CN108933440A - 采用滑模预估控制算法的微电网通信时延状态预估方法 - Google Patents
采用滑模预估控制算法的微电网通信时延状态预估方法 Download PDFInfo
- Publication number
- CN108933440A CN108933440A CN201810769956.6A CN201810769956A CN108933440A CN 108933440 A CN108933440 A CN 108933440A CN 201810769956 A CN201810769956 A CN 201810769956A CN 108933440 A CN108933440 A CN 108933440A
- Authority
- CN
- China
- Prior art keywords
- micro
- capacitance sensor
- state
- delay
- sliding formwork
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 115
- 238000009415 formwork Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013459 approach Methods 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 8
- 239000003990 capacitor Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 26
- 238000013461 design Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000005303 weighing 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
-
- H02J3/383—
-
- 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)
- Power Engineering (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明涉及一种采用滑模预估控制算法的微电网通信时延状态预估方法,包括以下步骤:1)根据光伏微电网逆变器的物理特性,建立微电网状态方程;2)根据微电网状态方程,采用滑模预估控制算法使得时延预估趋近真实时延τ,微电网状态预估趋近微电网真实状态,并且当微电网的状态预估跟随大电网给的参考状态xr(t)时,产生的控制信号控制微电网的真实状态x(t)趋近大电网的参考状态xr(t)。与现有技术相比,本发明具有实时、准确、稳定、快速等优点。
Description
技术领域
本发明涉及微电网的通信时延的预估方法,尤其是涉及一种采用滑模预估控制算法的微电网通信时延状态预估方法。
背景技术
过去几十年,全球气候变暖、环境恶化和人口增长让人们对丰富的、清洁的、可持续的发电能源的需求越来越大。然而,现今消耗的大部分电能都来源于燃烧化石燃料的火力发电厂。火力发电厂不仅效率低,消耗有限的化石燃料,而且燃烧排放的二氧化碳会导致温室效应。可再生能源(太阳能,风能等)的特点是无二氧化碳排放的清洁能源,非常符合现在对发电能源的需求。这些可再生能源发电受天气因素影响,一般都是间歇性发电的电源,由于发电能源分散,所以一般都是分布式电源。间歇性发电的分布式电源直接并网,会对电网的运行和稳定造成严重影响。因此,需要有一种集合分布式电源的系统来解决环境、经济和发电需求的问题。微电网是由分布式电源(如太阳能、风能发电等)、负荷、储能设备组成的可以独立运行的发电系统。当微电网处于并网模式时微电网要和大电网的电压幅值、相角和频率相同;当微电网处于孤岛模式时微电网依靠自身发电独立运行。因此,如何让微电网经济、稳定的运行,对于电网的革新发展至关重要。
微电网中各种分布式电源之间距离一般都较长,利用通信网络,微电网能量调度能够及时获取微电网中各种发电能源、储能和负荷的信息,也可以更快的传送控制信号,从而让微电网达到快速稳定的优化能量调度。微电网正常运行时,需要满足发电与负荷供需平衡、保持不间断供电。微电网作为一种智能系统,准确可靠的通信网络对于微电网的能量调度至关重要。因此,智能系统需要具有可靠的通信网络系统来快速准确的传输测量数据和控制信号给相关的控制器。微电网利用通信网络快速获取大电网的控制信号、将自身的状态信息传给大电网来进行并网;利用通信网络得到准确的天气预报信息;利用通信网络获得微电网中发电、负荷和储能的状态,并将控制信号传给这些发电和储能设备实现最优能量调度。最优能量调度研究是基于通信网络获取气象预报信息对发电和负荷进行预测,利用通信网络获取微电网中各个发电系统、储能设备、负荷情况、与大电网相互传递信息,因此稳定可靠通信网络非常重要。
然而,通信时延将影响通信网络传输的速度和准确性,这将导致微电网的控制系统获得的发电、负荷等状态信息具有时延,进而影响微电网的能量优化调度。微电网和大电网通信系统中的通信时延也会导致微电网和大电网在并网时的相角偏差,这将严重影响大电网运行的稳定性。现有研究一般只给出微电网通信时延的稳定条件,并没有对通信时延的预估方法进行研究。
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采用滑模预估控制算法的微电网通信时延状态预估方法。
本发明的目的可以通过以下技术方案来实现:
1.一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,包括以下步骤:
1)根据光伏微电网逆变器的物理特性,建立微电网状态方程;
2)根据微电网状态方程,采用滑模预估控制算法使得时延预估趋近真实时延τ,微电网状态预估趋近微电网真实状态,并且当微电网的状态预估跟随大电网给的参考状态xr(t)时,产生的控制信号控制微电网的真实状态x(t)趋近大电网的参考状态xr(t)。
2.根据权利要求1所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤2)中,滑模预估控制算法具体包括以下步骤:
21)初始化时延估计初始值微电网的状态估计值状态预估误差es和e、学习参数γ以及常数矩阵E和F;
22)实时采集的有时延的微电网状态x(t-τ),采用带有学习参数的梯度下降法对通信时延τ进行预估得到时延预估根据微电网状态方程获取微电网的状态预估并对微电网状态预估值加入预估时延得到具有时延的状态预估
23)获取大电网参考状态xr(t)和微电网的真实状态x(t)之间误差绝对值|e(t)|以及采集的有时延的微电网状态x(t-τ)和预估的具有时延的微电网状态之间误差的绝对值|es(t)|;
24)采用指数趋近律构建滑模预估控制器,并基于指数趋近律设计滑模控制律;
25)判断是否同时满足|e(t)|<ε1和|es(t)|<ε2,其中,ε1、ε2为指定值,若否,则重复步骤22)-25),若是,则结束。
3.根据权利要求1所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤1)中,微电网状态方程为:
x(t)=[if vo vc]T
u(t)=g
其中,x(t)为微电网的状态变量,u(t)为微电网的控制变量,y(t)为微电网的输出变量,if、Rf、Lf分别为LC滤波器的电流、电阻和电感值,vo为输出电压,vc为电容的电压值,RL为负荷,Ro、Lo分别为传输线的阻抗和感抗值,Cf为电容的电容值,D为占空比,Vpv为光伏电池板输出的电压值,g为光伏逆变器的控制量,A、B、C均为参数矩阵。
4.根据权利要求2所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤22)中,通信时延τ的表达式为:
τ=τv+τc+τn
其中,τv为随机通信时延,τc为微电网内部传感网络常数通信时延,τn为微电网和大电网传感网络的常数通信时延。
5.根据权利要求4所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的通信时延τ的范围为其中,θmax为微电网和大电网之间的相位偏移最大值,f为大电网的频率。
6.根据权利要求2所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤22)中,微电网的状态预估的表达式为:
其中,为微电网的状态预估,es(t)为具有时延的状态预估误差,为常数矩阵,且F∈R3X3,x(t-τ)为有时延的微电网状态,为具有时延的状态预估;
所述的步骤22)中,时延预估的计算式为:
其中,为具有时延的控制变量。
所述的步骤24)中,滑模预估控制器的滑模面S的表达式为:
其中,xr(t)为大电网给的参考状态,为微电网的状态预估,E为常数矩阵,且E∈R1×3。
所述的步骤24)中的滑模控制律具体为:
其中,ε为到达切换面时的速度系数,η为到达切换面之前的速度系数。
与现有技术相比,本发明具有以下优点:
本发明考虑了微电网传感通信网络时延τ,并设计了时延预估模型,利用滑模预估控制算法解决时延的影响。首先,根据光伏微电网的发电特性,基于光伏微电网中逆变器的电路模型为微电网建立状态方程。利用带有学习参数的梯度下降法对微电网内部、微电网与大电网之间的传感通信网络时延进行预估。由于微电网状态和时延相关,所以基于时延预估,通过等式变换得到没有时延的微电网真实状态预估。然后,设计滑模面和基于指数趋近律的滑模控制器,并利用滑模预估控制算法让预估时延值趋近真实时延值,预估微电网状态模型趋近真实微电网状态,所以,当预估微电网状态跟随大电网参考状态时,微电网的真实状态在有传感网络通信时延的情况下还能跟随大电网给的参考状态,从而让微电网系统稳定。
附图说明
图1为具有通信时延的光伏微电网和大电网通信结构图,其中,图(1a)为大电网控制微电网结构图,图(1b)为具有通信时延的光伏微电网系统框图。
图2为光伏微电网的单相逆变器设计图。
图3为滑模预估控制算法流程图。
图4为微电网中真实通信时延和预估通信时延对比图。
图5为微电网真实电流与采集的和预估的具有时延的微电网电流对比图。
图6为微电网真实输出电压与采集的具有时延的电压、预估的具有时延的电压对比。
图7为微电网真实电容电压与采集的和预估的具有时延的微电网电容电压对比图。
图8大电网参考电流和预估的微电网真实电流对比图。
图9大电网参考输出电压和预估的微电网真实电压对比图。
图10为大电网参考电容电压和预估的微电网真实电容电压对比图。
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。
本发明中涉及到的基于通信网络的多能源微电网系统包括:
光伏发电子系统:利用光照辐射强度进行发电,将电压、电流检测传感器检测的光伏发电的电压、电流信号传给控制器子系统,并根据控制器子系统的控制信号与大电网并网。
风力发电子系统:利用风力进行发电,将电压、电流检测传感器检测的风力发电的电压、电流信号传给控制器子系统,并根据控制器子系统的控制信号与大电网并网。
微型燃气轮机发电子系统:将电压、电流检测传感器检测的微型燃气轮机发电的电压、电流信号传给控制器子系统,控制子系统根据微电网优化能量调度算法决定微电燃气轮机的启停和发电功率。
蓄电池储能子系统:将电压、电流检测传感器检测的蓄电池的电压、电流信号传给控制器子系统,控制子系统根据微电网优化能量调度算法决定蓄电池的充电和放电功率。
通信网络子系统:利用通信网络可以将微电网内的光伏发电、风力发电、微型燃气轮机和蓄电池的发电信息快速传给控制器子系统;将控制子系统的控制信号快速的传给光伏发电子系统、微型燃气轮机发电子系统和蓄电池储能子系统。
控制器子系统:根据光伏发电、风力发电和负荷发电的预测模型对光伏发电、风力发电和负荷的功率进行预测。利用通信网络子系统获取光伏发电子系统、风力发电子系统、蓄电池储能子系统和微电网负荷的信息,并将获取的信息作为预测控制算法的输入,然后根据基于通信网络的预测控制算法和一些约束条件,设计运行维护成本最小的微电网最优能量调度控制。
微电网负荷:包括居民用电、商业用电、工业用电和农业用电。
本发明提供一种利用滑模预估控制算法解决传感网络中通信时延的影响通信时延的预估方法,该方法包括以下步骤:
(1)微电网控制系统中的通信时延:
光伏微电网的控制系统中,大电网控制器和微电网间利用传感通信网络将微电网的状态信息传给大电网,将大电网的控制信号利用控制通信网络传给微电网,让微电网的状态能够跟随大电网所给的参考信号,具体如图1所示。
本发明考虑的通信时延包括微电网内部传感网络常数通信时延τc、微电网和大电网传感网络的常数通信时延τn和随机通信时延τv。如图1(b)所示,在微电网的分布式电源(Distributed generation,DG)单元中,本地控制器处理和采集逆变系统中电压幅值、相角和电流幅值信息时具有常数时延τc,由于本地控制器与中心控制器的距离较短,传输数据量较小所以不考虑这两个控制器之间的时延,所以微电网内部传感网络常数通信时延为τc。微电网和大电网之间的通信距离一般都比较长、通信数据量大,所以将会导致传感网络常数通信时延τn。微电网中负载波动将会导致传感网络随机通信时延τv。因此,利用传感网络传给大电网控制器的微电网状态为x(t-τc-τn-τv)。控制通信网络无时延,所以从大电网传给微电网的控制信号为u(t)。为了方便起见,下面将会把所有的时延简写为τ=τc+τn+τv,把所有的时延预估简写为
(2)微电网的状态方程:
光伏微电网的状态与逆变器相关,所以逆变器模型对于光伏微电网建模是必不可少的。图2是光伏微电网单相逆变器设计。硬件部分,H桥主要包含4个IGBT(Insulated GateBipolar Transistors,绝缘栅双极型晶体管),IGBT由本地控制器的控制信号g控制,其中g和SPWM波(Sinusoidal Pulse Width Modulation)相关。SPWM波是PWM波的一种,已经被广泛的应用到逆变中。SPWM波可以控制IGBT的开关,通过改变SPWM波的可以控制输出电压的频率和幅值。当控制信号g为高时,G1,G3为开的状态,然后G2,G4为关的状态,反之亦然。控制部分,本地控制器控制逆变器,让微电网的电压幅值、电压相角、微电网频率能和大电网同步。
如果在升压电路中,占空比为D,同时光伏电池板输出的电压值是Vpv(即图2中的Vsun),则升压电路的输出电压V1为式(1)。
光伏逆变器的输出电压和控制g相关,所以交流电压vin为式(2)。
将基尔霍夫电压定律应用于回路1和回路2,则可以得到等式(3)-(4)。
其中if,Rf,Lf分别是LC滤波器的电流、电阻和电感值。Ro,Lo是传输线的阻抗和感抗值。io,vo是输出电流和输出电压。vc是电容Cf上的电压值。
分布式电源单元的负荷是RL,所以微电网逆变器输出电压与电流的关系如式(5)所示,则可以把式(4)转变成式子(6)。
根据基尔霍夫电流定律,可以得到式(7),其中ic是电容Cf上的电流。
if=ic+io (7)
通过变形,可以将等式(3)、(6)-(7)推导如(8)-(10)。
如果把电流if,电压vo和vc选为微电网的状态x,控制信号g选为u(t),系统输出选为vo,则微电网逆变器系统的数学模型如式(11)-(14)所示,其中A,B是常数矩阵。
x=[if vo vc]T (11)
u(t)=g (12)
(3)具有通信时延的光伏微电网状态设计
微电网中的时延τ=τv+τc+τn,其中τc的大小取决于控制器的类型和处理速度,τn取决于通信网络的传输速率,这些将会在的实例仿真中具体介绍,τv是一个随机变化的通信时延,所以τ也会随机变化,时延的预估将在下面进行推导。为了避免时延对大电网造成严重损害,并网时微电网和大电网之间的相位差是有限制的,这样也限制了时延τ。由于τv=τ-τc-τn,则当确定通信时延τ的范围时,也可以确定随机时延τv的范围。时延τ的最大值可以利用式(15)来计算,式中的θmax代表微电网和大电网之间的相位偏移最大值,f是大电网的频率,则τ的范围是
基于式(13)和式(15),则具有时延的微电网状态可以表示式(16)。
(4)光伏微电网中的通信时延预估
光伏微电网的状态方程已经在上述阐述,根据式(13)可以得到微电网状态方程的解如式(17)所示。
则微电网在t-τ时刻的状态为式(18)。
根据式(18),微电网在时刻的状态估计模型可以表示为:
传感网络通信时延会导致采集的微电网状态延迟,所以基于具有时延的状态和梯度下降法对通信时延进行预估,如式(20)-(22)所示。式(20)中,es是具有时延的状态预估误差,x(t-τ)是传感网络采集的有时延的微电网状态,是通过式(19)预测的有时延的状态预估值。为了能够尽快得到时延预估,带有学习参数的梯度下降法用于时延预估,具体如式(20)-(22)所示。
式(22)中,γ是学习参数,对于学习参数的选择方法有很多,本文的学习参数值将根据系统响应的知识进行选择。将(22)进一步的推导,可以获得式(23)。
(5)微电网的状态预估
当微电网中存在时延时,系统只能检测到具有时延的微电网状态x(t-τ)。基于时延的预估和x(t-τ)的等式变化,可以得到没有通信时延的微电网状态预估。首先,微电网的状态预估值可以根据式(13)推导,得到式(24)。
根据(16)推出式(25)。
基于预估通信时延的状态预估误差如式(20),根据式(20)得到基于真实通信时延的状态预估误差如式(26)所示。通过等式变化,可以得到和x(t-τ)相关的等式(27)。
为了在只能检测到具有时延的微电网状态x(t-τ)时,对没有通信时延的微电网状态进行预估,需要将与x(t-τ)相关的等于0的等式(27)乘以常数矩阵F∈R3×3,加入到式(24)中进行变化,可以得到微电网状态预估(28)。
实际的微电网中,是无法提前获得真实时延大小τ,所以式(28)中的es(t;τ,τ),应该为则不会等于0,则式(28)将变化为式(29)。根据式(29)就可以在只能获得具有时延的微电网状态和时延预估值时,对没有时延的真实微电网状态x(t)进行预估,则与相关。当时延预估趋近于真实时延τ,则可以得到准确的微电网的预估模型,则微电网预估状态趋近于真实微电网状态x(t),所以微电网的预估状态与准确的时延预估有关系。
(5)微电网通信时延的滑模预估控制器设计
微电网控制器设计的性能要求快速动态响应和抗干扰能力。滑模控制(SlidingMode Control,SMC)的特性具有高灵活性和易于实现,其最大的优势是在有外界干扰和系统参数不确定的情况下还能保证系统的鲁棒性和稳定性。滑模控制的参考轨迹跟踪,利用包含时变的状态反馈控制,最终让被控系统能够动态的跟随预先设定的动态期望值。因此,本节利用滑模控制实现有时延的情况下,微电网状态跟踪大电网参考状态。
(6)微电网通信时延控制思想
微电网和大电网控制器间有通信时延τ,所以控制器只能接收到具有时延的微电网状态x(t-τ),如果直接将具有时延的微电网状态传给控制器,则控制器生成的控制u(t)达不到控制效果,所以,本文通过设计一个准确的状态预估器作为真实的状态的参考。如果准确的预估状态可以在控制下跟随参考信号,那么真实的状态也可以在同样的控制下跟随参考信号。
首先设计时延的预估模型,基于时延预估得到微电网的状态预估,通过传感通信网络采集到的具有时延的微电网状态x(t-τ)和具有时延的状态预估差值判断微电网预估模型是否准确。当在控制作用下趋近x(t-τ)时,说明微电网状态预估准确,则微电网的预估状态接近真实的微电网状态x(t)。所以在控制u(t)作用下趋近大电网给的参考值xr(t)时,产生的u(t)也可以让微电网真实状态x(t)跟随大电网的参考值xr(t)。
由于控制器通过传感通信网络只能采集到带有时延的微电网状态x(t-τ),所以需要用x(t-τ)和的差值判断预估模型准不准确,而只有当时延预估和状态预估模型都准确时,x(t-τ)和的差值才会趋近0,所以准确的时延预估对于准确的状态预估和控制系统都非常重要。
(7)滑模面设计
滑模面切换函数的设计如式(30),其中E∈R1×3。滑模面为则到达滑模面时微电网预估状态逼近大电网参考状态。
(8)基于指数趋近律设计微电网通信时延的滑模控制律
已经为微电网通信时延控制设计了滑模面,下一步需要设计适合的控制律u(t)让滑模面可达并且稳定,滑模面的可达性条件是如果设计的Lyapunov函数如式(31),则Lyapunov函数的导数需要满足式(32)才能让设计的滑模控制器稳定,那么滑模面的稳定条件是
基于指数趋近律,可以被设计成式(33),其中ε>0,决定到达切换面时的速度。η>0是S的系数,决定到达切换面之前的速度。
如果基于指数趋近律设计就可得到式(34),则满足了条件,那么滑模面就可到达。当到达滑模面的时候有那么也达到了滑模控制器的稳定条件所以利用指数趋近律得到的滑模控制律保证了滑模面的可达性和稳定性。
指数趋近律不仅可以改善滑模控制的跟随性能,而且还可以解决抖振问题,所以本节通过指数趋近律(33)来设计滑模控制器。
根据式(30)可以得到式(35)的推导。
将式(33)代入式(35)可以得到式(36),从式(36)看出控制u(t)与es也有关系。
滑模预估控制算法
如图3所示,滑模预估控制算法将滑模控制和微电网的状态预估、时延预估方法相结合,通过滑模控制的作用,让采集的具有时延的微电网状态x(t-τ)和具有时延的微电网的状态预估之间的差值es小于指定值,则时延预估准确微电网状态预估模型准确让大电网参考状态xr(t)和微电网的状态预估之间的差值e小于指定值,则则微电网的真实状态x(t)可以趋近于大电网给定的参考状态xr(t)。
81):初始化时延估计初始值微电网的状态估计值预估误差es和e、学习参数γ以及常数矩阵E,F的值。
82):实时采集最新的具有时延的状态x(t-τ),通式(29)计算微电网状态预估值然后对加入时延得到
83):计算大电网参考状态和微电网状态之间误差绝对值|e(t)|,计算采集的具有时延的微电网状态和预估的具有时延的微电网状态之间误差的绝对值|es(t)|。
84):通过式(23)对时延预估进行计算。
85):将x(t-τ),xr(t)代入式(36)计算滑模控制律,由于滑模控制律中含有es,所以滑模控制律也可以对时延预估模型和状态预估模型产生相应的控制作用。
86):判断误差绝对值是否同时满足|e(t)|<ε1|e(t)|<ε1和|es(t)|<ε2,如果不是则重复步骤2到步骤6,如果是则结束。
实施例:
本节通过对多能源微电网进行仿真实验来验证上文阐述的一种利用滑模预估控制算法解决传感网络中通信时延的影响通信时延的预估方法的性能和有效性
仿真中时延的参数是通过对真实的控制器及通信特性进行分析得到。表1显示了仿真中微电网和大电网的一些参数配置。本节仿真中研究的实例是,当微电网自身发电量不足以供应负荷功率时,即供不应求时,需要从大电网获取功率,当微电网的发电功率供过于求时,则需要将富余的电量给大电网,这个过程的前提条件就是需要通信网络传输信息和微电网要处于并网状态。微电网和大电网并网的条件就是微电网系统的电压的幅值、频率、相角要和大电网系统保持同步。然而通信时延不仅会对微电网和大电网之间的传输信息有影响,而且会造成并网时的电压相位差,严重影响并网情况,造成微电网系统和大电网系统的不稳定。因此,本节将验证设计的滑模预估控制算法处理微电网通信时延是否有效。仿真利用MATLAB R2014a Simulink和S函数等工具。
根据表1和式(37)可以计算出微电网的状态矩阵A,B,C如式(38)所示。
表1微电网和大电网参数配置
为了让微电网的估计状态在滑模控制下可以更好的更随参考状态,微电网的状态预估逼近于微电网真实状态,通信时延预估逼近真实时延,仿真选用的E,F值如式(39)所示。
DSP TMS320F28335被选为微电网的本地控制器,来分析微电网内的常数时延τc。TMS320F28335的CPU频率是150M,所以一条指令的处理时间是6.67ns,假设采样滤波程序有100条指令,则程序采样滤波时延是0.667us,它的采样保持时延是48us,所以微电网内的本地控制器产生的常数时延τc=0.667us+48us=0.0487ms。仿真中,假设微电网系统和大电网系统之间的通信量是400bytes,通信网络的通信速率为488KB/s,则微电网和大电网之间的常数时延为0.8ms。
为了防止通信时延在并网时造成的微电网系统和大电网系统之间的相位偏差过大,所以对时延是有所限制。仿真里,微电网和大电网之间的最大相角是45.90
根据式(40),对应的时延是2.55ms。所以通信时延的范围是τ∈[0,2.55]ms,随机通信时延的上界是τvmax=τmax-τn-τc=2.55-0.0487-0.8=1.701ms,τv的范围是τv∈[0,1.701]ms。仿真使用的通信时延是跟正弦函数和指数函数相关的函数,时延通信参考信号如式(41)所示。实际的微电网中由于负荷波动造成的随机时延是变化波动比较大的,本仿真中只考虑小波动的随机时延。
τ=0.56e-0.003t sin(0.04πt+2)+0.138[1-e-0.00051t-0.02sin(0.04πt)(1+e0.0021t)]+0.8487(41)
首先将式(39)中E,F的参数初始化代入仿真,设置状态估计值初始值为,时延和预估误差估计初始值分别为es=0,e=0。然后根据推导的时延预估,微电网模型等公式,搭建仿真模型,利用滑模预估控制算法设计控制程序,其中时延预估模型中的学习参数设置为γ=0.32,最终可以得到图10的结果。从图4中可以看出,一开始的预估时延和真实时延存在的一定的偏差,但是在控制算法的作用下,在仿真时间45s左右,微电网的通信时延预估趋近于真实时延τ。
因为微电网的状态x=[if vo vc]T,所以仿真结果图将会分别展示微电网电流if、输出电压vo、电容电压vc的预估值、真实值,以及与大电网参考的电流、输出电压、电容电压的对比仿真图来验证滑模预估控制算法可以让微电网的预估状态趋近微电网的真实状态,微电网的预估状态跟随大电网的参考状态,从而让微电网的真实状态跟随大电网的参考状态。
从图5可以看出在仿真80s左右的时候,具有时延的微电网电流预估趋近传感通信网络采集的微电网电流值if(t-τ),并且由于传感通信网络时延的影响,采集的电流值if(t-τ)和真实值if(t)存在一定的时间差,可以看出通信时延是一个变化的值,并且通信时延的值为1.4ms左右,与时延在80s左右的时延值大小符合。从图6可以得出预估的具有时延的微电网电压趋近传感通信网络采集的具有时延的电压值vo(t-τ)。
从图7得出预估的具有时延的微电网电容电压趋近传感通信网络采集的具有时延的电容电压值vc(t-τ),并且由于传感通信网络时延的影响,采集的电压值vc(t-τ)与真实电压值vc(t)之间存在1.4ms左右的滞后时间,与时延在80s左右的时延值大小符合。
从图5-7可以得出,在仿真80s左右的时候,具有时延的微电网状态估计趋近传感通信网络采集的具有时延的微电网状态值x(t-τ)=[if(t-τ),vo(t-τ),vc(t-τ)]T,所以微电网的预估模型准确,则微电网真实状态预估值趋近于微电网真实状态x(t)。并且时延预估也趋近于真实时延,如图5所示。
从图8-10可以看出,在仿真90s左右的时候微电网的真实电流预估值趋近于大电网的参考电流值ifr,微电网真实的输出电压预估值趋近于大电网参考的电压vor,微电网真实的电容电压预估值趋近于大电网参考的电压值vcr,则微电网的真实状态预估值在仿真的90s左右趋近大电网的参考值xr=[ifr vor vcr]T。由于前面已经证明微电网状态预估值趋近于微电网真实状态x(t),所以在滑模预估控制算法下可以让微电网真实状态x(t)也趋近于大电网的参考值xr(t)。
Claims (9)
1.一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,包括以下步骤:
1)根据光伏微电网逆变器的物理特性,建立微电网状态方程;
2)根据微电网状态方程,采用滑模预估控制算法使得时延预估趋近真实时延τ,微电网状态预估趋近微电网真实状态,并且当微电网的状态预估跟随大电网给的参考状态xr(t)时,产生的控制信号控制微电网的真实状态x(t)趋近大电网的参考状态xr(t)。
2.根据权利要求1所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤2)中,滑模预估控制算法具体包括以下步骤:
21)初始化时延估计初始值微电网的状态估计值状态预估误差es和e、学习参数γ以及常数矩阵E和F;
22)实时采集的有时延的微电网状态x(t-τ),采用带有学习参数的梯度下降法对通信时延τ进行预估得到时延预估根据微电网状态方程获取微电网的状态预估并对微电网状态预估值加入预估时延得到具有时延的状态预估
23)获取大电网参考状态xr(t)和微电网的真实状态x(t)之间误差绝对值|e(t)|以及采集的有时延的微电网状态x(t-τ)和预估的具有时延的微电网状态之间误差的绝对值|es(t)|;
24)采用指数趋近律构建滑模预估控制器,并基于指数趋近律设计滑模控制律;
25)判断是否同时满足|e(t)|<ε1和|es(t)|<ε2,其中,ε1、ε2为指定值,若否,则重复步骤22)-25),若是,则结束。
3.根据权利要求1所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤1)中,微电网状态方程为:
x(t)=[if vo vc]T
u(t)=g
其中,x(t)为微电网的状态变量,u(t)为微电网的控制变量,y(t)为微电网的输出变量,if、Rf、Lf分别为LC滤波器的电流、电阻和电感值,vo为输出电压,vc为电容的电压值,RL为负荷,Ro、Lo分别为传输线的阻抗和感抗值,Cf为电容的电容值,D为占空比,Vpv为光伏电池板输出的电压值,g为光伏逆变器的控制量,A、B、C均为参数矩阵。
4.根据权利要求2所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤22)中,通信时延τ的表达式为:
τ=τv+τc+τn
其中,τv为随机通信时延,τc为微电网内部传感网络常数通信时延,τn为微电网和大电网传感网络的常数通信时延。
5.根据权利要求4所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的通信时延τ的范围为其中,θmax为微电网和大电网之间的相位偏移最大值,f为大电网的频率。
6.根据权利要求2所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤22)中,微电网的状态预估的表达式为:
其中,为微电网的状态预估,es(t)为具有时延的状态预估误差,为常数矩阵,x(t-τ)为有时延的微电网状态,为具有时延的状态预估。
7.根据权利要求6所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤22)中,时延预估的计算式为:
其中,为具有时延的控制变量。
8.根据权利要求6所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤24)中,滑模预估控制器的滑模面S的表达式为:
其中,xr(t)为大电网给的参考状态,为微电网的状态预估,E为常数矩阵,且E∈R1 ×3。
9.根据权利要求8所述的一种采用滑模预估控制算法的微电网通信时延状态预估方法,其特征在于,所述的步骤24)中的滑模控制律具体为:
其中,ε为到达切换面时的速度系数,η为到达切换面之前的速度系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810769956.6A CN108933440A (zh) | 2018-07-13 | 2018-07-13 | 采用滑模预估控制算法的微电网通信时延状态预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810769956.6A CN108933440A (zh) | 2018-07-13 | 2018-07-13 | 采用滑模预估控制算法的微电网通信时延状态预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108933440A true CN108933440A (zh) | 2018-12-04 |
Family
ID=64447699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810769956.6A Pending CN108933440A (zh) | 2018-07-13 | 2018-07-13 | 采用滑模预估控制算法的微电网通信时延状态预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108933440A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109713717A (zh) * | 2019-01-07 | 2019-05-03 | 南京邮电大学 | 一种配电网光伏电压协调控制方法 |
CN110837254A (zh) * | 2019-11-04 | 2020-02-25 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
CN115781688A (zh) * | 2022-12-27 | 2023-03-14 | 广东电网有限责任公司 | 一种机器人控制方法、装置、电子设备及存储介质 |
CN117578389A (zh) * | 2023-11-23 | 2024-02-20 | 哈尔滨工业大学 | 基于电能路由器的微网网络堵塞滑模控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593833A (zh) * | 2012-03-19 | 2012-07-18 | 上海电力学院 | 一种独立微网频率控制器设计方法 |
CN102820650A (zh) * | 2012-08-24 | 2012-12-12 | 上海电力学院 | 基于干扰估计的电力系统负荷频率控制器设计方法 |
CN107069771A (zh) * | 2016-12-23 | 2017-08-18 | 重庆大学 | 多区域互联电力系统基于故障容错的负荷频率控制的方法 |
-
2018
- 2018-07-13 CN CN201810769956.6A patent/CN108933440A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593833A (zh) * | 2012-03-19 | 2012-07-18 | 上海电力学院 | 一种独立微网频率控制器设计方法 |
CN102820650A (zh) * | 2012-08-24 | 2012-12-12 | 上海电力学院 | 基于干扰估计的电力系统负荷频率控制器设计方法 |
CN107069771A (zh) * | 2016-12-23 | 2017-08-18 | 重庆大学 | 多区域互联电力系统基于故障容错的负荷频率控制的方法 |
Non-Patent Citations (1)
Title |
---|
HUAICHENG YAN等: ""A Novel Sliding Mode Estimation for Microgrid Control with Communication Time Delays"", 《IEEE TRANSACTIONS ON SMART GRID》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109713717A (zh) * | 2019-01-07 | 2019-05-03 | 南京邮电大学 | 一种配电网光伏电压协调控制方法 |
CN109713717B (zh) * | 2019-01-07 | 2020-11-03 | 南京邮电大学 | 一种配电网光伏电压协调控制方法 |
CN110837254A (zh) * | 2019-11-04 | 2020-02-25 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
CN110837254B (zh) * | 2019-11-04 | 2022-10-28 | 哈尔滨工程大学 | 一种水翼艇纵向运动控制方法 |
CN115781688A (zh) * | 2022-12-27 | 2023-03-14 | 广东电网有限责任公司 | 一种机器人控制方法、装置、电子设备及存储介质 |
CN115781688B (zh) * | 2022-12-27 | 2024-04-30 | 广东电网有限责任公司 | 一种机器人控制方法、装置、电子设备及存储介质 |
CN117578389A (zh) * | 2023-11-23 | 2024-02-20 | 哈尔滨工业大学 | 基于电能路由器的微网网络堵塞滑模控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108933440A (zh) | 采用滑模预估控制算法的微电网通信时延状态预估方法 | |
Zong et al. | Application of model predictive control for active load management in a distributed power system with high wind penetration | |
Li et al. | Review of building energy modeling for control and operation | |
Suganthi et al. | Applications of fuzzy logic in renewable energy systems–a review | |
CN102594215B (zh) | 一种光伏电站模型参数辨识方法 | |
CN102412596B (zh) | 一种并网光伏发电系统的等效模拟方法 | |
CN108808743A (zh) | 基于通信网络的多能源微电网能量预测和优化调度方法 | |
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
Hosseini et al. | Design and construction of photovoltaic simulator based on dual-diode model | |
CN103973203A (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
CN105741025A (zh) | 基于风电波动在线风险评估的预防控制方法 | |
CN109787251A (zh) | 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法 | |
Khemliche et al. | Bond graph modeling and optimization of photovoltaic pumping system: Simulation and experimental results | |
CN102496953A (zh) | 一种光伏发电微型电网系统及最大功率跟踪方法 | |
CN105511263A (zh) | 一种基于层次分解的分布式模型预测控制方法 | |
CN106849151A (zh) | 一种光伏电站接入电网点电压闪变评估检测方法 | |
CN105048451B (zh) | 一种基于新能源发电量区间预测的区间潮流计算方法 | |
CN110460085B (zh) | 一种考虑风电和负荷特性对电力系统影响的方法 | |
CN109149566A (zh) | 一种大功率缺失下频率最低点预测的仿真模型的建模方法 | |
CN104345192A (zh) | 基于神经网络算法的防光伏发电骗补装置 | |
CN104113079B (zh) | Mppt控制方法和系统 | |
Sridhar et al. | Study of grid connected solar photovoltaic system using real time digital simulator | |
CN114336729A (zh) | 基于fpga的mppt控制算法暂态实时仿真方法及装置 | |
Ledmaoui et al. | Monitoring Solar Energy Production based on Internet of Things with Artificial Neural Networks Forecasting | |
Ajjarapu et al. | Sensor enabled data-driven predictive analytics for modeling and control with high penetration of DERs in distribution systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181204 |