基于模糊PID的儲能虛擬同步發電機功率協調控制

摘 ?要：由于儲能虛擬同步發電機電力具有不規則性和非線性，對其功率協調控制具有一定難度。為此提出基于模糊PID的儲能虛擬同步發電機功率協調控制。利用人工智能神經網絡模型對發電機運行數據進行計算學習，判斷儲能虛擬同步發電機荷電狀態。利用模糊PID控制器向儲能虛擬同步發電機發送控制指令，調整儲能虛擬同步發電機荷電狀態，使其功率始終處于穩定狀態。經實驗證明，應用此設計方法后功率波動系數遠小于傳統方法，具有一定的推廣意義。

關鍵詞：模糊PID;儲能虛擬同步發電機;功率協調控制

中圖分類號：TM614 文獻標識碼：A 文章編號：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

電能是人類生產、生活以及發展的重要因素，是生產活動開展的主要動力來源。隨著社會的進步和發展，對電能的需求逐漸增加，相關學者也在該方面開展了大量的研究，比如分布式能源儲存、能源控制以及能源開發等，并且在該方面取得了一定的研發成果。儲能虛擬同步發電就是當前電力領域比較先進的儲能技術，由于其具有可持續性、清潔化等優點，已經被廣泛應用到電力領域中[1]。雖然在一定程度上改善了電力系統的存儲性能，但儲能虛擬同步發電機在運行過程中會出現功率波動異常。在接入電網時會因儲能虛擬同步發電機功率的波動而引起電力事故，給系統的正常運行和正常供電帶來嚴重的威脅[2]。同時也會造成電力資源的浪費，因此必須采取有效的措施，對儲能虛擬同步發電機的功率進行協調控制，以解決目前存在的問題。

1 ?基于模糊PID的儲能虛擬同步發電機功率協調控制方法

1.1 ?建立儲能虛擬同步發電機模型

在建立儲能虛擬同步發電機模型時，需要考慮發電機運行期間隨外界溫度、濕度等因素變化的內阻，并且儲能虛擬同步發電機自身存儲的電能有限，其集成電路值也并不是一個恒定常量。綜合以上分析，此次建立的儲能虛擬同步發電機動態模型如圖1所示。

如圖1所示，儲能虛擬同步發電機動態模型是由電源E0、電路串聯組成的主電路和由電流I1流經的支路組成。該模型中的電路部分表示儲能虛擬同步發電機內部發生的電極反應和熱量損耗，而電流I1流經的支路表示儲能虛擬同步發電機在長時間發電過程中產生的析氣效應。儲能虛擬同步發電機的電量變化和當前剩余電量是其非常重要的特征參數，同時也是儲能虛擬同步發電機功率協調控制的主要依據。假設儲能虛擬同步發電機的電流為I，其當前剩余電量由電流I值表征，其公式為：

（1）

公式（1）中，H表示儲能虛擬同步發電機當前剩余電量;It表示當前時刻儲能虛擬同步發電機的電流量;Kmax表示儲能虛擬同步發電機最大容量。儲能虛擬同步發電機模型的建立是模擬出儲能虛擬同步發電機動態運行狀態，后續所有功率控制指令均在該模型上操作。

1.2 ?儲能虛擬同步發電機荷電狀態估計

建立完動態模型后，為了有效控制儲能虛擬同步發電機功率，必須要準確了解儲能虛擬同步發電機荷電狀態，也就是對儲能虛擬同步發電機的實時功率進行準確計算。正常情況下發電機的功率值可以通過端電壓值和額定電壓的比值計算得到，但是儲能虛擬同步發電機運行過程比較復雜，其電力特性具有明顯的不規則性和非線性。因此對其計算具有一定的難度，此次采用人工神經網絡技術通過對大量樣本數據計算獲取到儲能虛擬同步發電機功率值[3]，從而判斷發電機荷電狀態，其計算過程如下。

假設人工神經網絡模型的輸入維數為4，輸出維數為2，模型的輸入矢量為儲能虛擬同步發電機的電流、電壓以及剩余電量，輸出層的輸出矢量設定為儲能虛擬同步發電機的功率值。根據上述設定確定人工智能神經網絡模型隱含層節點神經元數量，其計算公式如下：

K=2T+1 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

公式（2）中，K為人工智能神經網絡模型隱含層節點神經元數量;T為人工智能神經網絡模型輸入信號維數。根據公式（2），確定人工智能神經網絡模型隱含層神經元數量為9。按照上述在MATLAB工具箱中建立人工智能神經網絡模型，具體構建的軟件界面如圖2所示。

為了減少儲能虛擬同步發電機功率值誤差，在工具箱中選定sigmoid傳遞函數，并將計算精度設定為0.000 1。

將儲能虛擬同步發電機運行數據輸入到上述模型中，利用sigmoid函數對樣本數據進行訓練和學習，其過程如圖3所示。

如圖3所示，將儲能虛擬同步發電機運行數據輸入到模型中，利用模型反復學習和計算出儲能虛擬同步發電機下一時刻的功率值，其計算公式為：

（3）

公式（3）中，?Rt+1為儲能虛擬同步發電機下一時刻的功率值;μ為人工智能神經網絡模型迭代時的學習率;r表示為人工智能神經網絡模型學習迭代時權重的修正量;b為人工智能神經網絡模型輸出誤差對權值的梯度下降向量[4]。根據輸出值的大小預估儲能虛擬同步發電機荷電狀態，如果計算得到的功率值超出正常范圍則視為儲能虛擬同步發電機荷電狀態異常，需要根據計算的功率值對其進行協調控制。

1.3 ?基于模糊PID協調控制儲能虛擬同步發電機功率

預估完發電機荷電狀態后，利用模糊PID控制器對發電機功率進行協調控制，將模糊PID控制器與發電機一側串聯連接，如圖4所示。

模糊PID控制器根據人工智能神經網絡模型計算結果，向發電機發送控制指令，使儲能虛擬同步發電機功率達到協調狀態，其過程如下。假設儲能虛擬同步發電機功率的參考方向為發電為正，充電為負，模糊PID定義發電機的荷電狀態如下：

（4）

公式（4）中，P為模糊PID對發電機荷電狀態的定義;Ft為發電機在某一時刻的最小電壓;Qmax為發電機在某一時刻的最大電壓[5]。如果在某一時刻發電機的荷電狀態有利于發電機功率出力時，由模糊PID控制器承擔響應發電機功率波動的任務。并且由儲能虛擬同步發電機當前荷電狀態映射一個功率指令修正值，模糊PID控制器將儲能虛擬同步發電機荷電狀態與功率之間的映射設定為一次線性關系。當發電機的功率過高時，模糊PID控制器向發電機的儲能單元發送指令，將多余的功率值由發電機的儲能單元全部吸收，并將儲能虛擬同步發電機的發電功率設定為參考值。當發電機的功率低于常規參數設定值時，模糊PID控制器向發電機的儲能單元發送控制指令，由發電機儲能單元為發電機功率進行補償，功率補償值可通過上文人工智能網絡模型計算結果與發電機參考功率差計算得到。模糊PID控制器分以上兩種情況對儲能虛擬同步發電機功率進行協調控制，保證發電機功率始終處于穩定狀態，以此實現了基于模糊PID的儲能虛擬同步發電機功率協調控制。

2 ?實驗分析

為了驗證此次設計的控制方法對儲能虛擬同步發電機功率波動協調控制的正確性和可行性，以某儲能虛擬同步發電機為實驗研究對象，該儲能虛擬同步發電機電容大小為20 kVA，實驗利用此次設計方法與傳統方法對該儲能虛擬同步發電機功率進行控制。實驗中以光伏序列輸出功率階躍變化對儲能虛擬同步發電機進功率進行擾動，實驗中儲能虛擬同步發電機波動電感為2.45 mH，波動電容為55 uF，儲能直流母線電壓為750 V，發電機阻抗為6.5 mH，交流電壓額定幅值為350 V，儲能虛擬同步發電機功率峰值為25.65 kW，功率谷值為5.14 kW。實驗模糊PID控制器與儲能虛擬同步發電機采用完全主動的并聯方式連接，并在儲能虛擬同步發電機與模糊PID控制器并聯側添加了一個GYHHKJ模塊。在實驗時間分別為0.5 s、1.5 s、2.5 s、3.5 s、4.5 s、5.5 s、6.5 s時分別設置一個5 V、10 V、15 V、20 V、25 V、30 V的電壓突變量，觀察儲能虛擬同步發電機在母線電壓突變情況下功率波動情況。

實驗中將儲能虛擬同步發電機的初始荷電狀態設定為0.5，額定工作電壓設定為110 V，額定電容參數設定為170 V/

5.5 Ah，發電機電容器電感設定為0.05 H。實驗利用UGG軟件采集到儲能虛擬同步發電機功率數據，并計算出電壓突變時儲能虛擬同步發電機功率波動系數。波動系數用于檢驗協調控制方法的有效性和可行性、執行的協調控制指令是否取得良好的控制效果，波動系數越大說明協調控制方法效果越差，反之儲能虛擬同步發電機功率波動系數越小則說明協調控制方法效果越好。實驗根據設計方法和傳統方法兩種控制方法應用下功率波動系數進行對比分析，實驗結果如表1所示。

從表1中數據可以看出，采用了基于模糊PID的儲能虛擬同步發電機功率協調控制方法后，儲能虛擬同步發電機功率波動系數明顯比實驗前小很多。并且最大波動系數僅為0.036，對儲能虛擬同步發電機影響較小，基本可以忽略不計。而應用傳統方法后，儲能虛擬同步發電機功率波動系數雖然也有了明顯的減小，但是仍然比較大，遠大于設計方法。因此實驗證明設計方法可以有效控制儲能虛擬同步發電機功率波動問題，能夠有效保證儲能虛擬同步發電機正常運行。

3 ?結 ?論

由于儲能虛擬同步發電機本身具有自然特性，其內部功率具有一定的隨機性和突發性，因此有必要采取有效的手段對其進行協調控制。此次在原有控制理論基礎上進行了完善與優化，采用了模糊PID控制技術，改善了儲能虛擬同步發電機功率波動問題，降低了其功率波動系數，為儲能虛擬同步發電機穩定運行提供了有效的控制技術支撐。同時也解決了儲能虛擬同步發電機能耗問題，在一定程度上實現了儲能虛擬同步發電機的節能降耗。

參考文獻：

[1] 劉振烜，易映萍，石偉.基于VSG的并網逆變器功率控制研究 [J].電子科技，2020，33（10）：6-14.

[2] 陳中穎，胡傳意，黃明明.基于多環虛擬同步發電機的功率控制 [J].廣東電力，2018，31（12）：33-40.

[3] 張福民，白松，李占凱，等.基于VSG技術的微電網儲能荷電狀態控制策略 [J].電網技術，2019，43（6）：2109-2116.

[4] 楊巧玲，包廣清，張海平.太陽能斯特林直線發電機控制策略研究 [J].中國設備工程，2019（21）：226-227.

[5] 高長偉，劉曉明，孟昭軍.分布式光伏發電系統改進虛擬同步發電機控制 [J].太陽能學報，2021，42（2）：376-382.

作者簡介：吳越翔（1990—）男，漢族，陜西子長人，工程師，本科，研究方向：機電一體化。