基于自抗扰控制器的蓄电池储能参数优化研究

2022-07-26张恒阳

自动化与仪表 2022年7期

马臻，张恒阳

（国电电力双维内蒙古上海庙能源有限公司，鄂尔多斯 016200）

近几年，风力发电、光伏发电的发展速度不断加快，但是天然能源如风力、太阳能等自身的随机性、不确定性等特点限制了其发展。储能设备是一种可控制的电力供应设备，利用储能设备进行电能的吸收与排放，达到“蓄能-系统”的互动，从而在一定程度上减轻了新能源对电网的冲击。在此背景下，蓄电池储能技术得到了快速发展，其主要由分布式发电、负载、储能以及控制单元构成，是一个整体的受控单元。其中，蓄电池储能系统在应用时会受到环境的影响，从而导致发电功率的大幅波动。为保证系统稳定运行，较多学者都研究了储能参数优化方法。文献[1]研究了带蓄电池储能系统的DSTATCOM有功无功联合优化控制方法，首先对系统的工作原理进行了分析，以电压偏移、网损、电压不均衡为目标函数，构建了一个多目标的优化模型，从而达到最佳的控制效果。文献[2]研究了平抑电网大功率扰动的规模化电池储能系统控制方法，利用改进的响应曲线，对模型中的控制参数进行了优化，从而达到了能量存储系统的最优控制。上述方法能够对储能系统参数优化，但是优化效果不是很好。

自抗扰控制器主要沿用了PID 的误差反馈控制思想，在沿用的基础上进行了优化，该控制器主要对转换过程控制，给出合理控制信号，具有较快的响应速度，并且能够调节系统矛盾。基于这个优点，设计了基于自抗扰控制器的蓄电池储能参数优化方法，期望提高蓄电池储能参数优化效果。

1 基于自抗扰控制器的蓄电池储能参数优化方法

1.1 蓄电池储能系统的物理模型

蓄电池储能系统的物理模型如图1所示，系统中微电源包含较多能源，这些能源能够构建成一个混合的分布式发电系统，为用户提供高质量和较为稳定的电能。这些能源受到可再生能源影响较大，会导致发电功率受到较大的波动。储能系统中，除了电池以外的部分相互独立，为使蓄电池储能系统稳定运行，将系统建模为一个马尔科夫过程，经过处理后，将连续状态转化为相应的离散状态[3]。

图1 蓄电池储能系统物理模型Fig.1 Physical model of the battery energy storage system

不同发电等级状态下都会等待一定的时间，将其记作逗留时间，将逗留时间的概率密度函数[4]表示为

式中：εgn为服从参数；e-εgnt为负荷需求转移参数。

设当前时刻下，系统的电池状态为ESOC∈［0，H］。其中，H 代表电池容量，为了简化分析，将电池容量离散化处理，将单位等级的电池容量记作δ，某一时刻下，将电池状态等级对应的状态记作Eb∈｛E0，E1，…，EB｝，当Eb为0 时，代表电池状态为空，则不能放电也不能对其调频操作，如果电池状态为Eb=EB时，代表电池状态为满，此时不能再进行充电，经过一段时间后，将电池状态公式表示为

式中：Pb（s，vs）为蓄电池储能系统的净充放电功率；Δt 为时间。

上述过程建立起蓄电池储能系统模型，能够为后续参数优化提供基础。

1.2 信号分解

变分模态分解是一组能读取信号分析的振型函数，并且能够读取一组中心频率[5]，并在对信号进行分解时能够再生输入信号[6]，其表达式为

式中：Ak（t）为t 时刻的瞬间幅值变化参数；φk（t）为相位函数。

将构造变分问题转化为求解变分问题[7]，将蓄电池储能参数中的每个模态函数记作uk（t），然后计算单侧频谱值，主要采用希尔伯特变换方法解决，为了保证调制后的频谱能够修正到相应的中心频率上，添加修正系数，将约束性变分问题[8]表示为

式中：* 为卷积符号；j 为修正系数；δ（t）为模态函数的带宽；∂i为时刻为t 时的频率。

采用二次惩罚项对非约束性问题转化[9]，公式如下：

同时为了避免分解的信号出现偏差，采用粒子群优化算法对波动功率抑制，其工作过程如图2所示。

图2 基于粒子群优化方法的参数优化流程Fig.2 Parameter optimization process based on the particle swarm optimization method

经过上述处理后，能够得到蓄电池储能系统相应的时域分量，为后续参数优化提供基础。

1.3 基于自抗扰控制器的储能参数优化

最优控制的目标是从行为集中选出一个能使系统得到最大或最小的控制决策，为此采用自抗扰控制器进行优化，自抗扰控制器中包括差动跟踪、扩展状态观测、非线性反馈等模块[10]，将动态误差、负载扰动和位置扰动所引起的扰动频率等因素考虑为电池储能系统的扰动[11]。基于上述分析，采用自抗扰控制器对干扰因素分析与调节，自抗扰控制器的工作方式如图3所示。

图3 自抗扰控制器的工作原理Fig.3 Working principle of the self-disturbance resistance controller

图3中，r（z）为输入信号；x1（z），x2（z）分别为频率扰动的跟踪信号和微分信号[12]；e1（z），e2（z）分别为蓄电池储能系统频率扰动信号误差和微分误差；y1（z），y2（z），y3（z）分别为输出信号的微分信号；y（z）为输出的频率总扰动信号。

采用自抗扰控制器中的微分信号跟踪模块对频率扰动信号中的跟踪信号和微分信号提取[13]，保证过渡过程更加平稳，将跟踪模块的表达式表示为

式中：x1（k），x2（k）分别为k 时刻的频率扰动跟踪信号与微分信号；Ts为采样时间；g 为滤波参数。

在此基础上估算频率总扰动信号[14]，将观测模块表示为

式中：e（k）代表时刻为k 时的误差信号；y1（k），y2（k），y3（k）分别为当前时刻的输出信号；α1，α2，α3分别为扩张状态观测模块参数；δ 代表选择区间域；h 代表幂次函数；bu 为调节函数。

将非线性反馈模块表示为

式中：e1（k），e2（k）分别为扰动信号误差和扰动信号微分误差；ξ 代表非线性函数。

经过自抗扰控制器控制，能够有效抑制各种扰动对蓄电池储能系统造成的危害，以此完成蓄电池储能参数优化。

2 仿真实验

2.1 实验参数设置

为验证基于自抗扰控制器的蓄电池储能参数优化方法的有效性，进行实验，实验参数如表1所示。在相同实验环境下，选择有功无功联合优化控制方法，平抑电网大功率扰动方法进行对比实验，以验证本文方法的优越性。

表1 仿真实验参数的具体设置Tab.1 Specific setting of the simulation experiment parameters

2.2 频率控制效果对比

本文方法与另外2 个方法的频率控制效果如图4所示。基于图4能够看出，本文方法优化后的频率偏移量不大于0.1 Hz，原因是所研究的优化方法能够对系统的扰动实时补偿，抑制负荷以及其他波动情况对于系统频率的影响，从而能够保证蓄电池储能系统频率稳定在额定值中。而对比方法波动较大，这2 个方法虽然建立了目标函数，但是可能受到放电功率以及充电功率等因素的影响，导致频率控制效果较差。

图4 频率控制效果Fig.4 Frequency control effect

2.3 充放电功率分析

本文方法与对比方法的蓄电池储能系统的充放电功率对比曲线如图5所示。从图5结果可以看出，本文方法的控制效果更好，由于该方法可以根据负载的变化和风电场的变化来实现充电和放电，从而获得更高的输出功率，而使用了自抗扰控制器后，由于电流的干扰会被实时地补偿，因此能够更好地调节，从图5中可以看到它是一条直线，比其他两种方法都要好。