一种基于RBF神经网络的多机并联VSG系统稳定性提高方法技术方案

本发明专利技术公开了一种基于RBF神经网络的多机并联VSG系统稳定性提高方法，包括，初始化参数虚拟惯量和阻尼系数；计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。系统发生扰动时，本发明专利技术方法能有效的抑制功率和频率的超调，还能提高系统响应的速度。速度。速度。

【技术实现步骤摘要】
一种基于RBF神经网络的多机并联VSG系统稳定性提高方法


[0001]本专利技术涉及新能源并网
，尤其是一种基于RBF神经网络的多机并联VSG系统稳定性提升方法。

技术介绍

[0002]为了应对日益严峻的能源危机，以可再生能源为主的分布式发电技术得到了越来越广泛的关注。微电网作为分布式电源与大电网并联成了当今研究的热点。针对新能源并网问题，有学者提出模拟同步发电机的转子惯性和阻尼特性为系统提供必要的惯量和阻尼，由此虚拟同步机技术应运而生。然而，当多个VSG通过公共点接入大电网时，多VSG并网系统间会产生交互影响，导致并网系统运行特性更加复杂。
[0003]目前针对多VSG并网系统的研究主要采用小信号分析法。时域分析法通过建立系统的状态空间模型，不仅可以描述系统中每一个状态变量，还可以完整的获取系统的动态性能。但状态空间矩阵的复杂度会随着控制策略和网络结构的复杂度的加大而增加。
[0004]频域分析法主要是依靠系统的传递函数，该方法应用在多VSG并联系统时，复杂的传递函数不易获得，只能对内外环分别进行分析。内环主要采用阻抗、导纳分析法。采用阻抗/导纳建模推导了多VSG闭环电流控制的传递函数矩阵，并分析了并网系统的谐振特性。外环是将并网逆变器等效一个受控电压源和一个恒定的阻抗串联。基于外环等效基础上，有些学者提出了一些功率环特性的简化模型，当系统选择合适的参数时，忽略有功功率和无功功率耦合影响可以简化小信号模型和阻抗模型，将简化模型用于单个VSG并网时，可选择时域分析法和频域分析法进行理论分析。但扩展到多VSG并联系统中，就会面临模型复杂的问题。而阻抗模型仅可以用于系统的稳定性分析，无法分析VSG的功频响应。通过构建了多VSG并网系统小信号模型，用特征值结合参与因子分析了低频特性的影响因素。这是基于机电比拟原理构建了VSG的机械导纳模型，推导了VSG输出功率的表达式，分析了多VSG并网系统的功率振荡机理。但未对VSG控制环路间的交互作用做定量分析。这表明应重点关注电网阻抗、虚拟惯量和阻尼系数变化对VSG间的交互影响，但并没有对此提出解决方案。维持并联系统频率稳定是保证VSG并网安全稳定运行的一项重要指标。因此，需要优化控制策略降低VSG间的交互作用，优化VSG输出功率和频率的响应曲线。针对此问题，提出了RBF神经网络自适应控制调节虚拟惯性和阻尼系数的方法，该方法不仅能提高并网系统的响应速度，还能抑制功率频率的振荡。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：解决新能源并网系统间的交互作用的影响，针对
系统出现扰动后存在超调大和响应时间长的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：包括，
[0009]初始化参数虚拟惯量和阻尼系数；
[0010]计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；
[0011]所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；
[0012]所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；
[0013]当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；
[0014]当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。
[0015]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：利用RBF神经网络自适应控制调节虚拟惯量和阻尼系数，设计一种RBF神经网络控制系统，包括，
[0016]RBF神经网络包括分别为输入层、隐藏层和输出层；
[0017]RBF神经网络的隐藏层的输入包括，
[0018][0019]其中，x表示输入的参数，n表示输入层节点的个数。
[0020]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF隐藏层中的第i个节点输出包括，
[0021][0022]其中，h
k
表示隐藏函数的高斯函，k表示隐藏层节点的个数，i表示输入层节点个数。是隐藏层第i个节点的中心向量，是高斯函数的宽度向量。根据经验设置中心向量的值为0，宽度向量b
i
为1。
[0023]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF神经网络的输出层包括，
[0024]y
p
＝w
p1
h1+w
p2
h2+
…
+w
pm
h
m p＝1,2...q
[0025]其中，q表示输出结点的个数，y
p
表示第p个输出节点的值，神经网络的随机权重
[0026]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：还包括，
[0027]输入输出层的节点数取决于控制系统的输入输出变量；
[0028]定义所述输入变量是ω
i
和dω
i
/dt；
[0029]则所述输入层的节点数设置为2n，输出的变量为J
i
，所述输出层的节点数选择n。
[0030]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF神经网络的输入层的输入包括，
[0031]i
i(1)
＝x
j
,j＝1,2,3
…
2n
[0032]其中，j表示输入量的个数，n表示并联数量，x
2t
‑1＝ω
t
‑
ω0，t＝1,2
…
n；x
2t
＝dω
t
/dt，t＝1,2
…
n，右上标的(1)代表输入层。
[0033]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：隐藏层的输入包括，
[0034][0035]其中，则隐藏层的输出为g(x)为高斯函数，此处高斯函数的ci选择为c
i
＝[100π,0,100π,0,
…
]，所有的bi＝1，ci的选择根据角频率和角频率的导数来设置的，右上标的(2)代表隐藏层。
[0036]作为本专利技术所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：神经网络的输出层的输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：包括，初始化参数虚拟惯量和阻尼系数；计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。2.根据权利要求1所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：利用RBF神经网络自适应控制调节虚拟惯量和阻尼系数，设计一种RBF神经网络控制系统，包括，RBF神经网络包括分别为输入层、隐藏层和输出层；RBF神经网络的隐藏层的输入包括，其中，x表示输入的参数，n表示输入层节点的个数。3.根据权利要求2所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：RBF隐藏层中的第i个节点输出包括，其中，h
k
表示隐藏函数的高斯函，k表示隐藏层节点的个数，i表示输入层节点个数。是隐藏层第i个节点的中心向量，是高斯函数的宽度向量。根据经验设置中心向量的值为0，宽度向量b
i
为1。4.根据权利要求3所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：RBF神经网络的输出层包括，y
p
＝w
p1
h1+w
p2
h2+
…
+w
pm
h
m p＝1,2...q其中，q表示输出结点的个数，y
p
表示第p个输出节点的值，神经网络的随机权重5.根据权利要求2～4任一所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：还包括，输入输出层的节点数取决于控制系统的输入输出变量；定义所述输入变量是ω
i
和dω
i
/dt；则所述输入层的节点数设置为2n，输出的变量为J
i
，所述输出层的节点数选择n。...

【专利技术属性】
技术研发人员：王华昕，刘剑，赵永熹，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：