发明名称 独立直流微网智能功率分配方法
摘要 本发明涉及一种独立直流微网智能功率分配方法,用非线性下垂特性来准确的描述电压和输出功率之间的关系,得出直流电压幅值和有功功率间的关系式,利用所得的非线性下垂特性设计下垂功率控制器运用到微电网控制中,建立直流微网控制系统的状态空间模型,通过T-S模糊方法对所得状态空间模型进行整体模糊建模,并基于建立的T-S模糊状态空间模型设计滑模下垂控制器自动分配各个直流源的输出功率。非线性特性建立状态空间模型能够更精准的模拟分布式发电单元的实际运行特性;基于T-S模糊模型利用滑模控制方法设计非匹配的鲁棒下垂控制器,不仅能够保证系统对扰动的自适应性,同时可以在一定程度上忽略可再生能源的不确定性和间歇性。
申请公布号 CN104578045A 申请公布日期 2015.04.29
申请号 CN201510067621.6 申请日期 2015.02.09
申请人 上海电力学院 发明人 米阳;张寒;符杨;夏洪亮;韩云昊;吴彦伟
分类号 H02J1/10(2006.01)I;H02J1/14(2006.01)I 主分类号 H02J1/10(2006.01)I
代理机构 上海申汇专利代理有限公司 31001 代理人 吴宝根
主权项 一种独立直流微网智能功率分配方法,其特征在于,具体包括如下步骤:1)用非线性下垂特性来准确的描述电压和输出功率之间的关系,得出直流电压幅值和有功功率间的关系式:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>&Delta;</mi><msub><mi>V</mi><mi>i</mi></msub><mo>=</mo><msqrt><mfrac><mrow><mi>&Delta;</mi><msub><mi>P</mi><mi>i</mi></msub></mrow><msub><mi>K</mi><mi>d</mi></msub></mfrac><mo>+</mo><msubsup><mrow><mn>0.25</mn><mi>V</mi></mrow><mi>opi</mi><mn>2</mn></msubsup></msqrt><mo>-</mo><msub><mrow><mn>0.5</mn><mi>V</mi></mrow><mi>opi</mi></msub></mrow>]]></math><img file="FDA0000669504990000011.GIF" wi="734" he="186" /></maths>其中,△V<sub>i</sub>是每个直流源瞬时电压与额定电压之间的差值,△P<sub>i</sub>是每个直流源瞬时功率与额定功率间的差值,V<sub>opi</sub>是每个直流源输出电压幅值,K<sub>d</sub>是所提出的下垂系数;2)将步骤1)所得非线性下垂特性代替下垂功率控制器运用到微电网控制中,建立直流微网的状态空间模型:通过采集输出电压V<sub>oi</sub>和输出电流I<sub>oi</sub>估量瞬时功率p'=V<sub>oi</sub>·I<sub>oi</sub>;功率信号通过低通滤波器滤波消除谐波以获取功率基波P,低通滤波器中ω<sub>c</sub>是截止滤波器的频率,s是拉普拉斯算子;低通滤波器输出通过下垂功率控制器输出的参考直流电压<img file="FDA0000669504990000012.GIF" wi="91" he="72" />下垂功率控制器输出依次通过电压控制器和电流控制器到电力电子变换器,电力电子变换器输出通过输出电容C<sub>f</sub>和输出电感L<sub>c</sub>到微网,针对电压控制器以及电流控制器,分别定义变量<img file="FDA0000669504990000013.GIF" wi="735" he="151" />其中I<sup>*</sup>是电压控制器的输出信号,I<sub>dg</sub>是电力电子变换器中的电感电流,其中k<sub>Iv</sub>是电压PI控制器的比例系数,k<sub>Pv</sub>是电压PI控制器的积分系数,k<sub>Ii</sub>是电流PI控制器的比例系数,k<sub>Pi</sub>是电流PI控制器的积分系数;得到微电网控制的状态方程为:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mover><mi>x</mi><mo>&CenterDot;</mo></mover><mo>=</mo><mi>A</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>Bu</mi></mrow>]]></math><img file="FDA0000669504990000014.GIF" wi="341" he="75" /></maths>其中:<img file="FDA0000669504990000021.GIF" wi="1393" he="820" /><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>B</mi><mo>=</mo><msup><mfenced open='[' close=']'><mtable><mtr><mtd><mo>-</mo><msub><mi>&omega;</mi><mi>c</mi></msub><msub><mi>k</mi><mi>pi</mi></msub><msub><mi>I</mi><mi>opi</mi></msub></mtd><mtd><mn>0</mn></mtd><mtd><mo>-</mo><mn>1</mn></mtd><mtd><mn>0</mn></mtd><mtd><mo>-</mo><mn>1</mn><mo>/</mo><mi>Lc</mi></mtd></mtr></mtable></mfenced><mi>T</mi></msup><mo>,</mo></mrow>]]></math><img file="FDA0000669504990000022.GIF" wi="956" he="115" /></maths><img file="FDA0000669504990000023.GIF" wi="1140" he="130" />3)T‑S模糊方法对步骤2)所得状态空间模型进行整体建模,T‑S全局模糊模型的输出表示形式为:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><mover><mi>x</mi><mo>&CenterDot;</mo></mover><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>r</mi></munderover><msub><mi>h</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>[</mo><msub><mi>A</mi><mi>i</mi></msub><mi>x</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>+</mo><mi>&Delta;</mi><msub><mi>A</mi><mi>i</mi></msub><mi>x</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>B</mi><mi>i</mi></msub><mi>u</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>]</mo></mrow>]]></math><img file="FDA0000669504990000024.GIF" wi="915" he="123" /></maths>其中,常数<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><msub><mi>h</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>&GreaterEqual;</mo><mn>0</mn><mo>,</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>r</mi></munderover><msub><mi>h</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>x</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>=</mo><mn>1</mn></mrow>]]></math><img file="FDA0000669504990000025.GIF" wi="669" he="135" /></maths>其中规则i=1,2,…,r表示第i条模糊推理规则,x(t)∈R<sup>n</sup>是状态向量,u(t)∈R<sup>m</sup>为控制输入向量,A<sub>i</sub>∈R<sup>n×n</sup>和B<sub>i</sub>∈R<sup>n×n</sup>是系统矩阵和输入矩阵,ΔA<sub>i</sub>表示参数不确定的时变矩阵;4)根据T‑S模糊模型,利用滑模控制方法针对非匹配的参数不确定系统设计鲁棒下垂控制器,保证各个直流源的功率自动分配的鲁棒性和准确性。
地址 200090 上海市杨浦区平凉路2103号