混合协调控制范文

混合协调控制范文（精选7篇）

混合协调控制 第1篇

风能和太阳能具有储量丰富、无污染、可再生等优点,但是,风力发电和太阳能发电具有间歇性和随机性的特点,会导致电网电压的波动,同时风光联合发电系统输出功率过大,超过负荷要求时,会导致系统频率上升等问题。在直流母线或者交流系统中配备一定的储能,可提高电网运行的安全性和稳定性。

电力系统中的储能技术形式多样[1]。文献[2]提出利用超级电容器平抑风电场功率波动,但超级电容器价格昂贵,其容量在满足要求的情况下很不经济。文献[3]比较了不同的储能在改善风电场输出中的应用。目前对间歇式新能源输出功率的平抑控制,主要有2种方式:一是通过直接控制分布式电源本身,改善其输出功率特性,如文献[4]提出通过风力机桨距角控制减缓其输出功率波动性;二是通过一阶固定时间常数滤波,文献[5]提出了加入电池荷电状态(SOC)反馈控制的一阶滤波控制方法来平抑风电场的功率,文献[6]采用飞轮储能平抑短周期内功率波动,采用了随机动态优化控制的一阶滤波。本文针对风光联合发电系统输出功率变化大、变化频繁的特点,采用多元复合储能技术[7],将具有快速响应特性的储能系统和具有大容量储能特性的储能系统联合使用以平抑功率波动,这不仅可以优化储能系统的运行,延长系统寿命,而且可以使系统获得更好的技术性能和经济指标。其中,铅酸蓄电池技术成熟、价格便宜、蓄电容量较大、充放电周期较长,但是不能频繁地充放电,适合稳定数分钟至几十分钟内的长周期、大容量的功率波动。超级电容器充放电电流较大、充放速度很快、寿命长(可达100万次以上),但一般容量较小,非常适合需要短时频繁充放电的场合。因此,本文采用铅酸电池和超级电容器组成的混合储能系统合理搭配,分别平抑长周期和短周期的波动。

1 风光储系统构成与元件控制

本文中的风光储混合系统主要包括风力发电和光伏阵列,以及由蓄电池和超级电容器组成的储能系统,整个系统结构如图1所示。

光伏电池采用最大功率点跟踪(MPPT)控制,经过MPPT控制后输出的直流电经过并网逆变器接入到三相交流电网中[8]。永磁直驱风力发电系统[9,10]将捕获到的风能转化为频率、幅值变化的三相交流电,再经过转子侧整流器、网侧逆变器两级背靠背交直交变流器变换成与电网同步的三相交流电后接入电网。储能元件并网系统均采用直直双向变换电路和直交逆变电路两级控制结构,这种结构的优点在于:功率流动方向和大小与功率并网输出分别由前后两级独立控制,控制器设计简单。前级DC/DC双向变换电路控制储能充放电功率的大小和方向,后级并网逆变器将直流母线上的直流电逆变成与电网同步的交流电,同时实现直流母线电压的稳压功能。

蓄电池模型用经典的CIEMAT模型[11],主要由电压源和一个可变内阻2个参数来描述电池特征。超级电容器的模型[12,13]采用一阶线性RC模型,等效电路包括理想电容器、等效串联内阻(ESR)、等效并联内阻(EPR)。对于分布式储能单元,所有元件都通过双向DC/DC变换电路[14,15]与直流母线相连,主要功能是控制储能单元功率的双向流动。分布式发电单元直接输出的或经过整流后的直流电,以及储能单元经过DC/DC级控制后的直流电,都要经过并网逆变器接入电网。并网逆变器的控制采用基于d轴电网电压定向的矢量控制[16],其作用为控制直流母线电压的恒定以及输入到电网的无功功率,能实现逆变器输出的有功、无功功率解耦控制。

2 储能装置的优化控制

采用蓄电池和超级电容器复合储能平抑风光联合发电系统的输出功率波动过程分为2级:第1级为用超级电容器平抑几秒至几分钟内的高频波动部分;第2级为用蓄电池平抑几分钟至几小时内的中频波动部分,使得最后电网的总输入功率平稳。具体控制过程如图2所示。将风光联合发电系统总输出功率经过超级电容器惯性环节(相当于低通滤波器)滤除功率高频波动部分,产生过渡目标值,利用电力稳定化目标值和风光联合发电系统输出的差值,生成波动成分的反相波形的充放电指令ΔP′,指令值经过最大功率限制控制环节后,发给超级电容器的双向变换器。超级电容器按照此指令通过充放电发出或者吸收功率,使得合成总功率相对平滑,超级电容器和风光联合发电系统总合成功率再按照上述过程,经过蓄电池环节的平抑,使得最终输入到电网的功率满足并网要求。

为了节省储能设备的容量,优化储能设备的运行,同时保证各种储能设备都在合理的范围内运行,在利用储能平抑功率波动控制过程中,本文提出最大功率限制控制和变时间常数控制。

2.1 最大功率限制控制

为了保护储能设备,防止过度充放电,对充放电功率进行了上下限的限制,即在惯性过滤器外部设置充放电指令的阈值。如图3所示,在储能元件电量较少时限制其放电功率,达到电量下限时停止向外放电,而储能剩余电量较多时,限制充电功率,达到电量上限时,不再向其充电,从而达到在保护储能装置和双向变换器的同时,最大限度地维持平抑效果。

2.2 变时间常数控制

电力波动的大小通常决定了充放电指令值ΔP的大小。根据ΔP的大小,改变惯性环节的时间常数Tf,不仅可以补偿较宽频带的输出波动成分,还可减少系统对储能容量的需求,提高风光储混合系统的技术性能和经济性。

根据控制理论,延长惯性环节的时间常数Tf,会使输出功率更平稳,而另一方面,也会使滤波后的总功率对原始风光联合发电系统输出追踪性下降,且需要的储能系统容量也会增大。相反,缩短时间常数Tf,滤波后的总功率对原功率的追踪性会更好,储能元件所需容量也将减少,但滤波平抑后功率的平稳性可能会变差。可以有效地利用此特性,根据输出波动的大小不断调整过滤器的时间常数。

2.2.1 超级电容器的惯性时间常数设计

超级电容器充放电速度很快,其瞬时功率可以很大,但由于其价格昂贵,其容量设计不能太大。当输出波动很大时,超级电容器所承担的功率波动大大增加,容量需求增大。为限制其容量增加过多,在输出波动较大时减小时间常数,以减少其容量的增加,因此将超级电容器的时间常数Tf1设计成按充放电指令值ΔP1的指数形式递减。当风光联合发电系统功率波动增大时,指令值ΔP1也增大,此时Tf1减小,从而达到限制所需补偿电力ΔP1大幅增加。超级电容器的惯性环节时间常数的设计如下:

式中:Tf1为超级电容器滤波环节的惯性时间常数;ΔP1为超级电容器的充放电指令值;A和B为变时间常数控制参数。

由于超级电容器一般用于平抑几秒到一两分钟内的功率波动,Tf1一般控制在120s以内。

2.2.2 蓄电池的惯性时间常数设计

当输出波动较大时,需要储能装置对输出进行的补偿也大,所以需增大时间常数后再进行稳定化控制。当输出波动较小时,需缩短时间常数,将电力补偿限制在允许的最低限值,这样既提高了风力发电机输出的稳定化目标值的追踪性,又节省了补偿电力。因此,蓄电池的时间常数设计成与充放电指令呈正比关系:

式中:Tf2为蓄电池滤波环节的惯性时间常数;ΔP2为蓄电池的充放电指令值;C为控制参数。

一般蓄电池用于平抑几分钟到几十分钟内的功率波动。

3 变时间常数控制中参数优化计算与储能容量确定

在分布式电源出口安装储能装置能够有效减小功率波动,然而储能系统的成本比较昂贵,实际上只能利用有限容量来优化分布式电源的功率输出。因此储能装置容量的设计[17],既要使功率输出满足并网技术标准,又要降低有效容量以降低成本。储能容量及变时间常数控制中的参数受到多方面的综合影响,不同的混合式系统功率波动特性不同,所接入的电网特性也不同,因此要针对具体的分布式系统进行具体分析。

本文采用2个低通滤波器来分别滤除不同时段内的波动,根据图2,超级电容器发出的功率离散表达式为:

超级电容器输出电能随时间变化为:

则需要的超级电容器容量为:

式中:ΔT为采样时间间隔;PDG(n)和PUC(n)分别为总的分布式电源和超级电容器在时刻n发出的功率;EUC(n)为超级电容器到时刻n放出的总电能。

用超级电容器滤除高频波动部分后的输出功率为:

同样的,对于蓄电池,有

需要的蓄电池电能容量为:

根据电力公司的发电计划,以及新能源输出技术标准,利用储能装置对功率进行平抑后,要求1min内最大功率波动不超过额定功率的2%,30min内不超过10%。同时,考虑到经济性,为了减小储能设备容量,允许在一定概率下对于某些极端的情况可不满足并网标准。因此,约束条件为:

式中:D1为输入到电网功率满足1min内功率波动要求的概率;D2为满足30 min并网要求的概率;D1ref和D2ref为设定的期望满足概率。

同时考虑到蓄电池的爬坡率,有

式中:i=1,2,…,n-1;ΔRPLBmax为蓄电池的最大爬坡率。

要优化的目标函数为:

式中:pUC和pLB分别为超级电容器和蓄电池的价格。

本文调用粒子群优化(PSO)算法解决上述优化问题。待优化的参数为A,B,C,Tf1_min,Tf1_max,Tf2_min,Tf2_max。优化出上述参数后,就可以确定满足一定条件下所需要的超级电容器和蓄电池的容量。上述计算得到的容量是针对某时间段内具体的自然条件下需要的储能容量,对于实际系统,容量确定可以按照以下方法:从风光联合发电系统运营历史数据中,抽取若干典型季节与典型气候的一整天功率输出监测数据,然后计算出变时间常数控制中的各控制参数和蓄电池、超级电容器的大致容量,再将计算得出的若干个容量取平均值确定初始容量,用实际数据进行物理动态仿真,加以修正。

4 算例仿真分析

为验证混合储能系统在风光联合发电系统功率波动平抑中的有效性,在MATLAB/Simulink环境下建立了如图1所示的风光储系统模型并进行了仿真。考虑到本仿真系统的复杂性,加上都是运用详细的电力电子器件所搭建的精确模型,仿真步长设置为10μs,而为了观察平抑波动后30min内的最大功率波动情况,仿真时间最好在1h以上。为了解决这个矛盾,将仿真时间单位设置成2min,即在Simulink环境下仿真1s相当于实际系统中的120s,本质为将实际系统过程在仿真中加快到120倍,这样对2h的仿真可以缩减到对60s的仿真。设置如下:系统中的电压、电流、功率为瞬时值,时间单位的改变对其无影响,只影响电能,时间单位改变后若仿真时间为t,实际时间为t1,则t1=120t。对于超级电容器,有

对于蓄电池,有

根据式(14)、式(15),将模型中电容、电感值缩小为原来的1/120,荷电量ESOC积分式前乘以系数120。仿真模型中相应的时间常数单位也为2min,即其数值均变为原来的1/120。由于仿真步长为10μs,这样设置后仿真结果仍可以精确到毫秒级,对于2h长的仿真,这个精度已十分精确了,因此这种设置并不会影响仿真的正确性和精确性。

仿真参数为:电网低压端电压400V;同步风机容量75kW;额定风速11 m/s;光伏阵列额定功率32.5kW;额定光照强度1 000 W/m2。假定在2h内风速和光照强度变化如图4所示(仿真时为适应时间坐标变换,输入数据时对实际数据做了相应的比例变换,即将实际2h的数据采样间隔缩小后变成60s数据输入到仿真系统中)。

基于上述数据进行仿真,得到分布式电源的总输出功率数据,以1s为采样间隔进行采样得到离散功率数据PDG(0),PDG(1),…,PDG(7 200)。

基于风光联合发电系统总输出功率数据,按第3节的方法,调用PSO算法进行优化,计算各个变时间常数控制参数和所需的超级电容器和蓄电池的容量,其中蓄电池的价格为25美元/(kW·h),超级电容器的价格为85美元/(kW·h),得到结果如表1所示。

与不加变时间常数控制时结果比较。如表2所示,固定时间常数的选取仍然通过第3节所用方法调用PSO算法得到,优化函数和约束不变,将其中的变时间常数变为固定时间常数,优化变量为Tf1和Tf2,保证选择的固定时间常数Tf1和Tf2为经济性最优的一组固定时间常数。

比较表1、表2的结果可以发现,在并网性能相同时,加入变时间常数控制后,超级电容器和蓄电池的容量都有所减小,储能系统总成本降低。

基于上述优化结果,选取在100%满足并网标准技术指标情况下的变时间常数控制参数,并确定储能元件的容量如下。单体蓄电池规格:电压2V,容量320A·h;串联数50;并联数3。超级电容器:电容120F;并联数8。容量0.8kW·h;最大输出功率35kW。

对优化结果进行仿真验证,得到仿真结果见图5—图8。

从图5看出,风光联合发电系统在未加储能装置时输出功率剧烈波动,通过超级电容器很好地滤除了短周期波动,再经蓄电池补偿,注入到电网的功率平滑很多。图6也显示注入到电网功率10 min内波动远小于额定功率的2%,30min内波动限制在10%以内,验证了本文功率平抑控制的有效性。图7中超级电容器的电能变化1.31kW·h,与计算结果基本相符,验证了模型的正确性和采用变时间常数可以有效减小储能容量,同时看到图8中蓄电池功率方向改变次数即充放电循环次数已很少,可以很好地延长其使用寿命。

5 结语

本文通过建模仿真,验证了储能系统在改善风光联合发电系统输出、平抑输出功率波动方面的应用。采用蓄电池和超级电容器复合储能既减少了蓄电池充放电次数,又减小了超级电容器容量,从而达到优化储能系统的运行,提高储能系统寿命,实现整个系统的经济优化的目的。通过采用最大功率限制控制策略保证储能在合理、安全的范围内运行,保护储能装置。通过采用可变时间常数控制,实现了在保证风光联合发电系统技术指标的前提下,尽量追踪新能源的输出功率,优化储能设备的输出,减小储能设备的容量,最终达到整个系统的高效、经济、稳定可靠。这种采用一阶滤波时间常数可变的方法,在现有工程如张北风电场、西目案例中均有所提及,但缺乏一套具体的变时间常数控制方法。本文对系统进行了详细的电磁暂态模型仿真验证,证明了文中提出的变时间常数控制方法在减小储能容量、优化系统运行方面的有效性。

月球车运动协调控制研究 第2篇

月球车运动协调控制研究

对六轮摇臂式月球车的.运动协调控制进行了研究.采用轮式行星车的地形检测技术,根据测试数据和刚体运动学理论估算月球车各车轮的轮地夹角,获得实际的地形特征.用仿真验证了其有效性.另提出了基于地形特征控制车轮滑转率的月球车运动协调控制规则.定义了协调控制算法的启用、运行和结束准则.规定仅对满足一定条件的崎岖地形才作协调控制,忽略微小的地形起伏,以减少控制系统负担.

作 者：刘晓峰 丁同才 LIU Xiao-feng DING Tong-cai  作者单位：上海宇航系统工程研究所,上海,08 刊 名：上海航天  PKU英文刊名：AEROSPACE SHANGHAI 年，卷(期)： 26(1) 分类号：V476.3 关键词：月球车   摇臂式   协调控制   轮-地夹角   滑转率  

混合协调控制 第3篇

随着日益严重的环境污染和能源枯竭问题, 混合动力汽车因其在节能减排上的优势, 正逐渐受到人们的关注。然而, 混合动力汽车由两种动力源联合驱动的特点导致其结构也相对复杂, 并且随着工况的变化, 不同驱动模式之间的切换也造成了动力输出的波动, 影响了驾驶性能。尤其是切换过程中离合器的结合与分离给车辆的传动系统带来了显著的冲击[1,2,3,4]。因此混合动力模式切换时的平顺性与快速性问题成为了不少学者研究的热点。

汉阳大学的HyunsupKim[5]等人针对由发动机转矩误差以及离合器转矩带来的干扰设计了扰动观测器, 并通过电机转矩对其进行补偿, 实现模式切换过程中转矩输出的平顺性。亚琛工业大学的R.Beck等人[6]针对离合器结合过程中对快速性以及平顺性的要求, 将离合器转矩当作已知扰动设计了模型预测控制器。上海交通大学的LiChen等[7]将离合器转矩作为控制量, 并以纯电动运行时的车辆作为参考模型, 对此过驱动系统设计了一种基于模型参考的转矩协调控制器, 在设计过驱动控制器时采用前馈与反馈结合的方法, 其中反馈采用了PID控制, 尽管该方法能够在保证稳定性的前提下平顺的完成模式切换, 减小离合器摩擦损耗, 但由于只采用比例控制, 因此未能充分发挥过驱动系统的性能。

本文针对混合动力汽车由纯电动到混合驱动模式切换过程需要满足快速性与动力输出平顺性的要求, 针对这一过驱动系统, 提出了基于模型预测控制和控制分配的转矩协调控制方法, 并仿真分析了该方法的控制效果, 同时讨论了控制器主要参数对控制性能的影响。

1 转矩协调控制问题的提出

1.1 系统模型

本文所研究的混联式混合动力汽车传动系统结构如图1所示[7]离合器一侧与发动机相连接, 另一侧与变速箱连接, 驱动电机通过转矩耦合器安装在变速箱输出轴上, 驱动转矩通过驱动桥最终传递到驱动轮。

针对混合动力汽车模式切换时的转矩协调问题, 控制器的主要设计目标为快速完成离合器的结合过程, 同时避免过大的纵向冲击。因此为了便于控制器的设计, 将系统简化成如图2所示的以离合器为研究对象的等效两自由度模型。

混合动力汽车传动系统的动力学方程为:

路面阻力矩为:

式中, CD是空气阻力系数, AV为汽车迎风面积, ρ为空气密度, v为车辆行驶方向上相对风速, α为道路坡度, f为车轮滚动阻力系数, R为轮胎半径。

考虑到滑摩过程中ω1始终小于ω2, 离合器摩擦转矩表达式为:

式中, μc为离合器滑动摩擦系数, Pc为离合器压盘上压强, Rc为离合器压盘的有效摩擦半径, Ac为有效摩擦面积。

1.2 转矩协调控制问题

当车辆由纯电动起步, 低速运行一段时间后经过模式切换, 变为由发动机和电机联合驱动这一过程中, 需要经历离合器的结合。而此过程中, 由于离合器滑摩带来了摩擦转矩, 若不对这一过程进行合理的控制, 将引起车辆纵向运动的冲击, 影响乘车的舒适性;另一方面, 在这一过程中, 如果离合器两轴转速不能快速同步, 将会使切换过程过长, 并造成离合器的磨损。因此要解决以上两方面问题, 需要在车辆进行模式切换过程时对发动机、离合器以及电机的转矩进行协调控制。

模式切换过程的平顺性可用纵向冲击度作为评价指标, 纵向冲击度如式所定义, 其中a为车辆纵向加速度。而快速的切换过程可以减小离合器摩擦损耗, 由式给出其定义。

其中, tf表示离合器锁止时刻。

2 转矩协调控制器设计

由于车辆在模式切换完成后离合器锁止, 两轴转速相同, 因此可以将电机以驾驶员需求转矩单独驱动且离合器锁止时的系统作为参考模型, 其转速作为实际系统的转速规划值[7]。参考模型的状态方程为:

ωm为参考模型的转速, Md为等效到离合器轴的驾驶员需求转矩。

系统状态空间表达式为:

其中:

由于系统状态空间为2维且有3个控制输入, 所以这是一个存在输出约束的过驱动系统。因此设计控制器时需要考虑如何合理分配发动机转矩、离合器转矩以及发动机转矩这三个控制量, 提高系统性能以满足模式切换时的快速性与平顺性要求。

针对过驱动控制问题, 常用的方法是直接采用最优控制求解, 另一种方法是控制分配, 即首先确定上层控制指令, 然后再将该指令按照某种优化目标分配至各执行器[8]。采用第二种模块化的设计方法可以保证分配方式的改变不影响闭环系统性能, 同时在控制分配时只需考虑当前时刻的执行器约束。由于本文在设计转矩协调控制器时, 在保证模式切换过程快速平稳的同时需要考虑由于离合器转矩带来的滑磨损耗, 同时避免在低速下发动机转矩过大而降低发动机效率, 因此采用控制分配的方案有利于在保证闭环性能不变的情况下, 分析不同的控制量权重对滑磨损耗与发动机效率的影响。采用如图3所示的控制分配的方法, 首先根据转速期望值ωm与实际值ω求解最优虚拟控制指令v*, 然后对v*进行分配, 获得实际控制指令u并作用于被控对象。同时本文的控制方法采用模型预测控制思想, 进行在线滚动优化以减小模型失配带来的误差影响。

在本文中, 对Bu进行如下分解:

B为控制效率矩阵。虚拟控制量表示总控制输入, 与实际控制量u间的关系为:

系统转化为:

在k时刻, 针对式所示系统, 首先求解如式表示的二次型多目标优化问题[9], 获得最优虚拟控制指令v* (k) 。

p为预测时域, m为控制时域, Jv为性能指标, Q=diag (q1, q2) , R=diag (r1, r2) 分别为输出和虚拟控制量加权矩阵, P为终端状态加权矩阵, v0为目标虚拟控制量。为使离合器结合时两侧加速度接近, 减小接合时刻冲击, 同时接近参考模型加速度, 取v0如式所示:

为保证系统稳定, 在求解式这一无约束模型预测控制器时, 采用式所示的双模控制的形式, K为状态反馈镇定控制率。

若以下李亚普诺夫方程有解, 则系统稳定。

确定P之后, 求得以上二次型最优问题解, 并选取首项作为当前时刻虚拟控制指令, 如式所示, Kf, Kb分别为前馈及反馈控制率, 都可离线求得。

在求得最优虚拟控制指令v* (k) 后, 下一步通过求解如式表示的二次规划问题, 进行控制量的分配, Wu=diag (wu1, wu2, wu3) 为控制量加权矩阵, Wv=diag (wv1, wv2, wv3) 为控制分配间的权重矩阵。为使Bu (k) 尽量等于v* (k) , 以保证闭环系统性能, 通常加权因子g (30) 1[10]。

将求解式所得最优控制量u* (k) 作为控制输入, 在k+1时刻重复上述步骤。

在离合器滑摩阶段结束时刻tf, 为抑制由离合器锁止带来的冲击, 需满足表达式。

3 仿真结果及分析

为验证本文所提出的转矩协调控制方法的有效性, 并讨论加权参数对控制器性能的影响, 在Matlab/SIMULINK软件中搭建车辆纵向动力学模型以及控制器模型, 采样时间为0.01s。仿真工况选择在坡度α=0的情况下, 车辆从纯电动起步, 低速行驶至满足模式切换要求的速度。本文考虑离合器开始滑摩到锁止的过程, 仿真从ω1=80rad/s, ω2=140rad/s开始, 车速约13km/h, 转速差60rad/s。预测时域p=5, 控制时域m=3。由于实际应用中车辆在这一切换过程时处于低速, 档位在2档, 因此传动比i1及其他车辆仿真参数如表1所示:

图4为转矩协调控制模式切换过程与无协调控制过程的比较。图4 (a) 显示转矩协调控制过程的离合器滑摩时间约为0.7s, 略长于无协调控制的0.55s, 但是由于无协调过程的发动机转矩与电机转矩由上层能量管理策略决定, 在切换过程中保持不变, 因此当离合器结合时, 由图4 (f) 可知车辆纵向加速度发生剧烈变化;而从图4 (c) 、 (d) 、 (f) 看到, 转矩协调控制通过电机转矩补偿离合器摩擦转矩, 使得车辆纵向加速度基本不变。此外从图4 (g) 看到, 无协调控制过程在离合器锁止时刻纵向冲击度达到了70m/s3, 而协调控制过程则只有约-1m/s3, 在±10m/s3范围内可满足舒适性要求。由图4 (h) 看出, 协调控制时分配给离合器的转矩较小, 从而使滑磨损耗只有约500J, 远小于无协调控制时的2200J。由此可见通过转矩协调控制, 在保证快速完成模式切换的前提下, 抑制了纵向冲击度, 提高了舒适性, 并减小了滑磨损耗。

在车辆模式切换的控制过程中首先要保证系统闭环性能, 即离合器两轴转速相对期望转速的快速跟踪, 加权矩阵Q对此过程有直接影响;另一方面, 在控制分配的过程中, Wu直接决定了各控制量之间的相对大小;此外, 加权因子γ的取值同样会影响系统目标闭环性能的实现, 因此以下着重讨论加权矩阵Q、Wu和加权因子γ对控制器性能的影响。

Q的选取首先需要使等式右边Q+KTRK为正定矩阵, 从而保证P正定。仿真中选取不同的q1和q2, 仿真结果如图5所示。由图5 (a) 观察到随着q1的增大, 离合器结合过程加快, 这是因为y1表示ω1与参考目标转速之差, 对其增大权重使ω1迅速接近期望转速, 从而加快模式切换过程。此外, 为使ω1迅速增加, 控制量Te和Tc也相应增大, 但是由于离合器滑摩时间较短, 由图5 (h) 可知最终的摩擦损耗并未显著增加。而当q2增大时, 即增大了y2的权值, 使得ω2迅速接近期望转速, 因此需要更大的纵向加速度, 由图5 (f) 可以看到这一点。

取γ分别为1, 5, 25, 仿真结果如图6所示。可以从图6 (a) 观察到, 当γ为1时系统闭环性能下降严重, 模式切换需要4s多, 而另两者只需不到1s。这是因为g较小时, 控制分配策略侧重于减小控制量消耗, Te和Tc取值较小, 无法使实际控制量产生的效果接近最优虚拟控制指令, 从而造成闭环系统性能的显著下降。而当g增大到一定程度时, 由于控制分配策略已侧重于满足系统闭环性能, 因此再增大γ控制效果改善已不明显。

由于纯电动到混合驱动模式的切换过程主要在车辆低速行驶时完成, 考虑到如果此时Te过大会造成低速行驶过程中发动机效率过低, 而Tc过大又会造成离合器磨损。从以上两方面考虑, 在讨论Wu对系统性能的影响时, 保持电机转矩的加权值wu3不变, 分别改变Te与Tc项的加权值, 仿真结果如图7所示。由于Wu是对控制量之间的分配进行加权, 因此可以从图7 (a) 、 (e) 、 (f) 、 (g) 看到, Wu的改变并未对系统闭环性能产生影响, 模式切换经历的时间几乎相同。另一方面Wu对Te与Tc之间的分配产生了直接影响, 当Tc的权重减小时, 从图7 (h) 最终的摩擦损耗也显著增加, 而当Te权重减小时, Te值较大, 发动机工作效率较低。

4 结论

本文从混合动力汽车结构特点出发, 分析了模式切换过程中系统的过驱动特性, 研究了模型预测控制与控制分配相结合的转矩协调控制方法, 并讨论了控制器参数的选取对系统性能的影响。仿真结果表明本文给出的混合动力汽车转矩协调控制策略能够快速平稳地实现车辆由纯电动到混合驱动的模式切换。此外, 由于控制量约束的存在, 本文给出的控制器设计方法虽然在规划虚拟控制指令时保证了稳定性, 但并不能保证经过控制分配的闭环稳定性;同时发动机和离合器转矩动态特性也未考虑, 以上问题有待于在后期的研究中进一步解决。

参考文献

[1]Zhang J, Lu X, Wang L, et al. A study on the drivability of hybrid electric vehicle[J]. Proc. SAE Int. Powertrains, Fuels Lubricants Congr, 2008:11-19.

[2]Dorey R E, Martin E J. Vehicle driveability-the development of an objective methodology[J]. Training, 2000, 2014:04-07.

[3]Kim S, Park J, Hong J, et al. Transient control strategy of hybrid electric vehicle during mode change[J]. Training, 2009, 2013:10-14.

[4]Yoshioka T, Sugita H. Noise and vibration reduction technology in hybrid vehicle development[J]. Fuel, 2001, 2013:04-04.

[5]Kim H, Kim J, Lee H. Mode transition control using disturbance compensation for a parallel hybrid electric vehicle[J]. Proceedings of the Institution of Mechanical Engineers, Part D:Journal of Automobile Engineering, 2011, 225 (2) :150-166.

[6]Beck R, Richert F, Bollig A, et al. Model predictive control of a parallel hybrid vehicle drivetrain[C]//Decision and Control, 2005 and 2005 European Control Conference. CDC-ECC’05. 44th IEEE Conference on. IEEE, 2005:2670-2675.

[7]Chen L, Xi G, Sun J. Torque Coordination Control During Mode Transition for a Series-Parallel Hybrid Electric Vehicle[J]. Ve-hicular Technology, IEEE Transactions on, 2012, 61 (7) :2936-2949.

[8]Hrkegrd O, Glad S T. Resolving actuator redundancy—optimal control vs. control allocation[J]. Automatica, 2005, 41 (1) :137-144.

[9]何德峰, 宋秀兰, 俞立.优先级多目标稳定化约束模型预测控制[J].新型工业化, 2012, 2 (5) :6-12.HE Defeng, SONG Xiulan, YU Li.Stabilizing Constrained Model Predictive Control with Prioritised Multi-Objectives[J].The Journal of New Industrialization, 2012, 2 (5) :6-12.

混合协调控制 第4篇

根据并联混合动力系统中电动机输出动力与汽车驱动系统的组合位置的不同,并联混合动力传动系统可分为单轴联合式、双轴联合式和单驱动系联合式等3种基本形式,这3种基本形式的动力传动系统都能实现发动机驱动、纯电动以及发动机/电动机联合驱动这3种驱动模式。此外,在特定情况下混合动力系统还可以实现驱动状态下的行车充电模式以及减速制动状态下的再生制动(能量回馈)模式[1,2]。根据路况,并联混合动力汽车在工作过程中选择其工作模式并进行能量分配,完成工作模式的切换。

按照时间尺度和系统响应特性,可以将混合动力汽车的控制问题分为两类[3]:①在稳态和动态过程中多个动力源的转矩分配(也可以是功率分配)与效率优化问题,主要根据两动力源的稳态特性进行控制,属于能量管理的研究范畴;②状态切换过程中动力源间的相互配合问题,属于动态控制的研究范畴,这一问题还涉及发动机转矩的实时反馈。

多年来,虽然对并联混合动力汽车的能量管理研究较多,但都主要集中在并联混合动力系统稳态过程中多个动力源的能量分配和效率优化方面[4,5,6,7,8],对控制策略中涉及混合动力系统工作模式切换过程中的转矩动态控制的研究相对较少。事实上,在状态切换过程这一很短的时间内,发动机和电动机的油门开度发生急剧变化,此时发动机转矩等输出由于其响应滞后于油门开度的变化而呈现动态特性,动态特性相对稳态特性有较大滞后,使输出转矩不足或出现超调;电动机则能迅速响应油门开度的变化而呈现出与稳态时几乎相同的动态特性[9]。这样,如果仍然根据稳态特性进行能量分配,势必因为发动机稳态特性和动态的差别而造成总需求转矩在状态切换前后出现较大波动,影响整车的舒适性。可见,在状态切换过程中,对发动机和电动机进行动态协调控制是必须的。

动态协调控制的关键在于控制切换过程中总需求转矩(即发动机和电动机转矩之和)的波动幅度,控制方法主要是以发动机的实时转矩反馈为基础,利用电机的快速响应特性进行转矩补偿,达到总需求转矩不产生大的波动从而提高舒适性的目的。日本丰田公司的Prius混合动力汽车利用其特有的动力分配机构很好地解决了发动机和电动机的动态协调控制问题,但该技术只适用于具备动力分配机构的混合动力系统,不具普适性[10]。为此,需要提出新的具有较大范围适应性的动态控制策略。

1 混合动力汽车的运行状态分析及控制算法的提出

以图1所示单轴并联混合动力结构为本文控制算法的研究对象。在该混合动力结构中,电动机与发动机共轴,由此决定了电动机的三种工作状态:空转、驱动及制动。其控制也相对简单,只是对电子油门的开和关进行控制,控制比较迅速。而要过渡到发动机工作或发动机关闭状态,则存在发动机的启动、调速和停机问题,在发动机启动和停机过程中还存在离合器接合与分离的问题,在此将这一问题统称为发动机的调速。相应地,混合动力系统动态控制算法中应包含发动机的调速控制。

表1为图1所示结构可能的5种运行状态。根据道路负载的大小,混合动力系统的运行状态可能在纯电动、发动机驱动、行车充电、联合驱动、能量回馈5种目标状态间相互切换。在任一运行状态下,混合动力系统的多能源总成控制器根据驾驶员的加速踏板开度确定出整车的需求转矩,并将这一需求转矩合理地分配给发动机和电动机,在此 表1 并联混合动力系统运行状态

称之为预分配。

以整车运行状态从纯电动切换到发动机驱动为例分析状态切换过程。切换前,假设电动机的输出转矩为60N·m,切换时电动机的目标转矩需要由60N·m快速变为0,发动机目标转矩需要由0很快达到电动机切换前的转矩60N·m,这样才不至于引起总目标转矩的波动。在这一切换过程中,发动机为了及时达到目标转矩,其节气门开度会在很短时间内快速增大到发动机目标转矩对应的节气门开度。由此可知,发动机在节气门开度变化过程中,输出转矩实际上不可能快速达到目标转矩,这样会引起状态切换过程中总目标转矩产生波动,进而造成整车的冲击,影响舒适性。与发动机存在响应滞后不同,电动机能很快响应电子油门,输出其目标转矩,如果在切换过程中能由电动机将发动机稳态转矩与动态转矩差值补偿到总目标转矩中去,则总的目标转矩可保持稳定。由此可见,在状态切换阶段,首先需要对发动机和电动机进行转矩预分配,确定两者的目标转矩,然后根据发动机和电动机的动态特性,对状态切换过程中出现的发动机转矩与预分配转矩的偏差进行适当的补偿。由此,补偿控制也就被包括在混合动力系统动态控制算法中。

综上所述,并联混合动力系统动态控制算法包括两方面的内容,即发动机、电动机目标转矩的预分配和动态切换过程中的补偿控制。补偿控制算法中,必须首先知道发动机的动态输出转矩,才能算出电动机需补偿的转矩,这正是上述发动机转矩估计问题。归结起来,并联混合动力系统动态控制算法可概括为“转矩预分配+发动机调速+发动机动态转矩估计+电动机转矩补偿控制”。其中,由于发动机调速控制只在部分工况下发生,故一般工况下动态控制基本的算法是“转矩预分配+发动机动态转矩估计+电动机转矩补偿控制”。发动机调速控制因发动机频域特性较为复杂,仿真很难达到预期效果,需进行大量调速试验研究,故本文不涉及发动机的调速仿真。

2 转矩预分配策略

转矩预分配策略属于混合动力系统的能量管理范畴。动态控制算法是以转矩波动不大为控制目标的,因此需要对发动机的转矩、电动机的转矩及总的需求转矩等进行识别。

转矩预分配研究主要包括两部分:①确定总需求转矩;②确定各工作模式下的目标转矩。鉴于逻辑门限控制策略的可靠性及较强的实现性,本文利用发动机与电动机的稳态效率脉谱(MAP)、挡位及蓄电池荷电状态(SOC)等来制订转矩预分配策略。

3 并联混合动力汽车发动机的转矩估计

如前所述,动态协调控制的方法主要以发动机的实时转矩反馈为基础,利用电动机的快速响应特性对发动机进行转矩补偿,达到总需求转矩不产生大的波动的目的。实现这一控制的前提是混合动力控制系统能实时反馈发动机的转矩。一般的发动机本身不提供发动机的转矩反馈,为达到混合动力系统动态控制的目的,必须对发动机进行稳态和动态转矩估计。

发动机的转矩估计方法目前主要有三种:基于发动机平均值模型、基于发动机曲轴瞬时转速波动和基于神经网络的转矩估计算法[3]。本研究通过AVL动态实验台测试了发动机的稳态特性和动态特性,并利用BP神经网络工具实现了对发动机稳态和动态转矩特性的估计。

图2、图3所示分别为经训练得到的发动机稳态转矩估计网络和油门开度变化率在dα/dt=100%s-1时的动态转矩估计网络。

4 电动机转矩补偿控制策略

在并联混合动力系统中,转矩预分配策略按照汽车驾驶员的转矩需求预先确定发动机和电动机的目标转矩,以使汽车按照驾驶员意图运行。在并联混合动力系统工作模式不断变化的过程中,可能引起发动机和电动机目标转矩的突变,造成动力源动力输出不足或超调,同时可能引起传动系统动力传递不平稳,需要进行电动机补偿控制。当并联混合动力系统工作模式发生切换时,可以充分利用电动机对转矩控制指令迅速响应的特性来调节发动机对其目标转矩的响应程度。这样就构成了并联混合动力系统转矩动态控制策略的基本结构,如图4所示。

由于发动机目标转矩Te是按照当前状态下发动机稳态效率MAP图确定的,因此目标转矩是发动机在当前状态下的稳态转矩,也就是说分配给发动机的转矩是多能源控制总成预分配的转矩。根据该转矩,多能源总成控制器给发动机油门控制器发送指令,通过控制发动机节气门开度来输出转矩,这一节气门开度指令是由节气门开度计算模块计算确定的。根据预分配转矩,节气门开度模块计算出当前状态下发动机需开启的节气门开度;发动机转矩估计模型根据这一节气门开度估计出当前状态下发动机实际输出的转矩。若发动机在当前状态下为稳态,则输出转矩为稳态转矩(即目标转矩Te);若发动机在当前状态下为动态,则对应输出转矩为动态转矩Te_d。稳态和动态是根据发动机节气门开度变化率的大小来判断的,一般情况下,节气门开度变化率小于25%s-1时即认为是稳态,否则为动态。

为了满足总需求转矩即变速器输入端转矩Treq的需求,此时需要电动机输出剩余的转矩需求,即对电动机的实际需求转矩应该为Tm_d:

Tm_d=Treq-Te_d (1)

这样就可以充分利用电动机对转矩响应迅速且任何状态下零排放的特点,来保证并联混合动力系统中的发动机在当前状态下效率最优而排放较低,并且弥补发动机转矩响应延迟导致的转矩输出不足或超调的缺点。

5 动态控制基本算法仿真

根据算法研究的需要,本文应用MATLAB/Simulink编制了整车仿真模型,并在此基础上进行了定工况和全工况仿真研究。

5.1 定工况仿真

在定工况过程中,并联混合动力系统的运行状态是预先设定的,即发动机和电动机的运行状态给定,不需要经过转矩预分配策略对两者的转矩进行确定。对采用转矩动态控制策略和不采用转矩动态控制策略的有关仿真结果进行对比,考察转矩动态控制策略在特定运行状态时的控制效果。定工况研究就是为了在特定工况中具体考察并联混合动力系统转矩输出的情况。本文仅以发动机驱动切换为纯电动的过程为例进行说明,假设切换前后传动系统传动比为1,驾驶员对动力系统的需求总转矩维持在45N·m,则切换前后发动机和电动机的转矩变化情况如表2所示。

图5、图6所示分别为发动机驱动模式向纯电动模式切换过程中不采用动态控制算法和采用动态控制算法得到的结果。如图所示,t=8s时混合动力系统工作模式发生了切换。比较图5、图6可看出,不采用动态控制算法时,动力系统的实际输出总转矩在状态切换瞬间出现了很大的波动(图5a),进而使得加速度出现了大的波动(图5c),这样势必影响整车舒适性;而采用动态控制算法时,尽管动力系统实际输出总转矩在切换瞬间也出现波动,但波动很小(图6a),加速度也波动不大(图6c),整车舒适性较好。

没有转矩动态控制时(图5),在系统发出状态切换指令后,电动机即刻停机,输出转矩由45N·m骤减到0(图5b),同时要求发动机能及时输出同样的目标转矩45N·m,但由于发动机对节气门信号响应滞后,

(c)整车加速度

(c)整车加速度

导致发动机实际输出转矩不能跟踪其目标转矩45N·m,动力系统实际输出的总转矩不能满足驾驶员的转矩需求,出现驱动转矩不足的现象,汽车加速度也随之急剧减小而产生较大的冲击,影响汽车动力传递的平稳性。

采用转矩动态控制时(图6),系统接到切换指令后,发动机接到45N·m的目标转矩指令,但发动机实际输出转矩不能即刻达到45N·m,只能由0逐渐增大到45N·m;另一方面,电动机的输出转矩也没有直接由45N·m减到0,而是利用其对控制指令响应的迅速性,根据发动机转矩输出情况,逐渐递减到0(图6b),从而保证了发动机和电动机转矩之和(即动力系统实际输出的总转矩)能够较好满足驾驶员转矩的需求,使得在工作模式发生切换的过程中汽车加速度变化比较平稳。可见,在并联混合动力系统定工况工作模式切换过程中转矩动态控制策略较好地保证了并联混合动力系统对动力性的要求,同时也可以保证动力传递平稳。

5.2 全工况仿真

全工况仿真是指对驾驶员模块中输入踏板行程参数后,随踏板行程、车速以及蓄电池SOC值等参数的变化,并联混合动力系统经历若干个连续状态变化的过程进行仿真。在全工况仿真过程中,发动机、电动机目标转矩按照混合动力系统转矩管理策略确定,并相应地确定混合动力系统的运行模式;转矩动态控制策略应能保证在混合动力系统工作模式发生切换的过程中,发动机和电动机输出转矩之和(即变速器输入转矩)满足驾驶员对转矩的需求,并保证转矩传递平稳。全工况仿真包括加速过程和减速过程,本文仅以加速过程的全工况仿真进行说明。图7和图8分别示出了不采用转矩动态控制策略和采用转矩动态控制策略时的仿真结果。驾驶员加速踏板的行程在第2s时以30%s-1的变化率增大,在5.33s时行程达到最大。随着踏板行程的持续增大,混合动力汽车的工作状态在4.67s时由纯电动切换为发动机和电动机共同驱动。

由图7a、图8a可看出,除变速器换挡期间发动机和电动机转速有差别外,其他期间转速曲线差别不大,这是因并联混合动力耦合系统转速存在1∶1的关系,使发动机和电动机转速相等。

图7b和图8b、图7c和图8c反映了车速和整车加速度的变化情况。由于采用了转矩动态控制,在并联混合动力系统工作模式发生切换的第4.67s时刻,图8b的车速曲线比图7b的车速曲线相应部分平滑。这是由于在混合动力系统工作模式切换时,电动机输出转矩有效地弥补了发动机转矩输出的不足,因而使得图8c中的汽车加速度曲线在第4.67s时较图7c的汽车加速度曲线相应部分振荡幅度小得多。

(e)需求总转矩与实际输出总转矩

图7d中,电动机首先启动,提供系统所需转矩,在第4.67s时由于电动机提供的转矩不能满足系统的转矩需求,因此发动机启动,参与提供驾驶员的需求转矩,混合动力系统的工作模式由纯电动切换为联合驱动,此后混合动力系统一直工作于联合驱动的状态。由于发动机对转矩需求信号响应的滞后,因此发动机输出的转矩变化较慢,但电动机输出转矩迅速按照整车控制策略的分配规则迅速减小。图8d中,由于运用了转矩动态控制策略,因此发动机输出转矩增大较慢;由于发动机参与提供系统所需转矩,电动机输出转矩有所减小,但由于电动机此时输出的转矩中还有应该包含发动机转矩输出的不足部分,因此电动机转矩输出减小速度较慢,这样在满足驾驶员转矩需求的前提下,同时也保证了转矩输出的平稳。

(e)需求总转矩与实际输出总转矩

由图7e、图8e可以看出,除去换挡引起的转矩波动以及工作模式切换引起的转矩波动外,两转矩曲线吻合较好,即并联混合动力系统能够较好地满足驾驶员需求转矩。在混合动力系统工作模式发生切换的第4.67s时刻,不采用动态控制策略时实际输出总转矩波动较大(图7e),而采用动态控制策略后,其实际输出总转矩变化平稳(图8e),达到了动态控制的目的。

6 结论

发动机稳态特性和动态特性存在较大差异,使得并联混合动力电动汽车在状态切换过程中,因发动机实际输出转矩与预分配的目标转矩存在差异而影响整车舒适性。为此,本文对混合动力系统状态切换过程进行分析,以切换过程中总需求转矩不发生大的波动为目标,利用电动机响应快的特点,提出了并联混合动力系统“转矩预分配+发动机调速+发动机动态转矩估计+电动机转矩补偿控制”的动态控制算法。为验证算法的有效性,搭建了整车仿真平台,并分别进行了采用动态转矩控制算法和不采用动态转矩控制算法的定工况和全工况仿真。仿真结果表明,上述动态控制算法能有力地解决并联混合动力汽车在状态切换过程中转矩波动大的问题,大大提高了状态切换过程中整车的舒适性。

摘要：并联混合动力汽车在发动机和电动机工作过程中,需要根据路况进行能量分配和工作模式切换。以并联混合动力汽车在状态切换过程中总转矩不发生大的波动为控制目标,提出“转矩预分配+发动机调速+发动机动态转矩估计+电动机转矩补偿控制”的动态控制策略。以MATLAB为仿真平台,搭建了基于整车动态控制的仿真模型,对上述基本控制算法进行了定工况和全工况仿真验证。结果表明,在各种状态切换过程中,动态控制算法能有效控制混合动力系统的转矩波动,保证动力传递的平稳性。

关键词：并联混合动力电动汽车,动态控制,控制策略,转矩补偿

参考文献

[1]孙逢春,何洪文.混合动力车辆的归类方法研究[J].北京理工大学学报,2002,2(1):40-44.

[2]Chan C C.The State of the Art of Electric and Hy-brid Vehicles[J].Proceedings of IEEE,2002,90(2):247-275.

[3]童毅,张俊智,欧阳明高.混合动力汽车扭矩管理策略[J].汽车工程,2003,43(8):33-36.

[4]Niels J S,Mutasi m AS,Nai m A K.Energy Manage-ment Strategies for Parallel Hybrid Vehicles Using Fuzzy Logic[J].Control Engineering Practice,2003,11(2):171-177.

[5]Huang Miaohua,Yu Houyu.Opti mal Control Strat-egy Based on PSOfor Powertrain of Parallel Hybrid Electric Vehicle[C]//IEEEInternational Conference on Vehicular Electronics and Safety,ICVES.Piscat-away:IEEE Computer Society,2006:352-355.

[6]Wu J,Zhang C H,Cui N X.PSO Algorithm-based Parameter Opti mizationfor HEV Powertrain and Its Control Strategy[J].International Journal of Auto-motive Technology,2008,9(1):53-69.

[7]Jeon Soon-il,Jo Sung-tae,Park Yeong-il,et al.Multi-mode Driving Control of a Parallel Hybrid Electric Vehicle Using Driving Pattern Recognition[J].Journal of Dynamic System,Measurement and Control,2002,124(3):141-149.

[8]胡红斐,黄向东,罗玉涛,等.一种混联式HEV瞬时优化监控策略的研究[J].中国机械工程,2006,17(6):649-653.

[9]童毅.并联式混合动力系统转矩协调控制[D].北京:清华大学,2004.

混合协调控制 第5篇

为此,笔者将传统PID控制技术和神经网络控制技术相结合,设计以BP神经网络为基础的参数自学习PID控制器[5],基于混合神经网络的控制器集合了神经网络控制和传统PID控制各自的优点,以期采用该控制器解决大型生产输送系统运行过程中的多电机功率不平衡现象。

1 多电机驱动系统功率平衡控制策略①

以印尼某露天矿区的双电机驱动带式运输机系统( 图1) 为研究对象,研究带式运输机的功率平衡控制。双电机驱动带式运输机控制系统以PLC和变频器为控制核心( 图2 ) ,两台电机均在胶带机的头部,采用主从控制方式[6],其中主电机M1根据系统设定频率f1按照转速N1运行,通过旋转编码器1 将其实际运行速度Nc反馈给PLC进行PID运算,实现电机M1速度的闭环控制。电机M2的控制,起始频率设置同电机M1,待启动结束进入正常运行状态后,PLC通过采集得到电机M1和M2的电流I1和I2,以电流偏差e作为基于神经网络参数自学习PID控制器的输入,通过ANN的自学习调整连接权系数,将控制器最终得到的输出电流I送至变频器2 控制电动机M2,最终实现系统的功率平衡控制。

2 数字增量PID控制

在工业生产过程中,数字PID控制是一种被普遍采用的控制方法,在自动化等行业获得广泛应用。数字PID控制算法中,常采用数字增量PID算法,其算式为:

式中e( k) ———系统实际输出值y( k) 和期望输出值r( k) 之间的误差;

KP、KI、KD———比例、积分时间和微分时间系数;

Δu( k) ———控制器输出增量。

3 基于BP神经网络的参数自学习PID控制方法

3. 1 BP神经网络的PID控制系统结构

由于胶带机多机驱动系统是非线性且时变的多耦合复杂系统,传统PID控制的灵活性和实时性有限,且不具有参数在线实时调整功能。而BP神经网络可以拟合复杂的非线性函数,且结构和学习算法比较简单明晰,故采用以BP神经网络为基础的PID控制策略[7]取代传统PID控制方法来实现对多电机驱动功率平衡的控制。混合神经网络控制器[8]的结构如图3 所示,控制器由经典PID控制器和神经网络NN两部分组成,根据整个系统的输出和运行状态,通过神经网络NN的自学习来调整加权系数值,输出3 个可学习参数KP、KI、KD,用于实现系统的控制要求。

3. 2 BP网络结构

该系统用于控制对象的神经网络模型[8],此处采用三层BP网络,为了能充分体现PID控制器输入信号的特性和系统误差量的变化,选取3个神经元作为网络的输入层:

选取正负对称的Sigmoid函数作为隐含层的激活函数。为了较好地拟合目标函数并有适当的计算复杂度,隐含层神经元个数取为5。3 个可学习参数KP、KI、KD分别对应输出层的输出节点,故输出层神经元个数为3。由于KP、KI、KD不能取负值,所以选取非负的Sigmoid函数作为输出层的激活函数。这样该系统的神经网络结构即为3-5-3,如图4 所示。

3. 3 参数自学习算法

首先要确定网络中各层的输入输出。网络输入层的输入和输出为:

网络隐含层的输入输出为:

式中f ( x) ———隐含层的激活函数,f ( x) =tanh( x) ;

w(2)ij———隐含层的权值系数。

网络输出层的输入输出为:

式中g ( x) ———输出层的激活函数,g ( x) =(1/2)(1+tanh(x));

w(3)li———输出层的权值系数。

3 个可调整的参数KP、KI、KD分别对应输出层的3 个输出节点。

取性能指标函数E( k) 为:

E( k) 按照最速下降法调整网络的权系数,并添加一个很小的让搜索加速收敛全局的惯性项:

式中 α ———神经网络的惯性系数;

η ———神经网络的学习速率。

由以上分析可得:

由于∂y( k) /∂u( k) 是未知的,此处近似用符号函数sgn( ∂y( k) /∂u( k) ) 代替进行计算,随之带来的误差可以通过调整神经网络的学习速率 η 补偿。又有:

由以上分析可得网络输出层的权系数的自学习算法为:

同时可得网络隐含层的权系数的自学习算法为:

4 硬件与软件部分

该系统的硬件设计采用S7-300 PLC作为主控制器。软件设计采用SIMATIC Manager实现。笔者研究的重点是通过PID控制器进行参数自调整,解决双电机驱动系统功率不平衡问题,因此把这一运算环节作为一个子程序( 图5) ,当系统运行状态下双电机电流差值超过一定范围时即可调用该子程序。

5 仿真分析

笔者采用Matlab对基于神经网络参数自学习PID控制算法的带式输送机双电机驱动功率平衡控制系统进行仿真[9],对电机M1和M2通过分析从电动机M2对主电动机M1输出的跟踪效果,并将其与采用传统PID控制算法电机系统的仿真效果进行比较,来验证笔者所提方法的可行性和优异性。

仿真初始化参数: 神经网络结构3-5-3,学习速率 η = 0. 2,惯性系数 α = 0. 2,各层加权系数初始值取[- 0. 5,0. 5]的随机数,输入信号为正弦信号r( k) = sin( kπTs) ,采样时间0. 01s,仿真时间5s。

当采用传统增量式PID控制方法时,能基本实现对输入信号的跟踪,但在动态跟踪过程中会出现波动,超调量较大,传统PID控制跟踪曲线如图6 所示。

采用笔者所提混合神经网络控制方法时,控制效果良好,能平稳地实现对输入信号的跟踪,超调量小,具有良好的实时性和灵活性,混合神经网络控制跟踪波形如图7 所示。

图8 是两种控制方法跟踪误差波形,可以直观地看到,采用混合神经网络控制的跟踪误差很小且波动平稳,效果明显优于传统增量式PID控制策略。

图9 是采用混合神经网络控制的PID参数自调整波形,显示了该方法能够学习和适应不确定系统的良好动态特性。

6 结束语

笔者提出了在带式输送机多电机功率平衡控制中采用神经网络参数自学习PID的控制方法。给出了实际应用中PLC控制子程序的软件流程,并通过Matlab对混合神经网络控制策略进行了仿真分析。结果也证实该方法具有较强的实时性、稳定性和容错性,可以较好地解决多电机协同驱动系统的功率平衡问题,控制效果优于传统的PID控制。同时也反映了该方法在处理高度非线性与复杂耦合系统方面的优越性。

摘要：采用基于PLC的神经网络参数自学习PID控制器,通过神经网络的自学习,对PID参数进行在线实时调整,较好地解决了大型生产输送系统运行过程中的功率不平衡现象。仿真结果表明:混合神经网络PID方法的响应速度快、灵活性好,使电机获得了较好的跟随性能和跟随精度。

关键词：带式输送系统,功率平衡,混合神经网络PID,跟随精度

参考文献

[1]宋伟刚.煤矿用带式输送机的现状与发展[J].煤炭工程,2009,(B11):I0038~I0046.

[2]邓永胜,宋伟刚,赵琛.双滚筒传动带式输送机的电动机功率平衡[J].东北大学学报(自然科学版),2000,21(5):520~523.

[3]陈梅,毛映霞,陈薇,等.基于耦合补偿的矢量变频驱动带式输送机的功率平衡控制策略[J].化工自动化及仪表,2015,42(3):241~244.

[4]满咏梅.带式输送机多电机驱动功率平衡问题探讨[J].煤矿机电,2009,(6):35~37.

[5]Shu H,Pi Y.PID Neural Networks for Time-delay Systems[J].Computers and Chemical Engineering,2000,24(2-7):859~862.

[6]张磊,马峰,袁鑫磊.多电机驱动带式输送机主从控制策略研究[J].中国科技纵横,2013,(21):242~243.

[7]刘金琨.先进PID控制及其MATLAB仿真[M].北京:电子工业出版社,2003.

[8]Chen G C.Application of Neural Network PID Controller in Constant Temperature and Constant Liquid-level System[J].Micro-computer Information,2003,19(1):23~24.

混合协调控制 第6篇

1 电力市场的调度机制

电力市场的调度机制主要分为两个阶段, 一是市场调度, 又被人称作预调度或无约束调度, 二是阻塞再调度。我们可以先对电力市场的机制做出这样的假设:第一, 将发电侧引入竞争, 而负荷侧与先前一样, 依旧不参与报价;将削减后的合同负荷自动的转入到联营体市场, 以便寻求尽可能满足全部的系统负荷所需要的电力供应。第二, 采用MCP, 也就是统一价格出清的方式对联营体市场交易进行结算, 并将因阻塞, 要求增发的机组, 按实际的报价进行结算。第三, 在阻塞的情况下, 双边合同都可以被削减, 但可以通过基于愿偿付因子的协调调度模式竞价, 以防止各个双边合同相互之间被削弱。第四, 合同双边交易因阻塞被削弱时, 机组要及时的在阻塞调度之前, 将其所参与的联营体市场的报价数据, 报给调度机构或是独立系统运行机构, 否则重新参与竞价。第五, 一定要保证联营体和双边合同交易所有参与的利益, 进而实现两者之间的协调调度约束。

2 协调阻塞调度模型的设计理念

对电力市场进行阻塞再调度, 我们可以采用这样的一个协调阻塞调度模型。

2.1 建立阻塞调度的目标函数

不同的交易提供给调度机构或是独立系统运行机构的信息就会不同。所以阻塞调度目标函数的建立要考虑交易的不同。联营体市场可以将购电成本总增量最小作为调度的目标, 并且要从该市场的购电总成本中, 减去合同削减负荷在该市场中应该承担的购电成本。在双边合同市场中, 可以将合同的总加权削减量最小作为调度目标, 此外, 要去除因阻塞导致有些负荷无法供电的部分, 并将负荷切除总量最小作为惩罚项。在这个目标中, 经济型指标主要是指联营体市场购电成本增量和双边合同市场总加权削减量。由于两者权重的设置与报价函数等因素有关, 所以无法直接得出。在这个模式中, 主要是将两个目标直接相加, 以实现两种交易之间的协调调度。

该调度模式的目标函数可表示为:minΔCp+ΔCb+Kc·ΔDtotal.

其中, Kc为惩罚因子, ΔCp为联营体市场原有的负荷在阻塞调度后实际供电的负荷所增加的购电成本, ΔCb指合同的总加权削减量, ΔDtotal则为由于系统阻塞无法供电而被切除的系统总负荷。

2.2 阻塞调度的约束条件

阻塞调度中的约束条件分为等式约束条件和不等式约束条件。等式约束在通常情况下, 是指系统的节点、无功平衡约束, 主要有直流潮流约束。不等式约束主要有联营体在阻塞调度中, 被调度的有功处理约束, 双边合同市场实际交易的功率约束, 机组实际有功处理约束, 联营体市场在调度机组合同削减处理的功率约束, 混合市场的协调调度约束等。本文主要以等式约束进行了分析:

在等式约束方面:直流潮流约束为θ=[B′]-1P

在这个公式中, 节点电压相角列向量用θ来表示, P表示的是节点注入有功功率列向量。那么就可以通过公式来计算出各个节点的注入功率。计算公式是这样的:

通过进行不同限制条件的分析, 我们可以清楚的知道, 在联营体市场经济性与合同市场的执行率之间直接建立起一个对比关系, 能够较好的满足该约束。也就是说将联营体市场的购电成本增加百分率与合同市场加权合同削减百分率之比, 合理的控制在一定的范围之内, 就可以实现两种交易之间的协调调度。

如果这两个变化量中, 出现了某个值很小或者甚至出现了为0的情况, 那么就说明, 此时的比值约束显得过于的严格, 或是没有丝毫的意义。遇见这种情况, 就应该将两者之间的差值限定在一定的范围之内。

2.3 分析

我们可以先进行市场调度, 得出联营体市场中机组的出力结果, 再进行阻塞调度的计算。对于它的计算我们分为三种情况进行:一是不考虑协调调度约束, 同时对联营体市场中的再调度合同削减出力也不纳入考虑的范围;第二种是考虑协调调度约束的同时也考虑联营体市场中对合同削减出力进行再调度;第三是考虑协调调度约束, 但不考虑联营体市场中对合同削减出力进行再调度。

通过比较分析, 我们可以清楚的得出这样的结论:如果系统发电容量充裕, 那么便不会出现负荷切除, 如果发电容量不充裕, 且在考虑协调调度时, 不允许联营体市场中存在机组合同削减出力, 那么系统便无法满足总负荷的需求, 导致不得不切除部分的负荷。

3 结语

文中提出的阻塞调度模式, 主要是通过限制联营体市场中的购电成本增长率, 以及合同市场中加权合同削减百分率之间的比值, 鲜明的反映出这两种交易模式的优先性, 以实现电力市场中交易的协调调度。当然, 对待如何更加合理的确定协调约束中的参数, 还需要广大同仁的进一步分析和研究。

参考文献

[1]肖健, 温服拴.基于协调约束的混合电力市场阻塞调度.[J].华南理工大学学报, 2009, (7) , 17-21

混合协调控制 第7篇

分布于用户侧附近的分布式热电联供系统和清洁可再生能源发电技术逐步成为全球能源领域的研究热点。风力、太阳能等受自然条件影响, 其输出功率具有间歇性、随机性等特点, 这类可再生能源规模化并网给电网的稳定运行带来了新的挑战。近年来, 微网受到广泛关注, 它由分布式能源 (如风力发电、光伏发电、储能装置等) 以及负荷等部分组成, 具备并网、孤岛两种运行模式, 成为分布式发电高效管理与利用的一种新型方案[1,2]。利用能量协调优化与管理技术, 微网能够为可再生能源的规模化接入提供有效的技术手段, 可以实现综合能源的高效利用以及系统的安全稳定运行[3,4]。

当微网的电、热 (冷) 产出与用户耗能相互匹配 (即能量被充分利用) 时, 系统将具备理想的能源利用效率。在可再生能源与热电联供构成的微网中, 通过协调控制来实现系统的高效运行相对复杂:①网内包含热、电等多类型负荷的混合调度, 且热、电负荷相互之间的响应速度不一致;②各分布式能源机组的响应特性差异较大, 依据时间尺度进行分类可涵盖毫秒级 (如快速储能装置) 、秒级 (如微型燃气轮机) 以及分钟级 (如光伏发电、风力发电) 等[5,6];③网内部分分布式能源的输出功率随机波动或功率双向流动 (如微网与电网之间能量的双向流动、储能直流母线能量的双向流动) 。因此, 需要通过协调优化来实现多种分布式能源与负载之间最佳的能量匹配[7]。

目前, 围绕基于可再生能源与热电联供微网的研究主要集中在小时级别的机组组合与出力优化等方面[8,9,10,11,12,13,14,15], 其中改进型欧拉滑动平均预测 (Euler moving average prediction, EMAP) 、变步长时间序列预测等方法逐步应用于微网的能量管理, 并开展了相关的理论分析与仿真研究[14,15]。这些研究工作中, 针对微网的优化策略较为单一, 优化的时间尺度通常为小时级别, 较少涉及多时间尺度的综合能量协调优化及其实验研究。本文针对由微型燃气轮机热电联供、可再生能源、储能装置等部分构成的并网型混合微网 (以下简称混合微网) , 提出包含“时”“分”以及“秒”时间尺度在内的能量协调优化方法, 并基于相关混合微网示范系统 (简称示范系统) 进行实验验证。

1 分布式能源特性分析

1.1 分布式可再生能源

可再生能源发电功率波动的时间—频率特性可以体现某一时段内功率变化的集中程度, 反映可再生能源输出功率的变化规律。图1 (a) 为典型可再生能源单日的实际发电功率时序数据 (风电机组额定容量为600 kVA, 光伏发电系统额定容量为500kW) , 图1 (b) 描述了时序数据对应的功率波动时间—频率特性分析结果。

由图1可知, 风电机组、光伏输出功率的低频波动频段主要分布在10-5~2.7×10-4Hz之间, 即其波动时间尺度大于3 600s, 为时域中的小时级别, 此频段的功率波动主要影响到混合微网机组组合与发电计划的制订;高频波动频段主要分布在10-3~10-2Hz之间, 即其波动时间尺度大于100s, 为时域中的分钟级别, 此频段的功率波动会影响到混合微网能量管理的精度, 同时也会影响到机组组合与发电计划的经济性。因此, 需要从“分”和“时”等时间尺度分别对可再生能源功率波动进行能量优化:在“时”时间尺度上, 基于可再生能源功率的平缓波动设计各分布式能源合理的机组组合以及发电计划;在“分”时间尺度上, 对功率的快速波动进行分解, 进而优化机组之间的协调出力。

1.2 微型燃气轮机

微型燃气轮机通常为小容量燃气轮机, 主要由小型汽轮机、高速发电机、整流器、逆变器等部分组成, 是以城市燃气为主要燃料的低成本、紧凑型发电装置, 可广泛应用于热电联供系统。图2描述了微型燃气轮机Capstone C30机组短时运行的给定功率指令 (Pref) 、实际功率输出 (P) 与温度 (T) 曲线。由图2可知, 在接收到相应的功率控制指令后, 微型燃气轮机能够较快响应, 输出功率平稳。由于受到温度、机械转速等物理极限的约束, 微型燃气轮机运行时需要充分考虑其启停能力。以Capstone C30机组为例, 其能够实现快速启动, 但在启停状态转换时仍需要一定的时间间隔:机组停机后允许再启动的最小时间间隔为5 min, 从机组运行到完全停机的时间不低于10min。

Capstone C30机组启动后利用尾气余热温度加热循环水供暖的水温响应情况 (热负荷为60kW) 如附录A图A1所示。可以看出, 从开机启动到水温达到额定温度60℃需要约40 min (此时微型燃气轮机发电功率为额定值30kW) ;当微型燃气轮机发电功率下降为20kW (热负荷维持60kW) 时, 水温需要约20 min才到达新的稳定值。由附录A图A1可知, 热能量变化缓慢, 具有一定的惯性, 这意味着热负荷不需要像电负荷一样维持绝对平衡, 其平衡约束可以在一定范围内松弛。

1.3 储能

为了平抑可再生能源输出功率波动、改善用户供电质量、确保系统安全稳定运行, 混合微网可以配置一定容量的快速储能单元 (以下简称储能单元) , 如蓄电池储能、超级电容器储能、飞轮储能等。储能单元通常采用双向DC/DC变换器实现对储能电池的充放电控制, 在DC/DC变换器建立直流电压后通过双向DC/AC变换器实现储能单元与混合微网之间快速的功率控制。储能单元并网运行时的功率响应情况如附录A图A2所示, 图中光标处的实验波形直观反映储能单元在10kW输出功率变化至20kW输出功率时, 其并网电流响应迅速、超调较小, 在3个工频周期内能够进入新的稳态, 实现了快速、平稳的功率响应。

2 能量协调优化研究

混合微网内, 天气条件变化引起的可再生能源功率随机性波动或启停、较慢的热负荷变化、较快的电负荷变化等事件分布于不同的时间尺度, 采用分布式能源固定功率输出或简单分时段固定功率输出等能量优化策略均难以实现混合微网的综合高效运行, 需要采用多时间尺度的优化策略来保障混合微网能量利用处于最优状态。能量协调优化主要围绕“时”时间尺度、“分”时间尺度与“秒”时间尺度等方面开展, 如图3所示。

2.1“时”时间尺度优化

可再生能源输出功率随机波动、热电负荷峰谷变化等状况导致分布式能源机组组合方式在一日内需要优化。同时, 可再生能源的输出功率无法灵活调节, 而热电联供系统运行时其启停时间间隔受到一定的约束。因此, 在“时”时间尺度上应给出该时间段内混合微网各机组基本出力、机组运行切换时间等, 提出合理的机组运行方式和发电计划。考虑到储能单元寿命与经济性因素, 其参与“时”时间尺度经济调度时需要进行长时深度充放电, 投资和维护成本高, 实际应用价值较低, 故本文规划设计储能单元的任务为负责浅充浅放的快速功率补偿, 基于对储能单元寿命模型的计算分析, 并网运行时储能荷电状态 (state of charge, SOC) 控制在合理运行范围以内 (70%~90%) , 不参与深充深放的经济调度。混合微网“时”时间尺度优化目标为系统运行费用最小, 其目标函数与约束条件如下。

目标函数为:

式中:N′为机组总数量;i为机组编号;T为考察时间断面;t为时间步长;pit为第i台机组在t时刻的出力;FCi为第i台机组燃料费用函数;uit为第i台机组在t时刻的启停状态;SCit为第i台机组在t时刻由于启停所产生的额外燃料费用;GCt为t时刻电价;pst为t时刻混合微网与电网交互功率;HCi为第i台机组锅炉燃料费用函数;hbt为t时刻的锅炉出力。

约束条件如下。

1) 能量平衡约束

式中:ΔpLt为t时刻的总电负荷;Ri为第i台机组热电比系数;hLt为t时刻的总热负荷。

2) 与电网交互功率约束

式中:Psmax为混合微网与电网允许最大交互功率。

3) 机组最小运行时间、最小停止时间约束

式中:xiton为第i台机组在t时刻的启动持续时间;TMUi为第i台机组启动时间限值;xitoff为第i台机组在t时刻的停止持续时间;TMDi为第i台机组停止时间限值。

4) 机组出力约束

式中:pimin为第i台机组最小出力;pimax为第i台机组最大出力。

5) 机组出力变化速度约束

式中:Δpidown为第i台机组出力向下变化速度限值;Δpiup为第i台机组出力向上变化速度限值。

2.2“分”与“秒”时间尺度优化

由于“时”时间尺度优化针对负荷功率以及可再生能源输出预测制定各机组基本出力, 在风速、光照随机变化以及负荷功率波动时, 其预测值与实际值将出现一定的偏差。同时, 当混合微网内各响应特性差异较大的机组联合运行时, 可能出现因不同控制精度问题而导致的功率短时波动。混合微网参与电网辅助服务时, 需具备接受优化调度的能力, 即一定时间内按照相应的计划值与电网交互功率。该计划值通常需要满足一定的约束条件 (如1min内的功率波动最大值) , 但预测误差等状况将导致混合微网与电网之间的交互功率随机波动, 无法进行平稳的功率调度。

本文根据1.2节热电联供特性分析结果, 充分利用热系统的缓慢变化特性, 在“时”时间尺度优化结果的基础上, 利用微型燃气轮机来协同优化电功率, 且不影响用户的热利用。通过实时获取混合微网内各单元发用电功率及其与电网之间的交互功率, 并结合优化调度计划值进一步可得到功率调度偏差信号, 该信号在时域上可以等效为慢变化过程 (平缓变化部分) 叠加快变化过程 (快速波动部分) 。由于热电联供所采用的是微型燃气轮机, 其功率响应存在一定的延时, 而储能单元的动态响应快速, 因此可利用微型燃气轮机承担功率波动的慢变化过程 (“分”时间尺度) , 储能单元负责平抑功率波动的快变化过程 (“秒”时间尺度) 。

本文基于改进型EMAP模型实现对混合微网功率波动快慢变化过程的分解, 其基本原理如下。

对于一组采样数据序列x (0) , x (Ts) , …, x (kTs) , … (Ts为采样周期, k为整数) , 其中任意N个相邻的采样点x (kTs) , x ( (k-1) Ts) , …, x ( (k-N+1) Ts) 的滑动平均 (moving average, MA) 值Y (kTs) 满足:

对式 (9) 进行Z变换, 可知其MA模型满足:

由式 (10) 可知, MA模型具有群时延特性, 当前输入所产生的准确输出会在 (N-1) Ts/2时刻后出现。因此, 考虑增加预测项对MA模型进行修正, 形成改进型EMAP模型, 其基本形式定义如下:

式中:yemap (nTs) 为t=nTs时刻改进型EMAP模型的输出;yma (nTs) 为t=nTs时刻MA模型的输出;yd (nTs) 为输入x (nTs) 在t=nTs时刻的微分值;Tp为预测时长;n为整数。

将任意N个相邻的采样点x (kTs) , x ( (k-1) Ts) , …, x ( (k-N+1) Ts) 分成M (M为整数) 等份, 并分别对每一等份中的N/M个采样数据求平均值, 可得:

相邻两个均值相减得到差分表达式, 该表达式乘以对应加权系数βn后被NTs/M相除得到微分值:

结合式 (11) 至式 (13) 进行Z变换, 并取, 推导可得改进型EMAP模型的微分传递函数满足:

与MA模型的幅频响应特性相比, 改进型EMAP模型能够抑制快速且无规律变化的随机信号, 对低频部分识别准确, 具备较强的波动信号快慢变化过程分解能力。基于改进型EMAP模型的“分”和“秒”时间尺度优化策略如图4所示。

应用改进型EMAP模型对功率调度偏差信号进行分解, 形成储能单元、微型燃气轮机各自的功率调节指令。考虑到微型燃气轮机的响应特性, 将功率波动分解后的慢变化过程预设为微型燃气轮机的控制目标输入, 采样其实际的功率输出进而调节储能单元的充放电过程, 通过“分”和“秒”时间尺度的能量协调完成混合微网运行优化, 使混合微网与电网之间的优化调度满足计划值要求。

3 仿真分析与示范测试

3.1 测试平台

采用如附录A图A3所示的示范系统作为能量协调优化策略的研究测试平台。示范系统主要包括1号微型燃气轮机 (逆变器模拟装置, 额定容量为60kVA) 、2号微型燃气轮机 (逆变器模拟装置, 额定容量为30 kVA) 、3号微型燃气轮机 (采用Capstone C30机组, 额定容量为30kVA) 、多晶硅光伏阵列 (额定容量为19kW) 、储能单元 (逆变器额定容量为30kVA, 蓄电池组由60支12V/200Ah阀控铅酸蓄电池单体串联组成, 储能单元最高充电功率为15kW, 最高放电功率为30kW) ;以楼宇三、四层动力负荷作为重要负荷, 最大容量为23kVA;以楼宇三、四层照明负荷作为一般负荷, 最大容量为18kVA;实验室负荷最大容量为100kVA。示范系统具备离网、并网两种运行模式, 通常工作在并网运行状态, 由电网提供电压频率;当示范系统转入离网运行状态时, 储能单元采用恒压恒频控制 (V/f) 方式提供一定时间的电压与频率支撑。示范系统的热循环结构如附录A图A4所示, 相应的参数见附录A表A1。

3.2 仿真分析

利用MATLAB/Simulink软件构建示范系统对应的仿真模型。利用2.1节所述的数学模型对“时”时间尺度的机组组合运行进行优化, 相应的优化结果如图5所示。其中, 1号和2号微型燃气轮机保持较高负荷率运行, 3号微型燃气轮机作为调峰机组运行。

不同运行方案下的系统日运行费用对比如表1所示, 其中方案1中负荷完全由电网供电;方案2中1号和2号微型燃气轮机工作在额定功率或停机状态, 3号微型燃气轮机按照额定功率的100%, 75%, 50%, 25%分段运行。由表1可知, 经过“时”时间尺度优化后, 系统能够在满足功率需求的同时实现整体运行费用最低 (日运行费用为895元) 。

电网优化调度设定公共连接点 (PCC) 无交互功率, 即优化调度计划值为0kW时, 应用“分”和“秒”时间尺度优化策略后的仿真结果 (其中, 采用优化策略前的PCC交互功率来自示范系统运行某时段的实测数据) 如附录A图A5所示。由附录A图A5 (a) 可知, 采用优化策略前, PCC交互功率波动剧烈, 1min内功率波动值高达12kW, 仿真时段内的均值为21kW, 与优化调度计划值存在一定偏差。采用MA模型优化策略后, PCC的1min内功率波动值减少为2.7kW, 功率均值为0.3kW;采用改进型EMAP模型优化策略后, PCC的1min内功率波动值减少为1.2kW, 功率均值为0.2kW, 其优化效果比前者更好。采用改进型EMAP模型优化策略时所产生的储能单元、微型燃气轮机功率优化指令如附录A图A5 (b) 所示, 其中, 微型燃气轮机进行“分”时间尺度优化分担功率波动的慢变化过程, 储能单元进行“秒”时间尺度优化平抑功率波动的快变化过程。

3.3 实验测试

微型燃气轮机的电功率调节将导致其输出热能变化, 引起热系统储水箱水温的变化, 附录A图A6描述了当热负荷恒定时微型燃气轮机电功率变化所引起的热能输出变化情况, 储水箱中水的质量近似为200kg, 水的比热容为4.2×103J/ (kg·℃) 。由附录A图A6可知, 0.5h内微型燃气轮机电功率调节下的累积水温变化为0.13℃, 以上实验测试结果表明, 微型燃气轮机进行“分”时间尺度功率调节时不会影响到热用户的正常使用。

示范系统中, 由于受微型燃气轮机机组数量的限制, 1号和2号微型燃气轮机均采用逆变器进行模拟, 负责承担实验室基荷, 按照“时”时间尺度优化策略产生的机组运行方式和发电计划投运后不间断运行。考虑到建设投资及维护成本等因素, 储能单元不参与“时”时间尺度上深充深放的经济调度, 联合3号微型燃气轮机按照“分”和“秒”时间尺度优化策略保障混合微网平稳的优化调度。

图6描述了示范系统在优化调度设定其与电网无功率交互时, 应用改进型EMAP模型进行协调优化的实际测试结果。图6 (a) 描述了测试时间6:00—16:00期间示范系统的负荷功率 (包括动力负荷、照明负荷等) 以及光伏发电输出功率监测数据, 由于发用电功率的随机性波动, 导致示范系统功率缺额 (即需要与PCC交互的功率) 频繁变化, 如图6 (b) 所示, 在整个测试时段内, 1min内功率波动值最高为4.5kW, 均值为16.7kW。如果不进行“分”和“秒”时间尺度优化, 将导致示范系统无法完成与电网的平稳调度。应用改进型EMAP模型对功率缺额信号进行分解后, 由储能单元、3号微型燃气轮机进行快慢变化过程补偿, 各自的功率输出如图6 (c) 和图6 (d) 所示。改进型EMAP模型能够准确识别功率波动的快慢变化过程, 光伏发电出力变化、负荷投切等状况引起的示范系统功率波动能够得以准确分解, 并由微型燃气轮机和储能单元分别进行协调优化, 相应的PCC交互功率如图6 (e) 所示。在整个测试时段内, PCC交互功率被有效控制在优化调度计划值附近, 1 min内功率波动值最高不超过1.7kW, 功率均值降为0.4kW, 实现了电网对示范系统平稳的优化调度。

图7描述了示范系统某时段局部的实验测试情况, 当应用改进型EMAP模型对示范系统功率波动进行分解时, 由于微型燃气轮机的响应速度低于储能单元, 其在承担功率波动慢变化过程时需要几十秒的调节时间, 在此期间储能单元能够迅速、准确地进行短时功率支撑。当微型燃气轮机功率调节进入稳态后, 储能单元能够快速调节进而参与功率波动快变化过程的平抑。测试结果表明, 改进型EMAP模型通过修正时间预测量, 能够有效补偿由于运行数据采样所导致的群时延误差, 保障各分布式能源协调控制的可靠性和快速性。

4 结语

本文针对热电联供和可再生能源构成的混合微网, 提出了多时间尺度的能量协调优化策略, 在进行机组组合与发电计划优化的基础上, 应用改进型EMAP模型分解功率波动的快慢变化过程并提出相应的优化策略。本文的研究内容为包含多类型可再生能源、发电机组响应特性不一的混合微网能量协调构建了可行的解决方案, 为开展微网多时间尺度优化运行提供一定的理论基础与技术手段。