CN110824920B - 家用储能电源调频控制方法及系统 - Google Patents
家用储能电源调频控制方法及系统 Download PDFInfo
- Publication number
- CN110824920B CN110824920B CN201911099488.7A CN201911099488A CN110824920B CN 110824920 B CN110824920 B CN 110824920B CN 201911099488 A CN201911099488 A CN 201911099488A CN 110824920 B CN110824920 B CN 110824920B
- Authority
- CN
- China
- Prior art keywords
- frequency
- energy storage
- power supply
- storage power
- household energy
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种家用储能电源调频控制方法及系统。所述方法包括:获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值。根据所述频率指令值、所述频率实测值和所述频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数。基于所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数对所述家用储能电源进行调频控制。本申请提供的技术方案,实现了家用储能系统的有功频率自适应控制,全面提高了应急条件下家庭孤岛用电系统的动态响应特性和系统整体的稳定性。
Description
技术领域
本申请涉及调频控制领域,特别是涉及一种家用储能电源调频控制方法及系统。
背景技术
随着储能技术的不断发展,家用储能电源逐渐进入大众消费市场。当市电断电时,家用储能电源作为优质的备用电源可以进入孤岛运行模式,为用户的重要用电设备提供应急供电。在孤岛运行模式下,家用储能电源通过无差调频维持家庭孤岛电力系统内的有功平衡,是维持供电系统稳定的重要组成部分。
现有技术中,常规的家用储能电源的调频控制采用比例-积分-微分控制(PID控制),该方法只适用于电源接入大电网时控制参数相对固定的条件,不适用于用电负荷大幅变化、频率稳定性差的复杂场景中。
发明内容
基于此,有必要针对用电负荷大幅变化、频率稳定性差的应用场景,提供一种家用储能电源调频控制方法及系统。
一种家用储能电源调频控制方法,所述方法包括:
S1:获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;
S2:根据所述频率指令值、所述频率实测值和所述频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;
S3:基于所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数对所述家用储能电源进行调频控制。
在其中一个实施例中,所述S2包括:
S21:建立BP神经网络模型;
S22:基于所述频率指令值、所述频率实测值和所述频率偏差值,通过所述BP神经网络模型得到所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数。
在其中一个实施例中,所述S21包括:
S211:以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本;
S212:以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型;
S213:获取所述BP神经网络模型。
在其中一个实施例中,所述S3包括:
按下式对所述家用储能电源进行调频控制:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环所述优化后的比例控制参数,Δft=f0-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环所述优化后的积分控制参数,KD为PID控制环所述优化后的微分控制参数,Δft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差。
在其中一个实施例中,所述t时刻家用储能电源在孤岛运行时的频率偏差Δft的确定过程为:
按下式确定t时刻家用储能电源在孤岛运行时的频率偏差Δft:
Δft=f0t-ft
其中,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
在其中一个实施例中,所述预先建立的BP神经网络模型的激活函数为Sigmoid函数或tanh函数。
一种家用储能电源调频控制系统,所述系统包括:
获取模块,用于获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;
优化模块,用于根据所述频率指令值、所述频率实测值和所述频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;
控制模块,用于基于所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数对所述家用储能电源进行调频控制。
在其中一个实施例中,所述优化模块,包括:
建模单元,用于建立BP神经网络模型;
获取单元,用于基于所述频率指令值、所述频率实测值和所述频率偏差值,通过所述BP神经网络模型得到所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数。
在其中一个实施例中,所述建模单元包括:
输入层训练子单元,用于以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本;
输出层训练子单元,用于以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型;
获取子单元,用于获取所述BP神经网络模型。
在其中一个实施例中,所述控制模块具体用于:
按下式对所述家用储能电源进行调频控制:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环所述优化后的比例控制参数,Δft=f0-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环所述优化后的积分控制参数,KD为PID控制环所述优化后的微分控制参数,Δft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差。
本申请提供一种家用储能电源调频控制方法及系统。所述方法包括:获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;根据所述频率指令值、频率实测值和频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;基于所述优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数对所述家用储能电源进行调频控制。基于本申请提供的技术方案,可以大幅提高孤岛运行期间负荷大幅度变化时线性负荷和时变负荷的适应能力,实现了家用储能系统的有功频率自适应控制,全面提高了应急条件下家庭孤岛用电系统的动态响应特性和系统整体的稳定性。
附图说明
图1为本申请实施例提供的一种家用储能电源调频控制方法流程图;
图2为本申请实施例提供的预先建立的BP神经网络模型的结构示意图;
图3为本申请实施例提供的一种家用储能电源调频控制系统结构示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不局限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
需要说明的是,当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件并与之结合为一体,或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语均属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,本实施例提供一种家用储能电源调频控制方法,所述方法包括:
S1:获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;
S2:根据所述频率指令值、频率实测值和频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;
S3:基于所述优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数对所述家用储能电源进行调频控制。
在其中一个实施例中,所述S1中的家用储能电源在孤岛运行时的频率指令值一般取为50Hz。所述频率实测值可以从频率监测装置中获取。所述频率偏差值由所述家用储能电源在孤岛运行时的频率指令值和所述频率实测值作差获得。
在其中一个实施例中,现有技术中家用储能电源的PID调频控制中,比例控制参数一般为典型值0.3,积分控制参数一般为典型值0.1,微分控制参数一般为典型值0.3。在本申请的所述S2中:将所述频率指令值、频率实测值和频率偏差值作为预先建立的BP神经网络模型的输入,获取所述预先建立的BP神经网络模型的输出。并将所述输出作为所述优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数。利用优化后的PID控制参数对家用储能电源进行调频控制,可以提高家用储能电源的有功频率自适应性。
在其中一个实施例中,如图2所示,为所述预先建立的BP神经网络模型的结构示意图,包括输入层、隐含层和输出层。所述预先建立的BP神经网络模型的训练过程包括:以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本,以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型以获得所述预先建立的BP神经网络模型。其中,获取所述历史频率指令值、历史频率实测值和历史频率偏差值的过程与上述实施例中获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值的过程相同,本实施例不再进行赘述。
在其中一个实施例中,训练所述BP神经网络模型时,需确定所述BP神经网络模型的输入层节点的个数、隐含层节点的个数、输入层和隐含层之间的权值、输入层和隐含层之间权值的阈值、输出层节点的个数、隐含层和输出层之间的权值、隐含层和输出层之间权值的阈值以及激活函数。将输入量经输入层传递给隐含层节点,经过激活函数处理后传递给输出层;输出层的实际输出与期望输出进行对比,若未达到预设学习结束的条件,则继续进行精度调试,通过调整各层的连接权值和阈值,逐渐减小误差,直到达到训练要求。在该实施例中,所述激活函数可以选用Sigmoid函数或tanh函数。
在其中一个实施例中,所述S3中家用储能电源进行调频控制的过程为:在市电停电时,备用的家庭储能电源向孤岛模式进行切换时,或者家庭储能电源在孤岛运行过程中用电负荷大幅变化时,由于此时家庭中需要进行应急供电的设备种类和数量未知,相应的此时有功出力指令值也未知。因此,家用储能电源进行调频控制的过程为确定家用储能电源在孤岛运行时的实时有功出力指令值的过程。基于BP神经网络模型的PID控制的调频控制过程可以用下式进行表示:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环优化后的比例控制参数,Δft=f0-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环优化后的积分控制参数,KD为PID控制环优化后的微分控制参数,Δft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差。
上式中,t时刻家用储能电源在孤岛运行时的频率偏差Δft的确定过程为:将t时刻家用储能电源在孤岛运行时的频率指令值和t时刻家用储能电源在孤岛运行时的频率实测值作差所得。
基于上述家用储能电源调频控制方法的同一构思,本实施例提供一种家用储能电源调频控制系统,如图3所示,包括获取模块、优化模块和控制模块。所述获取模块用于获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值。所述优化模块用于根据所述频率指令值、频率实测值和频率偏差值对PID控制环的控制参数进行优化,并获取优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数。所述控制模块用于基于所述优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数对所述家用储能电源进行调频控制。
所述优化模块,包括:建模单元,用于建立BP神经网络模型;获取单元,用于基于所述频率指令值、所述频率实测值和所述频率偏差值,通过所述BP神经网络模型得到所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数。
所述建模单元包括:输入层训练子单元,用于以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本;输出层训练子单元,用于以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型;获取子单元,用于获取所述BP神经网络模型。
所述控制模块具体用于:
按下式对所述家用储能电源进行调频控制:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环所述优化后的比例控制参数,Δft=f0-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环所述优化后的积分控制参数,KD为PID控制环所述优化后的微分控制参数,Δft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差。
在所述控制模块中,所述t时刻家用储能电源在孤岛运行时的频率偏差Δft的确定过程为:
按下式确定t时刻家用储能电源在孤岛运行时的频率偏差Δft:
Δft=f0t-ft
其中,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种家用储能电源调频控制方法,其特征在于,所述方法包括:
S1:获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;
S2:将所述频率指令值、所述频率实测值和所述频率偏差值输入到预设的BP神经网络模型中对应的输入层中,通过所述预设的BP神经网络模型对PID控制环的控制参数进行优化,得到所述预设的BP神经网络模型的三个输出层分别输出的优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;
S3:基于所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数按下式确定所述家用储能电源在孤岛运行时的实时有功出力指令值,根据所述实时有功出力指令值对所述家用储能电源进行调频控制:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环所述优化后的比例控制参数,Δft=f0t-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1=f0(t-1)-ft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环所述优化后的积分控制参数,KD为PID控制环所述优化后的微分控制参数,Δft-2=f0(t-2)-ft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
2.如权利要求1所述的方法,其特征在于,所述S2包括:
S21:建立BP神经网络模型;
S22:基于所述频率指令值、所述频率实测值和所述频率偏差值,通过所述BP神经网络模型得到所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数。
3.如权利要求2所述的方法,其特征在于,所述S21包括:
S211:以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本;
S212:以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型;
S213:获取所述BP神经网络模型。
4.如权利要求1所述的方法,其特征在于,所述t时刻家用储能电源在孤岛运行时的频率偏差Δft的确定过程为:
按下式确定t时刻家用储能电源在孤岛运行时的频率偏差Δft:
Δft=f0t-ft
其中,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
5.如权利要求2所述的方法,其特征在于,所述预设的BP神经网络模型的激活函数为Sigmoid函数或tanh函数。
6.一种家用储能电源调频控制系统,其特征在于,所述系统包括:
获取模块,用于获取家用储能电源在孤岛运行时的频率指令值、频率实测值和频率偏差值;
优化模块,用于将所述频率指令值、所述频率实测值和所述频率偏差值输入到预设的BP神经网络模型中对应的输入层中,通过所述预设的BP神经网络模型对PID控制环的控制参数进行优化,得到所述预设的BP神经网络模型的三个输出层分别输出的优化后的比例控制参数、优化后的积分控制参数和优化后的微分控制参数;
控制模块,用于基于所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数按下式确定所述家用储能电源在孤岛运行时的实时有功出力指令值,根据所述实时有功出力指令值对所述家用储能电源进行调频控制:
Pt=Pt-1+KP(Δft-Δft-1)+KIΔft+KD(Δft-2Δft-1+Δft-2)
其中,Pt为t时刻家用储能电源在孤岛运行时的有功出力指令值,Pt-1为t-1时刻家用储能电源在孤岛运行时的有功出力指令值,KP为PID控制环所述优化后的比例控制参数,Δft=f0t-ft为t时刻家用储能电源在孤岛运行时的频率偏差,Δft-1=f0(t-1)-ft-1为t-1时刻家用储能电源在孤岛运行时的频率偏差,KI为PID控制环所述优化后的积分控制参数,KD为PID控制环所述优化后的微分控制参数,Δft-2=f0(t-2)-ft-2为t-2时刻家用储能电源在孤岛运行时的频率偏差,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
7.如权利要求6所述的系统,其特征在于,所述优化模块,包括:
建模单元,用于建立BP神经网络模型;
获取单元,用于基于所述频率指令值、所述频率实测值和所述频率偏差值,通过所述BP神经网络模型得到所述优化后的比例控制参数、所述优化后的积分控制参数和所述优化后的微分控制参数。
8.如权利要求7所述的系统,其特征在于,所述建模单元包括:
输入层训练子单元,用于以历史频率指令值、历史频率实测值和历史频率偏差值作为初始BP神经网络模型的输入层训练样本;
输出层训练子单元,用于以历史比例控制参数、历史积分控制参数和历史微分控制参数作为初始BP神经网络模型的输出层训练样本,训练所述初始BP神经网络模型;
获取子单元,用于获取所述BP神经网络模型。
9.如权利要求6所述的系统,其特征在于,所述控制模块还用于按下式确定t时刻家用储能电源在孤岛运行时的频率偏差Δft:
Δft=f0t-ft
其中,f0t为t时刻家用储能电源在孤岛运行时的频率指令值,ft为t时刻家用储能电源在孤岛运行时的频率实测值。
10.如权利要求7所述的系统,其特征在于,所述预设的BP神经网络模型的激活函数为Sigmoid函数或tanh函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099488.7A CN110824920B (zh) | 2019-11-12 | 2019-11-12 | 家用储能电源调频控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099488.7A CN110824920B (zh) | 2019-11-12 | 2019-11-12 | 家用储能电源调频控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110824920A CN110824920A (zh) | 2020-02-21 |
CN110824920B true CN110824920B (zh) | 2023-06-02 |
Family
ID=69554206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911099488.7A Active CN110824920B (zh) | 2019-11-12 | 2019-11-12 | 家用储能电源调频控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824920B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102761133B (zh) * | 2012-07-26 | 2014-09-03 | 南方电网科学研究院有限责任公司 | 基于模糊控制的微网电池储能系统调频控制方法 |
CN103311940B (zh) * | 2013-07-08 | 2015-07-08 | 东南大学 | 一种微电网负荷储能一体化控制方法 |
CN103647295B (zh) * | 2013-12-12 | 2015-07-08 | 南京四方亿能电力自动化有限公司 | 微电网储能分段式紧急调频控制方法 |
CN105024390B (zh) * | 2015-07-21 | 2018-04-20 | 清华大学 | 基于bp神经网络的微网电池储能系统调频控制方法 |
CN105262145B (zh) * | 2015-11-10 | 2016-09-28 | 华中科技大学 | 一种新能源混合系统控制参数的优选方法 |
CN105633990B (zh) * | 2016-02-04 | 2018-06-19 | 清华大学 | 基于bp神经网络的微电网飞轮储能系统调频方法及装置 |
CN105914794B (zh) * | 2016-05-17 | 2018-05-04 | 东南大学 | 一种基于statcom/bess的风电机群协调自启动控制方法 |
CN108809189B (zh) * | 2018-06-11 | 2021-08-20 | 华北电力大学 | 一种并网调频型飞轮储能系统充电过程中的转速控制方法 |
-
2019
- 2019-11-12 CN CN201911099488.7A patent/CN110824920B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110824920A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112615379B (zh) | 基于分布式多智能体强化学习的电网多断面功率控制方法 | |
Tong et al. | A combined backstepping and small-gain approach to robust adaptive fuzzy output feedback control | |
Xu et al. | Multiagent-based reinforcement learning for optimal reactive power dispatch | |
CN105631196B (zh) | 一种面向微服务架构的容器级弹性资源供给系统及方法 | |
Ahamed et al. | A reinforcement learning approach to automatic generation control | |
CN102411128B (zh) | 虚拟电池管理系统及其应用方法 | |
JP5973733B2 (ja) | volt/VAR潮流最適化を加速するためのシステム、方法、および装置 | |
CN110249348A (zh) | 能量控制系统的配置与参数化 | |
CN107437815B (zh) | 水电机组中调速器的优化控制方法及相关设备 | |
CN103296940A (zh) | 一种自适应pi控制方法与系统 | |
Dev et al. | Prediction-based super twisting sliding mode load frequency control for multi-area interconnected power systems with state and input time delays using disturbance observer | |
CN110824920B (zh) | 家用储能电源调频控制方法及系统 | |
CN107910881B (zh) | 一种基于电网负载应急管理的admm控制方法 | |
Darvill et al. | An ANFIS-PI based boost converter control scheme | |
CN108110751A (zh) | 应急控制电力系统稳定方法 | |
CN105517278A (zh) | 一种灯丝电流的控制方法和装置 | |
Aduroja et al. | Distributed principal components analysis in sensor networks | |
CN116544995A (zh) | 基于云边协同的储能电池一致性充放电控制方法及系统 | |
US20240094690A1 (en) | Generalized estimator (ge), and generalized disturbance rejection controller (gdrc) and design method thereof | |
CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
Kissaoui et al. | Output-feedback nonlinear adaptive control strategy of three-phase AC/DC boost power converter for on-line UPS systems | |
CN112034712B (zh) | 一种基于事件触发的滑模容错控制方法 | |
CN104868489B (zh) | 一种电网储能系统出力控制方法及装置 | |
CN110768234B (zh) | 一种具有不确定性馈电恒功率负载直流微电网系统的峰值滤波方法 | |
CN110311422B (zh) | 一种分布式电源并网功率的控制方法、装置及设备 |
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 |