CN112821450B - 并网逆变器的控制方法、装置、计算机设备和介质 - Google Patents
并网逆变器的控制方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN112821450B CN112821450B CN202110017299.1A CN202110017299A CN112821450B CN 112821450 B CN112821450 B CN 112821450B CN 202110017299 A CN202110017299 A CN 202110017299A CN 112821450 B CN112821450 B CN 112821450B
- Authority
- CN
- China
- Prior art keywords
- angular frequency
- determining
- virtual
- grid
- gradient
- 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
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H02J3/241—The oscillation concerning frequency
-
- 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]
Abstract
本发明涉及一种并网逆变器的控制方法、装置、计算机设备和介质,该并网逆变器的控制方法通过获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;根据角频率变化率和角频率偏差,确定虚拟惯量;根据角频率变化率,确定虚拟阻尼;根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。使用本发明提供的并网逆变器的控制方法可以提高电网系统的稳定性。
Description
技术领域
本发明涉及分布式发电系统技术领域,特别是涉及一种并网逆变器的控制方法、装置、计算机设备和介质。
背景技术
随着全球范围内越来越突出的能源危机以及环境问题,分布式可再生能源在电力系统中的渗透率越来越高。分布式可再生能源主要有风能、光伏能和太阳能等,其中,大部分分布式可再生能源一般主要是通过并网逆变器接入电网。但是,并网逆变器不具有惯性和阻尼,会导致其抑制干扰和波动的能力较弱。为了解决这一问题,虚拟同步发电机技术应运而生,该技术通过模拟同步发电机的惯性和阻尼特性,当电网系统的功率变化时,并网逆变器能够利用自身虚拟惯量和虚拟阻尼抑制功率的波动。
传统技术中,研究学者对于虚拟同步发电机的虚拟惯量进行了大量的研究,通过棒-棒控制策略令虚拟惯量根据频率变化率的阈值在两个固定的数值中变化,以及基于指数惯量的虚拟同步发电机控制策略将虚拟惯量与指数函数结合,使得并网逆变器的抑制干扰和波动的能力增加。然而,使用上述方法控制策略控制时,电网系统的稳定性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种并网逆变器的控制方法、装置、计算机设备和介质。
一方面,本申请一个实施例提供一种并网逆变器的控制方法,包括:
获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
根据角频率变化率和角频率偏差,确定虚拟惯量;
根据角频率变化率,确定虚拟阻尼;
根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
在其中一个实施例中,根据角频率变化率和角频率偏差,确定虚拟惯量,包括:
基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定虚拟惯量。
在其中一个实施例中,径向基函数神经网络的训练过程,包括:
将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;
根据预测虚拟惯量和虚拟阻尼,确定预测角频率;
将预测角频率和额定角频率输入预设的误差代价函数中,得到误差值;
根据误差值调节初始径向基函数神经网络的参数,直到满足预设的截止条件,得到径向基函数神经网络。
在其中一个实施例中,参数包括中心值、权值和扩展常数,根据误差值调节初始径向基函数神经网络的参数,包括:
计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对扩展常数的梯度,得到第三梯度;
根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;
根据第一学习率和第一搜索方向,更新中心值;
根据第二学习率和第二搜索方向,更新权值;
根据第三学习率和第三搜索方向,更新扩展常数。
在其中一个实施例中,根据第一梯度,确定第一搜索方向包括:
根据第一梯度,确定第一平滑因子;
根据第一平滑因子,确定第一搜索方向;
根据第二梯度,确定第二搜索方向包括:
根据第二梯度,确定第二平滑因子;
根据第二平滑因子,确定第二搜索方向;
根据第三梯度,确定第三搜索方向包括:
根据第三梯度,确定第三平滑因子;
根据第三平滑因子,确定第三搜索方向。
在其中一个实施例中,根据角频率变化率,确定虚拟阻尼,包括:
基于预设的指数函数,根据角频率变化率,确定虚拟阻尼。
在其中一个实施例中,获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率,包括:
获取虚拟同步发电机输出角频率和电网的角频率;
根据输出角频率和电网的角频率,确定角频率偏差;
根据输出角频率和预设周期,确定角频率变化率。
在其中一个实施例中,还包括:
根据电网系统的工作状态,确定并网逆变器的稳态工作参数;
根据稳态工作参数,确定虚拟阻抗;
根据虚拟阻抗,获取矫正电压,以调节并网逆变器的功率。
另一方面,本申请一个实施例提供一种并网逆变器的控制装置,包括:
获取模块,用于获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
确定模块,用于根据角频率变化率和角频率偏差,确定虚拟惯量;
确定模块,还用于根据角频率变化率,确定虚拟阻尼;
调节模块,用于根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
本申请一个实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
本申请一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例提供的方法的步骤。
本申请提供一种并网逆变器的控制方法、装置、计算机设备和介质,该并网逆变器的控制方法通过获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;根据角频率变化率和角频率偏差,确定虚拟惯量;根据角频率变化率,确定虚拟阻尼;根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。本申请提供的并网逆变器的控制方法,通过虚拟阻尼和虚拟惯量协同控制并网逆变器的频率,能够在很大程度满足抑制并网逆变器在发生功率波动引起的频率变化的需求,从而可以减小并网逆变器的干扰和波动,进而提高了分布式电源接入电网的稳定性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域不同技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的电网系统的结构示意图;
图2为本申请一个实施例提供的虚拟同步发电机的控制策略的框图;
图3为本申请一个实施例提供的电流电压双环控制的框图;
图4为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图5为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图6为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图7为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图8为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图9为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图10为本申请一个实施例提供的并网逆变器的控制方法的步骤流程示意图;
图11为本申请一个实施例提供的并网逆变器的控制装置的结构示意图;
图12为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
电网系统是指包括分布式能源、并网逆变器和电网的系统,并网逆变器连接于分布式能源和电网之间。本申请提供的并网逆变控制器的控制方法应用虚拟同步发电机的控制策略,通过模拟虚拟同步发电机的转子特性,使得并网逆变器也具有惯性和阻尼,实现提高电网系统的稳定性的目的。电网系统的结构如图1所示,图中VDC是指直流源,即为分布式能源,实线框内为虚拟同步发电机的主回路,即,可以表示并网逆变器,PCC为公共连接点,PCC后面连接的部分为电网。虚拟同步发电机的控制策略如图2所示,包括有功-频率环节、无功-电压环节和电压电流双环控制环节。其中,电压电流双环控制环节可以使用如3所示的比例积分控制(PI)和准比例谐振控制(PR)复合控制方法,可以抑制谐波电压,从而能够提高电网系统的稳定性。图3中,θ由频率-有功环输出的角速度积分得到,UPCCa、UPCCb和UPCCc分别为PCC处三项的电压,为PR控制器的传递函数,其中,Kp表示比例参数,j表示谐振电流,ωj表示谐振频率,KR为谐振项系数。
本申请提供的并网逆变器的控制方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能收集、平板电脑和便携式可穿戴设备。本申请提供的控制方法可以通过JAVA软件实现,也可以应用于其他软件。
请参见图4,本申请一个实施例提供一种并网逆变器的控制方法,具体步骤包括:
S100,获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率。
角频率偏差是指并网逆变器的角频率与电网的角频率之间的差值。角频率变化率是指并网逆变器在某个周期内角频率变化的速度。在一个具体的实施例中,可以根据并网逆变器的输出电压值和电网的电压值,确定并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率。本实施例对于获取角频率偏差和角频率变化率的方法不作任何限制,只要能够实现其功能即可。
S200,根据角频率变化率和角频率偏差,确定虚拟惯量。
S300,根据角频率变化率,确定虚拟阻尼。
虚拟惯量是指虚拟同步发电机中虚拟转子的惯量。本实施例对根据角频率变化率和角频率偏差确定虚拟惯量的具体方法不作任何限制,只要能够得到虚拟惯量即可。在一个具体的实施例中,可以令虚拟惯量根据角频率变化率的阈值在两个固定的数值中变化,也可以基于指数惯量的虚拟同步发电机的控制策略将虚拟惯量与指数函数结合。本实施例对根据角频率变化率确定虚拟阻尼的具体方法不作任何限制,只要能够得到虚拟阻尼即可。
S400,根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
将虚拟惯量和虚拟阻尼运用到虚拟同步发电机的控制策略中的有功-频率环节,使用虚拟同步发电机控制的虚拟惯量和虚拟阻尼这两个核心参数共同控制,从而实现对并网逆变器的频率的调节。本实施例对根据虚拟惯量和虚拟阻尼调节并网逆变器的频率的具体调节方法不作任何限制,只要能够实现其功能即可。
本实施例提供的并网逆变器的控制方法,通过获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;根据角频率变化率和角频率偏差,确定虚拟惯量;根据角频率变化率,确定虚拟阻尼;根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。本实施例提供的并网逆变器的控制方法通过角频率偏差和角频率变化率,确定虚拟惯量和虚拟阻尼,使用虚拟阻尼和虚拟惯量协同控制并网逆变器的频率,这样能够在很大程度上满足抑制并网逆变器在发生功率波动引起的频率变化的需求,从而可以减小并网逆变器的干扰和波动,进而提高了分布式电源接入电网的稳定性。
请参见图5,在一个实施例中,步骤S200根据角频率变化率和角频率偏差,确定虚拟惯量,包括:
S210,基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定虚拟惯量。
径向基函数神经网络是一种三层神经网络,包括输入层、隐含层和输出层,从输出层到隐含层的变化是非线性的,从隐含层到输出层的变化的线性的。其中,隐含层的作用是把向量从低维度映射到高维度,使得在低维度线性不可分的情况到高维度变成线性可分的。径向基函数神经网络能够逼近任意的非线性函数,具有良好的泛化能力,并且学习收敛速度较快。因此,基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定的虚拟惯量的效率较快,且更加准确。
在一个具体的实施例中,基于径向基函数神经网络需要根据角频率变化率和角频率判断,得到虚拟惯量,所以输入层的节点个数取2,输出层的节点个数取1,隐含层的节点个数需要大于输入层的节点个数,隐含层的节点个数可以取4。假设,输入层的输入为其中,x1表示角频率偏差,x1=Δω,x2表示角频率变化率,x2=dω/dt。输出对应的虚拟惯量J。随机选取4个输入样本组成的2×4阶矩阵来作为隐含层节点中心值;扩展常数取2×4阶全1矩阵;权值取为1×4阶0,1的随机数矩阵,其中,i表示隐含层的节点数,i=1~4。将隐含层的函数取为高斯函数,由高斯函数计算出隐含层中第i个节点的输出为:
其中,ci为第i个节点的中心值,ai为第i个节点的扩展常数。
由于虚拟惯量不能为负,且考虑到电网系统的动态特性,虚拟惯量不能取得过大,则将输出层得激活函数g(x)取为sigmoid函数,可以表示为:其中,x表示输出层的输入。输出层的输入可以表示为/>则可以得到虚拟惯量J=m*g(x),其中,Wi为第i个节点的权值,m为惯量系统,可以取0.5。
请继续参见图5,在一个实施例中,径向基函数神经网络的训练过程,包括:
S220,将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;
样本角频率变化率和样本角频率偏差可以是预先存储在存储其中的角频率变化率和角频率偏差。初始径向基函数神经网络是指径向基函数神经网络中的参数均为工作人员根据实际参数设置的初始值。将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络,可以根据上述实施例中的方法,得到预测虚拟惯量。
S230,根据预测虚拟惯量和虚拟阻尼,确定预测角频率。
根据预测的虚拟惯量和虚拟阻尼,对并网逆变器进行有功-频率环节的调节,可以得到并网逆变器的预测角频率。具体的有功-频率环节的调节可以参考图2。
S240,将预测角频率和额定角频率输入预设的误差代价函数中,得到误差值。
S250,根据误差值调节初始径向基函数神经网络的参数,直到满足预设的截止条件,得到径向基函数神经网络。
通常情况下,初始径向基函数神经网络中的参数都需要进行训练,即,需要经过一个误差修正学习的过程。误差代价函数是指使用训练样本引起的误差总和,根据误差代价函数导出的修正公式是一种批处理式调整,即,训练样本输入一轮后调整一次。换句话说,基于训练样本,根据误差代价函数,得到一个误差值,根据误差值调整初始径向基函数神经网络的参数;根据调整后的参数可以得到新的训练样本,再基于新的训练样本,根据误差代价函数,得到新的误差值,根据新的误差值调整初始径向基函数神经网络的参数,再根据该参数进行下一轮的调整。预设的截止条件可以是指预先设置的调整轮次,即,预先设置的迭代的次数。假设,预先设置的迭代次数为5次,则将迭代5次后得到的径向基函数神经网络作为最终的径向基函数神经网络。本实施例对根据误差值调节初始径向基函数神经网络的参数的具体方法不作任何限制。在一个具体的实施例中,误差代价函数可以表示为F(k)=m(ω0(k)-ω(k))2,其中,ω0是指额定角频率,ω是指预测角频率,k为迭代的次数。
请参见图6,在一个实施例中,参数包括中心值、权值和扩展常数,步骤S250根据误差值调节初始径向基函数神经网络的参数,包括:
S251,计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对所述扩展常数的梯度,得到第三梯度;
初始径向基函数神经网络中的参数可以包括中心值、权值和扩展常数,还可以包括中心值的个数,即隐含层的节点个数,输入层的节点个数和输出层的节点个数等。其中,输入层、输出层和隐含层的节点个数是固定不变的,输入层的个数是根据输入径向基函数神经网络中的输入值的个数来确定的,输出层的个数是根据通过径向基函数神经网络需要得到的输出值的个数来确定的隐含层的节点个数只需要大于输入层的节点个数即可;中心值是指隐含层的每个节点的值;权值是指隐含层和输出层之间的权值;扩展常数是指隐含层各径向基函数的方差,它可以反映函数图像的宽度。在本实施例中,根据误差值通过梯度下降法调节初始径向基函数神经网络。具体的,先计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对权值的梯度,得到第三梯度。在一个具体的实施例中,第一梯度第二梯度第三梯度/>
S252,根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;
S253,根据第一学习率和所述第一搜索方向,更新中心值;
S254,根据第二学习率和第二搜索方向,更新权值;
S255,根据第三学习率和第三搜索方向,更新扩展常数。
具体的,可以根据以下公式更新各参数:
其中,ρc表示中心值的学习率,即第一学习率,表示中心值的搜索方向,即第一搜索方向;ρa表示扩展常数的学习率,即第三学习率,/>表示扩展参数的搜索方向,即第三搜索方向;ρW表示权值的学习率,即第二学习率,/>表示权值的搜索方向,即第二搜索方向。
确定第一学习率、第二学习率和第三学习率的具体公式可以表示如下:
根据第一梯度,确定第一搜索方向;根据第二梯度,确定第二搜索方向和根据第三梯度,确定第三搜索方向的具体方法请参见图7。
S201,根据第一梯度,确定第一平滑因子;
S202,根据第一平滑因子,确定第一搜索方向。
S203,根据所述第二梯度,确定第二平滑因子;
S204,根据所述第二平滑因子,确定第二搜索方向。
S205,根据所述第三梯度,确定第三平滑因子;
S206,根据所述第三平滑因子,确定第三搜索方向。
在本实施例中,在计算第一搜索方向时引入第一平滑因子,在计算第二搜索方向时引入第二平滑因子,在计算第三搜索方向时引入第三平滑因子,从而使得第一搜索方向与第一梯度的权值,第二搜索方向与第二梯度的权值和第三搜索方向与第三梯度的权值都不超过1,进而能够提高控制方法的计算效率。
请参见图8,在一个实施例中,步骤S300根据角频率变化率,确定虚拟阻尼,包括:
S310,基于预设的指数函数,根据角频率变化率,确定虚拟阻尼。
请参见图9,在一个实施例中,获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率,包括:
S110,获取虚拟同步发电机的输出角频率和电网的角频率;
S120,根据输出角频率和电网的角频率,确定角频率偏差;
S130,根据输出角频率和预设周期,确定角频率变化率。
虚拟同步发电机的输出角频率和电网的角频率为同一个周期内的并网逆变器的输出角频率和电网的角频率。输出角频率可以表示为ωm0,电网的角频率可以表示为ωg0,则角频率偏差Δω=ωm0-ωg0,角频率变化率其中,Δt为预设周期。
请参见图10,在一个实施例中,还包括:
S500,根据电网系统的工作状态,确定并网逆变器的稳态工作参数;
S600,根据稳态工作参数,确定虚拟阻抗;
S700,根据虚拟阻抗,获取矫正电压,以调节并网逆变器的功率。
电网系统的工作状态可以包括正常工作、不正常工作和故障等状态。并网逆变器的稳态工作参数可以包括并网逆变器的输出无功功率、输出有功功率和输出电压值等。在不同的工作状态下,并网逆变器的稳态工作参数不同。在加入虚拟阻抗控制后,无功-电压环节的方程可以表示为:
其中,Qref为无功功率参考值,Qe为输出无功功率,DP为无功-电压下垂系数,Ecd和Ucd分别为额定实际输出电压经派克变换后在dq坐标系下的值,E为无功-电压环节计算后得到的电压值,K为等效惯性系数,Uc'd为Ucd的矫正值,L’、R’和X’分别为加入的虚拟电感值、电阻值以及L’对应的感抗值;ILd、ILq分别为电感电流经过交叉解耦后在dq坐标系下的值。本实施例对计算L’和R’的具体方法不作任何限制,只要能够计算得到L’和R’,以使根据上述公式得到Uc'd,实现对无功-电压控制环节的功率解耦,从而实现对功率的独立控制。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图11,本申请一个实施例提供一种并网逆变器的控制装置10包括获取模块100、确定模块200和调节模块300。其中,
获取模块100用于获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
确定模块200用于根据角频率变化率和角频率偏差,确定虚拟惯量;
确定模块200还用于根据角频率变化率,确定虚拟阻尼;
调节模块300用于根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
在一个实施例中,确定模块200还用于基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定虚拟惯量。
在一个实施例中,并网逆变器的控制装置10还包括训练单元,该训练单元用于将样本角频率变换率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;根据预测虚拟惯量和虚拟阻尼,确定预测角频率;将预测角频率和额定角频率输出预设的误差代价函数中,得到误差值;根据误差值调节初始径向基函数神经网络的参数,直到满足预设的截止调节,得到径向基函数神经网络。
在一个实施例中,训练单元还用于计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对扩展常数的梯度,得到第三梯度;根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;根据第一学习率和第一搜索方向,更新中心值;根据第二学习率和第二搜索方向,更新权值;根据第三学习率和第三搜索方向,更新扩展常数。
在一个实施例中,训练单元还用于根据第一梯度,确定第一平滑因子,根据第一平滑因子,确定第一搜索方向;根据第二梯度,确定第二平滑因子,根据第二平滑因子,确定第二搜索方向;根据第三梯度,确定第三平滑因子,根据第三平滑因子,确定第三搜索方向。
在一个实施例中,确定模块200还用于基于预设的指数函数,根据所述角频率变化率,确定所述虚拟阻尼。
在一个实施例中,获取模块100还用于获取虚拟同步发电机输出角频率和电网的角频率;根据输出角频率和电网的角频率,确定角频率偏差;根据输出角频率和预设周期,确定角频率变化率。
在一个实施例中,确定模块200还用于根据电网系统的工作状态,确定并网逆变器的稳态工作参数;根据稳态工作参数,确定虚拟阻抗;根据虚拟阻抗,获取矫正电压,以调节并网逆变器的功率。
关于上述并网逆变器的控制装置10的具体限定可以参见上文中对于并网逆变器的控制方法的限定,在此不再赘述。并网逆变器的控制装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中通过,也可以以软件形式存储与计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图12,在一个实施例中,提供了一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图12所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。计算机设备的数据库用于存储初始径向基函数神经网络、角频率变化率和角频率偏差等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种并网逆变器的控制方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
根据角频率变化率和角频率偏差,确定虚拟惯量;
根据角频率变化率,确定虚拟阻尼;
根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定虚拟惯量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;根据预测虚拟惯量和虚拟阻尼,确定预测角频率;将预测角频率和额定角频率输入预设的误差代价函数中,得到误差值;根据误差值调节初始径向基函数神经网络的参数,直到满足预设的截止条件,得到径向基函数神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对扩展常数的梯度,得到第三梯度;根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;根据第一学习率和第一搜索方向,更新中心值;根据第二学习率和第二搜索方向,更新权值;根据第三学习率和第三搜索方向,更新扩展常数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据第一梯度,确定第一平滑因子;根据第一平滑因子,确定第一搜索方向;根据第二梯度,确定第二平滑因子;根据第二平滑因子,确定第二搜索方向;根据第三梯度,确定第三平滑因子;根据第三平滑因子,确定第三搜索方向。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设的指数函数,根据角频率变化率,确定虚拟阻尼。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取虚拟同步发电机输出角频率和电网的角频率;根据输出角频率和电网的角频率,确定角频率偏差;根据输出角频率和预设周期,确定角频率变化率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据电网系统的工作状态,确定并网逆变器的稳态工作参数;根据稳态工作参数,确定虚拟阻抗;根据虚拟阻抗,获取矫正电压,以调节并网逆变器的功率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
根据角频率变化率和角频率偏差,确定虚拟惯量;
根据角频率变化率,确定虚拟阻尼;
根据虚拟惯量和虚拟阻尼调节并网逆变器的频率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于径向基函数神经网络,根据角频率变化率和角频率偏差,确定虚拟惯量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;根据预测虚拟惯量和虚拟阻尼,确定预测角频率;将预测角频率和额定角频率输入预设的误差代价函数中,得到误差值;根据误差值调节初始径向基函数神经网络的参数,直到满足预设的截止条件,得到径向基函数神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算误差值对中心值的梯度,得到第一梯度,计算误差值对权值的梯度,得到第二梯度,计算误差值对扩展常数的梯度,得到第三梯度;根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;根据第一学习率和第一搜索方向,更新中心值;根据第二学习率和第二搜索方向,更新权值;根据第三学习率和第三搜索方向,更新扩展常数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第一梯度,确定第一平滑因子;根据第一平滑因子,确定第一搜索方向;根据第二梯度,确定第二平滑因子;根据第二平滑因子,确定第二搜索方向;根据第三梯度,确定第三平滑因子;根据第三平滑因子,确定第三搜索方向。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设的指数函数,根据角频率变化率,确定虚拟阻尼。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取虚拟同步发电机输出角频率和电网的角频率;根据输出角频率和电网的角频率,确定角频率偏差;根据输出角频率和预设周期,确定角频率变化率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据电网系统的工作状态,确定并网逆变器的稳态工作参数;根据稳态工作参数,确定虚拟阻抗;根据虚拟阻抗,获取矫正电压,以调节并网逆变器的功率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种并网逆变器的控制方法,其特征在于,包括:
根据并网逆变器的输出电压值和电网的电压值,获取所述并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
基于径向基函数神经网络,根据所述角频率变化率和所述角频率偏差,确定虚拟惯量;所述径向基函数神经网络的训练过程,包括:将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;根据所述预测虚拟惯量和虚拟阻尼,确定预测角频率;将所述预测角频率和额定角频率输入预设的误差代价函数中,得到误差值;根据所述误差值调节所述初始径向基函数神经网络的参数,直到满足预设的截止条件,得到所述径向基函数神经网络;
基于预设的指数函数,根据所述角频率变化率,确定虚拟阻尼;其中,在所述角频率变化率大于预设的虚拟阻尼的变化阈值时的虚拟阻尼大于在所述角频率变化率不大于预设的虚拟阻尼的变化阈值时的虚拟阻尼;根据电网系统的工作状态,确定所述并网逆变器的稳态工作参数;根据所述稳态工作参数,确定虚拟阻抗;根据所述虚拟阻抗,获取矫正电压,以调节所述并网逆变器的功率;其中,在加入所述虚拟阻抗控制后,无功-电压环节的方程为:
式中,Qref为无功功率参考值,Qe为输出无功功率,Dp为无功-电压下垂系数,Ecd和Ucd分别为额定实际输出电压经派克变换后在dq坐标系下的值,E为无功-电压环节计算后得到的电压值,K为等效惯性系数,U'cd为Ucd的矫正值,L'、R'和X'分别为加入的虚拟电感值、电阻值以及L'对应的感抗值;ILd、ILq分别为电感电流经过交叉解耦后在dq坐标系下的值;
根据所述虚拟惯量和所述虚拟阻尼调节所述并网逆变器的频率。
2.根据权利要求1所述的控制方法,其特征在于,所述径向基函数神经网络是一种三层神经网络,包括输入层、隐含层和输出层,从所述输出层到所述隐含层的变化是非线性的,从所述隐含层到所述输出层的变化是线性的。
3.根据权利要求2所述的控制方法,其特征在于,所述并网逆变器的稳态工作参数包括所述并网逆变器的输出无功功率、输出有功功率和输出电压值。
4.根据权利要求3所述的控制方法,其特征在于,所述参数包括中心值、权值和扩展常数,根据所述误差值调节所述初始径向基函数神经网络的参数,包括:
计算所述误差值对所述中心值的梯度,得到第一梯度,计算所述误差值对所述权值的梯度,得到第二梯度,计算所述误差值对所述扩展常数的梯度,得到第三梯度;
根据第一梯度,确定第一学习率和第一搜索方向,根据第二梯度,确定第二学习率和第二搜索方向,根据第三梯度,确定第三学习率和第三搜索方向;
根据所述第一学习率和所述第一搜索方向,更新所述中心值;
根据所述第二学习率和所述第二搜索方向,更新所述权值;
根据所述第三学习率和所述第三搜索方向,更新所述扩展常数。
5.根据权利要求4所述的控制方法,其特征在于,根据第一梯度,确定第一搜索方向包括:
根据所述第一梯度,确定第一平滑因子;
根据所述第一平滑因子,确定第一搜索方向;
根据第二梯度,确定第二搜索方向包括:
根据所述第二梯度,确定第二平滑因子;
根据所述第二平滑因子,确定第二搜索方向;
根据第三梯度,确定第三搜索方向包括:
根据所述第三梯度,确定第三平滑因子;
根据所述第三平滑因子,确定第三搜索方向。
6.根据权利要求1-3中任一项所述的控制方法,其特征在于,所述初始径向基函数神经网络的参数包括中心值、权值和扩展常数。
7.根据权利要求1-3中任一项所述的控制方法,其特征在于,所述获取并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率,包括:
获取所述虚拟同步发电机输出角频率和电网的角频率;
根据所述输出角频率和所述电网的角频率,确定所述角频率偏差;
根据所述输出角频率和预设周期,确定所述角频率变化率。
8.一种并网逆变器的控制装置,其特征在于,包括:
获取模块,用于根据并网逆变器的输出电压值和电网的电压值,获取所述并网逆变器对应的虚拟同步发电机的角频率偏差和角频率变化率;
确定模块,用于基于径向基函数神经网络,根据所述角频率变化率和所述角频率偏差,确定虚拟惯量;所述径向基函数神经网络的训练过程,包括:将样本角频率变化率和样本角频率偏差输入预设的初始径向基函数神经网络中,得到预测虚拟惯量;根据所述预测虚拟惯量和虚拟阻尼,确定预测角频率;将所述预测角频率和额定角频率输入预设的误差代价函数中,得到误差值;根据所述误差值调节所述初始径向基函数神经网络的参数,直到满足预设的截止条件,得到所述径向基函数神经网络;
确定模块,还用于基于预设的指数函数,根据所述角频率变化率,确定虚拟阻尼;其中,在所述角频率变化率大于预设的虚拟阻尼的变化阈值时的虚拟阻尼大于在所述角频率变化率不大于预设的虚拟阻尼的变化阈值时的虚拟阻尼;根据电网系统的工作状态,确定所述并网逆变器的稳态工作参数;根据所述稳态工作参数,确定虚拟阻抗;根据所述虚拟阻抗,获取矫正电压,以调节所述并网逆变器的功率;在加入所述虚拟阻抗控制后,无功-电压环节的方程为:
式中,Qref为无功功率参考值,Qe为输出无功功率,Dp为无功-电压下垂系数,Ecd和Ucd分别为额定实际输出电压经派克变换后在dq坐标系下的值,E为无功-电压环节计算后得到的电压值,K为等效惯性系数,U'cd为Ucd的矫正值,L'、R'和X'分别为加入的虚拟电感值、电阻值以及L'对应的感抗值;ILd、ILd分别为电感电流经过交叉解耦后在dq坐标系下的值;
调节模块,用于根据所述虚拟惯量和所述虚拟阻尼调节所述并网逆变器的频率。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110017299.1A CN112821450B (zh) | 2021-01-07 | 2021-01-07 | 并网逆变器的控制方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110017299.1A CN112821450B (zh) | 2021-01-07 | 2021-01-07 | 并网逆变器的控制方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112821450A CN112821450A (zh) | 2021-05-18 |
CN112821450B true CN112821450B (zh) | 2023-07-04 |
Family
ID=75868605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110017299.1A Active CN112821450B (zh) | 2021-01-07 | 2021-01-07 | 并网逆变器的控制方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112821450B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370181A (zh) * | 2017-07-28 | 2017-11-21 | 华北电力大学 | 并网控制方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109256801B (zh) * | 2018-09-28 | 2021-06-04 | 东北大学 | 虚拟同步发电机虚拟惯量和虚拟阻尼系数自适应控制方法 |
CN109861279A (zh) * | 2019-01-24 | 2019-06-07 | 太原理工大学 | 一种适用于虚拟同步发电机的转动惯量自适应控制方法 |
CN110112769B (zh) * | 2019-04-16 | 2023-03-31 | 西安理工大学 | 虚拟同步机输出反馈自适应控制方法 |
CN110474347B (zh) * | 2019-08-09 | 2023-05-02 | 上海电机学院 | 一种虚拟同步发电机双参数自适应控制方法 |
CN111277001B (zh) * | 2020-03-14 | 2022-05-27 | 福建工程学院 | 基于虚拟同步发电机参数自适应控制的风机并网控制方法 |
CN111900762B (zh) * | 2020-08-06 | 2021-11-23 | 山东大学 | 一种自适应vsg微电网逆变器控制方法及系统 |
CN112134500A (zh) * | 2020-09-29 | 2020-12-25 | 上海电机学院 | 一种基于模糊控制的虚拟同步发电机参数自适应控制方法 |
-
2021
- 2021-01-07 CN CN202110017299.1A patent/CN112821450B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107370181A (zh) * | 2017-07-28 | 2017-11-21 | 华北电力大学 | 并网控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112821450A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soliman et al. | Hybrid ANFIS‐GA‐based control scheme for performance enhancement of a grid‐connected wind generator | |
Feng et al. | A comprehensive approach for preventive and corrective control to mitigate voltage collapse | |
de Oliveira et al. | Grid‐tied photovoltaic system based on PSO MPPT technique with active power line conditioning | |
OLiveira da Silva et al. | Feed‐forward DC‐bus control loop applied to a single‐phase grid‐connected PV system operating with PSO‐based MPPT technique and active power‐line conditioning | |
Ramesh et al. | Intelligent adaptive LFC via power flow management of integrated standalone micro-grid system | |
de Freitas Takami et al. | Dynamic performance comparison involving grid‐connected PV systems operating with active power‐line conditioning and subjected to sudden solar irradiation changes | |
CN108736519B (zh) | 一种光伏电站的虚拟同步发电机自适应控制方法及装置 | |
Taghizadeh et al. | Frequency control of isolated WT/PV/SOFC/UC network with new control strategy for improving SOFC dynamic response | |
Mumtaz et al. | Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system | |
Mudi et al. | An Optimal Control of Integrated Hybrid Power System with FACTS Devices Using Student Psychology‐Based Optimization Algorithm | |
CN114221353B (zh) | 电网调控方法、装置、设备、存储介质和计算机程序产品 | |
Mahesh et al. | Maximum power point tracking using decision-tree machine-learning algorithm for photovoltaic systems | |
Lin et al. | A two-layer frequency control method for large-scale distributed energy storage clusters | |
Kord et al. | Active hybrid energy storage management in a wind-dominated standalone system with robust fractional-order controller optimized by Gases Brownian Motion Optimization Algorithm | |
Singh et al. | Impact of communication delay on frequency regulation in hybrid power system using optimized H-infinity controller | |
CN112821450B (zh) | 并网逆变器的控制方法、装置、计算机设备和介质 | |
Polis et al. | Voltage stability and robustness for microgrid systems | |
Du et al. | Small‐disturbance stability of a weakly grid‐connected wind farm with multiple PMSGs dominated by the DC‐link voltage dynamics | |
Long et al. | Data-driven hybrid equivalent dynamic modeling of multiple photovoltaic power stations based on ensemble gated recurrent unit | |
Zhang et al. | ADP-based intelligent frequency control via adaptive virtual inertia emulation | |
Li et al. | A model predictive control strategy based on energy storage grid‐connected quasi‐z‐source inverters | |
Muduli et al. | Application of Reinforcement Learning-Based Adaptive PID Controller for Automatic Generation Control of Multi-Area Power System | |
Sibtain et al. | Frequency stabilization for interconnected renewable based power system using cascaded model predictive controller with fractional order PID controller | |
Kumar et al. | Power loss reduction in radial distribution system by using plant growth simulation algorithm | |
Liu et al. | Islanding cutset searching approach based on dispatching area |
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 |