胡鋼，范偉東，李忠

（河海大學物聯(lián)網(wǎng)工程學院，江蘇常州 213022）

基于BP神經(jīng)網(wǎng)絡光柴孤網(wǎng)運行優(yōu)化控制研究

胡鋼，范偉東，李忠

（河海大學物聯(lián)網(wǎng)工程學院，江蘇常州 213022）

光柴互補發(fā)電獨立微電網(wǎng)系統(tǒng)，主要包括：光伏電池組發(fā)電、柴油機發(fā)電和負載等，光伏發(fā)電模型采用MPPT控制。在確保光伏最大功率輸出的基礎上，對原動機及其速度/功率反饋系統(tǒng)、同步發(fā)電機及其勵磁控制系統(tǒng)進行分析，建立相應的數(shù)學模型。設計基于BP神經(jīng)網(wǎng)絡算法PID控制器，控制原動機的轉速調(diào)整其輸出功率，維持微網(wǎng)系統(tǒng)頻率的恒定。仿真結果表明：該控制策略實現(xiàn)光伏最大功率輸出，提高太陽能利用率。同時，保證微網(wǎng)系統(tǒng)的頻率恒定。

微電網(wǎng)；光伏發(fā)電；柴油機發(fā)電；頻率控制；BP神經(jīng)網(wǎng)絡

孤島運行是微電網(wǎng)的重要特征，是提高微電網(wǎng)內(nèi)重要負荷供電可靠性的強有力保證[1]。然而，受天氣和微網(wǎng)中負荷變化影響，導致微電源出力波動、隨機和不連續(xù)，引起有功功率不平衡和頻率大幅度變化[2-3]。然而，頻率是電網(wǎng)電能質(zhì)量考核的重要指標，也是電網(wǎng)穩(wěn)定性的重要判斷依據(jù)[4]。因此，控制系統(tǒng)頻率恒定，對保證微網(wǎng)的穩(wěn)定運行有重要作用。

近年來，對光柴孤島微電網(wǎng)頻率優(yōu)化的研究已經(jīng)取得一些成果。文獻[5-6]分別加入燃料電池和超級電池提高微網(wǎng)供電質(zhì)量，減小光伏輸出功率波動，同時導致微網(wǎng)設備增多，成本上升。文獻[7]采用PID負荷頻率補償器，通過改變控制柴油發(fā)電機的轉速調(diào)整其功率輸出，有效調(diào)節(jié)微電網(wǎng)的頻率偏差，但常規(guī)的PID控制器對于非線性、時變不確定性系統(tǒng)，很難達到理想效果。文獻[2，8]提出自適應模糊PID控制器和模糊邏輯控制器，解決了傳統(tǒng)PID控制器的問題，提高系統(tǒng)的性能，很好控制微網(wǎng)頻率恒定，但實時性和準確性還有待提高。

針對以上問題，本文將文獻[9-11]中所設計的BP神經(jīng)網(wǎng)絡PID控制器應用到光柴孤網(wǎng)系統(tǒng)中，利用神經(jīng)網(wǎng)絡自學習能力，實時控制PID參數(shù)，以減小系統(tǒng)頻率誤差。

1 光柴獨立微電網(wǎng)建模

在光柴孤網(wǎng)系統(tǒng)中，微電網(wǎng)僅由光、柴和負荷組成，采用柴油機為主、光伏為從的控制方法，光伏系統(tǒng)采用MPPT控制始終保持最大功率輸出，柴油發(fā)電機采用基于BP神經(jīng)網(wǎng)絡PID控制器調(diào)速系統(tǒng)和勵磁系統(tǒng)穩(wěn)壓穩(wěn)頻。微網(wǎng)結構模型如圖1所示。

圖1 微網(wǎng)結構模型Fig.1 Structure model of micro-grid

2 基于BP神經(jīng)網(wǎng)絡PID控制器設計及仿真

2.1 BP神經(jīng)網(wǎng)絡算法

1986年D.E.Rumelhart和J.L.Mcclelland等人提出了多層前向網(wǎng)絡的反向傳播算法（Back Propagation），簡稱BP網(wǎng)絡。它是一種前向反饋網(wǎng)絡，圖2顯示神經(jīng)網(wǎng)絡具有三層結構：輸入層、隱含層和輸出層，同一層的神經(jīng)元沒有任何連接，而不同層次的神經(jīng)元向前連接[12-13]。其中各層的輸入、輸出函數(shù)公式在許多文獻中都有研究，算法已經(jīng)很成熟，這里我們引用文獻[14]中所列出的輸入、輸出公式。

圖2 BP神經(jīng)網(wǎng)絡結構Fig.2 BP neural network

2.2 BP神經(jīng)網(wǎng)絡PID控制器設計

圖3為本系統(tǒng)基于BP神經(jīng)網(wǎng)絡PID控制器設計圖，通過PID的閉環(huán)控制實施參數(shù)在線整定，同時利用BP神經(jīng)網(wǎng)絡自學習能力和各層加權系數(shù)的調(diào)整，從而調(diào)節(jié)PID參數(shù)[15]，達到網(wǎng)絡頻率最優(yōu)化。

數(shù)字PID增量式控制方法為：

其中：u（k）=Δu（k）+u（k－1），Kp、Ti、Td分別是比例、積分常數(shù)和微分系數(shù)，e（k）=vref（k）－v（k），這里vref（k）為參考轉速，v（k）為柴油發(fā)電機實際轉速輸出。

圖3 基于BP神經(jīng)網(wǎng)絡PID控制器Fig.3 PID controller based on BP neural network

基于以上分析，本系統(tǒng)采用圖4所示4-5-3的網(wǎng)絡結構。

圖4 光柴孤島微電網(wǎng)系統(tǒng)BP神經(jīng)網(wǎng)絡結構Fig.4 Light diesel island micro-grid system based on BP neural network

2.3 基于BP神經(jīng)網(wǎng)絡PID控制器仿真分析

本文采用基于S函數(shù)的BP神經(jīng)網(wǎng)絡PID控制器的算法步驟如下：

1）確定BP網(wǎng)絡結構，初始化各層加權系數(shù)，選取學習速率η和慣性系數(shù)α，此時k=1。

2）采集柴油發(fā)電機轉速v（k），根據(jù)參考值vref（k），計算此時的誤差e（k）=v（k）-vref（k）。

3）根據(jù)公式計算各層的輸入、輸出，得到可調(diào)參數(shù)Kp、Ti、TD計算PID控制器的輸出。

4）根據(jù)網(wǎng)絡的學習算法，在線調(diào)整各層的權值系數(shù)，完成PID控制器的自動調(diào)整。

5）k=1，返回步驟1）。

文中系統(tǒng)控制對象如式（10），其中：a（k）=1.2（1-0.8e^（-0.1k））；輸入信號：vref（k）=1.0和vref（k）= sin（2t）。選取網(wǎng)絡結構為4-5-3，學習速率η=0.25、慣性系數(shù)α=0.05，初始權值區(qū)間為[-0.5，+0.5]。仿真結果如圖5所示。

從圖5（a）、（b）可以看出剛開始系統(tǒng)輸出和參考值相差較大，但是在非常短的時間內(nèi)系統(tǒng)輸出趨近參考值，最后與參考值相等，且誤差為零；由圖5（c）可知系統(tǒng)在大約0～0.05 s內(nèi)自適應調(diào)整參數(shù)，最后使控制參數(shù)穩(wěn)定。仿真結果表明采用BP神經(jīng)網(wǎng)絡的PID控制器算法精度高、效果好、時間短，具有很好的使用價值。

3 基于BP神經(jīng)網(wǎng)絡柴油發(fā)電機控制器設計

在微電網(wǎng)中，當光、儲出力不足時啟動柴油機，及時補充負載正常運行所需的電能，保障供電系統(tǒng)連續(xù)、可靠、安全運行。

圖6為發(fā)電機結構圖，當負載需求發(fā)生變化時，速度控制系統(tǒng)控制燃料閥調(diào)節(jié)柴油機供油量，使柴油機維持恒定的轉速[16]，從而保證頻率穩(wěn)定輸出，勵磁控制系統(tǒng)對勵磁電流進行調(diào)節(jié)以保障同步發(fā)電機輸出電壓穩(wěn)定[17]。

圖5 系統(tǒng)仿真結果圖Fig.5 Simulation results of the system

圖6 柴油發(fā)電機結構圖Fig.6 Structure of the diesel generator

3.1 原動機速度反饋控制系統(tǒng)

應用BP神經(jīng)網(wǎng)絡，確定輸入層神經(jīng)元數(shù)為3，輸出層神經(jīng)元數(shù)為3，當隱層神經(jīng)元數(shù)為8時，準確性最高，對其性能進行仿真。

3.2 柴油機發(fā)電系統(tǒng)仿真

柴油發(fā)電機系統(tǒng)孤網(wǎng)運行仿真條件如表1所示，仿真結果如圖7所示，運行時序控制分析如下：

表1 孤網(wǎng)運行仿真條件Tab.1 Simulation conditions of the isolated operation

圖7 孤網(wǎng)運行仿真結果Fig.7 Simulation results of isolated operation

0～6 s，系統(tǒng)啟動，帶load1穩(wěn)定運行；

6 s時，系統(tǒng)突加load2，端電壓Vt稍有跌落，勵磁電壓Vf明顯上升，經(jīng)調(diào)節(jié)器調(diào)節(jié)后在7 s時均恢復穩(wěn)定。原動機轉速ω（pu）隨電磁轉矩增大而降低，經(jīng)速度反饋控制系統(tǒng)調(diào)控，其在7.2 s時重新穩(wěn)定在參考值，原動機輸出功率Pmec（pu）增加；

12 s系統(tǒng)切除load2，隨著電磁轉矩減小原動機轉速增大，經(jīng)速度反饋控制系統(tǒng)調(diào)控，其在13.1 s時重新穩(wěn)定，原動機輸出功率減小。Vt稍有增加，Vf明顯跌落，經(jīng)調(diào)節(jié)器調(diào)節(jié)后在13 s時均恢復穩(wěn)定值。

由以上結果和分析可知，在基于BP神經(jīng)網(wǎng)絡PID速度反饋控制系統(tǒng)和勵磁控制系統(tǒng)的調(diào)控下，當負載發(fā)生擾動時，系統(tǒng)電壓和頻率很快維持在穩(wěn)定范圍內(nèi)。

4 光柴孤網(wǎng)系統(tǒng)仿真分析

光柴孤網(wǎng)運行仿真條件如表2所示，光柴孤網(wǎng)運行結果如圖8所示，運行時序控制分析如下：

表2 光柴孤網(wǎng)運行仿真條件Tab.2 Simulation conditions of light wood isolated operation

0～1 s期間，系統(tǒng)啟動，光伏系統(tǒng)通過逆變器并入微網(wǎng)，功率快速上升并穩(wěn)定最大輸出功率值30 kW；微電網(wǎng)總功率用電負荷為40 kW、10 kV·A；柴油機作為主控電源，自動平衡負荷需求與光伏發(fā)電間功率差，系統(tǒng)穩(wěn)定運行。

1～2 s期間切入新負荷，總功率突增為60 kW、15 kV·A，由圖8（c）可知柴油發(fā)電機迅速增大輸出功率，維持系統(tǒng)功率供需平衡狀態(tài)。

2～3 s期間外界光強由1 000 W/m2突降至800 W/m2，圖8（a）顯示光伏系統(tǒng)輸出功率降低，在由圖8（c）知柴油機組隨之增大輸出功率以彌補功率差。

圖8（d）顯示，在柴油機組控制下微電網(wǎng)頻率稍有波動，但基本維持在50 Hz附近，負載或環(huán)境變化時頻率起伏較大但迅速恢復，波動不超過±0.2 Hz。由圖8（e）、（f）可知，系統(tǒng)運行時電壓穩(wěn)定性良好，且其正弦度良好。

從仿真結果圖中可以看出，在光柴孤網(wǎng)系統(tǒng)中柴油機作為微電網(wǎng)的主控電源，采用基于BP神經(jīng)的PID控制器調(diào)節(jié)柴油發(fā)電機的轉速，當環(huán)境或負荷功率需求改變時，該控制器能快速響應、準確輸出、自動平衡供需功率，能較穩(wěn)定地控制微電網(wǎng)系統(tǒng)電壓和頻率。

5 總結

本文針對光柴獨立微電網(wǎng)系統(tǒng)，分析光伏和柴油發(fā)電機的數(shù)學特性以及柴油機發(fā)電系統(tǒng)的結構組成與工作原理，分別采用不同的控制方法：首先，對光伏系統(tǒng)采用MPPT控制，保證光伏以最大功率輸出；其次，采用基于BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)通過調(diào)節(jié)原動機轉速，控制柴油機的有功輸出，進而優(yōu)化由于外界環(huán)境或負載功率需求改變時引起的系統(tǒng)頻率偏差。

通過利用Matlab/Simulink仿真分析得出，本文設計的光柴互補微電網(wǎng)系統(tǒng)，既保證了光伏系統(tǒng)以最大功率輸出，同時所采用的基于BP神經(jīng)網(wǎng)絡PID控制器將系統(tǒng)頻率控制在可控范圍內(nèi)，具有較好的調(diào)頻效果。

圖8 光柴孤網(wǎng)運行仿真結果Fig.8 Simulation results of light wood isolated operation

[1]劉文.微電網(wǎng)孤島運行的主從控制策略研究[D].廣州：廣東工業(yè)大學，2012.

[2]李彬，薛云燦，王思睿，等.基于自適應模糊PID控制的最大功率點跟蹤技術研究[J].陜西電力，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]繆勇，奚玲玲.微電網(wǎng)孤島運行下的頻率控制研究[J].電器與能效管理技術，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]米陽，張寒，楊洋，等.獨立光柴混合微電網(wǎng)新的負荷頻率控制研究[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]米陽，田越，張寒，等.光柴互補獨立微電網(wǎng)的頻率優(yōu)化控制研究[C]//第26屆中國控制與決策會議論文集，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]呂偉，姚凱學.BP神經(jīng)網(wǎng)絡PID控制算法在農(nóng)作物干燥控制系統(tǒng)中的應用研究與設計[J].計算機測量與控制，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]李廣軍，張晶，曾安平.基于BP神經(jīng)網(wǎng)絡的PID控制器研究[J].計算機仿真，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]郎進平，杜迎喜.基于神經(jīng)網(wǎng)絡PID控制的有源電力濾波器的研究[J].現(xiàn)代礦業(yè)，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.人工神經(jīng)元網(wǎng)絡及其應用[M].北京：清華大學出版社，1999：1-121.

[13]廖芳芳，肖建.基于BP神經(jīng)網(wǎng)絡PID參數(shù)自整定的研究[J].系統(tǒng)仿真學報，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，馬濤，等.基于BP神經(jīng)網(wǎng)絡的并聯(lián)型有源電力濾波器直流側電壓PID控制設計[J].電網(wǎng)與清潔能源，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神經(jīng)網(wǎng)絡算法的改進及其在PID控制中的應用研究[D].天津：天津大學，2006.

[16]蕭穎，潘大德.柴油機數(shù)學模型的模擬和仿真[J].內(nèi)燃機車，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.

（編輯 徐花榮）

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

HU Gang，F(xiàn)AN 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 鋼（1958—），男，教授，碩士，主要研究方向為傳感網(wǎng)理論與應用、信息感知與智能系統(tǒng)；

范偉東（1990—），男，碩士研究生，主要研究方向為通信與信息系統(tǒng)；

李 忠（1990—），男，碩士研究生，主要研究方向為通信與信息系統(tǒng)。

國家自然科學基金青年基金（51207043）。

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

1674-3814（2016）11-0129-06

TP393

B