CN111585292A - 孤岛微电网调频控制方法及服务装置 - Google Patents

孤岛微电网调频控制方法及服务装置 Download PDF

Info

Publication number
CN111585292A
CN111585292A CN202010637756.2A CN202010637756A CN111585292A CN 111585292 A CN111585292 A CN 111585292A CN 202010637756 A CN202010637756 A CN 202010637756A CN 111585292 A CN111585292 A CN 111585292A
Authority
CN
China
Prior art keywords
frequency
active power
value
microgrid
neural network
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
Application number
CN202010637756.2A
Other languages
English (en)
Other versions
CN111585292B (zh
Inventor
施永
胡苏南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010637756.2A priority Critical patent/CN111585292B/zh
Publication of CN111585292A publication Critical patent/CN111585292A/zh
Application granted granted Critical
Publication of CN111585292B publication Critical patent/CN111585292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14—District level solutions, i.e. local energy networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种孤岛微电网调频控制方法及服务装置，该方法包括将无模型自适应控制器的待整定参数作为径向基神经网络的输出层，将所述微电网的系统实际输出频率与系统输入有功功率的组合作为所述径向基神经网络的输入层；运行所述微电网系统，以采样所述微电网系统的实际输出频率、系统输入有功功率作为所述径向基神经网络模型的训练样本数据；根据所述训练样本数据，以当前时刻系统频率误差最小化为目标对所述待整定参数进行整定。本发明能够利用径向基神经网络的自适应、自学习能力按照一定的控制周期整定二次调频系统的无模型自适应控制器参数，有效克服微网频率控制中控制器参数整定问题，实现对微电网二次频率调节的自适应控制。

Description

孤岛微电网调频控制方法及服务装置
技术领域
本发明涉及微电网技术领域，特别涉及孤岛微电网调频控制方法及服务装置。
背景技术
微电网在进行二次频率控制器参数设计时需要用到微网频率响应模型，由于微网系统存在多种结构，内部组成种类多样，以及商业化电源广泛使用情况下难以得到微源模型等原因，微网系统数学模型难以获取。其次，微网中DG(Distributed Generator，分布式发电)或负载的切入或断开时常发生，因此微网在运行时是一个时变非线性系统，传统的PI(Proportional Integral，比例积分)控制器是在假设系统是线性且不变的基础上设计的，当系统结构或某些参数突然变化时，无法实现自适应控制。
无模型自适应控制是一种基于数据驱动的新型控制方法，该方法在应用时只需用到系统的实时输入输出数据，无需知道系统内部的参数信息，且操作简单，鲁棒性强，对于具有极强的非线性、未知性和复杂性的微网系统来说，具有很好的应用前景。
然而，目前无模型自适应控制器在应用前仍需要提前设定好控制器参数值，且无法实现参数在线自整定，导致在某些系统中应用时效果并不理想，这给无模型自适应控制器的应用与推广带来了极大的阻碍。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种孤岛微电网调频控制方法及服务装置，用于解决现有技术中无模型自适应控制器在应用时无法实现参数在线自整定和微网二次调频无法实现自适应控制的技术问题。
为实现上述目的及其他相关目的，本发明提供一种微电网调频控制方法，所述微电网调频控制方法包括：
将无模型自适应控制器的待整定参数作为径向基神经网络的输出层，将所述微电网的系统实际输出频率与系统输入有功功率的组合作为所述径向基神经网络的输入层；
运行所述微电网，以采样所述微电网的实际输出频率、系统输入有功功率作为所述径向基神经网络模型的训练样本数据；
根据所述训练样本数据，以当前时刻系统频率误差最小化为目标对所述待整定参数进行整定。
在一可选实施例中，所述待整定参数包括步长因子和惩罚因子。
在一可选实施例中，将所述微电网的上一时刻系统实际输出频率值、当前时刻系统实际输出频率值与上一时刻系统输入有功功率作为所述径向基神经网络的输入层。
在一可选实施例中，所述当前时刻频率误差为系统期望输出频率值与当前时刻系统实际输出频率值之差。
在一可选实施例中，所述孤岛微电网调频控制方法还包括步骤：
将整定后参数运用到所述无模型自适应控制器上以得到所述微电网的下一时刻系统输入有功功率；
将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而将频率稳定在基准值。
在一可选实施例中，所述将整定后参数运用到所述无模型自适应控制器上以得到所述微电网的下一时刻系统输入有功功率的步骤包括，基于所述整定后参数、所述当前时刻系统频率误差与当前时刻偏导数估计值，通过所述无模型自适应控制器计算出所述微电网的下一时刻系统输入有功功率。
在一可选实施例中，所述当前时刻偏导数估计值的获取方法包括：
根据所述训练样本数据获取所述当前时刻系统频率误差、当前时刻系统实际输出频率值与上一时刻系统实际输出频率值的频率输出变化量、以及上一时刻的系统输入有功功率值与上上时刻的系统输入有功功率值的功率输入变化量；
根据所述频率输出变化量及所述功率输入变化量并结合无模型自适应控制器来计算出当前时刻偏导数估计值。
在一可选实施例中，所述将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而将频率稳定在基准值的步骤包括：
将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而得到下一时刻的系统频率输出值；
重复执行上述步骤，进行下一时刻的基于无模型自适应控制的微电网调频过程，直到所述微电网的系统实际输出频率恢复到额定频率值。
在一可选实施例中，所述根据所述训练样本数据，以当前时刻系统频率误差最小化为目标对所述待整定参数进行整定的步骤包括：
根据所述训练样本数据计算上一时刻所述待整定参数的梯度信息；
将所述训练样本数据作为所述径向基神经网络的输入，通过所述径向基神经网络前向计算以得到所述径向基神经网络的输出，并将所述径向基神经网络的输出作为待整定的所述无模型自适应控制器的参数值；
以系统频率误差函数最小化为目标，根据所述梯度信息、上一时刻偏导数估计值及梯度下降方法，进行系统频率误差反向传播，更新所述径向基神经网络的隐含层及输出层的权系数。
在一可选实施例中，所述根据所述训练样本数据计算上一时刻所述待整定参数的梯度信息的步骤包括：
根据所述训练样本数据获取所述当前时刻系统频率误差、当前时刻系统实际输出频率值与上一时刻系统实际输出频率值的频率输出变化量、以及上一时刻的系统输入有功功率值与上上时刻的系统输入有功功率值的功率输入变化量；
根据所述当前时刻系统频率误差、所述频率输出变化量及所述功率输入变化量并结合所述无模型自适应控制器来计算出当前时刻偏导数估计值；
基于所述当前时刻系统频率误差与所述当前时刻偏导数估计值来获取所述待整定参数的梯度信息。
为实现上述目的及其他相关目的，本发明还提供一种服务装置，所述服务装置包括：
通信器，用于与外部通信；
存储器，用于存储计算机程序；
处理器，连接所述通信器及存储器，用于运行所述计算机程序以执行上述任意一项所述的微电网调频控制方法。
本发明的孤岛微网调频控制方法，利用RBF神经网络的自适应、自学习能力按照一定的控制周期整定二次调频系统的无模型自适应控制器的参数，能有效克服微网频率控制中的控制器参数整定问题，实现对微电网二次频率调节的自适应控制。
附图说明
图1显示为本发明的孤岛微电网调频控制方法的流程示意图。
图2显示为本发明的孤岛微网调频方法结构示意图。
图3显示为本发明的孤岛微网调频方法中RBF神经网络整定控制参数的原理图。
图4显示为本发明的具体示例中进行无模型自适应控制器参数自整定仿真的系统频率波形图。
图5显示为本发明的具体示例中进行无模型自适应控制器参数自整定仿真的惩罚因子λ变化曲线。
图6显示为本发明的具体示例中进行无模型自适应控制器参数自整定仿真的步长因子ρ变化曲线。
图7显示为本发明的具体示例中进行无模型自适应控制器参数自整定仿真的分发给两台逆变器的控制输入有功功率波形图。
图8显示为本发明的具体示例中进行无模型自适应控制器参数验证仿真的系统频率波形图。
图9显示为本发明的具体示例中进行无模型自适应控制器参数验证仿真的分发给两台逆变器的控制输入有功功率波形图。
图10显示为本发明的微电网调频控制方法的服务装置的框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-10。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
无模型自适应控制是一种基于数据驱动的新型控制方法，该方法在应用时只需用到系统的实时输入输出数据，无需知道系统内部的参数信息，且操作简单，鲁棒性强，对于具有极强的非线性、未知性和复杂性的微网系统来说，具有很好的应用前景。然而，无模型自适应控制器在应用前需要提前设定好控制器参数值，并且无法实现自整定，导致在某些系统中应用时效果并不理想，这给无模型自适应控制器的应用与推广带来了极大的阻碍。基于此，本发明公开一种孤岛微电网调频控制方法。其中，图1显示为本发明的孤岛微电网调频控制方法的流程示意图；图2显示为本发明的孤岛微网调频方法结构示意图；图3显示为本发明的孤岛微网调频方法中RBF神经网络整定控制参数的原理图。
现结合图1-3所示流程图对本发明的孤岛微电网调频控制方法的各步骤作具体说明。
请参阅图1-3，首先，执行步骤S10，将无模型自适应控制器(Model-Free AdaptiveControl，简称MFAC)的待整定参数作为径向基神经网络(以下简称RBF神经网络)的输出层，将所述微电网的系统实际输出频率与系统输入有功功率的组合作为所述RBF神经网络的输入层。具体地，根据无模型自适应控制器烦人整定特性确定待整定参数为步长因子ρ和惩罚因子λ，作为RBF神经网络两个输出；根据孤岛微电网二次频率调节特性来确定RBF神经网络的输入层为微网系统输出频率与系统输入有功功率的组合。
在本发明中，所述步骤S10还包括确定RBF神经网络的输入层、隐含层和输出层节点数，初始化RBF神经网络的隐含层和输出层权系数的步骤、以及设定无模型自适应控制器参数初始值的步骤。
需要说明的是，本发明的无模型自适应控制器采用SISO(Single Input SingleOutput，单输入单输出)紧格式无模型自适应控制器。其控制算法如下：
Figure BDA0002566664140000051
其中，e(k)为k时刻的系统频率误差，
Figure BDA0002566664140000052
为k时刻的偏导数估计值，ρ为步长因子，λ为惩罚因子，u(k)为k时刻的系统输入有功功率。
在步骤S10中，所述的RBF神经网络的输入为x＝[x1，x2，…，xn；xn+1，xn+2，…，xn+m]＝[y(k)，y(k-1)，…，y(k-n+1)；u(k-1)，u(k-2)，...，u(k-m+1)]，其中y(k-n+1)为(k-n+1)时刻系统实际输出频率值，n为大于0的整数；u(k-m+1)为(k-m+1)时刻系统输入有功功率，其中m为大于1的整数。
在步骤S10中中，所述的RBF神经网络的隐含层的径向基向量：
h＝[h1；h2]T＝[h11，h12，…，h1a；h21，h22，…，h2a]T
其中
Figure BDA0002566664140000053
h1，h2分别为RBF神经网络两个输出ρ和λ的径向基函数，Cij＝[cij1，cij2，...，cij(n+m)]，为坐标[i，j]点处隐节点的中心矢量；bij为坐标[i，j]点处隐节点的径向宽度；a为隐含层节点数。
则RBF神经网络的两个输出可以表示为：
ρ(k)＝W1 Th1＝w11h11+w12h12+…+w1ah1a
λ(k)＝W2 Th2＝w21h21+w22h22+…+w2ah2a
其中W＝[W1；W2]＝[w11，w12，...，w1a；w21，w22，...，w2a]，为RBF神经网络输出层的权值向量。
请参阅图1-3，接着，执行步骤S20，运行所述微电网，以采样所述微电网的实际输出频率、系统输入有功功率作为所述径向基神经网络模型的训练样本数据。具体地，运行微电网，在某一时刻突然切入一定的负荷，微电网的系统实际输出频率开始偏离额定值，采样当前时刻k下的系统实际频率值和上一时刻(k-1)下的系统输入有功功率值。
请参阅图1-3，然后，执行步骤S30，根据所述训练样本数据，以当前时刻系统频率误差e(k)最小化为目标对所述待整定参数(例如步长因子ρ和惩罚因子λ)进行整定，进一步可包括步骤S31-S33。
请参阅图1-3，执行步骤S31，根据所述训练样本数据计算所述待整定参数的梯度信息。
具体地，在步骤S31中，首先可根据所述训练样本数据获取所述当前时刻系统频率误差e(k)、当前时刻系统实际输出频率值y(k)与上一时刻系统实际输出频率值y(k-1)的频率输出变化量Δy(k)、以及上一时刻的系统输入有功功率值u(k-1)与上上时刻的系统输入有功功率值u(k-2)的功率输入变化量Δu(k-1)。具体地，将系统期望输出频率值y*(k)与当前时刻系统实际输出频率值y(k)之差记为当前时刻k的频率误差e(k)，也即e(k)＝y*(k)-y(k)；当前时刻k的系统实际输出频率值y(k)与上一时刻(k-1)系统实际输出频率值y(k-1)之差记为频率输出变化量Δy(k)，也即Δy(k)＝y(k)-y(k-1)；上一时刻(k-1)系统输入有功功率值u(k-1)与上上时刻(k-2)的系统输入有功功率值u(k-2)之差记为功率输入变化量Δu(k-1)，也即Δu(k-1)＝u(k-1)-u(k-2)。
接着，可根据所述当前时刻系统频率误差、所述频率输出变化量及所述功率输入变化量并结合无模型自适应控制器来计算出下一时刻系统输出频率y(k+1)关于系统输入有功功率值u(k)的偏导数估计值
Figure BDA0002566664140000061
具体地，根据上述的频率输出变化量Δy(k)与功率输入变化量Δu(k-1)，结合无模型自适应控制器算法计算出下一时刻频率y(k+1)关于u(k)的偏导数近似值(也即当前时刻偏导数估计值
Figure BDA0002566664140000062
Figure BDA0002566664140000063
其中0＜η≤1为步长因子，它的加入使得该参数估计算法更具有一般性和灵活性；μ＞0为权重因子用来限制伪偏导数变化范围；
Figure BDA0002566664140000064
为伪偏导数
Figure BDA0002566664140000065
的估计值。
最后，可基于所述当前时刻系统频率误差e(k)与所述当前时刻偏导数估计值
Figure BDA0002566664140000066
来获取所述待整定参数的梯度信息。具体地，基于所述当前时刻系统误差e(k)与所述伪偏导数估计值
Figure BDA0002566664140000067
可得到系统输入有功功率值u(k)关于惩罚因子λ的梯度信息为：
Figure BDA0002566664140000068
系统输入有功功率值u(k)关于步长因子ρ的梯度信息可以表示为：
Figure BDA0002566664140000069
执行步骤S32，将所述训练样本数据作为所述径向基神经网络的输入，通过所述径向基神经网络前向计算以得到所述径向基神经网络的输出，并将所述径向基神经网络的输出作为待整定的所述无模型自适应控制器的参数值。
执行步骤S33，请参阅图3，以系统频率误差函数最小化为目标，根据所述梯度信息、上一时刻偏导数估计值(求取方法详见步骤S31中当前时刻偏导数估计值
Figure BDA0002566664140000071
的求取步骤)及梯度下降方法，进行系统频率误差反向传播，更新所述径向基神经网络的隐含层及输出层的权系数，其中，所述的系统误差函数为
Figure BDA0002566664140000072
其中e(k)为系统频率误差，ε为大于或等于0的常数。
需要说明的是，在本发明中，所述的隐含层与输出层权值系数梯度更新公式分别为：
Figure BDA0002566664140000073
Figure BDA0002566664140000074
Figure BDA0002566664140000075
Figure BDA0002566664140000076
Figure BDA0002566664140000077
Figure BDA0002566664140000081
请参阅图1-3，再然后，执行步骤S40，将整定后参数运用到所述无模型自适应控制器上以得到所述微电网系统的下一时刻系统输入有功功率。具体地，基于所述整定后参数、所述当前时刻系统频率误差e(k)与上述当前时刻偏导数估计值，通过所述无模型自适应控制器计算出所述微电网的下一时刻系统输入有功功率。
请参阅图1-3，最后，执行步骤S50，将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而将频率稳定在基准值。具体地，将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而得到下一时刻的系统频率输出值；重复执行上述步骤，进行下一时刻的基于无模型自适应控制的微电网调频过程，直到所述微电网的系统实际输出频率恢复到额定频率值。
如图10所示，本发明的实施例还公开一种服务装置，所述服务装置包括通信器12，用于与外部通信，所述通信器12既可以是无线通信器也可以是有线通信器；存储器13，用于存储计算机程序；处理器11，连接所述通信器12及存储器13，用于运行所述计算机程序以执行上述的所述的孤岛微电网调频控制方法。
需要说明的是，上述存储器12中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。所述计算机可读存储介质例如可以包括U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
下面将结合一个具体的示例来说明本发明的孤岛微电网调频控制方法。
请参阅图2。首先确定待整定参数为无模型自适应控制器的步长因子ρ和惩罚因子λ；整定方法采用RBF神经网络与梯度下降法结合，待整定参数即为神经网络的两个输出，输入层为当前时刻k下的微电网系统实际输出频率y(k)、上一时刻(k-1)下的系统实际输出频率y(k-1)与上一时刻(k-1)下系统输入有功功率u(k-1)；确定RBF神经网络的输入层、隐含层和输出层节点数，初始化RBF神经网络的隐含层和输出层权系数。采样当前时刻k下的系统实际输出频率值y(k)和上一时刻(k-1)下的系统输入有功功率值u(k-1)，将系统期望输出频率值y*(k)与实际输出频率值y(k)之差记为当前时刻的频率误差，可表示为e(k)；当前时刻k下的系统实际输出频率值y(k)与上一时刻系统实际输出频率值y(k-1)之差记为频率输出变化量Δy(k)；上一时刻系统输入有功功率值u(k-1)与上上时刻的系统输入有功功率值u(k-2)之差记为功率输入变化量Δu(k-1)；根据上述功率输入变化量Δu(k-1)及频率输出变化量Δy(k)结合无模型自适应控制器算法计算出下一时刻的y(k+1)关于u(k)的偏导数估计值，也即当前时刻偏导数估计值
Figure BDA0002566664140000091
基于所得系统误差e(k)、当前时刻偏导数估计值
Figure BDA0002566664140000092
可得到控制输入u(k)关于惩罚因子λ与步长因子ρ在k时刻的梯度信息；基于采样的频率值和有功功率值作为RBF神经网络的输入，通过RBF神经网络前向计算，得到RBF神经网络输出，即为待整定的无模型自适应控制器的参数值；以系统频率误差函数
Figure BDA0002566664140000093
最小化为目标，根据上述梯度信息、上一时刻偏导数估计值值
Figure BDA0002566664140000094
及梯度下降法，实现系统频率误差反向计算，更新RBF神经网络的隐含层及输出层的权系数；基于所得无模型自适应控制器参数值与频率误差e(k)与当前时刻偏导数估计值值
Figure BDA0002566664140000095
根据无模型自适应控制器算法计算出k+1时刻的系统控制输入有功功率为u(k+1)；将所得控制输入有功功率u(k+1)按额定容量分配给微网各台逆变器，得到下一时刻的系统频率实际输出值，重复上述过程，进行下一时刻的基于无模型自适应控制的微网二次调频过程，直到系统实际输出频率恢复到额定频率值。
图3为该示例采用RBF神经网络整定控制参数的原理图。其中，RBF神经网络包含三层结构，即为输入层、隐含层和输出层；输入层节点数为3，隐含层节点为6，输出层节点数为2；为了实现隐含层和输出层权系数的迭代更新，本文采用梯度下降法，即以系统频率误差函数最小化为目标，根据控制输入的梯度信息，实现系统频率误差反向计算，从而更新RBF神经网络的隐含层及输出层的权系数。需要说明的是，在其他示例中，所述RBF神经网络的输入层、隐含层及输出层的节点数可根据实际需要进行调整；所述RBF神经网络的输入层也可以是采用与上述具体示例不同的系统实际输出频率与系统输入有功功率值的组合方式。
为验证本发明的有效性，本实施例将在matlab/simulink平台进行两组仿真。
第一组为无模型自适应控制器参数自整定仿真。微网系统包括两台逆变器，其有功下垂系数分别为m1＝0.000004和m2＝0.000008。待整定参数步长因子ρ和惩罚因子λ的初值分别为3520和0.00118。首先运行微网，在0s时切入30kw负载，图4、图5、图6、图7分别为系统频率波形图、惩罚因子λ变化曲线、步长因子ρ变化曲线和分发给两台逆变器(逆变器1和逆变器2)的控制输入有功功率波形图。从结果可以看出，利用本发明孤岛微电网调频控制方法，能够快速的实现无模型自适应控制器参数的自整定，将微网系统频率稳定在额定值，且能够实现有功功率按逆变器额定容量均匀分配。
第二组为无模型自适应控制器参数验证仿真。为了验证整定后参数的有效性，本实施例采用与第一组同样的仿真平台，控制器采用第一组实验已整定好的参数值。首先空载运行微网，在0.2s时切入30kw负载，图8、图9分别为系统频率波形图和分发给两台逆变器的控制输入有功功率波形图。结果表明，整定好的控制器参数能够快速的将系统频率恢复到额定值，且能够实现有功功率按逆变器额定容量均匀分配。
综上所述，本发明的孤岛微网调频控制方法，利用RBF神经网络的自适应、自学习能力按照一定的控制周期整定二次调频系统的无模型自适应控制器的参数，能有效克服微网频率控制中的控制器参数整定问题，实现对微电网二次频率调节的自适应控制。
在本文的描述中，提供了许多特定细节，诸如部件和/或方法的实例，以提供对本发明实施例的完全理解。然而，本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下，未具体示出或详细描述公知的结构、材料或操作，以避免使本发明实施例的方面变模糊。
在整篇说明书中提到“一个实施例(one embodiment)”、“实施例(anembodiment)”或“具体实施例(a specific embodiment)”意指与结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中，并且不一定在所有实施例中。因而，在整篇说明书中不同地方的短语“在一个实施例中(in one embodiment)”、“在实施例中(inan embodiment)”或“在具体实施例中(in a specific embodiment)”的各个表象不一定是指相同的实施例。此外，本发明的任何具体实施例的特定特征、结构或特性可以按任何合适的方式与一个或多个其他实施例结合。应当理解本文所述和所示的发明实施例的其他变型和修改可能是根据本文教导的，并将被视作本发明精神和范围的一部分。
还应当理解还可以以更分离或更整合的方式实施附图所示元件中的一个或多个，或者甚至因为在某些情况下不能操作而被移除或因为可以根据特定应用是有用的而被提供。
另外，除非另外明确指明，附图中的任何标志箭头应当仅被视为示例性的，而并非限制。此外，除非另外指明，本文所用的术语“或”一般意在表示“和/或”。在术语因提供分离或组合能力是不清楚的而被预见的情况下，部件或步骤的组合也将视为已被指明。
如在本文的描述和在下面整篇权利要求书中所用，除非另外指明，“一个(a)”、“一个(an)”和“该(the)”包括复数参考物。同样，如在本文的描述和在下面整篇权利要求书中所用，除非另外指明，“在…中(in)”的意思包括“在…中(in)”和“在…上(on)”。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例，但是正如本领域技术人员将认识和理解的，各种等效修改是可以在本发明的精神和范围内的。如所指出的，可以按照本发明所述实施例的上述描述来对本发明进行这些修改，并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外，已经给出了各种具体细节以提供本发明实施例的总体理解。然而，相关领域的技术人员将会认识到，本发明的实施例可以在没有一个或多个具体细节的情况下进行实践，或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下，并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而，尽管本发明在本文已参照其具体实施例进行描述，但是修改自由、各种改变和替换意在上述公开内，并且应当理解，在某些情况下，在未背离所提出发明的范围和精神的前提下，在没有对应使用其他特征的情况下将采用本发明的一些特征。因此，可以进行许多修改，以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例，但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而，本发明的范围将只由所附的权利要求书进行确定。

Claims (10)

1.一种孤岛微电网调频控制方法，其特征在于，包括：
将无模型自适应控制器的待整定参数作为径向基神经网络的输出层，将所述微电网的系统实际输出频率与系统输入有功功率的组合作为所述径向基神经网络的输入层；
运行所述微电网，以采样所述微电网的实际输出频率、系统输入有功功率作为所述径向基神经网络模型的训练样本数据；
根据所述训练样本数据，以当前时刻系统频率误差最小化为目标对所述待整定参数进行整定。
2.根据权利要求1所述的孤岛微电网调频控制方法，其特征在于，所述待整定参数包括步长因子和惩罚因子。
3.根据权利要求1所述的孤岛微电网调频控制方法，其特征在于，将所述微电网的上一时刻系统实际输出频率值、当前时刻系统实际输出频率值与上一时刻系统输入有功功率作为所述径向基神经网络的输入层。
4.根据权利要求1所述的孤岛微电网调频控制方法，其特征在于，所述当前时刻频率误差为系统期望输出频率值与当前时刻系统实际输出频率值之差。
5.根据权利要求1所述的孤岛微电网调频控制方法，其特征在于，所述孤岛微电网调频控制方法还包括步骤：
将整定后参数运用到所述无模型自适应控制器上以得到所述微电网系统的下一时刻系统输入有功功率；
将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而将频率稳定在基准值。
6.根据权利要求5所述的孤岛微电网调频控制方法，其特征在于，所述将整定后参数运用到所述无模型自适应控制器上以得到所述微电网的下一时刻系统输入有功功率的步骤包括，基于所述整定后参数、所述当前时刻系统频率误差与当前时刻偏导数估计值，通过所述无模型自适应控制器计算出所述微电网的下一时刻系统输入有功功率。
7.根据权利要求6所述的孤岛微电网调频控制方法，其特征在于，所述当前时刻偏导数估计值的获取方法包括：
根据所述训练样本数据获取所述当前时刻系统频率误差、当前时刻系统实际输出频率值与上一时刻系统实际输出频率值的频率输出变化量、以及上一时刻的系统输入有功功率值与上上时刻的系统输入有功功率值的功率输入变化量；
根据所述频率输出变化量及所述功率输入变化量并结合无模型自适应控制器来计算出当前时刻偏导数估计值。
8.根据权利要求5所述的孤岛微电网调频控制方法，其特征在于，所述将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而将频率稳定在基准值的步骤包括：
将所述下一时刻系统输入有功功率按额定容量分配给各台逆变器，以调整各台逆变器输出有功功率值，从而得到下一时刻的系统频率输出值；
重复执行上述步骤，进行下一时刻的基于无模型自适应控制的微电网调频过程，直到所述微电网的系统实际输出频率恢复到额定频率值。
9.据权利要求1-8中任意一项所述的孤岛微电网调频控制方法，其特征在于，所述根据所述训练样本数据，以当前时刻系统频率误差最小化为目标对所述待整定参数进行整定的步骤包括：
根据所述训练样本数据计算上一时刻所述待整定参数的梯度信息；
将所述训练样本数据作为所述径向基神经网络的输入，通过所述径向基神经网络前向计算以得到所述径向基神经网络的输出，并将所述径向基神经网络的输出作为待整定的所述无模型自适应控制器的参数值；
以系统频率误差函数最小化为目标，根据所述梯度信息、上一时刻偏导数估计值及梯度下降方法，进行系统频率误差反向传播，更新所述径向基神经网络的隐含层及输出层的权系数。
10.一种服务装置，所述服务装置包括：
通信器，用于与外部通信；
存储器，用于存储计算机程序；
处理器，连接所述通信器及存储器，用于运行所述计算机程序以执行如权利要求1至8中任意一项所述的孤岛微电网调频控制方法。
CN202010637756.2A 2020-07-02 2020-07-02 孤岛微电网调频控制方法及服务装置 Active CN111585292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010637756.2A CN111585292B (zh) 2020-07-02 2020-07-02 孤岛微电网调频控制方法及服务装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010637756.2A CN111585292B (zh) 2020-07-02 2020-07-02 孤岛微电网调频控制方法及服务装置

Publications (2)

Publication Number Publication Date
CN111585292A true CN111585292A (zh) 2020-08-25
CN111585292B CN111585292B (zh) 2022-05-17

Family

ID=72124032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010637756.2A Active CN111585292B (zh) 2020-07-02 2020-07-02 孤岛微电网调频控制方法及服务装置

Country Status (1)

Country Link
CN (1) CN111585292B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105024390A (zh) * 2015-07-21 2015-11-04 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
CN110429618A (zh) * 2019-08-27 2019-11-08 合肥工业大学 微电网调频控制方法、控制系统及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105024390A (zh) * 2015-07-21 2015-11-04 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
CN110429618A (zh) * 2019-08-27 2019-11-08 合肥工业大学 微电网调频控制方法、控制系统及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAI-JUN 等: "Comparative Study of BP Neural Network and RBF Neural Network in Surface Reconstruction", 《2019 4TH INTERNATIONAL CONFERENCE ON MECHANICAL, CONTROL AND COMPUTER ENGINEERING (ICMCCE)》 *
庞中华 等: "《系统辨识与自适应控制MATLAB仿真》", 31 July 2017 *
施永 等: "Secondary Frequency Control for Islanded MG Based on Model-free Adaptive Control", 《2020 5TH ASIA CONFERENCE ON POWER AND ELECTRICAL ENGINEERING (ACPEE)》 *
李雪园: "无模型控制器参数在线自整定研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Also Published As

Publication number Publication date
CN111585292B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
US9958356B2 (en) Process and device for testing the powertrain of at least partially electrically driven vehicles
Shabani et al. A robust PID controller based on imperialist competitive algorithm for load-frequency control of power systems
Ahamed et al. A reinforcement learning approach to automatic generation control
Kim et al. Disturbance-observer-based model predictive control for output voltage regulation of three-phase inverter for uninterruptible-power-supply applications
Sanchez et al. Real time control of air feed system in a PEM fuel cell by means of an adaptive neural-network
CN113934142B (zh) 非线性离散系统无模型自适应滑模约束事件触发控制方法
Sadeghpour et al. Intelligent control of chaos using linear feedback controller and neural network identifier
KR101634908B1 (ko) 동기 발전기의 여자기 제어를 위한 pid 제어기 및 제어 방법
CN104953814B (zh) 一种控制pfc电路的方法和装置
US20040181300A1 (en) Methods, apparatus and computer program products for adaptively controlling a system by combining recursive system identification with generalized predictive control
Si et al. Decentralized adaptive neural control for high-order stochastic nonlinear strongly interconnected systems with unknown system dynamics
de Oliveira Evald et al. Lyapunov stability analysis of a robust model reference adaptive PI controller for systems with matched and unmatched dynamics
Kajiwara et al. Experimental verification of a real-time tuning method of a model-based controller by perturbations to its poles
Kumar et al. Design and simulation of speed control of DC motor by fuzzy logic technique with Matlab/Simulink
CN111585292B (zh) 孤岛微电网调频控制方法及服务装置
Hashjin et al. Active stabilization of a microgrid using model free adaptive control
CN108181809B (zh) Miso紧格式无模型控制器基于系统误差的参数自整定方法
CN114326405A (zh) 一种基于误差训练的神经网络反步控制方法
CN108153151B (zh) Mimo全格式无模型控制器基于系统误差的参数自整定方法
CN103578274B (zh) 一种交通流预测方法及装置
Wang et al. Intelligent chaos synchronization of fractional order systems via mean-based slide mode controller
Al_Duais et al. A review on enhancements to speed up training of the batch back propagation algorithm
CN108154231B (zh) Miso全格式无模型控制器基于系统误差的参数自整定方法
CN108062021B (zh) Siso全格式无模型控制器基于偏导信息的参数自整定方法
CN107942654B (zh) Siso偏格式无模型控制器基于偏导信息的参数自整定方法

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