基于自适应模糊神经网络的光储系统优化控制

张宇宁，王海云，王维庆

(新疆大学电气工程学院，新疆 乌鲁木齐 830047)

0 引 言

随着国家对低碳电力的大力发展，以光伏发电为代表的高比例可再生能源在电网中持续增加，但光伏出力受天气光照和温度影响波动较大，其并网发电的不稳定性给电网的调度带来诸多困难[1-2]，这将严重制约光伏发电的大规模开发与利用，所以实现光伏出力波动小、精准跟踪调度指令是亟待解决的研究课题。为合理应用光伏并尽量减小光伏发电的随机性和间歇性对电网带来的冲击，提高系统的稳定性，需配备一定容量的储能装置，理想的储能装置应具有高能量密度、高功率密度、循环寿命长、环保节约等特性，但就目前的研究，还没有单一的储能方式能满足上述特性，因此有专家提出混合储能的概念，多种储能方式同时工作，优势互补，超级电容与蓄电池最为热门，应用也最为广泛[3- 4]。为充分发挥混合储能的优势，最为关键的是合理有效的混合储能控制策略，一般采用低通滤波或滑动平均算法得目标并网功率和储能系统补偿功率，但此类方法未考虑电池荷电状态的变化，易造成电池的过充过放，影响电池的寿命[5- 8]，所以在上述控制策略的基础上，有专家学者提出加入模糊控制算法，完成对储能设备荷电状态的实时调节[9-10]。此类方法中的模糊控制也是采用经验值，缺乏在线自学或自调整功能、费时费力，因此对隶属函数和模糊规则的调整成为模糊控制过程难题[11]。神经网络对输入输出数据有较强的自组织、自学习、自适应功能，Sugeno型模糊模型表达能力、推理能力较强且输出量是清晰集合[12-15]，因此将Sugeno型模糊模型与神经网络结合建立自适应模糊神经网络系统可对大量历史光储数据进行处理，使混合储能控制系统更加有效的跟踪调度指令。

1 光储系统结构

基于混合储能的光储系统结构如图1所示。该系统由两组光伏发电和一组混合储能系统构成，经逆变控制后升压并入电网。

1.1 混合储能的光储结构

基于混合储能的光储系统结构如图1所示。该系统由两组光伏发电和一组混合储能系统构成，经逆变控制后升压并入电网。

图1 混合储能的光储结构示意

光储电站调度实时指令与光伏出力偏差Per为

Per=Pd-Pg

(1)

式中，Pd为光储电站调度实时指令；Pg为光伏出力。

调度实时指令与光伏出力偏差Per功率作为混合储能系统的目标功率，通过自适应模糊神经网络系统控制分频后将高频部分功率分配给超级电容，低频部分功率给蓄电池，最后将混合储能系统出力与光伏出力相加构成光储总出力跟踪调度指令，计算过程为

Per=Ps+Pb

(2)

Pt=Per+Pg

(3)

式中，Ps为超级电容功率；Pb为电池功率；Pt为光储总出力。

混合储能系统的充放电既要考虑调度的指令同时还要考虑两者的荷电状态情况，为了避免混合储能运行过程中出现过冲和过放的情况，对混合储能的荷电状态做出相应的设置，电池的荷电状态上下限为[0.8，0.2]；超级电容的荷电状态上下线为[0.9，0.1]， 两者荷电状态的平均值通过自适应模糊神经网络系统控制，使得混合储能系统荷电状态运行在合理范围的同时跟踪电网调度指令效果最佳。核电状态的平均值为

socp=[(socb-0.5)+(socs-0.5)]/2

(4)

式中，socp为荷电状态平均值 ；socb为蓄电池荷电状态；socs为超级电容荷电状态。

为保证光伏发电满足并网调度要求，国家电网公司对光伏电站并网功率波动做出规定，对于15 MW及以下的光伏装机，要求1 min内最大有功功率变化值不超过0.2 MW，要求10 min内最大有功功率变化值不应超过其对应装机容量。

根据电网标准对光伏电站并网功率波动范围，1 min和10 min功率波动计算式为

ΔPt.1(t)=maxPt.1(t)-minPt.1(t)ΔPt.1(t)∈[0，0.2]

(5)

ΔPt.10(t)=maxPt.10(t)-minPt.10(t)ΔPt.10(t)∈[0，15]

(6)

式中，ΔPt.1(t)、ΔPt.10(t)分别为1 min和10 min功率波动；maxPt.1(t)、maxPt.10(t)分别为1 min和10 min最大功率波动；minPt.1(t)、minPt.10(t)分别为1 min和10 min最小功率波动。

光储出力满足并网功率标准的区间为

Pt.(t)∈[Pt.min(t)，Pt.max(t)]=[minPt.1(t)，maxPt.1(t)]∩[minPt.10(t)，maxPt.10(t)]

(7)

2 混合储能系统模糊控制设计

2.1 基于实测数据的模糊控制设计

对某光储电站大量实测输入—输出数据经过反复试验、筛选和整理可得出有代表性的18组数据。数据组如下

(8)

式中，n为测量的组数；p1为光储出力跟踪调度指令偏差；soc为混合储能荷电状态平均值；p2为送给混合储能的功率指标。

根据这18组数据组归纳总结出初始模糊规则的步骤如下：

(1)根据数据组确定模糊论域。

(2)根据数据组构建模糊规则。

(3)根据“留大去小”原则决定模糊规则强度。

(4)确定模糊规则表，由以上两输入单输出均为5个模糊子集覆盖可得25条模糊规则如表1所示。

表1 混合储能模糊控制规则

2.2 自适应模糊神经网络的设计

2.2.1 自适应模糊神经网络系统的建立

目前研究和应用最广泛的一个典型的模糊神经网络结构如图2所示。

图2 自适应模糊神经网络结构

图中的自适应模糊神经网络的模糊推理是根据模糊系统的工作过程设计的5层前馈网络结构。

第一层为输入层，将输入为节点数量变化的精确值隶属度函数经过模糊化送给节点为i的参数。

(9)

第二层为输入层，负责将输入信号相乘，实现输入变量的模糊化，节点输出为该模糊规则的可信度ai。

(10)

第三层为归一化层，该层的第i个节点计算第i条规则的归一化可信度，确定该层节点数为模糊规则数。

(11)

第四层为模糊规则输出层，每个节点i为输出变量模糊度划分的个数，pi，qi，ri为该节点的参数集。节点i的输出为

(12)

式中，pi、qi、ri为该节点的参数集。

第五层为清晰化层，该层将计算所有的输入信号转换为精确的输出量。

(13)

2.2.2 自适应模糊神经网络系统储能功率分配

自适应模糊神经网络的模糊控制器采用两输入、单输出系统，输出的功率偏差采用低通滤波器将功率分为两部分，其中的高频分量由超级电容负责，低频分量由电池承担，为便于计算，滤波器从频域转换到时域的传递函数为

(14)

式中，τ为滤波时间常数。

经t时间滤波后的超级电容器和电池的功率分别为

(15)

(16)

λ为与滤波时间常数τ相关的滤波系数，λ的取值范围为[0 1]，其函数为

(17)

经验表明滤波系数λ的控制可以实现混合储能的能量分配，当λ较小时，超级电容功率波动较大不利于承担功率，此时电池输出功率较为平滑；当λ较大时，超级电容功率波动较小，负担功率降低，此时电池输出功率增加。

2.2.3 自适应模糊神经网络训练

为使自适应模糊神经网络的隶属度函数和输出参数更加完善和准确，本文用大量光储电站历史数据对以上初始形成的模糊神经网络系统进行训练。

将历史光储电站实测数据输入，其对应关系变为p1→x，soc→y，p2→u。将得到18行3列的矩阵，x列是光伏出力与调度偏差，y列是荷电状态，u列是送给储能的功率。

光储电站数据生成自适应模糊神经网络的结构可作为后期大量数据训练依据，只需改变初始自适应模糊神经网络的参数，而不会改变其结构。根据光储电站数据自动生成的自适应模糊神经网络的模糊子集的隶属度函数都是高斯型，在对大量数据训练前可以按照设计需求改变模糊子集的隶属度函数，一般情况下采用自动生成的隶属度函数效果较好，本模型采用自动生成的隶属度函数。

m1=1.284×10-5x+4.861×10-5y+0.000 117 4

(18)

m2=0.002 051x+0.005 968y+0.014 63

(19)

m3=0.000 979 5x+0.002 556y+0.006 314

(20)

m25=0.284 9x+0.200 7y+0.231 6

(21)

经过训练后的自适应模糊神经网络模糊规则的两个输入量，输出量也会跟着变化，使得两个输入量与历史给定的两个参数相同，得到表2、3如下所示，例如第一个数据组输入同为p1=0.41，soc=0.93，经过自适应模糊神经网络训练后的p2=0.405较初始模糊控制输出p2=0.38更精确。

表2 初始模糊控制输入、输出数据

表3 训练后的自适应模糊神经网络输入、输出数据

3 仿真验证与分析

为验证自适应模糊神经网络控制的有效性，仿真采用装机容量为4 MW的光伏历史运行数据，利用MATLAB/simulink配置1 MW的电池和超级电容组成的混合储能系统，取光照时间良好的某天24 h历史运行数据，由于光伏出力跟踪调度采样间隔为3 s，一天共计采样频率28 882次，将以上数据导入MATLAB仿真时间较长，本文讲仿真时间为缩短为2.4 s，超级电容和电池的相关参数如表4所示。

表4 超级电容和电池的相关参数

青海某光储电站光储出力跟踪调度指令一天的历史曲线如图3所示，实际的光储出力跟踪电网调度指令的偏差相对较大，给电网调度工作带来诸多困难。

图3 光储出力跟踪调度指令曲线

加入自适应模糊神经网络优化控制前后的光储出力跟踪调度指令偏差对比如图4所示，在偏差较大的1.6 s时达到1 MW，加入优化控制后的光储出力跟踪调度指令偏差放大效果如图5所示，从放大效果图可以看出初始模糊控制和自适应模糊控制在最大偏差时降低到0.85 MW，自适应模糊控制后的功率偏差下降的更快，表明跟踪调度指令速度快、幅值偏差小。

图4 加入自适应模糊神经网络优化控制后的光储出力跟踪调度指令曲线

图5 加入自适应模糊神经网络优化控制后的光储出力跟踪调度指令曲线局部放大图

加入自适应模糊神经网络优化控制前后的电池荷电状态波动对比如图6所示、超级电容荷电状态波动对比如图7所示，从图6中可以看出，3种控制策略的电池荷电状态均在10%～90%之间，加入初始模糊控制和自适应模糊控制策略的在1.6 s后荷电状态快速恢复40%，自适应模糊控制策略恢复速度和幅值较快。从图7中可以看出三种控制策略的超级电容荷电状态均在58%～78%之间，自适应模糊控制策略的超级电容荷电状态基本维持在初始的67%，整体荷电状态波动最小，有效保护了超级电容的充放电深度。

图6 加入自适应模糊神经网络优化控制前后的电池荷电状态曲线

图7 加入自适应模糊神经网络优化控制前后的超级电容荷电状态曲线

加入自适应模糊神经网络优化控制前后的超级电容电压波动对比如图8所示，由图可知超级电容充放电期间，加入优化控制后的超级电容器电压波动较之前小很多，尤其是在电压最低点，其放大效果如图9所示，从图中可以看出加入自适应模糊神经网络优化控制提升了最低点电压50 V，使得超级电容电压波动相对减小，有利于维护系统直流侧的电压稳定。

图8 加入自适应模糊神经网络优化控制前后的超级电容电压波动对比

图9 加入自适应模糊神经网络优化控制前后的超级电容电压波动对比

加入自适应模糊神经网络优化控制前后的超级电容电流波动对比如图10所示，加入初始模糊控制和自适应模糊控制策略的在1.6 s之后，放完电后的电流能快速恢复，其放大效果如图11所示，从图中可以看出加入自适应模糊控制策略的电流恢复较其他控制策略快0.1～0.3 s之间。

图10 加入自适应模糊神经网络优化控制前后的超级电容电流波动对比

图11 加入自适应模糊神经网络优化控制前后的超级电容电流波动对比

加入自适应模糊神经网络控制前后的储能误差指标对比如表5所示，从表中的指标可以看出，加入优化控制后的储能在平均绝对百分比误差、最大百分比误差、均方根误差的3个指标得到了明显的改进，验证了自适应模糊神经网络控制的混合储能光储电站在跟踪调度指令精度方面得到提升，有效提高了电网对光储电站的调度的可靠性。

表5 加入自适应模糊神经网络控制前后的储能误差指标对比

4 结 语

通过混合储能性能上的互补作用实现光储出力跟踪调度指令，提出一种新型自适应模糊神经网络的光储系统优化控制策略，在对某光储电站大量实测输入—输出数据中，经过反复试验、筛选和整理得出有代表性的数据生成初始模糊控制，对其进行自适应模糊神经网络控制的训练，经过训练后的优化控制输出功率采用低通滤波方法分解为高、低频分量分别给超级电容和电池，可有效提高光储出力跟踪调度指令精度混合储能荷电状态运行在合理范围内的同时，有效减小了超级电容器充放电时的电压、电流波动，在MATLAB/SIMULINK上对光储电站的历史实测数据验证了该控制策略的有效性，对实际光储混合储能电站出力跟踪调度指令具有实际指导意义。