直流微网中变流器的ANN功率控制方法

钱 欣，任 东

(1. 承德石油高等专科学校，河北 承德 067000; 2. 华北电力大学 高压与电磁兼容北京重点实验室，北京 102206)

0 引 言

微电网通常由可再生能源(renewable energy resources，RESs)、电力电子转换器、储能系统和负载组成[1]。由于分布式电源 (distributed energy resources, DER)固有的间歇性，其功率输出是非平稳的。因此，研究变流器的功率控制具有重要的作用[2-4]。与传统交流微电网相比，直流微电网具有诸多优势[5-7]。为了应对可再生能源的强波动性，储能系统接入直流微网可极大提升系统的灵活性和稳定性[8]。在微网中，储能系统作为一个互补源来存储多余的能量，并在需要时返回给负载。相关文献中，大多数非线性控制方案(如模型参考自适应、滑模、迟滞电压控制等)都存在一些缺点，如开关频率高，使得系统无法对电力电子变换器进行足够的控制，从而产生谐振问题[9-10]。传统的控制方法依赖于系统模型的详细参数，在负载突然变化和发生故障时可能会遇到各种问题。然而，基于非模型的方法，如模型预测、神经网络和模糊逻辑，不需要系统模型来克服这种情况，是最近在电力电子领域的首选方法。此外，电力变流器的可持续控制对直流微网的运行至关重要，然而，其控制层的测量传感器由于易受攻击而出现错误或故障时，会对系统产生不利影响。这也是本文研究减少传感器控制方法的目的。针对上述问题，国内外学者进行了大量研究。如文献[11]提出了基于神经网络、模糊、强化学习等先进的电力电子变流器控制策略，以缓解对负荷需求的快速响应、高鲁棒性和大稳定容差的要求。文献[12]提出了无传感器控制方法，以预测无法感知远程点的电压[13]。近年来，基于估计器的控制在风能转换和电机驱动系统中引起了广泛关注，通过预测转矩、磁通和速度而不是单个机器变量来实现无传感器控制[14]。

本文的重点是解决直流微电网中储能变流器的无传感器功率控制，通过应用前馈神经网络满足负载侧的成本效益和高可靠性，神经网络主要分为离线和在线两个主要阶段。首先，执行离线模式来收集足够的数据训练神经网络；在离线模式下训练后，神经网络调整并评估相关变量。在此之后，该网络的目标是在不使用传感器测量来减少电压和电流传感器数量的情况下，估计功率变流器控制器所需的输入。结果表明，所提出的无传感器功率控制策略可以在不同的环境下运行。

1 直流微网的结构及控制策略

1.1 直流微网的数学模型

图1为孤岛直流微网的结构图。

图1 直流微电网的一般结构图

由图可知，直流微网包括DERs（由光伏和含永磁同步发电机(permanent magnet synchronous generator, PMSG)的风力发电系统 (wind turbine,WT)构成）、BSS为电池组、电力电子转换器、滤波器和交流负载。其中，光伏和风力发电(WT)系为主要电源，BSS为备用电源。针对DC/DC升压变换器采用最大功率点跟踪(maximum power point tracking, MPPT)控制，以通过太阳能电池板获得最大功率。就温度和太阳辐照度而言，光伏板的电压和电流也随着功率的变化而变化。光伏的功率PPV表示为：

式中：VPV——光伏的电压，V；

IPV——光伏的电流，A。

在变换器控制中采用MPPT算法调节参考光伏电压Vref，以便在任何情况下尽可能提高发电量。此外，MPPT算法通过PI控制运行，通过获取参考电压(如MPPT产生的电压)和瞬时PV电压VPV之间的差异，产生占空比来形成PWM波。扰动观测法(P&O)是最优的最大功率跟踪算法之一，被用来检测电压功率特性中功率的变化。风力发电系统由风机和PMSG、整流器和变换器组成。风机(WT)通过全桥二极管整流器和单向DC-DC升压变换器提高其直流母线的电压。风能转换系统的输出功率和机械扭矩可表示为：

式中：Pm——涡轮的机械输出功率，W；

cp— —涡轮的性能系数，依赖于 λ和 β；

ρ——空气密度，k g/m3；

A——涡轮扫掠面积，c m2；

vwind——风速，m /s；

λ——相对于风速的涡轮转子叶尖速度比；

β——叶片距角，(°)。

上述可变电池电压为铅酸电池，其存在放电和充电两种模式，分别对应式(3)和式(4)：

式中：E0——电池恒压，V；

RBatt——内阻，Ω ；

iBatt——电池实际充电电流，A；

IBatt——电池放电电流，A；

K——极化常数；

Q——电池容量，mAh。

当电池组的产生功率和荷电状态(state of charge, SoC)水平低于不能向负荷提供电力时，主网可以给负荷供电。带有LCL滤波器的双向逆变器是该系统的关键部件，它将电源从直流母线传导到负载侧，主网与微电网之间的连接由双向DC/AC逆变器连接。

1.2 孤岛直流微网的控制策略

为了达到MPPT算法计算的最大功率点(maximum power point, MPP)，采用级联控制驱动变换器。这种级联控制机制是一系列电压、电流和脉宽调制(PWM)控制器。为了动态收敛和最大精度，P&O算法的步长选择为0.01 V。无控制全桥整流器仅利用二极管作为开关半导体器件，此外，为了管理功率流，首选DC-DC升压变换器。然后，功率被分配到由PI参考电压-电流控制器存在的单向DC-DC升压变换器的直流母线。此外，BSS通过一个双向DC-DC buck-boost变换器供给负载，该变换器直接连接到直流母线上，其目的是使直流母线电压和电池电流尽可能地保持在所需的水平。利用级联PI控制结构，通过控制直流母线电压和电池电流来实现这一目的。该变换器的工作模式可以描述为降压和升压模式。buck模式表示充电，boost模式表示蓄电池组放电。功率变换器的开关频率达到10 kHz。图2为整个系统的总体控制结构。另外，双向DC/AC逆变器将获得的功率分配给负载，调节直流母线电压，并通过锁相环(phase-locked loop,PLL)提供电网同步。该控制器有两个目的：1)为神经网络的离线训练提供所需的数据；2)在恒负载下对比分析所提出的神经网络控制器的性能。

图2 用于离线阶段训练系统的级联PI局部控制器的控制图

2 基于ANN的功率控制策略

基于PI或线性控制器的经典控制不能完全捕捉所有的系统动态。而ANN在获取系统动态特性方面得到了广泛应用，如在电力应用中对不同变量的估计。为了对直流微电网进行控制，需要采集变换器的电压、电流相关数据，并发送给控制器对其进行管理。前馈神经网络的元素是分层的，从输入层到输出层的符号通过单向连接传输。虽然是一层到下一层的链路，但同一层中不存在链路。在前馈网络中，各层细胞的输出是下一层的输入。如果逐层检查网络，则输入层将外部环境的信息传递给中间层(隐藏层)的单元，而不做任何改变。通过在隐含层和输出层进行处理，计算网络的输出。综上所述，前馈网络可以模拟静态的非线性关系，因为只需要静态关系，所以前馈网络即可满足。此外，前馈网络一般可以通过应用delta学习规则来响应诸如分类、回归和预测等问题。一旦给网络接入了输入，就可以将相应的网络输出与实际结果进行比较。故本文采用复杂度较低的多层前馈神经网络结构。ANN估计m(t)的数据序列，当获得n(t)序列的k个过去值时：

图3为n个输入和1个输出的神经网络的结构图。在神经网络中，神经元起着至关重要的作用，它有1个或多个输入信号和1个输出信号。神经元的输入信号可以来自上一层神经元，输出信号可以传递到下一层神经元。如果神经网络有n个输入，1个隐层有m个神经元，1个输出，则隐含层ith(1＜i＜m)神经元的输出信号可计算为：

图3 具有n个输入和1个输出的神经网络一般结构图

其中，wh,j,i是输入层jth神经元与隐含层ith神经元之间的权重因子，bh,i是隐层ith神经元的偏置因子，xj为ANN的第j个输入；zi为隐含层ith第i个神经元的输出。在式(6)中，fhidden(·)是激活的隐含层因子。神经网络的输出也可以表示为：

式中：y——ANN的输出；

wo,j——隐含层的jth神经元与输出层神经元之间的权系数；

bo——输出层神经元的偏置因子；

fo(·)——输出层神经元的激活因子。

实现神经网络，需要对模型进行训练与调整。训练的目的是优化神经元的权重因子和偏置因子并找到合适的值。其中Wh、Wo、Bh、Bo分别表示ANN输入层与隐含层之间的权重因子、隐含层与输出层之间的权重因子、隐含层的偏置因子、输出层的偏置因子。Wh、Wo、Bh和Bo分别为：

为了训练神经网络，需要收集输入和输出数据。然后，利用收集到的数据创建输入输出数据集，在此基础上得到Wh、Wo、Bh和Bo的优化值。对训练好的神经网络进行评估时，均方误差(mean squared error, MSE)和相关系数R是两个重要的评价指标。MSE越小，表示预测越准确。如果R收敛到1，则网络的精度较高。这些指标可表示为：

式中：P——期望值；

e——预测值；

d——本文方法的期望值；

μd——期望值的平均值；

σd——期望值的标准差。

首先，与输入有静态关系的ANN的输出被指定为消除控制层的数据感知。随后，确定要选择输出的相关输入。一旦系统在训练阶段运行，ANN的输入和输出就会被收集起来，在测量变量(如相关气象、电流和电压数据)的帮助下进行训练。从训练好的神经网络中获得满意的结果，与选择合适的数据和足够的采样时间有关。在得到理想的训练结果后，将确定的传感器数据停用，并在开发阶段将ANN的输出连接到控制器上。图4为训练和开发阶段人工神经网络。

图4 神经网络的离线训练和开发阶段

值得注意的是，对ANN的训练是离线完成的。为了更好地说明ANN的应用，将会有大量不再需要的传感器。这些消除的传感器数据可以在图5中观察到，在提高系统可靠性方面，需要较少的传感器数据是相当可观的。此外，图5描绘了离线阶段后，即开发阶段图4的概要情况。首先，对于DCDC升压型PV变换器的MPPT控制，定位输出PV电压(VPV)、太阳辐照度(G)和温度(T)数据作为输入，然后估计输出PV电流(ĪPV)。对于WT，将施加到发电机轴上的转矩(TM)、风速(Ws)和输出WT电压(VWT)作为输入。然后用类似的方法估计输出风机输出电流 (ĪWT)。根据预估输出电流 (ĪPV和ĪWT)、电池内部电流(IBat)、蓄电池组电压(VBat)和占空比(d)对DC/DC buck-boost电池变换器的输出电流(IBat)进行预估。最后，对于具有VBat和d输入的逆变器，预估的ĪBAT可以便于其控制直流母线电压(VDC_Bus)。

图5 为本文所提方法的电路配置与控制结构

3 仿真分析

为验证本文所提方法的可行性与有效性，仿真系统结构如图5所示。测试系统参数见表1。表2为ANN的相关参数，图6为系统气象输入数据。

表1 测试系统相关参数

表2 ANN的相关参数

图6 仿真期间的瞬时输入数据

如图7所示，PV变流器最大功率点控制的实际电流、实测电流和估计电流均由实测电流和估计电流(Ipv和ĪPV)表示，估计电流与实测电流几乎重合，估计的误差约为4.1%；同样，WT的输出电流(IWT和ĪWT)的测量值和估计值如图8所示，估计的误差约为4.8%。

图7 光伏最大功率跟踪控制的测量和估计电流

图8 WT的控制测量和估计电流

图9为BSS电流(IBAT和ĪBAT)的测量值和估计值。图10为直流母线电压(VDC_Bus和DC_Bus)的测量和估计值。对于不同的事件，当负载1激活时，通过开关切换负载2，可以看到瞬时电力调度的状态。通过直流母线构成逆变器功率的主要变量为IBAT和VDC_Bus，该方法对负载变化的响应速度更快，其中用于BSS控制的估计电流要快11.2%，而用于BSS控制的估计电压要快21.5%。

图9 用于BSS控制的测量和估计电流

图10 BSS和逆变器控制的测量和估计电压

在不采用本文方法的情况下，传感器通信延迟的影响约为10 ms，如图11和图12所示。此外，测量值与估计值之间存在稳态振荡，且所提方法的振荡较小，在稳态运行中，估计电流的峰值证明比测量的性能更好，所提方法减小震荡约为35.8%。

图11 负载变化下BSS控制中测量和估计电流之间通信延迟

图12 负载变化下通信延迟对测量和估计直流母线电压的影响

同理，图12为负载变化情况下，直流母线实测电压与估计电压之间的通信延迟对相关控制器的影响，本文所提方法可将延迟时间缩小18.3%。通过对两种方法的比较，可以看出本文所提方法在稳态振荡方面的优越性。

图13为在某负载变化时间间隔内测量值(即现有PI控制器)与估计值(即基于ANN的控制器)的比较图。如图13(a)所示，本文所提方法在超调量、振荡和转矩率方面表现出优越的性能。图13(b)为负载变化响应下实测和估计BSS电流的对比。从图13可以看出，估计信号具有较好的鲁棒性。

图13 测量和估计的比较

当系统出现空载时，温度、光照强度、风速等输入值都是可变的。因此，这使得SoC迅速增加，从而使神经网络产生的误差值比其他时间更大。换句话说，在负载不活跃且DERs输入具有满意条件的情况下，误差随电池的突然充电而增加。因此，本文提出的方法可以在负载变化的情况下，以较小的误差跟踪相关信号，实现ANN能够快速地控制这些变化。此外，对于WT控制(即ĪWT)的估计，百分比误差值比其他误差值具有更好的估计率, 百分比误差量缩小约4.5%。当负荷参与运行时，预计误差会随着直流母线电压的变化而增大，如图14所示，这些估计值的错误率以%表示。

图14 估计值的误差百分比

由图可知，在对系统产生积极影响的振荡较小的情况下估计数据是有益的。同时可以明显看出，该百分比误差量小于10%，即在仿真的每个时刻都有一个高精度的估计器。由于负载功率不像PI那样偏离常规路径，所以真实控制器和估计控制器之间的相关性值得注意。所提出的控制方法采用了结构简单、响应快的多层前馈人工神经网络，减少了传感器的数量，降低了对通信干扰的脆弱性，从而使直流微电网更加可靠，同时也降低了系统中传感器的拥有成本。

4 结束语

本文在不降低控制效率的情况下，提出了一种基于ANN的无传感器功率控制方法，并将非线性输入输出神经网络应用于直流微电网功率控制。这种神经网络应用简单，估计结果合理，且复杂度较低。采用基于级联PI的电流电压控制器实现离线训练所需的数据。为了证明所提出的控制系统的有效性，在不同的运行条件下成功地进行了离线和在线时域仿真。结果表明，所提方法减少了传感器的数量，可以消除由传感器引起的通信延迟的影响，提高了系统的可靠性，因为它们不再需要测量数据，该方法可以应用于直流微电网。