基于BP神经网络光柴孤网运行优化控制研究

胡钢，范伟东，李忠

（河海大学物联网工程学院，江苏常州 213022）

基于BP神经网络光柴孤网运行优化控制研究

胡钢，范伟东，李忠

（河海大学物联网工程学院，江苏常州 213022）

光柴互补发电独立微电网系统，主要包括：光伏电池组发电、柴油机发电和负载等，光伏发电模型采用MPPT控制。在确保光伏最大功率输出的基础上，对原动机及其速度/功率反馈系统、同步发电机及其励磁控制系统进行分析，建立相应的数学模型。设计基于BP神经网络算法PID控制器，控制原动机的转速调整其输出功率，维持微网系统频率的恒定。仿真结果表明：该控制策略实现光伏最大功率输出，提高太阳能利用率。同时，保证微网系统的频率恒定。

微电网；光伏发电；柴油机发电；频率控制；BP神经网络

孤岛运行是微电网的重要特征，是提高微电网内重要负荷供电可靠性的强有力保证[1]。然而，受天气和微网中负荷变化影响，导致微电源出力波动、随机和不连续，引起有功功率不平衡和频率大幅度变化[2-3]。然而，频率是电网电能质量考核的重要指标，也是电网稳定性的重要判断依据[4]。因此，控制系统频率恒定，对保证微网的稳定运行有重要作用。

近年来，对光柴孤岛微电网频率优化的研究已经取得一些成果。文献[5-6]分别加入燃料电池和超级电池提高微网供电质量，减小光伏输出功率波动，同时导致微网设备增多，成本上升。文献[7]采用PID负荷频率补偿器，通过改变控制柴油发电机的转速调整其功率输出，有效调节微电网的频率偏差，但常规的PID控制器对于非线性、时变不确定性系统，很难达到理想效果。文献[2，8]提出自适应模糊PID控制器和模糊逻辑控制器，解决了传统PID控制器的问题，提高系统的性能，很好控制微网频率恒定，但实时性和准确性还有待提高。

针对以上问题，本文将文献[9-11]中所设计的BP神经网络PID控制器应用到光柴孤网系统中，利用神经网络自学习能力，实时控制PID参数，以减小系统频率误差。

1 光柴独立微电网建模

在光柴孤网系统中，微电网仅由光、柴和负荷组成，采用柴油机为主、光伏为从的控制方法，光伏系统采用MPPT控制始终保持最大功率输出，柴油发电机采用基于BP神经网络PID控制器调速系统和励磁系统稳压稳频。微网结构模型如图1所示。

图1 微网结构模型Fig.1 Structure model of micro-grid

2 基于BP神经网络PID控制器设计及仿真

2.1 BP神经网络算法

1986年D.E.Rumelhart和J.L.Mcclelland等人提出了多层前向网络的反向传播算法（Back Propagation），简称BP网络。它是一种前向反馈网络，图2显示神经网络具有三层结构：输入层、隐含层和输出层，同一层的神经元没有任何连接，而不同层次的神经元向前连接[12-13]。其中各层的输入、输出函数公式在许多文献中都有研究，算法已经很成熟，这里我们引用文献[14]中所列出的输入、输出公式。

图2 BP神经网络结构Fig.2 BP neural network

2.2 BP神经网络PID控制器设计

图3为本系统基于BP神经网络PID控制器设计图，通过PID的闭环控制实施参数在线整定，同时利用BP神经网络自学习能力和各层加权系数的调整，从而调节PID参数[15]，达到网络频率最优化。

数字PID增量式控制方法为：

其中：u（k）=Δu（k）+u（k－1），Kp、Ti、Td分别是比例、积分常数和微分系数，e（k）=vref（k）－v（k），这里vref（k）为参考转速，v（k）为柴油发电机实际转速输出。

图3 基于BP神经网络PID控制器Fig.3 PID controller based on BP neural network

基于以上分析，本系统采用图4所示4-5-3的网络结构。

图4 光柴孤岛微电网系统BP神经网络结构Fig.4 Light diesel island micro-grid system based on BP neural network

2.3 基于BP神经网络PID控制器仿真分析

本文采用基于S函数的BP神经网络PID控制器的算法步骤如下：

1）确定BP网络结构，初始化各层加权系数，选取学习速率η和惯性系数α，此时k=1。

2）采集柴油发电机转速v（k），根据参考值vref（k），计算此时的误差e（k）=v（k）-vref（k）。

3）根据公式计算各层的输入、输出，得到可调参数Kp、Ti、TD计算PID控制器的输出。

4）根据网络的学习算法，在线调整各层的权值系数，完成PID控制器的自动调整。

5）k=1，返回步骤1）。

文中系统控制对象如式（10），其中：a（k）=1.2（1-0.8e^（-0.1k））；输入信号：vref（k）=1.0和vref（k）= sin（2t）。选取网络结构为4-5-3，学习速率η=0.25、惯性系数α=0.05，初始权值区间为[-0.5，+0.5]。仿真结果如图5所示。

从图5（a）、（b）可以看出刚开始系统输出和参考值相差较大，但是在非常短的时间内系统输出趋近参考值，最后与参考值相等，且误差为零；由图5（c）可知系统在大约0～0.05 s内自适应调整参数，最后使控制参数稳定。仿真结果表明采用BP神经网络的PID控制器算法精度高、效果好、时间短，具有很好的使用价值。

3 基于BP神经网络柴油发电机控制器设计

在微电网中，当光、储出力不足时启动柴油机，及时补充负载正常运行所需的电能，保障供电系统连续、可靠、安全运行。

图6为发电机结构图，当负载需求发生变化时，速度控制系统控制燃料阀调节柴油机供油量，使柴油机维持恒定的转速[16]，从而保证频率稳定输出，励磁控制系统对励磁电流进行调节以保障同步发电机输出电压稳定[17]。

图5 系统仿真结果图Fig.5 Simulation results of the system

图6 柴油发电机结构图Fig.6 Structure of the diesel generator

3.1 原动机速度反馈控制系统

应用BP神经网络，确定输入层神经元数为3，输出层神经元数为3，当隐层神经元数为8时，准确性最高，对其性能进行仿真。

3.2 柴油机发电系统仿真

柴油发电机系统孤网运行仿真条件如表1所示，仿真结果如图7所示，运行时序控制分析如下：

表1 孤网运行仿真条件Tab.1 Simulation conditions of the isolated operation

图7 孤网运行仿真结果Fig.7 Simulation results of isolated operation

0～6 s，系统启动，带load1稳定运行；

6 s时，系统突加load2，端电压Vt稍有跌落，励磁电压Vf明显上升，经调节器调节后在7 s时均恢复稳定。原动机转速ω（pu）随电磁转矩增大而降低，经速度反馈控制系统调控，其在7.2 s时重新稳定在参考值，原动机输出功率Pmec（pu）增加；

12 s系统切除load2，随着电磁转矩减小原动机转速增大，经速度反馈控制系统调控，其在13.1 s时重新稳定，原动机输出功率减小。Vt稍有增加，Vf明显跌落，经调节器调节后在13 s时均恢复稳定值。

由以上结果和分析可知，在基于BP神经网络PID速度反馈控制系统和励磁控制系统的调控下，当负载发生扰动时，系统电压和频率很快维持在稳定范围内。

4 光柴孤网系统仿真分析

光柴孤网运行仿真条件如表2所示，光柴孤网运行结果如图8所示，运行时序控制分析如下：

表2 光柴孤网运行仿真条件Tab.2 Simulation conditions of light wood isolated operation

0～1 s期间，系统启动，光伏系统通过逆变器并入微网，功率快速上升并稳定最大输出功率值30 kW；微电网总功率用电负荷为40 kW、10 kV·A；柴油机作为主控电源，自动平衡负荷需求与光伏发电间功率差，系统稳定运行。

1～2 s期间切入新负荷，总功率突增为60 kW、15 kV·A，由图8（c）可知柴油发电机迅速增大输出功率，维持系统功率供需平衡状态。

2～3 s期间外界光强由1 000 W/m2突降至800 W/m2，图8（a）显示光伏系统输出功率降低，在由图8（c）知柴油机组随之增大输出功率以弥补功率差。

图8（d）显示，在柴油机组控制下微电网频率稍有波动，但基本维持在50 Hz附近，负载或环境变化时频率起伏较大但迅速恢复，波动不超过±0.2 Hz。由图8（e）、（f）可知，系统运行时电压稳定性良好，且其正弦度良好。

从仿真结果图中可以看出，在光柴孤网系统中柴油机作为微电网的主控电源，采用基于BP神经的PID控制器调节柴油发电机的转速，当环境或负荷功率需求改变时，该控制器能快速响应、准确输出、自动平衡供需功率，能较稳定地控制微电网系统电压和频率。

5 总结

本文针对光柴独立微电网系统，分析光伏和柴油发电机的数学特性以及柴油机发电系统的结构组成与工作原理，分别采用不同的控制方法：首先，对光伏系统采用MPPT控制，保证光伏以最大功率输出；其次，采用基于BP神经网络的PID控制系统通过调节原动机转速，控制柴油机的有功输出，进而优化由于外界环境或负载功率需求改变时引起的系统频率偏差。

通过利用Matlab/Simulink仿真分析得出，本文设计的光柴互补微电网系统，既保证了光伏系统以最大功率输出，同时所采用的基于BP神经网络PID控制器将系统频率控制在可控范围内，具有较好的调频效果。

图8 光柴孤网运行仿真结果Fig.8 Simulation results of light wood isolated operation

[1]刘文.微电网孤岛运行的主从控制策略研究[D].广州：广东工业大学，2012.

[2]李彬，薛云灿，王思睿，等.基于自适应模糊PID控制的最大功率点跟踪技术研究[J].陕西电力，2015，43（7）: 7-10.LI Bin，XUE Yuncan，WANG Sirui，et al.Study on maximum power point tracking technology based on adaptive fuzzy PID control[J].Shaanxi Electric Power，2015，43（7）:7-10（in Chinese）.

[3]FEMIA N，PETRONE G，SPAGNUOLO G，et al.Optimization of perturb and observe maximum power point tracking method[J].Power Electronics IEEE Transactions on，2005，20（4）:963-973.

[4]缪勇，奚玲玲.微电网孤岛运行下的频率控制研究[J].电器与能效管理技术，2015（2）:49-55.MIAO Yong，XI Lingling.Research on frequency control in islanded microgrid[J].Electrical&Energy Management Technology，2015（2）：49-55（in Chinese）.

[5]SINGH S，SINGH A K，CHANANA S.Operation and control of a hybrid photovoltaic-diesel-fuel cell system connected to micro-grid[C].Power India Conference，2012 IEEE Fifth.IEEE，2012:1-6.

[6]米阳，张寒，杨洋，等.独立光柴混合微电网新的负荷频率控制研究[J].控制工程，2014，21（1）：1-6.MI Yang，ZHANG Han，YANG Yang，et al.The study of novel load frequency control for isolated PV-diesel hybrid microgrid[J].Control Engineering of China，2014，21（1）: 1-6（in Chinese）.

[7]米阳，田越，张寒，等.光柴互补独立微电网的频率优化控制研究[C]//第26届中国控制与决策会议论文集，2014.

[8]ELMITWALLY A，RASHED M.Flexible operation strategy for an isolated PV-Diesel microgrid without energy storage[J].Energy Conversion IEEE Transactions on，2011，26（1）:235-244.

[9]吕伟，姚凯学.BP神经网络PID控制算法在农作物干燥控制系统中的应用研究与设计[J].计算机测量与控制，2015（2）:432-435.LÜ Wei，YAO Kaixue.BP neural network PID control algorithm applied research and design of the control system of crop drying[J].Computer Measurement&Control，2015（2）：432-435（in Chinese）.

[10]李广军，张晶，曾安平.基于BP神经网络的PID控制器研究[J].计算机仿真，2009，26（9）:128-131.LI Guangjun，ZHANG Jing，ZENG Anping.PID control based on BP neural network[J].Computer Simulation，2009，26（9）:128-131（in Chinese）.

[11]郎进平，杜迎喜.基于神经网络PID控制的有源电力滤波器的研究[J].现代矿业，2014（6）:135-137.LANG Jinping，DU Yingxi.Study of active power filter based on neural network of PID control[J].Modern Minin，2014（6）:135-137（in Chinese）.

[12]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999：1-121.

[13]廖芳芳，肖建.基于BP神经网络PID参数自整定的研究[J].系统仿真学报，2005，17（7）:1711-1713.LIAO Fangfang，XIAO Jian.Research on self-tuning of PID parameters based on BP neural network[J].Journal of System Simulation，2005，17（7）:1711-1713（in Chinese）.

[14]李建科，王金全，马涛，等.基于BP神经网络的并联型有源电力滤波器直流侧电压PID控制设计[J].电网与清洁能源，2012，28（6）：61-65.LI Jianke，WANG Jinquan，MA Tao，et al.Design of DC voltage with PID control of shunt active power filter based on BP neural network[J].Power Syetem and Clean Energy，2012，28（6）：61-65（in Chinese）.

[15]史春朝.BP神经网络算法的改进及其在PID控制中的应用研究[D].天津：天津大学，2006.

[16]萧颖，潘大德.柴油机数学模型的模拟和仿真[J].内燃机车，2011，3（3）:12-15.XIAO Ying，PAN Dade.Modeling and simulation of mathematical models of diesel[J].Diesel Locomotives，2011，3（3）:12-15（in Chinese）.

[17]SEDAGHAT B，JALILVAND A，NOROOZIAN R.Design of a multilevel control strategy for integration of standalone wind/diesel system[J].Eds.Zanjan，Iran:Elsevier Ltd，2011，13（5）:26-34.

（编辑 徐花荣）

Optimal Control of Photovoltaic-Diesel Isolated Network Based on BP Neural Network

HU Gang，FAN Weidong，LI Zhong
（College of IOT Engineering，Hohai University，Changzhou 213022，Jiangsu，China）

The independent micro-grid system of photovoltaic-diesel hybrid power generation mainly includes photovoltaic batteries used to generate electricity，diesel power generation and load.The photovoltaic power generation model uses the MPPT control to ensure the maximum power output.On the basis of ensuring the maximum photovoltaic power output，an analysis is made on the prime mover，its speed/power feedback system，synchronous generator and excitation control system and a mathematical model is established accordingly.To maintain a constant frequency of the micro-gird system，a PID controller based on BP neural network algorithm is designed to control the speed of prime mover to adjust its output power.The simulation result shows that the control strategy proposed can achieve the maximum output power of photovoltaic and improve the utilization of solar energy.In addition，it can ensure a constant frequency of the micro-grid system.

micro-grid；PV power generation；diesel generator；frequency control；BPNN

2015-08-07。

胡 钢（1958—），男，教授，硕士，主要研究方向为传感网理论与应用、信息感知与智能系统；

范伟东（1990—），男，硕士研究生，主要研究方向为通信与信息系统；

李 忠（1990—），男，硕士研究生，主要研究方向为通信与信息系统。

国家自然科学基金青年基金（51207043）。

Project Supported by the National Natural Science Foundation of China（51207043）.

1674-3814（2016）11-0129-06

TP393

B