結合神經網絡的微電網分布式模型預測控制

張怡 劉洋

摘? 要： 針對大規模且地理分散的微電網中，各個子系統之間缺乏信息交流，相隔較遠且無法實現同步優化的問題，提出用分布式模型預測控制的策略對其系統進行協同優化和調節，從而實現整個微電網的功率平衡和電壓穩定運行。對微電網中存在的大量非線性環節，運用神經網絡線性逼近的能力，訓練得出各個子系統的神經網絡線性化模型。在此基礎上，基于風力優先發電，光伏配合，蓄電池必要時輸出的原則，設計了相應的目標函數。研究結果表明，提出的分布式模型預測控制能有效地保證整個微電網安全、可靠、穩定的運行。

關鍵詞： 微電網; 分布式模型預測控制; 風力發電子系統; 光伏發電子系統; 蓄電池; 神經網絡

中圖分類號： TN876?34; TM76; TP18? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）19?0126?04

Abstract： In the large?scale and geographically dispersed microgrid， there is a lack of information exchange between various subsystems. In addition， each subsystem is far away from each other， so the synchronous optimization cannot be achieved. Therefore， a distributed model predictive control strategy is proposed to coordinate and optimize the system， so as to realize power balance and voltage stable operation of the entire microgrid. In view that a large number of nonlinear components exists in the microgrid， the linear approximation performance of neural network is used to train the neural network linearization model of each subsystem. On this basis， the corresponding objective function is designed according to the principle of wind power generation first， photovoltaic power generation in combination and battery when necessary. The research results show that the proposed distributed model predictive control can effectively ensure the safe， reliable and stable operation of the entire microgrid.

Keywords： microgrid; distributed model predictive control; wind power generation subsystem; photovoltaic power generation subsystem; battery; neural network

0? 引? 言

隨著全球人類數量的持續增長，可再生能源和新能源的發展越來越受到人們的重視[1]。其中，以太陽能、風能等可再生能源為基礎的微電網已經受到各界廣泛的關注，單獨的風力發電和光伏發電會導致發電和用電負荷的不均衡[2?3]。

模型預測控制（Model Predictive Control，MPC）是近些年來提出用來解決系統優化的問題，該方法能夠很好地對約束問題進行在線處理[4]。隨著網絡信息化技術的逐步完善，集中式控制和分散式控制的方法過于局限且系統之間缺乏信息交流，導致系統在優化方面耗時大、效率低，逐步地被分布式思想所替代[5?6]。文獻[7]提出把分布式模型預測控制策略用在大型的風電場中，通過迭代算法實現全局的最優值。文獻[8]提出運用一種非線性預測的控制方法，針對系統中存在的混合整數優化問題，通過模型預測控制的方法轉化為非線性優化的問題，進而調節光伏和風力發電系統的輸出電能。

雖然上述方法都在系統的優化方面取得了不錯的成果，但都采用集中式優化方法且沒有對系統本身存在的非線性問題進行解決。本文結合神經網絡的分布式模型預測控制對微電網進行系統優化，解決了系統中存在的非線性因素的問題。

1? 微電網數學模型

微電網結構如圖1所示。其中，采用風力和光伏發電解決系統中多數情況下的負荷需求，當兩個子系統共同發電超出系統負荷需求時，剩余的能量會提供給電池組;而風力和光伏子系統發出的功率滿足不了系統的負荷需求時，電池組會進行必要的補充。

圖1中：[iw]和[is]分別是風力和光伏發電子系統的輸出電流;[uw]和[us]是風力渦輪機和光伏板的控制信號（DC/DC整流器的占空比）;[ib]和[iL]分別是電池和負荷的輸入電流。

1.1? 風力發電子系統模型

風力發電子系統的數學模型可描述如下：

風力發電子系統的模型可以寫成如下緊湊形式：

風力發電子系統的最大輸出功率[pw，max]如下：

1.2? 光伏發電模型

光伏發電子系統包括由多個光伏板組成的光伏面板陣列和DC/DC轉換器，其中，DC/DC整流器把太陽能轉化到直流母線，數學模型如下：

1.3? 蓄電池模型

蓄電池結構為1個電壓源[Eb]串聯1個電阻[Rb]和1個電容[Cb]，模型如下[9]：

2? 神經網絡線性化分布式模型

系統模型的離散形式寫成如下形式：

3? 仿真實驗

整個仿真實驗在風速為5～15 m/s之間波動，日照強度在50～70 mW/cm2范圍內，溫度在20 ℃上下浮動，負荷需求在450 min時由2 500 W上升到3 800 W，在1 000 min時下降到2 600 W。實驗參數和外界環境如表1和圖3所示。

從圖4中可以看出當風力發電子系統的輸出功率最大化時也不能滿足系統的負荷需求時，此時，光伏發電去補充且效果很好，蓄電池只有在400～600 min和1 250～1 400 min進行必要的補充。

4? 結? 論

本文針對大規模且地理分散的微電網系統中，各個子系統優化時缺少通信交流，提出基于模型預測控制的方法設計各個子系統的控制器，合理分配各個子系統的輸出功率。針對系統中存在的非線性環節，運用神經網絡線性化模型的能力，并將其模型運用到分布式模型預測控制中，設計了目標函數。通過仿真證明了該方法的優越性，保證了微電網的安全、可靠、穩定運行。

注：本文通訊作者為劉洋。

參考文獻

[1] HOSENUZZAMAN M， RAHIM N A， SELVARAJ J， et al. Global prospects， progress， polices， and environmental impact of solar photovoltaic power generation [J]. Renewable & sustainable energy reviews， 2015， 41： 284?297.

[2] 慈松，李宏佳，陳鑫，等.能源互聯網重要基礎支撐：分布式儲能技術的探索與實踐[J].中國科學：信息科學，2014，44（6）：762?773.

[3] 孔小兵，劉向杰，韓梅.風光互補發電系統的分級遞階分布式預測控制[J].中國科學：信息科學，2018，48（10）：1316?1332.

[4] 張怡，劉向杰.互聯電力系統魯棒分布式模型預測負荷頻率控制[J].控制理論與應用，2016，33（5）：622?630.

[5] 董婷婷，李麗娟，熊鹿.基于關聯子系統的分布式模型預測控制算法[J].控制工程，2015，22（6）：1201?1206.

[6] SAHU B K， PATI S， PANDA S. Hybrid differential evolution particle swarm optimization fuzzy proportional?integral derivative controller for automatic generation control of interconnected power system [J]. IET generation， transmission & distribution， 2014， 8（11）： 1789?1800.

[7] ZHAO Haoran， WU Qiuwei， GUO Qinglai， et al. Distributed model predictive control of a wind farm for optimal active power control part II： implementation with clustering?based piece?wise affine wind turbine model [J]. IEEE transactions on sustainable energy， 2015， 6（3）： 840?849.

[8] SALAZAR J， TADEO F， PRADA C D. Predictive control of microgrids with mixed sources for desalination in remote areas [J]. IFAC?Papers online， 2016， 49（27）： 244?249.

[9] KOU Peng， LIANG Deliang， GAO Feng， et al. Coordinated predictive control of DFIG?based wind?battery hybrid systems： using non?Gaussian wind power predictive distributions [J]. IEEE transactions on energy conversion， 2015， 30（2）： 681?695.

[10] LAWRYNCZUK M. Explicit nonlinear predictive control algorithms with neural approximation [J]. Neurocomputing， 2014， 129： 570?584.