论文部分内容阅读
摘 要：由于储能虚拟同步发电机电力具有不规则性和非线性，对其功率协调控制具有一定难度。为此提出基于模糊PID的储能虚拟同步发电机功率协调控制。利用人工智能神经网络模型对发电机运行数据进行计算学习，判断储能虚拟同步发电机荷电状态。利用模糊PID控制器向储能虚拟同步发电机发送控制指令，调整储能虚拟同步发电机荷电状态，使其功率始终处于稳定状态。经实验证明，应用此设计方法后功率波动系数远小于传统方法，具有一定的推广意义。
关键词：模糊PID;储能虚拟同步发电机;功率协调控制
中图分类号：TM614 文献标识码：A 文章编号：2096-4706（2021）06-0051-03
Coordination Control of Power of Energy Storage Virtual Synchronous Generator Based on Fuzzy PID
WU Yuexiang
（Gansu Province Special Equipment Inspection and Testing Institute，Lanzhou 730050，China）
Abstract：Due to the irregularity and nonlinearity of the electric power of energy storage virtual synchronous generator，it is difficult to coordination control its power. Therefore，a coordination control of power of energy storage virtual synchronous generator based on fuzzy PID is proposed. The artificial intelligence neural network model is used to calculate and learn the operation data of the generator，and judge the state of charge of the energy storage virtual synchronous generator. The fuzzy PID controller is used to send control commands to the energy storage virtual synchronous generator to adjust the state of charge of the energy storage virtual synchronous generator，so that its power is always in a stable state. The experimental results show that the power fluctuation coefficient after using this design method is far less than that of the traditional method，which has a certain popularization significance.
Keywords：fuzzy PID;energy storage virtual synchronous generator;coordination control of power
0 引 言
電能是人类生产、生活以及发展的重要因素，是生产活动开展的主要动力来源。随着社会的进步和发展，对电能的需求逐渐增加，相关学者也在该方面开展了大量的研究，比如分布式能源储存、能源控制以及能源开发等，并且在该方面取得了一定的研发成果。储能虚拟同步发电就是当前电力领域比较先进的储能技术，由于其具有可持续性、清洁化等优点，已经被广泛应用到电力领域中[1]。虽然在一定程度上改善了电力系统的存储性能，但储能虚拟同步发电机在运行过程中会出现功率波动异常。在接入电网时会因储能虚拟同步发电机功率的波动而引起电力事故，给系统的正常运行和正常供电带来严重的威胁[2]。同时也会造成电力资源的浪费，因此必须采取有效的措施，对储能虚拟同步发电机的功率进行协调控制，以解决目前存在的问题。
1 基于模糊PID的储能虚拟同步发电机功率协调控制方法
1.1 建立储能虚拟同步发电机模型
在建立储能虚拟同步发电机模型时，需要考虑发电机运行期间随外界温度、湿度等因素变化的内阻，并且储能虚拟同步发电机自身存储的电能有限，其集成电路值也并不是一个恒定常量。综合以上分析，此次建立的储能虚拟同步发电机动态模型如图1所示。
如图1所示，储能虚拟同步发电机动态模型是由电源E0、电路串联组成的主电路和由电流I1流经的支路组成。该模型中的电路部分表示储能虚拟同步发电机内部发生的电极反应和热量损耗，而电流I1流经的支路表示储能虚拟同步发电机在长时间发电过程中产生的析气效应。储能虚拟同步发电机的电量变化和当前剩余电量是其非常重要的特征参数，同时也是储能虚拟同步发电机功率协调控制的主要依据。假设储能虚拟同步发电机的电流为I，其当前剩余电量由电流I值表征，其公式为：
（1）
公式（1）中，H表示储能虚拟同步发电机当前剩余电量;It表示当前时刻储能虚拟同步发电机的电流量;Kmax表示储能虚拟同步发电机最大容量。储能虚拟同步发电机模型的建立是模拟出储能虚拟同步发电机动态运行状态，后续所有功率控制指令均在该模型上操作。 1.2 储能虚拟同步发电机荷电状态估计
建立完动态模型后，为了有效控制储能虚拟同步发电机功率，必须要准确了解储能虚拟同步发电机荷电状态，也就是对储能虚拟同步发电机的实时功率进行准确计算。正常情况下发电机的功率值可以通过端电压值和额定电压的比值计算得到，但是储能虚拟同步发电机运行过程比较复杂，其电力特性具有明显的不规则性和非线性。因此对其计算具有一定的难度，此次采用人工神经网络技术通过对大量样本数据计算获取到储能虚拟同步发电机功率值[3]，从而判断发电机荷电状态，其计算过程如下。
假设人工神经网络模型的输入维数为4，输出维数为2，模型的输入矢量为储能虚拟同步发电机的电流、电压以及剩余电量，输出层的输出矢量设定为储能虚拟同步发电机的功率值。根据上述设定确定人工智能神经网络模型隐含层节点神经元数量，其计算公式如下：
K=2T+1 （2）
公式（2）中，K为人工智能神经网络模型隐含层节点神经元数量;T为人工智能神经网络模型输入信号维数。根据公式（2），确定人工智能神经网络模型隐含层神经元数量为9。按照上述在MATLAB工具箱中建立人工智能神经网络模型，具体构建的软件界面如图2所示。
為了减少储能虚拟同步发电机功率值误差，在工具箱中选定sigmoid传递函数，并将计算精度设定为0.000 1。
将储能虚拟同步发电机运行数据输入到上述模型中，利用sigmoid函数对样本数据进行训练和学习，其过程如图3所示。
如图3所示，将储能虚拟同步发电机运行数据输入到模型中，利用模型反复学习和计算出储能虚拟同步发电机下一时刻的功率值，其计算公式为：
（3）
公式（3）中，?Rt+1为储能虚拟同步发电机下一时刻的功率值;μ为人工智能神经网络模型迭代时的学习率;r表示为人工智能神经网络模型学习迭代时权重的修正量;b为人工智能神经网络模型输出误差对权值的梯度下降向量[4]。根据输出值的大小预估储能虚拟同步发电机荷电状态，如果计算得到的功率值超出正常范围则视为储能虚拟同步发电机荷电状态异常，需要根据计算的功率值对其进行协调控制。
1.3 基于模糊PID协调控制储能虚拟同步发电机功率
预估完发电机荷电状态后，利用模糊PID控制器对发电机功率进行协调控制，将模糊PID控制器与发电机一侧串联连接，如图4所示。
模糊PID控制器根据人工智能神经网络模型计算结果，向发电机发送控制指令，使储能虚拟同步发电机功率达到协调状态，其过程如下。假设储能虚拟同步发电机功率的参考方向为发电为正，充电为负，模糊PID定义发电机的荷电状态如下：
（4）
公式（4）中，P为模糊PID对发电机荷电状态的定义;Ft为发电机在某一时刻的最小电压;Qmax为发电机在某一时刻的最大电压[5]。如果在某一时刻发电机的荷电状态有利于发电机功率出力时，由模糊PID控制器承担响应发电机功率波动的任务。并且由储能虚拟同步发电机当前荷电状态映射一个功率指令修正值，模糊PID控制器将储能虚拟同步发电机荷电状态与功率之间的映射设定为一次线性关系。当发电机的功率过高时，模糊PID控制器向发电机的储能单元发送指令，将多余的功率值由发电机的储能单元全部吸收，并将储能虚拟同步发电机的发电功率设定为参考值。当发电机的功率低于常规参数设定值时，模糊PID控制器向发电机的储能单元发送控制指令，由发电机储能单元为发电机功率进行补偿，功率补偿值可通过上文人工智能网络模型计算结果与发电机参考功率差计算得到。模糊PID控制器分以上两种情况对储能虚拟同步发电机功率进行协调控制，保证发电机功率始终处于稳定状态，以此实现了基于模糊PID的储能虚拟同步发电机功率协调控制。
2 实验分析
为了验证此次设计的控制方法对储能虚拟同步发电机功率波动协调控制的正确性和可行性，以某储能虚拟同步发电机为实验研究对象，该储能虚拟同步发电机电容大小为20 kVA，实验利用此次设计方法与传统方法对该储能虚拟同步发电机功率进行控制。实验中以光伏序列输出功率阶跃变化对储能虚拟同步发电机进功率进行扰动，实验中储能虚拟同步发电机波动电感为2.45 mH，波动电容为55 uF，储能直流母线电压为750 V，发电机阻抗为6.5 mH，交流电压额定幅值为350 V，储能虚拟同步发电机功率峰值为25.65 kW，功率谷值为5.14 kW。实验模糊PID控制器与储能虚拟同步发电机采用完全主动的并联方式连接，并在储能虚拟同步发电机与模糊PID控制器并联侧添加了一个GYHHKJ模块。在实验时间分别为0.5 s、1.5 s、2.5 s、3.5 s、4.5 s、5.5 s、6.5 s时分别设置一个5 V、10 V、15 V、20 V、25 V、30 V的电压突变量，观察储能虚拟同步发电机在母线电压突变情况下功率波动情况。
实验中将储能虚拟同步发电机的初始荷电状态设定为0.5，额定工作电压设定为110 V，额定电容参数设定为170 V/
5.5 Ah，发电机电容器电感设定为0.05 H。实验利用UGG软件采集到储能虚拟同步发电机功率数据，并计算出电压突变时储能虚拟同步发电机功率波动系数。波动系数用于检验协调控制方法的有效性和可行性、执行的协调控制指令是否取得良好的控制效果，波动系数越大说明协调控制方法效果越差，反之储能虚拟同步发电机功率波动系数越小则说明协调控制方法效果越好。实验根据设计方法和传统方法两种控制方法应用下功率波动系数进行对比分析，实验结果如表1所示。
从表1中数据可以看出，采用了基于模糊PID的储能虚拟同步发电机功率协调控制方法后，储能虚拟同步发电机功率波动系数明显比实验前小很多。并且最大波动系数仅为0.036，对储能虚拟同步发电机影响较小，基本可以忽略不计。而应用传统方法后，储能虚拟同步发电机功率波动系数虽然也有了明显的减小，但是仍然比较大，远大于设计方法。因此实验证明设计方法可以有效控制储能虚拟同步发电机功率波动问题，能够有效保证储能虚拟同步发电机正常运行。
3 结 论
由于储能虚拟同步发电机本身具有自然特性，其内部功率具有一定的随机性和突发性，因此有必要采取有效的手段对其进行协调控制。此次在原有控制理论基础上进行了完善与优化，采用了模糊PID控制技术，改善了储能虚拟同步发电机功率波动问题，降低了其功率波动系数，为储能虚拟同步发电机稳定运行提供了有效的控制技术支撑。同时也解决了储能虚拟同步发电机能耗问题，在一定程度上实现了储能虚拟同步发电机的节能降耗。
参考文献：
[1] 刘振烜，易映萍，石伟.基于VSG的并网逆变器功率控制研究 [J].电子科技，2020，33（10）：6-14.
[2] 陈中颖，胡传意，黄明明.基于多环虚拟同步发电机的功率控制 [J].广东电力，2018，31（12）：33-40.
[3] 张福民，白松，李占凯，等.基于VSG技术的微电网储能荷电状态控制策略 [J].电网技术，2019，43（6）：2109-2116.
[4] 杨巧玲，包广清，张海平.太阳能斯特林直线发电机控制策略研究 [J].中国设备工程，2019（21）：226-227.
[5] 高长伟，刘晓明，孟昭军.分布式光伏发电系统改进虚拟同步发电机控制 [J].太阳能学报，2021，42（2）：376-382.
作者简介：吴越翔（1990—）男，汉族，陕西子长人，工程师，本科，研究方向：机电一体化。
关键词：模糊PID;储能虚拟同步发电机;功率协调控制
中图分类号：TM614 文献标识码：A 文章编号：2096-4706（2021）06-0051-03
Coordination Control of Power of Energy Storage Virtual Synchronous Generator Based on Fuzzy PID
WU Yuexiang
（Gansu Province Special Equipment Inspection and Testing Institute，Lanzhou 730050，China）
Abstract：Due to the irregularity and nonlinearity of the electric power of energy storage virtual synchronous generator，it is difficult to coordination control its power. Therefore，a coordination control of power of energy storage virtual synchronous generator based on fuzzy PID is proposed. The artificial intelligence neural network model is used to calculate and learn the operation data of the generator，and judge the state of charge of the energy storage virtual synchronous generator. The fuzzy PID controller is used to send control commands to the energy storage virtual synchronous generator to adjust the state of charge of the energy storage virtual synchronous generator，so that its power is always in a stable state. The experimental results show that the power fluctuation coefficient after using this design method is far less than that of the traditional method，which has a certain popularization significance.
Keywords：fuzzy PID;energy storage virtual synchronous generator;coordination control of power
0 引 言
電能是人类生产、生活以及发展的重要因素，是生产活动开展的主要动力来源。随着社会的进步和发展，对电能的需求逐渐增加，相关学者也在该方面开展了大量的研究，比如分布式能源储存、能源控制以及能源开发等，并且在该方面取得了一定的研发成果。储能虚拟同步发电就是当前电力领域比较先进的储能技术，由于其具有可持续性、清洁化等优点，已经被广泛应用到电力领域中[1]。虽然在一定程度上改善了电力系统的存储性能，但储能虚拟同步发电机在运行过程中会出现功率波动异常。在接入电网时会因储能虚拟同步发电机功率的波动而引起电力事故，给系统的正常运行和正常供电带来严重的威胁[2]。同时也会造成电力资源的浪费，因此必须采取有效的措施，对储能虚拟同步发电机的功率进行协调控制，以解决目前存在的问题。
1 基于模糊PID的储能虚拟同步发电机功率协调控制方法
1.1 建立储能虚拟同步发电机模型
在建立储能虚拟同步发电机模型时，需要考虑发电机运行期间随外界温度、湿度等因素变化的内阻，并且储能虚拟同步发电机自身存储的电能有限，其集成电路值也并不是一个恒定常量。综合以上分析，此次建立的储能虚拟同步发电机动态模型如图1所示。
如图1所示，储能虚拟同步发电机动态模型是由电源E0、电路串联组成的主电路和由电流I1流经的支路组成。该模型中的电路部分表示储能虚拟同步发电机内部发生的电极反应和热量损耗，而电流I1流经的支路表示储能虚拟同步发电机在长时间发电过程中产生的析气效应。储能虚拟同步发电机的电量变化和当前剩余电量是其非常重要的特征参数，同时也是储能虚拟同步发电机功率协调控制的主要依据。假设储能虚拟同步发电机的电流为I，其当前剩余电量由电流I值表征，其公式为：
（1）
公式（1）中，H表示储能虚拟同步发电机当前剩余电量;It表示当前时刻储能虚拟同步发电机的电流量;Kmax表示储能虚拟同步发电机最大容量。储能虚拟同步发电机模型的建立是模拟出储能虚拟同步发电机动态运行状态，后续所有功率控制指令均在该模型上操作。 1.2 储能虚拟同步发电机荷电状态估计
建立完动态模型后，为了有效控制储能虚拟同步发电机功率，必须要准确了解储能虚拟同步发电机荷电状态，也就是对储能虚拟同步发电机的实时功率进行准确计算。正常情况下发电机的功率值可以通过端电压值和额定电压的比值计算得到，但是储能虚拟同步发电机运行过程比较复杂，其电力特性具有明显的不规则性和非线性。因此对其计算具有一定的难度，此次采用人工神经网络技术通过对大量样本数据计算获取到储能虚拟同步发电机功率值[3]，从而判断发电机荷电状态，其计算过程如下。
假设人工神经网络模型的输入维数为4，输出维数为2，模型的输入矢量为储能虚拟同步发电机的电流、电压以及剩余电量，输出层的输出矢量设定为储能虚拟同步发电机的功率值。根据上述设定确定人工智能神经网络模型隐含层节点神经元数量，其计算公式如下：
K=2T+1 （2）
公式（2）中，K为人工智能神经网络模型隐含层节点神经元数量;T为人工智能神经网络模型输入信号维数。根据公式（2），确定人工智能神经网络模型隐含层神经元数量为9。按照上述在MATLAB工具箱中建立人工智能神经网络模型，具体构建的软件界面如图2所示。
為了减少储能虚拟同步发电机功率值误差，在工具箱中选定sigmoid传递函数，并将计算精度设定为0.000 1。
将储能虚拟同步发电机运行数据输入到上述模型中，利用sigmoid函数对样本数据进行训练和学习，其过程如图3所示。
如图3所示，将储能虚拟同步发电机运行数据输入到模型中，利用模型反复学习和计算出储能虚拟同步发电机下一时刻的功率值，其计算公式为：
（3）
公式（3）中，?Rt+1为储能虚拟同步发电机下一时刻的功率值;μ为人工智能神经网络模型迭代时的学习率;r表示为人工智能神经网络模型学习迭代时权重的修正量;b为人工智能神经网络模型输出误差对权值的梯度下降向量[4]。根据输出值的大小预估储能虚拟同步发电机荷电状态，如果计算得到的功率值超出正常范围则视为储能虚拟同步发电机荷电状态异常，需要根据计算的功率值对其进行协调控制。
1.3 基于模糊PID协调控制储能虚拟同步发电机功率
预估完发电机荷电状态后，利用模糊PID控制器对发电机功率进行协调控制，将模糊PID控制器与发电机一侧串联连接，如图4所示。
模糊PID控制器根据人工智能神经网络模型计算结果，向发电机发送控制指令，使储能虚拟同步发电机功率达到协调状态，其过程如下。假设储能虚拟同步发电机功率的参考方向为发电为正，充电为负，模糊PID定义发电机的荷电状态如下：
（4）
公式（4）中，P为模糊PID对发电机荷电状态的定义;Ft为发电机在某一时刻的最小电压;Qmax为发电机在某一时刻的最大电压[5]。如果在某一时刻发电机的荷电状态有利于发电机功率出力时，由模糊PID控制器承担响应发电机功率波动的任务。并且由储能虚拟同步发电机当前荷电状态映射一个功率指令修正值，模糊PID控制器将储能虚拟同步发电机荷电状态与功率之间的映射设定为一次线性关系。当发电机的功率过高时，模糊PID控制器向发电机的储能单元发送指令，将多余的功率值由发电机的储能单元全部吸收，并将储能虚拟同步发电机的发电功率设定为参考值。当发电机的功率低于常规参数设定值时，模糊PID控制器向发电机的储能单元发送控制指令，由发电机储能单元为发电机功率进行补偿，功率补偿值可通过上文人工智能网络模型计算结果与发电机参考功率差计算得到。模糊PID控制器分以上两种情况对储能虚拟同步发电机功率进行协调控制，保证发电机功率始终处于稳定状态，以此实现了基于模糊PID的储能虚拟同步发电机功率协调控制。
2 实验分析
为了验证此次设计的控制方法对储能虚拟同步发电机功率波动协调控制的正确性和可行性，以某储能虚拟同步发电机为实验研究对象，该储能虚拟同步发电机电容大小为20 kVA，实验利用此次设计方法与传统方法对该储能虚拟同步发电机功率进行控制。实验中以光伏序列输出功率阶跃变化对储能虚拟同步发电机进功率进行扰动，实验中储能虚拟同步发电机波动电感为2.45 mH，波动电容为55 uF，储能直流母线电压为750 V，发电机阻抗为6.5 mH，交流电压额定幅值为350 V，储能虚拟同步发电机功率峰值为25.65 kW，功率谷值为5.14 kW。实验模糊PID控制器与储能虚拟同步发电机采用完全主动的并联方式连接，并在储能虚拟同步发电机与模糊PID控制器并联侧添加了一个GYHHKJ模块。在实验时间分别为0.5 s、1.5 s、2.5 s、3.5 s、4.5 s、5.5 s、6.5 s时分别设置一个5 V、10 V、15 V、20 V、25 V、30 V的电压突变量，观察储能虚拟同步发电机在母线电压突变情况下功率波动情况。
实验中将储能虚拟同步发电机的初始荷电状态设定为0.5，额定工作电压设定为110 V，额定电容参数设定为170 V/
5.5 Ah，发电机电容器电感设定为0.05 H。实验利用UGG软件采集到储能虚拟同步发电机功率数据，并计算出电压突变时储能虚拟同步发电机功率波动系数。波动系数用于检验协调控制方法的有效性和可行性、执行的协调控制指令是否取得良好的控制效果，波动系数越大说明协调控制方法效果越差，反之储能虚拟同步发电机功率波动系数越小则说明协调控制方法效果越好。实验根据设计方法和传统方法两种控制方法应用下功率波动系数进行对比分析，实验结果如表1所示。
从表1中数据可以看出，采用了基于模糊PID的储能虚拟同步发电机功率协调控制方法后，储能虚拟同步发电机功率波动系数明显比实验前小很多。并且最大波动系数仅为0.036，对储能虚拟同步发电机影响较小，基本可以忽略不计。而应用传统方法后，储能虚拟同步发电机功率波动系数虽然也有了明显的减小，但是仍然比较大，远大于设计方法。因此实验证明设计方法可以有效控制储能虚拟同步发电机功率波动问题，能够有效保证储能虚拟同步发电机正常运行。
3 结 论
由于储能虚拟同步发电机本身具有自然特性，其内部功率具有一定的随机性和突发性，因此有必要采取有效的手段对其进行协调控制。此次在原有控制理论基础上进行了完善与优化，采用了模糊PID控制技术，改善了储能虚拟同步发电机功率波动问题，降低了其功率波动系数，为储能虚拟同步发电机稳定运行提供了有效的控制技术支撑。同时也解决了储能虚拟同步发电机能耗问题，在一定程度上实现了储能虚拟同步发电机的节能降耗。
参考文献：
[1] 刘振烜，易映萍，石伟.基于VSG的并网逆变器功率控制研究 [J].电子科技，2020，33（10）：6-14.
[2] 陈中颖，胡传意，黄明明.基于多环虚拟同步发电机的功率控制 [J].广东电力，2018，31（12）：33-40.
[3] 张福民，白松，李占凯，等.基于VSG技术的微电网储能荷电状态控制策略 [J].电网技术，2019，43（6）：2109-2116.
[4] 杨巧玲，包广清，张海平.太阳能斯特林直线发电机控制策略研究 [J].中国设备工程，2019（21）：226-227.
[5] 高长伟，刘晓明，孟昭军.分布式光伏发电系统改进虚拟同步发电机控制 [J].太阳能学报，2021，42（2）：376-382.
作者简介：吴越翔（1990—）男，汉族，陕西子长人，工程师，本科，研究方向：机电一体化。