基于扩散算法的无下垂分布式储能控制

doi:10.16183/j.cnki.jsjtu.2022.487

基于扩散算法的无下垂分布式储能控制

米阳, 张浩杰^,, 钱翌明, 邢海军, 龚锦霞, 孙改平

上海电力大学电气工程学院,上海 200090

Droop-Free Distributed Energy Storage Control Based on Diffusion Algorithm

MI Yang, ZHANG Haojie^,, QIAN Yiming, XING Haijun, GONG Jinxia, SUN Gaiping

College of Electrical Power Engineering, Shanghai University of Electric Power, Shanghai 200090, China

通讯作者: 张浩杰,硕士生;E-mail:zhjyxa@163.com.

责任编辑: 王历历

收稿日期: 2022-12-2 修回日期: 2023-02-22 接受日期: 2023-04-6

基金资助:

上海市自然科学基金(22ZR1425500)
国家自然科学基金(61873159)

Received: 2022-12-2 Revised: 2023-02-22 Accepted: 2023-04-6

作者简介 About authors

米阳(1976-),教授,博士生导师,从事微网控制、电力系统稳定与控制等研究.

摘要

针对线路阻抗不匹配及母线电压不一致时,下垂控制无法同时实现母线电压稳定及储能间功率精确分配的问题,提出一种基于扩散算法的无下垂分布式储能控制策略.首先,将扩散算法应用于直流微电网的分布式估计中获取全局平均量,同时将电压额定值与平均电压的差值作为补偿项,用于恢复母线电压偏差.为了实现不同额定容量及不同荷电状态(SOC)的储能间功率精确分配,设计储能的标准功率并将其与平均标准功率的差值作为补偿项,用于储能间SOC的均衡.最后,利用RT-LAB平台搭建模型,分别验证4种不同工作模式下所设计控制策略的有效性.实验结果表明,所提控制策略可实现孤岛直流微电网母线电压恢复及储能功率的精确分配.

关键词： 直流微电网; 扩散算法; 无下垂控制; 分布式控制; 功率精确分配

Abstract

A droop-free distributed energy storage control strategy based on the diffusion algorithm is proposed to address the inability of droop control to simultaneously achieve bus voltage stability and accurate power distribution among energy storage systems when the line impedance is mismatched and bus voltage is inconsistent. First, the diffusion algorithm is applied to the distributed estimation of direct current (DC) microgrid to obtain the global average, and the difference between the voltage rating and the average voltage is used as a compensation term to restore the bus voltage deviation. Then, in order to achieve the accurate distribution of power between energy storage systems with different rated capacities and different states of charge (SOC), a standard power of energy storage is designed and the difference between the standard power and the average standard power is used as a compensation term for the equilibrium of SOC between energy storage systems. Finally, a model based on RT-LAB is built to verify the effectiveness of the designed control strategy in four different operating modes. The experimental results show that the proposed control strategy can achieve the bus voltage recovery and the accurate distribution of energy storage power in the isolated DC microgrid.

Keywords： direct current (DC) microgrid; diffusion algorithm; free droop control; distributed control; precise power distribution

PDF (4743KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

米阳, 张浩杰, 钱翌明, 邢海军, 龚锦霞, 孙改平. 基于扩散算法的无下垂分布式储能控制[J]. 上海交通大学学报, 2024, 58(6): 836-845 doi:10.16183/j.cnki.jsjtu.2022.487

MI Yang, ZHANG Haojie, QIAN Yiming, XING Haijun, GONG Jinxia, SUN Gaiping. Droop-Free Distributed Energy Storage Control Based on Diffusion Algorithm[J]. Journal of Shanghai Jiaotong University, 2024, 58(6): 836-845 doi:10.16183/j.cnki.jsjtu.2022.487

随着全球气候问题日益严峻,可再生能源分布式发电方式成为关注的焦点.为应对分布式电源出力不确定性减小对负荷和电网的影响,微电网作为解决方案被提出.微电网可有效整合可再生能源发电、储能及负载,提高可再生能源在电网的利用率^[1-2].微电网系统中,光伏单元(Photovoltaic, PV)等分布式电源(Distributed Generation, DG)和储能单元(Energy Storage Unit,ESU)多为直流(Direct Current, DC)电源,近年来如电动汽车等的直流负载也与日俱增.直流微电网能更加灵活高效地接入直流电源和负载,不存在交直流变换及其损耗、频率及无功问题,控制更加简单,只需维持电压稳定便可实现系统稳定运行^[3-4].因此,直流微电网得到众多关注和研究.

目前,直流微电网通常采用下垂控制分布式电源的输出功率实现各微源的功率分配.下垂控制具有简单可靠、不依赖通信的特点^[5].但是下垂控制属于有差调节,系统运行状态发生变化后无法使母线电压恢复至额定值,同时其输出功率也会受线路阻抗影响而无法按照预定比例分配^[6].针对下垂控制可能引起电压偏差过大和功率精确分配的问题,一般通过二次控制进行补偿^[7].其中,二次控制通常分为集中式控制和分布式控制.集中式控制需要中央控制器与各分布式电源间建立通信,能够得到全局信息并以此调整各分布式电源出力,控制准确度高但严重依赖通信,且集中控制器容易出现单点故障^[8],不利于微网扩展和分布式电源“即插即用”.分布式控制仅需通过稀疏通信网络与邻近单元通信,各分布式控制器依据相邻节点信息调整本地的输出^[9].分布式控制更加灵活、更易于拓展且不易受单点故障影响.文献[10]中提出分层协调控制策略,第一层为自适应下垂控制协调多组储能输出,第二层根据母线电压协调不同单元输出,可实现独立直流微电网的稳定运行.文献[11]中提出一种基于一致性算法的分布式控制,能够实现各储能按其荷电状态(State of Charge, SOC)成比例分配功率,同时可以调节分布式网络中各母线电压的平均值使其维持在额定值.文献[12]中提出自适应分级协调控制策略,模糊控制算法自适应调节下垂控制的虚拟电阻,不仅实现了储能的SOC均衡,还能有效减小母线电压偏差.但是此类方法仍基于下垂控制,未从根本上解决下垂控制的缺陷.

为此,无下垂控制策略得到广泛的关注.文献[13]中利用一种分布式电压方差观测器估计全局电压方差,以此设计一种具有平均电压调节器、电压变化调节器和松弛无功调节器的无下垂分布式控制,实现电压变化的精确调节并保证交流微电网分布电压在允许范围.文献[14]中提出一种无需中央协调的无下垂初级频率控制的分布式准牛顿方法,利用稀疏通信网络与其邻居交换有限的信息,实现交流微网的频率稳定及发电成本最低.然而,上述策略中的分布式估计算法存在收敛速度慢导致的控制调节精度下降问题.扩散算法最早是一种数据处理方法,通过扩散处理使得元素之间相互影响用于数据加密或解密等,近年来用于解决自适应网络中分布式估计问题^[15].在相同步长下,与一致性算法分布式估计相比,扩散算法具有更快的收敛速度和更小的均方差^[16].

基于以上分析,针对直流微电网中的储能单元设计基于扩散算法的直流微电网无下垂控制策略,包括分布式平均电压恢复控制和功率精确分配控制.直流微电网中的分布式新能源发电单元通常工作在最大功率跟踪(Maximum Power Point Tracking, MPPT)模式,为不可控电源,在分布式电源出力或负荷波动引起系统功率不平衡时,由储能单元平衡系统功率差额.利用RT-LAB实验平台验证所提控制策略在不依赖下垂机制的条件下能够同时实现母线电压恢复和储能SOC均衡.

1 直流微电网结构

直流微电网经典结构如图1所示,其中包括光伏新能源发电单元、储能单元以及直流负载等.在直流微电网孤岛运行模式下,新能源发电单元通常在MPPT模式工作,通过储能单元的充放电平抑新能源出力及负荷波动引起的功率不平衡,保障系统的稳定运行.光伏出力不足时,储能系统作为电源输出电能补偿功率缺额稳定母线电压;光伏出力过剩时,储能系统作为负荷储存多余电能.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 直流微电网结构

Fig.1 Structure of DC microgrid

为避免储能的过充过放,需要设计下垂控制保持储能间的SOC均衡,通过设置不同的下垂系数可实现储能间功率的按比例分配^[17],下垂控制表达式如下:

(1)

\begin{matrix} U_{d c} = U_{r e f} - \frac{1}{k} P \end{matrix}

式中:U_dc为输出电压;U_ref为电压参考值;P为输出功率;1/k为下垂系数.

设置下垂系数时,为保证功率精确分配,避免线阻不同的影响,需增大下垂系数,而为了避免母线电压偏差则需减小下垂系数,下垂控制无法同时满足这两方面要求.为此,针对分布式储能单元提出基于扩散算法的无下垂控制策略.

2 图论与扩散算法

2.1 图论

图论通常用来描述孤立直流微电网分布式通信网络的拓扑结构.有向图G=(V, E)表示通信网络的结构图,其中V={1, 2, …, m}为有限非空节点集,m为有向图中节点个数,每个储能单元可作为一个节点;E⊆V×V为边集,表示节点间的通信情况,若节点i与节点j间存在通信线路,则定义节点i与节点j互为邻居,且(i, j)∈E.有向图的邻接矩阵 A=[a_ij]表征有向图的通信权重^[18],若组合权重 a_ij>0,表示节点i与节点j间有通信;若a_ij=0,表示节点i与节点j间无通信.

2.2 扩散算法

扩散算法是基于最小均方算法的分布式优化算法,能够依据本地节点信息及相邻节点信息估计全局信息.本地节点通过与相邻节点交换信息得到自身的中间估计量,再通过线性组合的方式融合相邻节点的估计值,得到新的中间估计量.根据适应和组合的顺序,可以分为两类 ${^{[16}}^{]}$ :先适应后组合(Adapt-Then-Combine, ATC)和先组合后适应(Combine-Then-Adapt, CTA)扩散策略.应用扩散算法的ATC形式,迭代公式为

(2)

\begin{array}{l} ψ_{i} (r) = x_{i} (r - 1) + μ_{i} (x_{i} (r) - x_{i} (r - 1)) \\ x_{i} (r) = \sum_{j \in N_{i}} a_{i j} ψ_{i} (r) \end{array}\}

式中:i=1, 2, …, N,N为系统节点数量;ψ_i、ψ_j分别为节点i、j在r时的中间变量;μ_i为节点i的步长;x_i(k)为节点i在k时的状态;N_i为与节点i相邻的节点集合;a_ij依据Metropolis权重准则生成^[19],即

(3)

a_{i j} = \{\begin{array}{l} 1 / m a x {N_{i}, N_{j}}, & i 和 j 相 邻 \\ 1 - \sum_{j \neq i} a_{i j}, & i = j \\ 0, & 其 他 \end{array}

式中:N_j为与节点j相连节点的数量.

3 控制系统设计

直流微电网系统中下垂控制无法同时解决稳态电压偏差和功率分配精度的问题,提出基于扩散算法的无下垂储能控制策略,能够平抑系统中出现的功率不平衡,维持直流母线电压稳定.同时依据各储能当前荷电状态及其容量调整输出功率,实现储能间SOC的均衡,避免储能过度充放电.

无下垂控制策略表达式为

(4)

\begin{matrix} v_{r e f, i} (t) = v_{n o m} + δ v_{i, 1} (t) + δ v_{i, 2} (t) \end{matrix}

式中:v_ref,_i(t)为t时刻第i个电源节点的输出电压参考值;v_nom为直流母线电压的额定值;δv_i_,1(t)、δv_i_,2(t)为克服下垂控制两个缺点设置的补偿项.δv_i_,1(t)用于实现母线电压恢复到额定值,δv_i_,2(t)用于实现储能的输出功率按其额定容量及荷电状态精确分配.

为便于之后的分布式算法设计,式(4)的微分表达式为

(5)

\begin{matrix} {\overset{\cdot}{v}}_{r e f, i} (t) = δ {\overset{\cdot}{v}}_{i, 1} (t) + δ {\overset{\cdot}{v}}_{i, 2} (t) \end{matrix}

3.1 分布式平均电压恢复控制

为了避免母线电压偏差,将母线电压稳定在额定值,可将式(5)中的第一个补偿项的微分 $δ {\overset{\cdot}{v}}_{i, 1} (t)$ 设计为

(6)

\begin{matrix} δ {\overset{\cdot}{v}}_{i, 1} (t) = k_{I v} (v_{n o m} - v_{i, a v e} (t)) \end{matrix}

式中:k_Iv为调整算法收敛速度的积分项的系数;v_i_,ave(t)为第i个储能节点利用扩散算法估计出的微电网平均母线电压值.

采用比例积分(Proportional-Integral, PI)控制器以生成电压调整量:

(7)

\begin{array}{l} δ v_{i, 1} (t) = k_{P v} (v_{n o m} - v_{i, a v e} (t)) + \\ k_{I v} \int_{0}^{t} (v_{n o m} - v_{i, a v e} (τ)) d τ \end{array}

式中:k_Pv为PI控制器比例项的系数.

在基于扩散算法的估算协议中,系统中任意节点电压变化都会在稀疏通信网络传播,进而影响其他节点的电压估算,基于扩散算法估算平均电压为

(8)

\begin{array}{l} ψ_{u_i} (t) = v_{i} (t - 1) + μ_{i} (v_{i} (t) - v_{i} (t - 1)) \\ v_{i, a v e} (t) = \sum_{j \in N_{i}} a_{i j} ψ_{u_j} (t) \end{array}\}

式中:ψ_u_{_i}(t)、ψ_u_{_j}(t)为中间变量;v_i(t)为t时刻第i个储能的本地电压.

基于分布式平均母线电压估计算法,各储能只需与相邻储能通信即可得到出平均母线电压.

3.2 分布式功率精确分配控制

储能间功率精确分配是为实现储能间SOC的均衡,储能单元的SOC计算公式如下:

(9)

\begin{matrix} S_{S O C_i} (t) = S_{S O C_i} (0) - \int_{0}^{t} \frac{P_{i} (τ)}{v_{i} (τ) C_{i}} d τ \end{matrix}

式中:S_SOC_{_i}(t)为第i个储能t时刻的荷电状态;S_SOC_{_i}(0)为第i个储能初始时刻的荷电状态;P_i、C_i分别为第i个储能的输出功率、额定容量.

若初始时刻各储能荷电状态相同,只需使储能的输出功率与其额定容量成正比便可实现储能间的SOC均衡,即

(10)

\begin{matrix} P_{i} ∶ P_{j} ∶ \dots ∶ P_{n} = C_{i} ∶ C_{j} ∶ \dots ∶ C_{n} \end{matrix}

式中:P_j、P_n分别为第j、n个储能的输出功率;C_j、C_n分别为第i、n个储能的额定容量.

若储能间的额定容量相同,由式(9)可知为使储能SOC均衡,则储能的输出功率应与其SOC和平均SOC差值成正相关,表达式为

(11)

\begin{array}{l} P_{i} ∶ P_{j} ∶ \dots ∶ P_{n} = \\ e x p (|S_{S O C_i, a v e} (t) - S_{S O C_i} (t)|) ∶ \\ e x p (|S_{S O C_j, a v e} (t) - S_{S O C_j} (t)|) ∶ \dots ∶ \\ e x p (|S_{S O C_n, a v e} (t) - S_{S O C_n} (t)|) \end{array}

式中:S_SOC_{_i}_{, ave}(t)为第i个储能节点利用扩散算法估计的全局平均荷电状态.

根据式(2)扩散算法估算的平均荷电状态可表示为

(12)

\begin{array}{l} ψ_{S O C, i} (t) = S_{S O C_i} (t - 1) + μ_{i} (S_{S O C_i} (t) - \\ S_{S O C_i} (t - 1)) \\ S_{S O C_i, a v e} (t) = \sum_{j \in N_{i}} a_{i j} ψ_{S O C, j} (t) \end{array}\}

式中: $ψ_{S O C, i} (t)$ 为中间值.

综合考虑储能额定容量及其SOC初始值对储能SOC均衡的影响,使其在不同额定容量及不同SOC初始值的情况下均可实现SOC均衡,提出标准功率其表达式为

(13)

P_{i}^{n} (t) = \frac{P_{i}}{C_{i}} e x p [q_{i} (S_{S O C_i} (t) - S_{S O C_i, a v e} (t))]

式中: $P_{i}^{n}$ (t)为第i个储能t时刻的标准功率;q_i为加速因子,影响SOC收敛速度.

将各储能节点的标准功率与邻近节点通信,进而估算全局的平均标准功率,基于扩散算法估算平均标准功率可表示为

(14)

\begin{matrix} \begin{array}{l} ψ_{P_i} (t) = P_{i}^{n} (t - 1) + μ_{i} (P_{i}^{n} (t) - \\ P_{i}^{n} (t - 1)) \\ P_{i_a v e}^{n} (t) = \sum_{j \in N_{i}} a_{i j} ψ_{P_i} (t) \end{array}\} \end{matrix}

式中:ψ_{P_i}(t)为中间变量; $P_{i, a v e}^{n}$ (t)为第i个储能节点t时刻估计的平均标准功率.

各个储能节点的标准功率都和平均标准功率一致时便可实现储能SOC的均衡,可将式(5)的第2个补偿项的微分 $δ {\overset{\cdot}{v}}_{i, 2} (t)$ 设计为

(15)

\begin{matrix} δ {\overset{\cdot}{v}}_{i, 2} (t) = k_{I P} (P_{i_a v e}^{n} - P_{i}^{n}) \end{matrix}

式中:k_IP为调整算法收敛速度的积分项的系数.

采用PI控制器以生成电压调整量,即

(16)

\begin{array}{l} δ v_{i, 2} (t) = k_{P P} (P_{i, a v e}^{n} (t) - P_{i}^{n} (t)) + \\ k_{I P} \int_{0}^{t} (P_{i, a v e}^{n} - P_{i}^{n} (τ)) d τ \end{array}

式中: $k_{P P}$ 为比例系数.

初始阶段储能SOC与平均值差较大,此时标准功率 $P_{i}^{n}$ (t)与平均标准功率 $P_{i, a v e}^{n}$ (t)差较大,储能SOC可实现快速收敛.在收敛末期SOC与其平均值差较小, $P_{i}^{n}$ (t)与 $P_{i, a v e}^{n}$ (t)的差也较小,导致SOC收敛速度减缓.为加快SOC均衡末期收敛速度将加速因子q_i设计为可动态调节,其表达式如下:

(17)

\begin{matrix} q_{i} = \frac{α}{β + |S_{S O C_i} - S_{S O C_i, a v e}|} \end{matrix}

式中:α、β由实验对比确定取值.本文所设计的基于扩散算法的无下垂储能控制原理如图2所示.图中:I_P(t)为光伏单元发出电流;V_P(t)为其端电压;L_PV为电感;I_PV(t)为输出电流;I_l(t)、V_l(t)分别为分布负荷电流及其端电压;S_i-₁(t)、S_i-₂(t)分别为第i储能单元中第1、2个开关器件的开关状态,C_i-₁、C_i-₂分别为第i储能单元中第1、2个电容器件;PWM表示脉冲宽度调制;NOT表示逻辑非.储能只需本地信息与邻近储能信息依据式(8)和式(12)估计平均电压和平均SOC,并根据式(13)得到自身标准功率,然后结合邻近储能的标准功率利用式(14)估计平均标准功率.将本地电压与平均电压之差和本地标准功率与平均标准功率之差分别代入式(7)和式(16)得出补偿项δv_i_,1(t)和δv_i_,2(t),最后将两个补偿项代入无下垂控制式(4)得到输出参考值并输入双闭环控制,便可实现母线电压稳定及储能间功率的精确分配.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 直流微电网储能控制框图

Fig.2 Block diagram of energy storage control of DC microgrid

4 仿真验证

为验证所设计的无下垂控制策略的有效性,基于如图3所示的RT-LAB实验平台搭建设计典型直流微电网,如图4所示.直流微电网系统包括一个光伏发电单元,为不可控电源,3个储能单元及直流负荷,母线电压额定值为380 V,系统具体参数如表1所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 RT-LAB实验平台

Fig.3 RT-LAB experimental platform

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 直流微电网系统

Fig.4 DC microgrid system

表1 直流微电网系统参数

Tab.1 System parameters of DC microgrid

参数	符号	数值	参数	符号	数值
电压补偿PI	k_Pv	0.01	线路阻抗/Ω	R_line2	0.5
电压补偿PI	k_Iv	0.005	线路阻抗/Ω	R_line3	0.3
功率分配PI	k_PP	2	ESU1容量/(A·h)	C₁	150
功率分配PI	k_IP	10	ESU2容量/(A·h)	C₂	100
线路阻抗/Ω	R_line1	0.1	ESU3容量/(A·h)	C₃	50

新窗口打开| 下载CSV

实验验证分为两部分:第一部分对比α和β的不同取值对电压稳定和SOC收敛速度的影响,确定其最合适的取值;第二部分设置4种不同工况验证所提策略在直流微电网的不同运行条件下都能实现母线电压恢复和SOC均衡.

4.1 对比实验

对比不同取值实验结果,确定α和β的最合适取值,提高SOC的收敛速度并保证母线电压稳定.实验1为α=8、β=0.3和α=6、β=0.2的实验对比,实验2为q_i=10、α=5、β=0.4以及α=6、β=0.3的实验对比.

如图5所示,当α=8、β=0.3和α=6、β=0.2时,电压v波动偏大同时储能输出功率P也不稳定,甚至ESU1和ESU2充电时ESU3在放电.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 实验1结果对比

Fig.5 Comparison of results in Experiment 1

如图6所示,3组取值虽然都可以实现SOC均衡并保持母线电压平稳,但当q_i=10和α=5、β=0.4时,SOC达到均衡的所需时间明显比α=6、β=0.3长.综上所述,当α=6、β=0.3时可实现在保障电压稳定的前提下使SOC尽快达到一致.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 实验2结果对比

Fig.6 Comparison of results in Experiment 2

4.2 验证实验

为验证微电网不同运行状态下所提策略的有效性,分别设置4种工况进行实验验证.工况1用于验证在储能稳定充电过程中,各储能SOC能否快速达到均衡,并与传统下垂控制作对比.工况2用于验证在储能系统充放电状态发生转变后各储能SOC还能否达到均衡.工况3用于验证在光伏出力波动过程中能否实现储能SOC均衡.工况4用于验证线路阻抗发生变化是否影响储能功率分配及电压稳定.

4.2.1 工况1:储能单元充电模式

在储能单元充电模式下,光伏单元采用MPPT控制模式,储能单元维持母线电压稳定并吸收多余功率.设置各储能单元的初始SOC分别为30%、35%和40%,此时光伏单元输出功率约为3 kW,负载功率为1.4 kW,系统中功率过剩由储能单元吸收多余的功率稳定母线电压.30 s时系统中负荷功率增加到2.6 kW.

如图7所示,储能单元充电模式下,初始时刻储能单元间SOC差值较大,其充电功率也有较大差值,随着储能间SOC的逐渐接近其功率差值也随之减小.约20 s时SOC达到一致,此时储能的充电功率之比与其额定容量之比均为1∶2∶3.即使在 30 s时负荷发生较大波动时仍能维持充电功率按其容量比分配.同时母线电压保持在额定值附近,在负荷发生较大波动时母线电压出现不到3 V的偏差并迅速恢复至额定值.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 充电状态下实验结果

Fig.7 Experimental results in the state of charge

设置与工况1完全相同的系统参数,采用下垂控制策略控制储能单元,下垂控制表达式为式(1),其中3个储能的下垂系数分别为0.01、0.02和0.03.对比两种控制方式下的实验结果.

如图8所示,虽然储能单元的下垂系数之比为1∶2∶3,但是由于线路阻抗的存在使得其充电功率未按下垂系数之比分配,储能间SOC的差值非但没有减小反而有所扩大,致使储能3的SOC接近100%,而储能1和2的SOC还未到80%.同时电压偏差过大,在负荷功率较低时电压偏差达到9 V,负荷功率高时也有3 V的偏差.由此可见,负荷的波动对母线电压的稳定有较大影响.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 下垂控制实验结果

Fig.8 Experimental results of droop control

传统下垂控制不仅无法实现储能间SOC的均衡,甚至可能会导致部分储能过充过放,同时母线电压的稳定也会受到负荷波动较大的影响.

4.2.2 工况2:储能单元充放电模式切换

光伏单元采用MPPT控制模式,光伏输出功率约3 kW.初始时刻负荷功率为1.4 kW,系统内功率过剩储能为充电模式;在16 s时负荷增加至4.2 kW,系统内功率不足储能转为放电模式.以此验证充放电模式转换下该控制策略的有效性.储能单元的初始SOC分别为40%、50%和60%.

如图9所示,前16 s储能处于充电状态,SOC逐渐靠近;16 s后负荷增加,储能由充电模式转为放电模式,仍能使储能SOC趋于一致,约24 s时达到一致.同时在负荷增加较大即增加的负荷达原来负荷的2倍时,母线电压只在负荷增加瞬间有3 V的跌落并迅速恢复至额定值.该策略在储能充放电模式转换时仍能使其SOC达到一致,并且负荷突然猛增时也能维持母线电压在额定值.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 充放电模式切换实验结果

Fig.9 Experimental results of charging and discharging mode switching

4.2.3 工况3:光伏单元出力波动

微电网运行中虽然光伏单元多处于MPPT控制模式,但是天气及光照强度的变化会引起光伏出力变化.光伏出力发生突变时由储能单元平抑系统内功率不平衡维持母线电压稳定.设置各储能单元的初始SOC均为30%、40%和50%.

由图10可见,可知光伏出力分别在8、16、24、32、40 s发生较大波动, 最大波动幅度为2.8 kW,最小波动幅度为2.1 kW,该策略仍使SOC趋于一致.在23 s前SOC未达到一致,此时即使光伏出力发生变化,储能的充放电模式也发生转变,SOC仍能趋于一致.23 s后SOC达到一致后储能的输出功率比一直与其额定容量比一致.在光伏出力波动幅度较大时,母线电压仍保持在额定值附近,最大偏离不到5 V,而后又迅速恢复.

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 光伏出力波动实验结果

Fig.10 Experimental results of PV output fluctuations

4.2.4 工况4:线路参数发生变化

除光伏出力与负荷波动会影响储能功率的精确分配和母线电压稳定外,线路参数的变化也可能造成功率分配不均,引起母线电压偏差.初始时刻3条线路阻值分别为0.1、0.3和0.5 Ω,在10 s时线路1的阻值变为0.5 Ω,在20 s时线路2的阻值也变为0.5 Ω,在 30 s 时负荷减小 2.8 kW.储能单元的初始SOC分别为40%、50%和60%.

由图11可见,线路参数的突变未能影响储能的功率分配,储能SOC仍能趋于一致.虽然线路参数突变引起母线电压约0.5 V的微小波动,但并未影响储能间的功率分配,仍能实现SOC的均衡.同时验证线路参数的变化对该策略的影响微乎其微,而下垂控制受线路参数影响很大,验证了该控制策略的优越性.

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 线路参数发生变化实验结果

Fig.11 Experimental results of changes in line parameters

5 结语

针对孤岛直流微电网下垂控制本身缺陷的问题,提出基于扩散算法的无下垂分布式储能控制策略.不仅可实现储能间功率的精确分配实现SOC均衡,避免过度充放电导致部分储能退出运行,还可使母线电压恢复至额定值,从而提高微电网系统的稳定性.并且该策略控制下,微电网对线路参数的变化具有自适应性.同时,所提控制策略为分布式控制仅需与相邻节点通信,无需集中控制器协调控制,因此系统灵活性更高、可扩展性更强.最后,利用 RT-LAB 实验平台验证了所提控制策略在多种工况下均具有预期的控制效果.此外,未来将拓展该控制策略应用到拓扑更复杂的交直流混合微电网中,以实现混合微电网中储能单元的SOC均衡.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

李霞林, 郭力, 王成山, 等.

直流微电网关键技术研究综述

[J]. 中国电机工程学报, 2016, 36(1): 2-17.