基于PCMAC-PID的全钒液流电池储能系统功率控制_邱亚.pdf

基于PCMACPID的全钒液流电池储能系统功率控制邱亚，陈薇，李鑫（合肥工业大学电气与自动化工程学院，合肥210009）摘要：为了提高全钒液流电池（Vanadium redox battery，VRB）储能系统功率控制的快速性，文中提出一种分段量化小脑模型神经网络（piecewise cerebella model articulation controller，PCMAC）与比例积分微分控制（proportion integral differential，PID）相结合的复合控制策略（PCMACPID），由PCMAC实现前馈控制，PID实现反馈控制。建立了VRB储能系统的数学模型，给出了复合控制器的结构及具体算法，最后通过仿真验证了复合控制策略的有效性。仿真结果表明，与PID算法相比，复合控制策略能更好地提高控制系统的响应速度且具有一定的鲁棒性。关键词：小脑模型神经网络；复合控制；全钒液流电池；功率控制Power Control of Vanadium Redox Battery Energy Storage System Based on PCMACPIDQIU Ya，CHEN Wei，LI Xin（School of Electrical Engineering and Automation，Hefei University of Technology，Hefei 210009，China）Abstract:For improving the speedability of power control of Vanadium redox battery（VRB）energy storage system，a compound control strategy（PCMACPID）in combination of piecewise cerebella model articulation controller（PCMAC）and PID algorithm is proposed in this paper.The feedforward control is realized by the PCMAC and the feedback control is achieved by PID.The mathematical model of VRB energy storage system is set up.The structure andspecific algorithm of the compound controller are given.Finally，the effectiveness of the compound control strategy isverified by simulation.The simulation results show that the compound control strategy can，compared to PID algorithm，improve the response speed of the control system and also has certain robustness.Key words:cerebella model articulation controller；compound control；Vanadium redox battery；power control0引言随着“碳达峰、碳中和”战略的推进及新型能源体系的规划建设，太阳能、风能等清洁能源占比越来越大，但新能源发电的间歇性、随机性和波动性给电网带来了挑战1-6。储能系统可以有效提升电网的安全性和运行效能，是支撑新型电力系统的重要技术和基础装备，对推动能源绿色转型、应对极端事件、保障能源安全、促进能源高质量发展具有重要意义7-17。全钒液流电池(Vanadium redox battery，VRB)储能系统具有寿命长、安全性高、系统设计灵活、全生命周期成本低等优点18-23，非常适合长时储能，能够促进新能源的消纳。在实际运行中，电池储能系统除了要满足安全稳定运行，还需要能够快速响应系统需求。因此，有必要研究储能系统的快速功率控制，以实现对功率的快速、精确跟踪。基于此，国内外研究学者针对储能系统的功率控制展开了研究。文24提出了外环为恒功率、恒压或涓流充放电控制的DC/DC变换器双闭环策略，该策略先以给定功率值进行恒功率快速充电，后根据电压调整为恒压充电。文25研究了独立风电场中储能系统的控制；文26研究了光储系统中的功率控制，其控制器采用PI控制，PI控制器的参数可以根据生物地理第59卷第7期：011701242023年 7月16日High Voltage ApparatusVol.59，No.7：01170124Jul.16，2023DOI:10.13296/j.10011609.hva.2023.07.013_收稿日期：20230324；修回日期：20230527基金项目：安徽省重点研究与开发计划项目(JZ2021AKKG0565)。Project Supported by Key Research and Development Program of Anhui Province(JZ2021AKKG0565).2023年7月第59卷第7期学优化算法动态调节，但其控制器的设计以电流作为控制量；文27研究了孤岛情况下储能系统的功率控制，提出计及母线净功率的模糊控制策略，能够平抑功率波动，但模糊控制为有静差控制，不适用高精度场合；文28针对多组全钒液流电池并联构成的大容量储能系统，给出计及损耗的系统功率优化分配策略，能够降低系统损耗，同时使得各个储能单元SOC在充放电过程中趋于一致；文29-30提出一种多储能模块的双层功率分配策略，能够实现直流侧多个液流电池储能模块的SOC快速动态均衡；文31-34提出了VRB储能系统的功率分配策略，能够减少电池充放电次数。这些文献从上层研究了VRB储能系统的功率分配算法并验证了其有效性，但未给出底层VRB储能系统如何实现快速跟踪分配好的给定功率。综上所述，如何设计一个功率控制器使得VRB储能系统能够快速跟踪功率指令是具有实际工程意义的。在实际运行中电池内阻参数会随着温度、循环充放电次数等因素发生变化，是一个非线性时变系统。这就要求功率控制器能够满足快速跟踪的同时还需要有一定的鲁棒性，当电池参数发生变化时也能够快速跟踪功率给定值。鉴于此，文中提出了PCMACPID复合控制策略，将其用于VRB储能系统的功率控制。首先在分析VRB储能系统原理的基础上建立其等效电路模型，然后提出PCMACPID复合控制策略，其次基于该复合控制策略给出了VRB储能系统的功率、电流双闭环控制结构。最后，以50 kW VRB储能系统为例进行了仿真验证，并与传统PID算法进行对比分析。1全钒液流电池储能系统结构及数学模型直流微电网典型结构图见图1，其中全钒液流电池通过双向DC/DC接入直流母线，构成VRB储能系统。图1直流微电网典型结构图Fig.1Typical structure diagram of DC microgrid system双向DC/DC变换器作为电池的接口，控制电池的充/放电。全桥式双向直流变换器具有效率高、动态性能好、体积小、成本低、控制方式灵活等优点，文中 VRB 通过全桥式双向 DC/DC 接入到直流母线。VRB储能系统等效电路见图2。图2VRB储能系统等效电路Fig.2Equivalent circuit model of VRB energy storage system图2中：Up为DC/DC的控制电压；Ud为VRB的端电压；Id为VRB的充放电电流(文中以充电方向为正)；Us为VRB的内核电压(即开路电压)；Ip为泵损，采用恒流源表示；Rf为寄生损耗；Rrea、Rres表示包括反应动力等效的阻抗、传质阻抗、隔膜阻抗、溶液阻抗、电极阻抗和双极板阻抗等在内的所有电池内部阻抗；Ce为电极电容，主要用来模拟电池的动态过程。118图2电池等效电路中各个变量之间的关系为|Uc=Us+IsRreaUd=Uc+IRresId=I3+Ip+IIf=UdRfI=Is+IcIc=CedUcdt(1)电池SOC可根据式(2)计算SOC=SOC0+1CN0tIddt(2)由能斯特(Nernst)方程知Us=Ue+2RTFlnSOC1-SOCN(3)式(1)-(3)中：SOC0为电池初始电量；CN为电池额定容量，Ah；Ue为电池标准电极电势(1.4 V)；R为气体常数8.314 J/(Kmol)；T为温度，通常取298 K(即25oC)；F为法拉第常数96 500 C/mol；N为电堆串联单体电池的个数。分析双向DC/DC的工作原理可以将其等效为一个惯性环节，同时将电池等效电路及式(1)-(3)化简，可得到VRB储能系统的模型见图3。图3VRB储能系统模型Fig.3Model of VRB energy storage system图3中：Ks为双向DC/DC的放大系数；Ts为双向DC/DC的延迟时间；Zeqs为等效阻抗，见式(4)|Zeqs()s=ks1()s+zs1s+ps1ks1=RresRfRres+Rfks2=RfRreaCe()Rres+Rfzs1=Rrea+RresRreaRresCeps1=Rrea+Rres+RfRreaCe(Rres+Rf)(4)该模型能够表达系统整个信号的传递关系，便于设计控制器。2PCMACPID复合控制算法2.1PID算法PID(proportion integral differential)即比例、积分、微分控制，是一种应用最为广泛的控制算法。其算法见式(5)up()t=KP|e()t+1Tiote()t+Tdde()tdt(5)式(5)中：e(t)为误差；Kp为比例系数；Ti为积分常数；Td为微分常数。2.2PCMAC算法分 段 量 化 小 脑 模 型 神 经 网 络(piecewisecerebella model articulation controller，PCMAC)结构见图4，与常规CMAC计算过程类似，主要包括输入部分、学习及存储部分、输出部分。图4中：X为输入空间；S为量化空间；A为存储空间；aj表示第j个存储单元的激活情况(若aj=1则表示第j个存储单元被激活)；N为量化级数；C为泛化参数；j表示第j个存储单元的权值；Y为实际输出；Yd为期望输出。图4PCMAC神经网络结构Fig.4Structure of PCMAC构网型储能系统关键技术及工程应用邱 亚，陈 薇，李 鑫.基于PCMACPID的全钒液流电池储能系统功率控制 1192023年7月第59卷第7期2.3PCMACPID复合控制策略全钒液流电池是一个非线性、时变的系统，其模型参数会随着温度、电池充放电状态而不断发生变化。本研究考虑采用PCMAC与PID相结合的复合控制策略，其中PCMAC实现前馈控制，实现被控对象的逆动态模型，PID控制器实现反馈控制，保证系统的稳定性且能够抑制扰动。控制框图见图5。图5PCMACPID控制结构Fig.5PCMACPID compound control diagramPCMAC采用有导师的学习算法。每一控制周期结束时，计算出相应的PCMAC输出，并与总控制输入相比较，修正权重，进入学习过程。学习的目的是使总控制输入与PCMAC的输出之差最小。经过PCMAC的学习，使系统的总控制输出由PCMAC产生。而常规控制器采用传统的 PD 算法而不用PID控制算法，使PCMAC的学习仅仅依赖于误差的当时测量值及变化值。PCMACPID复合控制的算法如下所述。2.3.1量化PCMAC 将输入信号X在区间Xmin,Xmax上分成Xmin,-XH、-XH,-XL、-XL,XL、XL,XH、XH,Xmax这5个区间，每个区间的量化级数分别为Nf1、Nf2、NN、Nz1、Nz2，见图6。图6分段量