通过解耦下垂控制方法,对应获得有功下垂调节输出频率和无功下垂调节输出电压;基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制;
步骤3,基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形,利用优化目标函数模型获得适应值。
本发明又一个具体实施例中,一种下垂控制方法还包括:步骤4,将所述适应值作为步骤1中改进粒子群优化算法的输入项,重复循环步骤1-3,直至确认所述适应值满足预设结束条件。
本发明又一个具体实施例中,一种下垂控制方法所述改进粒子群优化算法还包括三种粒子群和三种速度更新方式。
其中,所述三种粒子群包括:主粒子群、全局辅助粒子群和局部辅助粒子群。
其中,所述三种速度更新方式为:带惯性权重的改进速度更新方式、带压缩因子的改进速度更新方式和随机速度更新方式。
本发明又一个具体实施例中,一种下垂控制方法所述数字控制系统为三环控制系统,所述三环控制系统基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制;所述三环控制系统包括功率环、负载电压控制环和电感电流控制环。
本发明又一个具体实施例中,一种下垂控制方法所述并联逆变系统由光伏逆变电源和储能逆变电源组成。
本发明又一个具体实施例中,一种下垂控制方法所述改进粒子群优化算法还包括:
所述主粒子群采用改进带惯性权重的速度更新方式,其公式为:
其中,i和j分别表示粒子数量和维数,t为当前迭代次数,xij=(xi1,xi2,xi3,xi4,…,xin)表示粒子个体,w表示惯性权重,vij=(xi1,xi2,xi3,xi4,…,xin)表示粒子更新速度,c1和c2为加速因子,r1和r2为[0,1]区间的随机数,迭代到当前迭代次数时每个粒子的历史最优粒子为xP ij=(xP i1,xP i2,xP i3,xP i4,…,xP in),迭代到当前迭代次数时的全局最优粒子xG gj=(xG g1,xG g2,xG g3,xG g4,…,xG gn),g代表迭代到当前迭代次数时,某一次迭代中某个位置上的粒子;
所述全局辅助粒子群由主粒子群中的差粒子组成,该群体存在两种速度更新方式,每一次优化迭代,按一定概率选取其中一种速度更新方式;
第一种速度更新方式为改进的带压缩因子速度更新方式,公式为:
其中x1、v1分别代表全局辅助粒子群的位置和速度,c4和c5为加速因子,c4等于c5,全用c4代替,r4和r5为[0,1]区间的随机数,x1 P(t)为迭代到当前迭代次数时每个粒子的历史最优粒子,x1 G(t)为迭代到当前迭代次数时的全局最优粒子,d和g含义相同,Fi为当前个体粒子的适应值;
第二种速度更新方式为随机速度更新方式,公式为:
v1ij(t+1)=v1ij(t)+Fx-G,
其中:
aj=0.5-rj,
其中,rj、ηj、xmax和xmin分别为[0,1]区间的随机数、粒子在优化区间内的分布概率、粒子优化区间的上限和下限。
所述局部辅助粒子群无速度更新,该群体由主粒子群在优化迭代末期的全局最优粒子组成,其组成公式为:
x2ij(t)=|xgj G(t)+mk(0.5-r)xgj G(t)|,
其中mk为常数,它决定搜索范围;r为[0,1]区间的随机数。
本发明又一个具体实施例中,一种下垂控制方法所述步骤2还包括:
所述传统下垂控制方法公式为:
ω=ωr+(P'r-P')dp,
V=Vr+(Q’r-Q')dq,
其中dp和dq分别为有功下垂系数、无功下垂系数;ωr、ω、P'r和P'分别为给定频率、有功下垂调节输出频率、给定有功功率和滤波后的实际有功功率;Vr、V、Q'r和Q'分别为给定电压、无功下垂调节输出电压、给定无功功率、滤波后的实际无功功率;
所述解耦下垂控制方法公式为:
ω=ωr+(P'r-P')d'p+λ(Vr-V),
V=Vr+(Q'r-Q')d'q-ζ(ωr-ω),
其中d'p、λ、d'q和ζ分别为滤波后的有功功率下垂系数、电压差解耦系数、滤波后的无功功率下垂系数和相位差解耦系数。
本发明又一个具体实施例中,一种下垂控制方法所述三环控制系统中功率环采用传统下垂控制或解耦下垂控制;电压控制环和电流控制环均采用PI控制。
本发明又一个具体实施例中,所述PI控制采用的传递函数为:
式中kp和ki分别为比例控制参数和积分控制参数。
本发明又一个具体实施例中,一种下垂控制方法,所述并联逆变系统还包括:
所述光伏逆变电源用于在光照充足时,为三相逆变器提供稳定的直流电;
所述储能逆变电源由储能电池和三相逆变器组成;所述储能电池用于当SOC状态总在50%以上时,为三相逆变器提供稳定的直流电;
上述两种逆变电源各串联一个电抗后并联。
本发明又一个具体实施例中,一种下垂控制方法,所述优化目标函数模型还包括:
通过多个单一目标函数按不同权系数组合而成,公式为:
其中e(t)为两逆变器输出有功功率误差信号;Uzon和U1zon分别为光伏逆变输出电压的各次谐波幅值和储能逆变输出电压的各次谐波幅值;Uzo1和U1zo1分别为光伏逆变输出电压的基波幅值和储能逆变输出电压的基波幅值;a、b和c为不同权系数,a+b+c=1。
如图2,本发明又一个具体实施例中,示出一种用于实现本发明新型下垂控制方法的的并联系统基本框架示意图。该框架包括改进粒子群优化部分、数字控制系统、并联逆变部分和优化目标函数部分。
其中改进粒子群优化算法为具有多群体和多速度更新方式的改进粒子群优化算法(MMPSO);数字控制系统包括改进下垂控制或者传统下垂控制,电压电流双闭环控制。优化目标函数通过多个单一目标函数按不同权系数组合而成,其公式为:
其中e(t)为两逆变器输出有功功率误差信号;Uzon和U1zon分别为光伏逆变输出电压的各次谐波幅值和储能逆变输出电压的各次谐波幅值;Uzo1和U1zo1分别为光伏逆变输出电压的基波幅值和储能逆变输出电压的基波幅值;a、b和c为不同权系数,有如下关系:a+b+c=1。
并联系统总的结构框图如图3所示,该结构并联结构框组成了图2中的数字控制器和并联逆变部分。图中,Voutn(n=1,2)、Ugn(n=1,2)、ILn(n=1,2)、Ion(n=1,2)、Von(n=1,2)、V* n(n=1,2)、ω* n(n=1,2)分别代表控制输出信号、脉冲信号、电感电流信号、负载电流信号、负载电压信号、指令电压信号和指令角频率信号;sn(n=1,2)、Ln(n=1,2)和Cn(n=1,2)分别为开关、滤波电感和滤波电容;光伏逆变电源与储能逆变电源的组成完全相同。图3中进行对比时,只需将改进下垂控制替换为传统下垂控制。
图4和图5分别为传统下垂控制和改进下垂控制框图,其中Vod、Voq、Iod、Ioq分别为坐标变换后(三相信号转dq轴信号)的d轴负载电压信号、q轴负载电压信号、d轴负载电流和q轴负载电流。图中功率计算公式为:
传统下垂控制公式为:
ω=ωr+(Pr'-P')dp,
V=Vr+(Q'r-Q')dq,
式中dp和dq分别为有功下垂系数、无功下垂系数;ωr、ω、P'r和P'分别为给定频率、有功下垂调节输出频率、给定有功功率和滤波后的实际有功功率;Vr、V、Q'r和Q'分别为给定电压、无功下垂调节输出电压、给定无功功率、滤波后的实际无功功率。
解耦下垂控制策略公式为:
ω=ωr+(P'r-P')d'p+λ(Vr-V),
V=Vr+(Qr'-Q')d'q-ζ(ωr-ω),
式中d'p、λ、d'q和ζ分别为滤波后的有功功率下垂系数、电压差解耦系数、滤波后的无功功率下垂系数和相位差解耦系数。
滤波前后功率的关系式为:
式中ωo、P和Q分别为低通滤波的截止频率、未滤波的有功功率下垂系数和未滤波的无功功率下垂系数。
图6为改进粒子群优化算法(MMPSO)组成框架。该改进粒子群优化算法由三个粒子群和三种速度更新方式组成,其中三种群体分别为:主粒子群、全局辅助粒子群和局部辅助粒子群。三种速度更新方式为别为:带惯性权重的改进速度更新方式、带压缩因子的改进速度更新方式和随机速度更新方式。主粒子群只采用一种速度更新方式;全局辅助粒子群采用两种速度更新方式,该群体使得该算法优化趋势具有多样性,极大的提高了该算法的全局优化能力;局部辅助粒子群无速度更新方式,其作用是在全局最优位置的小范围内继续寻优,在一定程度上提升了粒子群的局部优化能力。
通过MMPSO优化得到的一组控制参数分别为:(1)dp、dq、d'p和d'q分别为0.0002911、0.0000101、0.0002723、0.0000712;(2)λ和ζ分别为3.4和0.001;(3)外环kp和ki分别为0.2和0.018(两种对比下垂控制策略的控制参数相同);(4)内环kp和ki分别为10.04和0.0074(两种对比下垂控制策略的控制参数相同)。
按以下步骤进行对比验证:
步骤1:根据适应值大小,MMPSO生成一组控制参数dp、dq、d'p、d'q、kp、λ、d'q、ζ和ki,其中控制参数包括两种对比的下垂控制和双闭环PI控制参数,光伏逆变器控制和储能逆变器控制策略相同,且控制参数也相同;然后将参数传递到优化模型中的控制系统。
步骤2:通过解耦下垂控制(传统下垂控制),可以得到有功下垂调节输出频率和无功下垂调节输出电压,前者可以实现反馈电压信号、电流信号和电流环PI输出信号的坐标变换(负载电压控制环和电感电流控制环为基于dq轴的控制,所以先要将三相电信号变换成dq轴电信号),后者为负载电压控制环的指令信号。通过三环控制系统实现对并联系统的控制,同时也可以得到每个逆变器的输出有功功率和负载电压。
步骤3:计算适应值采用如下优化目标函数:
两逆变器的输出功率误差,光伏逆变电源和储能逆变电源各自的负载电压为该优化目标函数的输入,输出信号就是适应值。将适应值输入到MMPSO中,就可以知道MMPSO进行优化,朝适应值最小方法优化。重复步骤1至步骤3,直到MMPSO达到最大迭代次数。
步骤4:建立相应的实验平台,该实验平台主要由光伏逆变电源和储能逆变电源组成,两逆变器孤岛并联,共同给负载供电,平台参数和对比控制方法及其参数与仿真一致。
采用改进下垂控制策略,并且配合改进粒子群优化算法对控制参数的优化可以有效减小逆变电源间的功率环流,提高系统运行的稳定性和可靠性。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种下垂控制方法,其特征在于,包括:
步骤1,基于初始适应值,利用改进粒子群优化算法获得控制参数;
步骤2,基于所述控制参数,通过解耦下垂控制方法,对应获得有功下垂调节输出频率和无功下垂调节输出电压;基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制;
步骤3,基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形,利用优化目标函数模型获得适应值。
2.如权利要求1所述的方法,其特征在于,还包括:
步骤4,将所述适应值作为所述改进粒子群优化算法的输入,重复循环步骤1-3,直至确认所述适应值满足预设结束条件。
3.如权利要求1所述的方法,其特征在于,所述改进粒子群优化算法还包括三种粒子群和三种速度更新方式:
所述三种粒子群包括:主粒子群、全局辅助粒子群和局部辅助粒子群;
所述三种速度更新方式为:带惯性权重的改进速度更新方式、带压缩因子的改进速度更新方式和随机速度更新方式。
4.如权利要求1所述的方法,其特征在于,所述数字控制系统为三环控制系统,所述三环控制系统基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制;所述三环控制系统包括功率环、负载电压控制环和电感电流控制环。
5.如权利要求1所述的方法,其特征在于,所述并联逆变系统由光伏逆变电源和储能逆变电源组成。
6.如权利要求3所述的方法,其特征在于,所述改进粒子群优化算法还包括:
所述主粒子群采用改进带惯性权重的速度更新方式,其公式为:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>wv</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>P</mi>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>g</mi>
<mi>j</mi>
</mrow>
<mi>G</mi>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中i和j分别表示粒子数量和维数,t为当前迭代次数,xij=(xi1,xi2,xi3,xi4,…,xin)表示粒子个体,w表示惯性权重,vij=(xi1,xi2,xi3,xi4,…,xin)表示粒子更新速度,c1和c2为加速因子,r1和r2为[0,1]区间的随机数,迭代到当前迭代次数时每个粒子的历史最优粒子为xP ij=(xP i1,xP i2,xP i3,xP i4,…,xP in),迭代到当前迭代次数时的全局最优粒子xG gj=(xG g1,xG g2,xG g3,xG g4,…,xG gn),g代表迭代到当前迭代次数时,某一次迭代中某个位置上的粒子;
所述全局辅助粒子群由主粒子群中的差粒子组成,该群体存在两种速度更新方式,每一次优化迭代,按一定概率选取其中一种速度更新方式;
第一种速度更新方式为改进的带压缩因子速度更新方式,公式为:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>4</mn>
</msub>
<msub>
<mi>r</mi>
<mn>4</mn>
</msub>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>P</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>4</mn>
</msub>
<msub>
<mi>r</mi>
<mn>4</mn>
</msub>
<mo>(</mo>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>G</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>0.5</mn>
<mo>-</mo>
<msub>
<mi>r</mi>
<mn>4</mn>
</msub>
<mo>)</mo>
<mo>(</mo>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>d</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>G</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>P</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中x1、v1分别代表全局辅助粒子群的位置和速度,c4和c5为加速因子,c4等于c5,全用c4代替,r4和r5为[0,1]区间的随机数,x1 P(t)为迭代到当前迭代次数时每个粒子的历史最优粒子,x1 G(t)为迭代到当前迭代次数时的全局最优粒子,d和g含义相同,Fi为当前个体粒子的适应值;
第二种速度更新方式为随机速度更新方式,公式为:
v1ij(t+1)=v1ij(t)+Fx-G,
其中:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>F</mi>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msub>
<mi>V</mi>
<mi>max</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msub>
<mi>V</mi>
<mi>max</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<msub>
<mi>V</mi>
<mi>max</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
aj=0.5-rj,
<mrow>
<msub>
<mi>&eta;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
rj、ηj、xmax和xmin分别为[0,1]区间的随机数、粒子在优化区间内的分布概率、粒子优化区间的上限和下限。
所述局部辅助粒子群无速度更新,该群体由主粒子群在优化迭代末期的全局最优粒子组成,其组成公式为:
x2ij(t)=|xgj G(t)+mk(0.5-r)xgj G(t)|,
其中mk为常数,它决定搜索范围;r为[0,1]区间的随机数。
7.如权利要求1所述的方法,其特征在于,所述步骤2还包括:
所述传统下垂控制方法公式为:
ω=ωr+(P′r-P')dp,
V=Vr+(Q'r-Q')dq,
其中dp和dq分别为有功下垂系数、无功下垂系数;ωr、ω、P'r和P'分别为给定频率、有功下垂调节输出频率、给定有功功率和滤波后的实际有功功率;Vr、V、Q'r和Q'分别为给定电压、无功下垂调节输出电压、给定无功功率、滤波后的实际无功功率;
所述解耦下垂控制方法公式为:
ω=ωr+(P′r-P')d'p+λ(Vr-V),
V=Vr+(Q'r-Q')d'q-ζ(ωr-ω),
其中d'p、λ、d'q和ζ分别为滤波后的有功功率下垂系数、电压差解耦系数、滤波后的无功功率下垂系数和相位差解耦系数。
8.如权利要求4所述的方法,其特征在于,所述三环控制系统中功率环采用传统下垂控制或解耦下垂控制;电压控制环和电流控制环均采用PI控制。
9.如权利要求5所述的方法,其特征在于,所述并联逆变系统还包括:
所述光伏逆变电源用于在光照充足时,为三相逆变器提供稳定的直流电;
所述储能逆变电源由储能电池和三相逆变器组成;所述储能电池用于当SOC状态总在50%以上时,为三相逆变器提供稳定的直流电;
上述两种逆变电源各串联一个电抗后并联。
10.如权利要求1所述的方法,其特征在于,所述优化目标函数模型还包括:
通过多个单一目标函数按不同权系数组合而成,公式为:
<mrow>
<mi>F</mi>
<mo>=</mo>
<mi>a</mi>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>T</mi>
<mi>a</mi>
</msub>
</msubsup>
<mi>t</mi>
<mo>|</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<mi>b</mi>
<mfrac>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>&infin;</mi>
</munderover>
<msubsup>
<mi>U</mi>
<mrow>
<mi>z</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<msub>
<mi>U</mi>
<mrow>
<mi>z</mi>
<mi>o</mi>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mi>c</mi>
<mfrac>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>&infin;</mi>
</munderover>
<msubsup>
<mi>U</mi>
<mrow>
<mn>1</mn>
<mi>z</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
<msub>
<mi>U</mi>
<mrow>
<mn>1</mn>
<mi>z</mi>
<mi>o</mi>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中e(t)为两逆变器输出有功功率误差信号;Uzon和U1zon分别为光伏逆变输出电压的各次谐波幅值和储能逆变输出电压的各次谐波幅值;Uzo1和U1zo1分别为光伏逆变输出电压的基波幅值和储能逆变输出电压的基波幅值;a、b和c为不同权系数,a+b+c=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710147230.4A CN107069831B (zh) | 2017-03-13 | 2017-03-13 | 一种下垂控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710147230.4A CN107069831B (zh) | 2017-03-13 | 2017-03-13 | 一种下垂控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107069831A true CN107069831A (zh) | 2017-08-18 |
CN107069831B CN107069831B (zh) | 2019-12-06 |
Family
ID=59622094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710147230.4A Active CN107069831B (zh) | 2017-03-13 | 2017-03-13 | 一种下垂控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107069831B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108649780A (zh) * | 2018-05-15 | 2018-10-12 | 国网上海市电力公司 | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 |
CN110783962A (zh) * | 2019-04-17 | 2020-02-11 | 上海电机学院 | 一种虚拟同步发电机并网逆变器的控制方法 |
CN111064228A (zh) * | 2020-01-16 | 2020-04-24 | 江苏方天电力技术有限公司 | 考虑风速和负荷变化场景的风电机组下垂控制方法、系统及计算机设备 |
CN112332434A (zh) * | 2020-10-28 | 2021-02-05 | 湖南国芯半导体科技有限公司 | 一种基于混合器件的光-储分布式系统的控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499663A (zh) * | 2008-01-30 | 2009-08-05 | 力博特公司 | 一种逆变器并联控制方法及逆变器 |
CN101917022A (zh) * | 2010-08-06 | 2010-12-15 | 南京航空航天大学 | 一种可以无互联线并联工作的三相逆变器及其控制方法 |
CN102510064A (zh) * | 2011-11-08 | 2012-06-20 | 山东大学 | 微电网孤岛运行控制系统中的改进下垂控制方法 |
CN102723722A (zh) * | 2012-06-06 | 2012-10-10 | 西安交通大学 | 一种基于并联逆变器下垂控制的无功功率控制方法 |
KR101267513B1 (ko) * | 2012-01-11 | 2013-05-24 | 주식회사 이온 | 무선통신을 이용한 ups 병렬 운전 제어 방법 |
CN103683324A (zh) * | 2013-12-04 | 2014-03-26 | 浙江大学 | 一种微型电网系统中用于分布式电源并联运行模式的基于通信网络的改进的下垂控制方法 |
CN103701351A (zh) * | 2013-12-16 | 2014-04-02 | 西安交通大学 | 并联逆变器的自适应无功功率控制方法 |
CN104953621A (zh) * | 2015-07-16 | 2015-09-30 | 上海电机学院 | 下垂控制系数优化方法 |
CN105790315A (zh) * | 2016-04-26 | 2016-07-20 | 安徽工程大学 | 一种基于粒子群算法的储能变流下垂控制方法 |
KR101673527B1 (ko) * | 2016-01-15 | 2016-11-07 | 연세대학교 산학협력단 | 인버터 기반 독립형 마이크로그리드에서의 풍력발전 관성 제어 시스템 및 방법 |
CN106374521A (zh) * | 2016-09-08 | 2017-02-01 | 南京理工大学 | 电力系统环流抑制方法 |
CN106487042A (zh) * | 2016-11-22 | 2017-03-08 | 合肥工业大学 | 一种多时间尺度微电网电压无功优化控制方法 |
-
2017
- 2017-03-13 CN CN201710147230.4A patent/CN107069831B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499663A (zh) * | 2008-01-30 | 2009-08-05 | 力博特公司 | 一种逆变器并联控制方法及逆变器 |
CN101917022A (zh) * | 2010-08-06 | 2010-12-15 | 南京航空航天大学 | 一种可以无互联线并联工作的三相逆变器及其控制方法 |
CN102510064A (zh) * | 2011-11-08 | 2012-06-20 | 山东大学 | 微电网孤岛运行控制系统中的改进下垂控制方法 |
KR101267513B1 (ko) * | 2012-01-11 | 2013-05-24 | 주식회사 이온 | 무선통신을 이용한 ups 병렬 운전 제어 방법 |
CN102723722A (zh) * | 2012-06-06 | 2012-10-10 | 西安交通大学 | 一种基于并联逆变器下垂控制的无功功率控制方法 |
CN103683324A (zh) * | 2013-12-04 | 2014-03-26 | 浙江大学 | 一种微型电网系统中用于分布式电源并联运行模式的基于通信网络的改进的下垂控制方法 |
CN103701351A (zh) * | 2013-12-16 | 2014-04-02 | 西安交通大学 | 并联逆变器的自适应无功功率控制方法 |
CN104953621A (zh) * | 2015-07-16 | 2015-09-30 | 上海电机学院 | 下垂控制系数优化方法 |
KR101673527B1 (ko) * | 2016-01-15 | 2016-11-07 | 연세대학교 산학협력단 | 인버터 기반 독립형 마이크로그리드에서의 풍력발전 관성 제어 시스템 및 방법 |
CN105790315A (zh) * | 2016-04-26 | 2016-07-20 | 安徽工程大学 | 一种基于粒子群算法的储能变流下垂控制方法 |
CN106374521A (zh) * | 2016-09-08 | 2017-02-01 | 南京理工大学 | 电力系统环流抑制方法 |
CN106487042A (zh) * | 2016-11-22 | 2017-03-08 | 合肥工业大学 | 一种多时间尺度微电网电压无功优化控制方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108649780A (zh) * | 2018-05-15 | 2018-10-12 | 国网上海市电力公司 | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 |
CN108649780B (zh) * | 2018-05-15 | 2020-04-21 | 国网上海市电力公司 | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 |
CN110783962A (zh) * | 2019-04-17 | 2020-02-11 | 上海电机学院 | 一种虚拟同步发电机并网逆变器的控制方法 |
CN111064228A (zh) * | 2020-01-16 | 2020-04-24 | 江苏方天电力技术有限公司 | 考虑风速和负荷变化场景的风电机组下垂控制方法、系统及计算机设备 |
CN112332434A (zh) * | 2020-10-28 | 2021-02-05 | 湖南国芯半导体科技有限公司 | 一种基于混合器件的光-储分布式系统的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107069831B (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107069831A (zh) | 一种下垂控制方法 | |
CN106712088B (zh) | 基于虚拟阻抗与虚拟电源的低压微电网逆变器控制体系 | |
CN105226664B (zh) | 一种主动配电网无功电压分层分布协调控制方法 | |
CN106058858B (zh) | 一种配电网优化方法与装置 | |
CN107317352A (zh) | 具有三相不平衡治理功能的微型光伏逆变器控制方法 | |
CN101247046A (zh) | 谐波动态治理与无功动态补偿复合控制方法及其实现装置 | |
CN110890768A (zh) | 一种低压交流微电网孤岛模式下的功率分配方法 | |
CN108334679A (zh) | 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法 | |
CN106816877A (zh) | 一种含光伏的配电网电压跌落检测补偿方法 | |
CN106786590B (zh) | 一种光伏并网的配电网谐波检测控制方法 | |
CN113224769B (zh) | 考虑光伏多状态调节的多时间尺度配电网电压优化方法 | |
CN113644693A (zh) | 含可再生能源/氢能交直流混联系统分散式运行管控方法 | |
CN111064235A (zh) | 一种有源配电网日前动态无功优化方法 | |
CN105896575A (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN104659812B (zh) | 一种基于预测控制的多微网协调控制方法 | |
CN110429835A (zh) | 一种基于lcl滤波的rbfnn分段在线优化无源控制系统及方法 | |
CN111162546A (zh) | 一种应用于储能的自适应调节的功率平滑控制方法 | |
CN105629730A (zh) | 一种基于神经网络滑模控制的upfc控制方法 | |
CN104950680B (zh) | 一种岸电控制器参数整定的优化方法 | |
CN112152268B (zh) | 一种交、直流子微网控制方法及子微网群间控制方法 | |
CN109638864A (zh) | 一种智能电网的控制系统 | |
CN109586342A (zh) | 一种多并网逆变系统的带宽优化控制方法 | |
CN110176769B (zh) | 一种基于二级控制的微网群谐波补偿方法 | |
CN107332284A (zh) | 一种基于无功电流一致控制的微电网逆变器下垂控制方法 | |
CN104868481B (zh) | 一种使配电网络全天有功损耗最小的电容补偿方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |