CN117439193A - 一种多源协同发电系统的最优功率控制方法 - Google Patents
一种多源协同发电系统的最优功率控制方法 Download PDFInfo
- Publication number
- CN117439193A CN117439193A CN202311430159.2A CN202311430159A CN117439193A CN 117439193 A CN117439193 A CN 117439193A CN 202311430159 A CN202311430159 A CN 202311430159A CN 117439193 A CN117439193 A CN 117439193A
- Authority
- CN
- China
- Prior art keywords
- power generation
- power
- generation system
- collaborative
- photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 38
- 230000008569 process Effects 0.000 description 8
- 230000009977 dual effect Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007665 sagging Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
- H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/20—Systems characterised by their energy storage means
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种多源协同发电系统的最优功率控制方法，属于海面多能源联合发电系统技术领域。通过设计协同发电系统发电功率机理模型对应的发电功率性能指标，求解提高多源协同发电系统抗扰动能力的最优控制方案，同时，针对最优控制方案的求解，采用自适应动态规划算法，在系统动态未知的前提下，借助神经网络分别对最优性能指标函数、控制变量和扰动量进行求解，从而获得多源协同发电系统的最优控制律。应用于波浪能及光伏协同发电系统时，本发明可根据历史波浪扰动数据，实时求得波浪能、光伏发电和蓄电池的近似最优控制律，在维持系统的发电功率不间断的同时，解决不规律波浪及外部扰动带来的一系列问题，提高该系统的鲁棒性和抗扰动能力。
Description
技术领域
本发明属于海面多能源联合发电系统技术领域，具体涉及一种多源协同发电系统的最优功率控制方法。
背景技术
近年来由于化石能源的过度使用造成的全球气候变暖等一系列环境问题日益严重，中国、美国、日本以及韩国等主要经济体已相继制定了国家碳中和目标，加速向清洁能源转型已成为国际共识。构建满足社会经济快速发展，以清洁能源为供给主体，具有清洁低碳、安全可控、灵活高效、智能友好、开放互动的基本特征的新型电力系统是必然趋势。
我国海域面积辽阔，潜藏着极为丰富的波浪能资源。波浪能作为已知能量获取效率和实际效率最高的清洁能源：太阳能实际转换效率只有35％；风能的实际效率低于50％；而波浪能的实验效率最高可达到80％，这也证明了波浪能的相关优化技术有着广阔的市场前景和开发价值，具有短期收回研究及设备成本的可能性。
经过数十年的飞速发展，世界各国的学者已发明超过300种的海洋波浪能发电装置和6000余项波浪能相关专利。但由于海洋环境复杂，受到天气影响，波浪发电极不规律，发电功率不稳定，且由于波浪能发电装置易被海水侵蚀，导致实际投入运行的波浪能发电设备较少。
为解决上述问题，各国研究学者对波浪能进行了分析并设计相应的液压传递系统、并从功率控制策略方面着手进行了大量的科学研究，其中最为合理的结构为波浪能-光伏互补发电系统。在白天，当波浪能不足以维持发电功率稳定的情况下，通过光伏发电装置补足缺失功率，并将多余的电能储存到蓄电池中，用以补足夜晚光伏发电装置停止运行时的缺失电能功率。
但光伏发电具有随机性、间歇性、周期性特点，导致其发电功率不稳定。因此，对波浪能及光伏协同发电系统的被控特性进行分析，设计合理的波浪能光伏发电协同控制策略，维持波浪能和光伏协同发电系统的发电功率不间断，提高该系统的鲁棒性和抗扰动能力对加快我国能源转型，实现“双碳”目标具有重要的战略意义。
发明内容
有鉴于此，本发明旨在提供一种包括波浪能和光伏的多源协同发电系统的最优功率控制方法，根据波浪历史波动数据，利用零和博弈理论和自适应动态规划算法实时计算最优协同控制策略，提高该系统的鲁棒性和抗扰动能力。
为了解决上述技术问题，本发明提供以下技术方案：
一种多源协同发电系统的最优功率控制方法，包括如下步骤：
获取多能量来源协同发电系统的发电功率机理模型；
根据最小化节点个体经济指标的同时保证多能量来源协同发电系统稳态运行的原则得到发电功率机理模型对应的发电功率性能指标函数，发电功率性能指标函数建立了协同发电系统的发电功率性能指标与系统的状态、控制以及外部扰动之间的关系；
采用自适应动态规划算法对发电功率性能指标函数的最优解进行求解，基于系统的初始状态，利用自适应动态规划算法的三个神经网络分别对最优发电功率性能指标、控制变量和扰动量进行迭代求解，从而得到多能量来源协同发电系统的最优控制律。
进一步的，若多能量来源协同发电系统为波浪能及光伏协同发电系统，则发电功率机理模型，具体如下：
其中，F(X)、g(X)和h(X)分别为协同发电系统的状态函数、控制函数和扰动函数，ui为协同发电系统的控制系数，Dj为协同发电系统的外部扰动，下标i表示控制系数的编号，j表示外部扰动的编号，X为协同发电系统的状态，为协同发电系统的输出功率。
进一步的，发电功率性能指标函数，具体如下：
其中，J(X)为协同发电系统性能指标函数，矩阵Q、Ri与Sj为自定义的正定对称矩阵。
进一步的，采用自适应动态规划算法对发电功率性能指标函数的最优解进行求解时，先将发电功率性能指标函数转换为对应的哈密顿-雅可比-贝尔曼方程后再求解，对应的哈密顿-雅可比-贝尔曼方程具体如下：
其中，表示性能指标J对控制u的偏导，g为控制函数g(X)的简写，h为扰动函数h(X)的简写。
进一步的，利用自适应动态规划算法的三个神经网络分别对最优发电功率性能指标、控制变量和扰动量进行迭代求解，具体按照下式进行：
其中，分别为性能指标函数、协同发电系统控制系数和扰动系数的估计值，/>分别为评价神经网络、执行神经网络和扰动神经网络的神经元矩阵，/>表示估计评价权重，/>表示估计执行权重，/>表示估计扰动权重。
进一步的，采用自适应动态规划算法对发电功率性能指标函数的最优解进行求解，具体为：
采集波浪历史波动数据集并将协同发电系统的状态作为控制变量；
设置初始控制策略和初始扰动；
根据哈密顿-雅可比-贝尔曼方程迭代计算总估计权重，总估计权重包括估计评价权重、估计评价权重和估计扰动权重；
当相邻两次计算所得到的总估计权重之差满足设定阈值，则停止计算；
利用满足条件的总估计权重分别对最优发电功率性能指标、控制变量和扰动量进行求解。
进一步的，系统的状态由协同发电系统的状态矩阵表示，具体为：
X＝[x z e]T
其中，X为协同发电系统的状态矩阵，x＝[HP P1 q1 v LP]T，HP为伺服阀出口压力，P1为波浪能发电装置液压马达的液压机发电功率，q1为马达转速，v为液压缸运动的速度，Lp为伺服阀出口压力，z为光伏发电系统电压，e为光伏蓄电系统电压。
进一步的，波浪能及光伏协同发电系统根据实际天气情况在以下种3工况下自动切换，具体包括：
第1种工况，当海上波浪处于稳定波动状态且阳光充足的情况下，液压马达转速能够维持发电功率稳定，光伏发电装置仅用于蓄电池充电；
第2种工况，当海上波浪处于平稳状态且阳光充足的情况下，液压马达转速不足以维持发电功率，由光伏发电与波浪能发电装置协同运行保证发电；
第3种工况，当夜晚无光照或由于云层遮挡，光伏装置无法发电的情况下，由波浪能与蓄电池放电协同作用共同维持发电功率。
进一步的，在波浪能及光伏协同发电系统发电功率的机理模型中，u1、u2和u3分别表示3种工况中的波浪能发电、光伏发电和蓄电池放电控制量，当光伏电源不发电和蓄电池不放电的情况下，u2＝u3＝0。
进一步的，波浪能及光伏协同发电系统发电功率的机理模型基于协同发电系统中波浪能发电装置液压马达发电功率控制器的机理数学模型和光伏电源发电功率机理模型构建得到，其中，光伏电源发电装置中光伏类型为电压源型光伏电源，并采用下垂控制方法。
综上，本发明提供了一种多能量来源协同发电系统的最优功率控制方法，通过设计协同发电系统发电功率机理模型对应的发电功率性能指标，求解提高多能量来源协同发电系统抗扰动能力的最优控制方案，同时，针对最优控制方案的求解，采用自适应动态规划算法，在系统动态未知的前提下，借助神经网络分别对最优性能指标函数、控制变量和扰动量进行求解，从而获得多能量来源协同发电系统的最优控制律。应用于波浪能及光伏协同发电系统时，本发明可根据历史波浪扰动数据，实时求得波浪能、光伏发电和蓄电池的近似最优控制律，在维持波浪能和光伏协同发电系统的发电功率不间断的同时，解决不规律波浪及外部扰动带来的一系列问题，提高该系统的鲁棒性和抗扰动能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1为本发明实施例提供的多源协同发电系统的最优功率控制方法的流程示意图；
图2为本发明实施例提供的波浪能及光伏协同发电装置功率最优控制步骤流程图；
图3为本发明实施例提供的光伏发电功率下垂控制并网逆变器结构图；
图4为本发明实施例提供的波浪能及光伏协同发电装置协同发电示意图；
图5为本发明实施例提供的自适应动态规划算法原理图；
图6为本发明实施例提供的波浪能及光伏协同发电装置抗扰动功率控制算法流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种多能量来源协同发电系统的最优功率控制方法，包括如下步骤：
S1：获取多源协同发电系统的发电功率机理模型。
多源协同发电系统指的是在电力系统中同时运行多种不同的能源，包括传统的火力发电、水力发电以及新能源等，并且对各种能源进行合理的分配和调度，以减少能源的浪费和成本的浪费。多源协同运行的目的是优化电力系统的能源结构，提高电力系统的能源利用率和效率。
电力系统在实际运行中会受到各种不确定性因素的影响，如负荷的波动、系统元件参数的变化、线路网络拓扑结构的变化等。对于多源协同发电系统，不确定性因素的影响会更复杂，尤其是波浪能、光伏以及风力发电新能源的接入，由于这些新能源具有随机性和不确定性，其作为一种扰动注入电力系统会对电力系统安全稳定运行产生较大影响。
本步骤对于此类多源协同发电系统，获取其发电功率机理模型，即不同的能源在系统中协同运行时，整个系统的发电功率模型，该发电功率机理模型应考虑扰动因素对于发电功率的影响，从而以此作为基础研究多源协同发电系统抗扰动的最优控制律。
S2：根据最小化节点个体经济指标的同时保证多能量来源协同发电系统稳态运行的原则得到发电功率机理模型对应的发电功率性能指标函数，发电功率性能指标函数建立了协同发电系统的发电功率性能指标与系统的状态、控制以及外部扰动之间的关系。
前述步骤所建立的发电功率机理模包含了系统发电功率输出与含有扰动因素的输入之间的关系，然而单纯以提升系统抗扰动能力为目标进行控制，难免会在其它方面过量投入。故本步骤中以最小化节点个体经济指标的同时保证多能量来源协同发电系统稳态运行的原则建立发电功率性能指标函数，以满足具备经济化要求的系统控制。需要注意的是，所建立的发电功率性能指标函数至少需包括发电功率性能指标与系统的状态、控制以及外部扰动之间的关系。
S3：采用自适应动态规划算法对发电功率性能指标函数的最优解进行求解，基于系统的初始状态，利用自适应动态规划算法的三个神经网络分别对最优发电功率性能指标、控制变量和扰动量进行迭代求解，从而得到多能量来源协同发电系统的最优控制律。
自适应动态规划(Adaptive/Approximate Dynamic Programming，ADP)，又叫近似动态规划，是人工智能和控制领域发展而交汇形成的新兴学科。
ADP方法主要包括三种基本类型：启发式动态规划(Heuristic DynamicProgramming，HDP)，双启发式动态规划(Dual Heuristic Programming，DHP)和全局双启发式动态规划(Globalized Dual heuristic Programming，GDHP)。这三种类型都包含三个模块，如果每个模块都用神经网络来代替，也称这三个模块为三个网络，即评价网络(CriticNetwork)、模型网络(Model Network)和执行网络(Action Network)。
本步骤中，应用该自适应动态规划算法，将三个神经网络分别与发电功率性能指标函数中的参数进行对应后迭代求解，从而得到满足经济化要求的多源系统发电系统的最优控制律。
本发明通过设计协同发电系统发电功率机理模型对应的发电功率性能指标，求解提高多能量来源协同发电系统抗扰动能力的最优控制方案，同时，针对最优控制方案的求解，采用自适应动态规划算法，在系统动态未知的前提下，借助神经网络分别对最优性能指标函数、控制变量和扰动量进行求解，从而获得多能量来源协同发电系统的最优控制律。
以下将以波浪能及光伏协同发电系统为例，对多能量来源协同发电系统的最优功率控制方法进行详细介绍。
本实施例提供一种波浪能及光伏协同发电系统抗扰动最优功率控制方法，主要包括模型建立过程和近似求解过程。
其中模型建立过程主要在于建立波浪能及光伏协同发电系统的发电功率机理模型，而近似求解过程则是设计相适应的发电功率性能指标，并使用自适应动态规划算法求解波浪能、光伏发电和蓄电池的最优控制律，发电功率性能指标的设计旨在最小化节点个体经济指标的同时保证波浪能及光伏协同发电系统的稳态运行。
请参阅图2，在本发明的一个实施例中，模型建立过程具体包括如下步骤：
步骤1：根据波浪能发电装置液压马达的工作原理，构建液压马达发电功率控制器的机理数学模型：
将波浪能液压马达的转速作为控制量，定义系统输入u1＝μ，系统输出为液压机发电功率y＝P1。则波浪能液压缸的流量方程为：
Q＝v·HA-HP·L (1)
其中v为液压缸运动的速度，HA为液压缸的有效面积，HP为伺服阀出口压力，L为泄露系数。
液压马达流量状态方程为：
其中UT为液压缸的总容积，Bc为等效溶剂弹性的模数，q1为马达转速。根据公式(1)和公式(2)可得：
定义状态变量与输出变量x和y分别为：
x＝[x1 x2 x3 x4 x5]T＝[HP P1 q1 v LP]T，y＝x3。
根据伺服阀门控制波浪能液压缸运行的流量微分方程可得：
式中：a5＝K，/>
其中J1为惯性系数，MB为黏性阻尼系数，K为比例系数，m1为活塞有效质量，FP为活塞黏性阻尼系数，PT为波浪能外部扰动。
由此可得液压马达发电功率仿射非线性系统表达式：
其中f1(x)，g1(x)，h1(x)分别为液压马达发电系统的状态、控制和扰动函数，u1为液压马达的控制系数，D1为液压马达外部扰动。
步骤2：构建波浪能及光伏协同发电系统中的光伏电源发电功率机理模型，该系统中使用的光伏类型为电压源型光伏电源，并采用下垂控制方法，光伏发电功率下垂控制并网逆变器结构如图3所示。
依照时间尺度划分，分布式电源的功率外环控制在秒级，电压电流内环控制可达到毫秒级。所以，由于较大的时间尺度差，且所得模型将用于系统功率控制，忽略内环过程，无功功率与电压的关系可表示为：
式中Ed为逆变器输出的电压幅值，Er为下垂控制中电压参考值，kdr为无功下垂系数，Qr为无功功率参考值，Qe为无功功率输出。下垂控制并网逆变器结构如图3所示，电压源型光伏电源并网需经过滤波和线路接入电网，其并网方程可以表示为：
式中Ud与Uq为并网电压分量，it与is为并网电流分量，R1、L1与Lf分别为线路阻感和滤波电感，w为电感的角频率。
为了实现光伏电源的电压控制，在式(6)的基础上引入并网电压反馈控制系数Kdr,u，控制方程表示可进一步表示为：
其中Udr为外部电压参考值，s为复频率。根据式(6)可知，并网电压与输出电压间为非线性关系，通过函数等价简化式(6)得到：Ud＝f(ist)+Ed。假定逆变器参考电压与并网参考电压值相同，得到基于下垂控制的光伏电压控制模型：
Ud＝f(ist)-kdrKdr,uUdr,r-kdrQdr (9)
式中Qdr＝Qr-Qe为无功偏差，根据式(8)定义关于并网电流ist的非线性函数Udr,r＝Udr-Ud为电压偏差。由此可得光伏发电功率仿射非线性系统表达式：
其中f2(x)，g2(x)，h2(x)分别为光伏发电系统的状态、控制和扰动函数，u2为光伏发电的控制系数，D2为光伏发电外部扰动。
步骤3：构建波浪能及光伏协同发电系统的机理模型。该发电系统的各能源协同发电结构如图4所示。根据步骤1与步骤2分别构建的液压马达发电功率与光伏电源发电功率的机理模型，可整理得到波浪能及光伏协同发电模型：
其中F(X)，g(X)，h(X)分别为协同发电系统的状态、控制和扰动函数，ui为协同发电系统的控制系数，Dj为协同发电系统外部扰动，X＝[x z e]T，g3(X)u3为蓄电池输出功率。
需要说明的是，该波浪能及光伏协同发电装置将根据实际天气情况在以下种3工况下自动切换：
第1种工况，当海上波浪处于稳定波动状态且阳光充足的情况下，液压马达转速能够维持发电功率稳定，光伏发电装置仅用于蓄电池充电；
第2种工况，当海上波浪处于平稳状态且阳光充足的情况下，液压马达转速不足以维持发电功率，由光伏发电与波浪能发电装置协同运行保证发电；
第3种工况，当夜晚无光照或由于云层遮挡，光伏装置无法发电的情况下，由波浪能与蓄电池放电协同作用共同维持发电功率。
三种工况中的波浪能发电、光伏发电和蓄电池放电控制量对应公式(11)中的u1、u2和u3，当光伏电源不发电和蓄电池不放电的情况u2＝u3＝0。
以上是本发明的一个可选的实施例提供的波浪能及光伏协同发电系统的机理模型构建过程。
在本发明的一个实施例中，基于前述步骤3所建立得到的协同发电系统发电功率机理模型，设计相应的相适应的发电功率性能指标，然后进行近似求解的过程如下：
步骤4：设计最优发电功率性能指标，并使用自适应动态规划算法分别求解波浪能、光伏发电和蓄电池的最优控制律。
首先根据波浪能及光伏协同发电系统的实际情况，设计系统功率性能指标函数：
其中X＝[x z e]T为协同发电系统的状态矩阵，J(X)为协同发电系统性能指标函数，ui为协同发电系统的控制系数，Dj为协同发电系统外部扰动，矩阵Q，Ri与Sj为自定义的正定对称矩阵。该性能指标的设计旨在最小化节点个体经济指标的同时保证波浪能及光伏协同发电系统的稳态运行。本发明的目的在于协同控制波浪能发电、光伏发电与蓄电池放电，从而最大程度减少波浪受天气情况扰动和光伏板被云层遮挡导致的发电功率不稳定的难题。因此根据博弈理论中的零和博弈问题，式(12)的最优解应满足如下条件：
方程(13)中的J*(X)表示性能指标最优函数值，X(0)代表协同发电系统的初始状态矩阵，求解方程(13)的目的是寻找一组鞍点和/>使下列不等式成立：
其中和/>分别代表最优控制率和扰动率。
根据莱布尼茨公式，由方程(12)可以推导出贝尔曼方程，并将其改写为如下的哈密尔顿函数：
其中F(X)，g(X)，h(X)分别为协同发电系统的状态、控制和扰动函数，并定义将哈密尔顿函数/>简写为H，且控制输入和扰动输入可以分别通过计算如下的偏微分方程求解：
将式(16)带入式(15)可得最终待求解的HJB方程：
使用传统的计算方法，难以直接求得方程(17)的解析解，因此，本发明首次使用自适应动态规划算法，在系统动态未知的前提下，借助神经网络，求得方程(17)的最优近似解。自适应动态规划算法原理如图5所示，其中执行网络的输入为系统状态x(k)，输出为控制信号u(k)。动态系统的输入为系统状态x(k)和控制信号u(k)，输出为下一时刻的状态x(k+1)。在该结构中，其特点是评价网络对图5中的性能指标函数J进行估计，其输出为性能指标函数J的估计值。具体来说，就是通过最小化函数J来实现评价网络的参数调节。
本发明中使用三个神经网络分别对最优性能指标函数、控制变量和扰动量进行求解：
其中分别为性能指标函数，协同发电系统控制系数和扰动系数的估计值。/>分别为评价神经网络、执行神经网络和扰动神经网络的神经元矩阵。/>表示估计评价权重，/>表示估计执行权重，/>表示估计扰动权重。
由于传统方法难以直接求解式(17)HJB方程，因此用性能指标函数的估计值代替真实值J(X)，用协同发电系统控制系数的估计值代替其真实值ui，用协同发电系统扰动系数的估计值代替其真实值Dj，将三个估计值均代入哈密尔顿函数式(15)中，可得到带有神经网络的重构HJB方程，重构后的HJB方程可以使用自适应动态规划算法进行迭代求解，具体求解流程如图6所示。其中/>为总神经估计权重，随着迭代次数的增加，估计误差会逐渐减小，直至估计值与真实值相等。
本发明可根据历史波浪扰动数据，实时求得波浪能、光伏发电和蓄电池的近似最优控制律，在维持波浪能和光伏协同发电系统的发电功率不间断的同时，解决不规律波浪及外部扰动带来的一系列问题，提高该系统的鲁棒性和抗扰动能力。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多源协同发电系统的最优功率控制方法，其特征在于，包括如下步骤：
获取多能量来源协同发电系统的发电功率机理模型；
根据最小化节点个体经济指标的同时保证多能量来源协同发电系统稳态运行的原则得到所述发电功率机理模型对应的发电功率性能指标函数，所述发电功率性能指标函数建立了协同发电系统的发电功率性能指标与系统的状态、控制以及外部扰动之间的关系；
采用自适应动态规划算法对所述发电功率性能指标函数的最优解进行求解，基于系统的初始状态，利用所述自适应动态规划算法的三个神经网络分别对最优发电功率性能指标、控制变量和扰动量进行迭代求解，从而得到所述多能量来源协同发电系统的最优控制律。
2.根据权利要求1所述的多源协同发电系统的最优功率控制方法，其特征在于，若所述多能量来源协同发电系统为波浪能及光伏协同发电系统，则所述发电功率机理模型，具体如下：
其中，F(X)、g(X)和h(X)分别为协同发电系统的状态函数、控制函数和扰动函数，ui为协同发电系统的控制系数，Dj为协同发电系统的外部扰动，下标i表示控制系数的编号，j表示外部扰动的编号，X为协同发电系统的状态，为协同发电系统的输出功率。
3.根据权利要求2所述的多源协同发电系统的最优功率控制方法，其特征在于，所述发电功率性能指标函数，具体如下：
其中，J(X)为协同发电系统性能指标函数，矩阵Q、Ri与Sj为自定义的正定对称矩阵。
4.根据权利要求3所述的多源协同发电系统的最优功率控制方法，其特征在于，采用自适应动态规划算法对所述发电功率性能指标函数的最优解进行求解时，先将所述发电功率性能指标函数转换为对应的哈密顿-雅可比-贝尔曼方程后再求解，对应的所述哈密顿-雅可比-贝尔曼方程具体如下：
其中，▽J表示性能指标J对控制u的偏导，g为控制函数g(X)的简写，h为扰动函数h(X)的简写。
5.根据权利要求4所述的多源协同发电系统的最优功率控制方法，其特征在于，利用所述自适应动态规划算法的三个神经网络分别对最优发电功率性能指标、控制变量和扰动量进行迭代求解，具体按照下式进行：
其中，分别为性能指标函数、协同发电系统控制系数和扰动系数的估计值，/>分别为评价神经网络、执行神经网络和扰动神经网络的神经元矩阵，/>表示估计评价权重，/>表示估计执行权重，/>表示估计扰动权重。
6.根据权利要求5所述的多源协同发电系统的最优功率控制方法，其特征在于，采用自适应动态规划算法对所述发电功率性能指标函数的最优解进行求解，具体为：
采集波浪历史波动数据集并将协同发电系统的状态作为控制变量；
设置初始控制策略和初始扰动；
根据所述哈密顿-雅可比-贝尔曼方程迭代计算总估计权重，所述总估计权重包括估计评价权重、估计执行权重和估计扰动权重；
当相邻两次计算所得到的所述总估计权重之差满足设定阈值，则停止计算；
利用满足条件的所述总估计权重分别对最优发电功率性能指标、控制变量和扰动量进行求解。
7.根据权利要求2所述的多源协同发电系统的最优功率控制方法，其特征在于，所述系统的状态由协同发电系统的状态矩阵表示，具体为：
X＝[x z e]T
其中，X为协同发电系统的状态矩阵，x＝[HP P1 q1 v LP]T，HP为伺服阀出口压力，P1为波浪能发电装置液压马达的液压机发电功率，q1为马达转速，v为液压缸运动的速度，Lp为伺服阀出口压力，z为光伏发电系统电压，e为光伏蓄电系统电压。
8.根据权利要求2所述的多源协同发电系统的最优功率控制方法，其特征在于，所述波浪能及光伏协同发电系统根据实际天气情况在以下种3工况下自动切换，具体包括：
第1种工况，当海上波浪处于稳定波动状态且阳光充足的情况下，液压马达转速能够维持发电功率稳定，光伏发电装置仅用于蓄电池充电；
第2种工况，当海上波浪处于平稳状态且阳光充足的情况下，液压马达转速不足以维持发电功率，由光伏发电与波浪能发电装置协同运行保证发电；
第3种工况，当夜晚无光照或由于云层遮挡，光伏装置无法发电的情况下，由波浪能与蓄电池放电协同作用共同维持发电功率。
9.根据权利要求8所述的多源协同发电系统的最优功率控制方法，其特征在于，在所述波浪能及光伏协同发电系统发电功率的机理模型中，u1、u2和u3分别表示3种工况中的波浪能发电、光伏发电和蓄电池放电控制量，当光伏电源不发电和蓄电池不放电的情况下，u2＝u3＝0。
10.根据权利要求8所述的多源协同发电系统的最优功率控制方法，其特征在于，所述波浪能及光伏协同发电系统发电功率的机理模型基于协同发电系统中波浪能发电装置液压马达发电功率控制器的机理数学模型和光伏电源发电功率机理模型构建得到，其中，光伏电源发电装置中光伏类型为电压源型光伏电源，并采用下垂控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430159.2A CN117439193B (zh) | 2023-10-31 | 2023-10-31 | 一种多源协同发电系统的最优功率控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430159.2A CN117439193B (zh) | 2023-10-31 | 2023-10-31 | 一种多源协同发电系统的最优功率控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117439193A true CN117439193A (zh) | 2024-01-23 |
| CN117439193B CN117439193B (zh) | 2024-09-10 |
Family
ID=89556433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311430159.2A Active CN117439193B (zh) | 2023-10-31 | 2023-10-31 | 一种多源协同发电系统的最优功率控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117439193B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108196446A (zh) * | 2017-12-14 | 2018-06-22 | 北京理工大学 | 模型未知的双电机负载的动态规划最优控制方法 |
| CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服系统的强化学习最优跟踪控制方法 |
| CN111682563A (zh) * | 2020-05-12 | 2020-09-18 | 天津大学 | 一种基于电储能系统的微电网智能频率控制方法 |
| CN114114905A (zh) * | 2021-10-25 | 2022-03-01 | 南京理工大学 | 一种数据驱动的舰载火箭炮发射装置最优跟踪控制方法 |
| CN115313416A (zh) * | 2022-07-11 | 2022-11-08 | 华中科技大学 | 一种适用于储能电站辅助调频系统的多目标优化控制方法 |
| CN116154791A (zh) * | 2023-03-14 | 2023-05-23 | 山东大学 | 一种协同多可控资源的功角稳定控制方法、系统及终端 |
-
2023
- 2023-10-31 CN CN202311430159.2A patent/CN117439193B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108196446A (zh) * | 2017-12-14 | 2018-06-22 | 北京理工大学 | 模型未知的双电机负载的动态规划最优控制方法 |
| CN109946975A (zh) * | 2019-04-12 | 2019-06-28 | 北京理工大学 | 一种未知伺服系统的强化学习最优跟踪控制方法 |
| CN111682563A (zh) * | 2020-05-12 | 2020-09-18 | 天津大学 | 一种基于电储能系统的微电网智能频率控制方法 |
| CN114114905A (zh) * | 2021-10-25 | 2022-03-01 | 南京理工大学 | 一种数据驱动的舰载火箭炮发射装置最优跟踪控制方法 |
| CN115313416A (zh) * | 2022-07-11 | 2022-11-08 | 华中科技大学 | 一种适用于储能电站辅助调频系统的多目标优化控制方法 |
| CN116154791A (zh) * | 2023-03-14 | 2023-05-23 | 山东大学 | 一种协同多可控资源的功角稳定控制方法、系统及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117439193B (zh) | 2024-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103280821B (zh) | 智能配电系统多时段动态无功优化方法 | |
| Xi et al. | Automatic generation control based on multiple-step greedy attribute and multiple-level allocation strategy | |
| CN113780622B (zh) | 基于多智能体强化学习的多微网配电系统分布式调度方法 | |
| CN102611099A (zh) | 一种微电网降低网损的方法 | |
| Zangeneh et al. | A survey: Fuzzify parameters and membership function in electrical applications | |
| 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 | |
| CN106570774A (zh) | 一种基于学习理论的渐进学习电网调控方法 | |
| Almasoudi et al. | Nonlinear coordination strategy between renewable energy sources and fuel cells for frequency regulation of hybrid power systems | |
| Bernard et al. | Ant-based optimal tuning of PID controllers for load frequency control in power systems | |
| CN117674216B (zh) | 一种基于模仿学习机制的蒸汽储能设群体调控方法 | |
| CN114725954A (zh) | 一种时滞光伏发电系统广域阻尼控制器设计方法 | |
| Kuang et al. | A review of control strategies for automatic generation control in power systems with renewable energy | |
| Siti et al. | A model predictive control strategy for grid-connected solar-wind with pumped hydro storage | |
| CN117439193B (zh) | 一种多源协同发电系统的最优功率控制方法 | |
| CN116865271A (zh) | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 | |
| CN116979611A (zh) | 一种源网荷储分层优化调度方法 | |
| Hongfei et al. | Optimal control virtual inertia of optical storage microgrid based on improved sailfish algorithm | |
| Zhang et al. | Energy optimization management of multi-microgrid using deep reinforcement learning | |
| CN114943448A (zh) | 一种微电网优化调度模型的构建方法和系统 | |
| He et al. | Distributed Optimal Power Scheduling for Microgrid System via Deep Reinforcement Learning with Privacy Preserving | |
| Mohapatra et al. | Artificial Intelligence technique governed robust fuzzy controller for microgrid frequency control | |
| Li et al. | A novel graph reinforcement learning approach for stochastic dynamic economic dispatch under high penetration of renewable energy | |
| Mohanty et al. | Fractional order based controller for frequency control of hybrid power system | |
| Si et al. | Review on Optimal Operation Models and Intelligent Solving Algorithms of Cascade Hydropower Stations | |
| CN112134304B (zh) | 一种基于深度学习的微电网全自动导航方法、系统与装置 |
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 |