模型和数据驱动的光伏储能系统控制方法技术方案

一种模型和数据驱动的光伏储能系统控制方法，依次通过拓扑、构建动态模型、建立空间模型、更新、建立预测方程、求解、评价和控制的步骤，首先通过光伏储能系统的物理动态特性，构建仿真模型，以所述仿真模型为约束，构建模型预测控制算法求解控制参数，基于仿真求解控制参数的数据驱动，构建ANN的输入输出映射关系进行离线训练，基于ANN的离线训练结果，将ANN模型装载至光伏储能系统的控制设备中在线使用。本发明专利技术能够在光伏储能系统控制中，基于模型预测控制大量仿真数据进行离线训练在线使用，具有准确度高、运行速度快消耗小、方便可靠的特点。的特点。的特点。

【技术实现步骤摘要】
模型和数据驱动的光伏储能系统控制方法


[0001]本专利技术属于电力
，涉及一种模型和数据驱动的光伏储能系统控制方法。

技术介绍

[0002]由于太阳能具有能源总量大、资源易开发、清洁无污染等优点，光伏相关技术正在成为各国研究和利用的重点。由于光伏发电具有较大的随机性和波动性，需要结合储能系统，提供持续稳定的电能输出，并维持母线电压稳定，减少输出电流电压波动。
[0003]光伏储能系统连接的负载通常连接至直流母线，基于直流母线电压保持电压稳定，调整输入电流改变负载功率。光伏发电系统使用最大功率点跟踪(MPPT)技术，调整光伏与直流母线连接的直流
‑
直流(DC
‑
DC)转换器到达最大输出功率；储能系统通常使用双环比例
‑
积分环节(PI)控制器，基于外环电压参考值和内环电流参考值，调整与直流母线连接的DC
‑
DC转换器的电压和电流；或使用模型预测控制(MPC)，基于状态空间及其预测和参考值，限制储能系统的最大输出输入电压电流，维持荷电状态(SOC)在安全范围内。
[0004]当前光伏储能控制方法的一个弊端在于：当储能系统的控制采用外环电压、内环电流的双环PI控制，积分和微分环节需要进行参数整定校正，面对多输入多输出情况时尤其需要反复调整；且PI控制不能直接完成约束控制，无法直接控制储能系统的SOC状态，可能导致储能系统过度充电放电，降低设备寿命和安全性。当储能系统的控制采用MPC时，依赖于建立准确的状态空间模型，且需要实时消耗较大的计算资源，从而带来额外的电能损耗和成本。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种模型和数据驱动的光伏储能系统控制方法，针对光伏储能系统的DC
‑
DC转换器控制，建立状态空间模型，利用MPC控制器仿真，基于仿真数据进行人工神经网络模型(ANN)离线训练在线使用，减少母线电压的稳定误差，提高了电压电流的响应速度，维持储能系统的SOC在安全范围内，降低控制系统的功耗。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：一种模型和数据驱动的光伏储能系统控制方法，它包括如下步骤：
[0007]S1，拓扑，对于光伏储能系统，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC
‑
DC转换器，储能系统及双向DC
‑
DC转换器，直流母线，直流负载，交流负载及逆变器；
[0008]S2，构建动态模型，对于储能系统与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以P
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以P
pv
表示实时输出功率；根据基尔霍夫定律，列写电路方程；
[0009]S3，建立空间模型，对于MPC控制器，通过S2的电路方程，根据储能系统拓扑结构，建立状态空间模型，根据仿真实时数据输入i
L
，v
C
；
[0010]S4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
[0011]S5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
[0012]S6，求解，最优化求解目标函数J，解的u使得J最小，输出u；
[0013]S7，评价，训练ANN模型，ANN由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ANN模型基于储能系统物理仿真模型获得的训练数据集进行离线训练获得；评价ANN模型的拟合性能，采用拟合优度R2作为评价指标；
[0014]S8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ANN模型和MPC控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且
±
10％以内误差占比大于95％时，表明ANN模型在线用于光伏储能系统控制。
[0015]在S3中，状态方程的函数根据需要进行预设，用于调整输入输出。
[0016]在S5中，J的函数根据需要进行预设，用于调整控制目标。
[0017]在S7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ANN模型拟合效果。
[0018]本专利技术的主要有益效果在于：
[0019]基于光伏储能系统拓扑结构、物理特性，构建动态模型，可用于仿真验证系统可靠性、稳定性。
[0020]利用MPC控制器仿真，减少母线电压的稳定误差，提高了电压电流的响应速度，限制最大电压电流输出，维持储能系统的SOC在安全范围内，保障系统安全性。
[0021]利用仿真数据进行ANN离线训练在线使用，增强控制系统拓展性和普适性，提高控制系统运算速度，降低控制系统的功耗。
附图说明
[0022]下面结合附图和实施例对本专利技术作进一步说明。
[0023]图1为本专利技术实施例中光伏储能系统及其控制的示意图。
[0024]图2为本专利技术实施例中储能系统与MPC控制器的结构图。
[0025]图3为本专利技术实施例中MPC控制的流程图。
[0026]图4为本专利技术实施例中ANN原理的示意图。
[0027]图5为本专利技术实施例中ANN训练的示意图。
[0028]图6为本专利技术实施例中ANN
‑
MPC控制构建的流程图。
具体实施方式
[0029]如图1～图6中，一种模型和数据驱动的光伏储能系统控制方法，它包括如下步骤：
[0030]S1，拓扑，如图1所示，对于光伏储能系统，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC
‑
DC转换器，储能系统及双向DC
‑
DC转换器，直流母线，直流负载，交流负载及逆变器；
[0031]优选地，光伏组件经MPPT后经过DC
‑
DC转换器提供电能；直流负载通过连接直流母
线获取电能；交流负载经逆变器转换后从直流母线上获取电能；储能系统基于光伏发电与负载用电的差值，经DC
‑
DC转换器为负载侧提供电能，或从光伏处吸收电能。
[0032]S2，构建动态模型，如图2所示，对于储能系统与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以P
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以P
pv
表示实时输出功率；根据基尔霍夫定律，列写电路方程；
[0033]优选地，对于负载，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型和数据驱动的光伏储能系统控制方法，其特征是，它包括如下步骤：S1，拓扑，对于光伏储能系统，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC
‑
DC转换器，储能系统及双向DC
‑
DC转换器，直流母线，直流负载，交流负载及逆变器；S2，构建动态模型，对于储能系统与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以P
load
表示实时功率，以v
ref
表示所需母线电压基准值；对于光伏发电，以P
pv
表示实时输出功率；根据基尔霍夫定律，列写电路方程；S3，建立空间模型，对于MPC控制器，通过S2的电路方程，根据储能系统拓扑结构，建立状态空间模型，根据仿真实时数据输入i
L
，v
C
；S4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；S5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数定义约束条件，包括：电压电流输出最...

【专利技术属性】
技术研发人员：郑含博，唐钰本，杜齐，胡永乐，郭文豪，陈俊江，万海斌，覃团发，
申请(专利权)人：润建股份有限公司，
类型：发明
国别省市：