基于电动汽车的微电网负荷频率控制系统的虚拟惯量控制方法——采用大脑情感学习机制
《Journal of Energy Storage》:Electric vehicle-based virtual inertia control of the microgrid load frequency control system using brain emotional learning
【字体:
大
中
小
】
时间:2026年01月17日
来源:Journal of Energy Storage 10.7
编辑推荐:
阿西拉·M·莫汉|阿米特·坎达卡尔|S.M.穆因|凯文·托马斯|阿卜杜勒·哈南|穆罕默德·法希姆·侯赛因|穆罕默德·阿尔塞莱内·阿亚里
卡塔尔大学电气工程系,卡塔尔多哈
摘要
孤立式微电网的电力生成在很大程度上依赖于各种可再生能源,由于可再生能源的间歇性导致频率波动
阿西拉·M·莫汉|阿米特·坎达卡尔|S.M.穆因|凯文·托马斯|阿卜杜勒·哈南|穆罕默德·法希姆·侯赛因|穆罕默德·阿尔塞莱内·阿亚里
卡塔尔大学电气工程系,卡塔尔多哈
摘要
孤立式微电网的电力生成在很大程度上依赖于各种可再生能源,由于可再生能源的间歇性导致频率波动加剧以及系统惯性较低,使得该类微电网的负载频率控制面临巨大挑战。虽然储能系统对微电网的频率调节起着关键作用,但其高昂的成本和较高的功率密度要求人们寻求替代方案,比如利用电动汽车电池来应对微电网中的频率波动问题。为了解决因间歇性逆变器供电带来的频率波动问题,本文提出了一种基于电动汽车储能的虚拟惯性/辅助控制策略,并采用基于情感学习的辅助控制器。通过MATLAB/SIMULINK仿真以及在不同负载扰动场景和可再生能源间歇性条件下的其他控制方法对比分析,证明了所提控制策略的有效性。此外,在各种运行条件和系统惯性参数变化情况下,相较于比例积分控制和线性二次高斯控制策略,基于情感学习的虚拟惯性控制策略能够更有效地降低频率偏差。
引言
化石燃料枯竭、能源需求上升以及环境问题导致的电力短缺现象,凸显了需要借助可再生能源整合到现代电力系统中的多元发电策略的重要性[1]。为应对全球变暖及其带来的影响,人们越来越重视可再生能源的应用,并推动从内燃机车辆向电动汽车的转型[2][3]。然而,间歇性的发电源以及微电网较低的惯性,给微电网的频率稳定性带来了挑战,甚至可能导致系统崩溃[4][5][6]。为解决微电网的频率不稳定问题及电能失衡问题,基于储能系统的虚拟惯性控制策略被广泛采用[5]。由于电动汽车已融入交通系统,其电池可被用于支撑电网稳定和频率恢复。鉴于电动汽车储能系统能够有效减少频率波动并维持发电与用电平衡,因此可以开发高效的基于此类系统的虚拟惯性控制方案,以支持可再生能源的接入和使用[2]。不过,[2][3]中常用的电动汽车储能系统模型存在非线性特性,因为它们只能在特定的充电状态范围内充放电,且参与其中的电动汽车数量也可能发生变化。因此,对于惯性较低的微电网而言,需要一种能够适应电动汽车储能系统非线性特性、同时具备处理可再生能源和随机负载能力的虚拟惯性控制器。此外,为克服传统储能系统成本高昂和功率密度受限等缺陷,本研究提出了一种基于智能情感学习的虚拟惯性控制策略,利用电动汽车的电池为微电网的负载频率控制系统提供辅助功率补偿。情感学习框架所具有的自适应学习能力,有助于快速调整以应对不断变化的运行条件和干扰,从而提升频率调节性能。此外,利用电动汽车基础设施来实现虚拟惯性功能,相比专门的储能解决方案更具经济可行性。
在以逆变器连接的分布式发电和储能单元为主的微电网负载频率控制系统中,由于缺乏旋转质量带来的转动惯性,物理惯性显著降低。因此,人们通过在微电网负载频率控制系统中注入或吸收功率来模拟合成惯性,以此实现频率调节,这些方法通常借助储能系统或电动汽车储能系统来完成[3][5][6][7]。虚拟惯性控制策略通过高效的控制算法,让逆变器通过添加将频率偏差与功率注入/吸收相关联的控制回路,模仿同步电机的惯性响应。由于惯性储备本质上反映了电力系统保持频率稳定的能力,或者说是在发电与用电不平衡时电力系统维持稳定频率的能力[8][9],因此在物理惯性不足的情况下,微电网中的虚拟惯性模拟有助于在负载突发状况和可再生能源间歇性供应时保持频率稳定。简而言之,虚拟惯性是指通过控制算法让基于逆变器的资源产生类似同步电机的惯性响应。此外,这种模拟出的惯性响应还能最快地应对频率偏差。
通常,虚拟惯性控制方案会利用频率变化率信号来实现虚拟惯性模拟,而利用频率偏差信号来实现虚拟阻尼模拟[3]。目前已有多种基于储能系统的虚拟惯性控制策略被提出,例如基于导数或频率变化率的控制策略[10]、基于模型预测控制的策略[11]、结合情感学习与频率变化率的控制策略[12]、基于强化学习的控制策略与频率变化率控制策略的结合[13],以及基于电动汽车储能系统的频率变化率控制策略[3]。在[12]中,提出了一种新的基于情感学习的虚拟惯性控制策略,旨在提升高比例可再生能源接入的微电网的频率稳定性。该策略通过有效利用储能系统管理频率偏差,展现了出色的适应性和稳健性。不过在该研究中,并未使用电动汽车储能系统来实现虚拟惯性控制,而是采用了基于频率变化率的方法。在[3]中,研究人员开发了一种改进的合成惯性控制系统,利用现有的系统能源,如电动汽车电池来实现虚拟惯性控制,而非引入会增加成本和复杂度的额外储能系统。该控制策略结合了导数控制方法与阻尼特性,能够虚拟模拟功率波动方程,有效提升了系统的惯性响应能力,减少了在多种负载扰动情况下的频率波动,尤其适用于惯性较低、可再生能源占比高且系统存在不确定性的现代电网。不过在该研究中,也是直接采用基于频率变化率的方法,而没有为虚拟惯性控制方案添加额外的控制器。在[13]中,研究人员提出了基于强化学习且利用深度确定性策略梯度的虚拟惯性控制方法,借助储能系统解决孤立式微电网的惯性不足问题。与强化学习相比,情感学习所需的迭代次数更少,计算量也更低,因为它采用受情感学习启发的简单线性更新规则。此外,情感学习还能以较低的代价实现在线适配。不过在这些研究中,仍然采用基于导数的虚拟惯性控制策略。而基于频率变化率方法并结合导数项时,对频率测量噪声较为敏感,在信噪比较低的环境下稳健性较差,且对持续或稳定的频率偏差响应有限[5]。因此,建议采用能够利用频率偏差信号、储能系统以及高效控制算法来实现同等虚拟惯性控制性能的方法,而非依赖传统的基于导数的控制方式。此外,大多数研究仍采用传统的基于储能系统的虚拟惯性控制策略[10][11][12],而基于电动汽车储能系统的虚拟惯性控制策略的应用前景还有待进一步探索。因此,本研究提出了一种基于电动汽车储能系统的虚拟惯性控制策略,该策略采用电动汽车的储能系统以及高效的基于情感学习的虚拟惯性控制器,以频率偏差反馈信号替代频率变化率信号。
也有研究将电动汽车储能系统与车网互动技术结合,用于频率调节。例如,在[14]中,通过一种智能正弦余弦算法优化调谐参数τ,开发了一种用于微电网负载频率控制的新型自适应智能模型预测控制方法,可将电动汽车电池的充电状态维持在85±5%范围内。在[15]中,提出了一种针对包含电动汽车的智能微电网负载频率控制的比例积分-比例微分级联控制器,该控制器通过一种新的萨尔普群优化算法进行优化。在[16]中,则提出了一种智能自适应比例控制器,该控制器结合了改进的和谐搜索算法启发式方法与II型模糊逻辑,用于提升孤立式微电网的频率调节性能。不过,总体而言,模糊控制缺乏系统化的设计方法,设计隶属函数和规则时需要大量的试错和专家知识。与模糊控制相比,情感学习控制器的优势在于,它需要调整的参数较少,无需像模糊控制器那样设置众多隶属函数。在[17]中,研究人员针对工业微电网研究了一种双向电动汽车充电策略,该策略通过电网控制器和充电控制器实现初级频率控制,证明了在各种突发状况下,借助车网互动功能能够提升频率调节性能和系统稳健性。在[18]中,又提出了一种新型的优化协调策略,用于在电力系统运行状态多变的情况下利用电动汽车进行频率调节,通过多目标优化频率调节、电动汽车输出功率和发电机输出功率,确保系统的安全和经济运行。在[19]中,研究人员考虑了具有多个电动汽车聚合器的单区域多源混合电力系统,并提出了一种通过鱼鹰优化算法优化的FOI-(PDN+1)控制器,用于最小化频率偏差,该控制器在随机太阳能出力、负载扰动以及服务中断攻击等情况下均展现出良好的效果。不过,这些研究均未探讨电动汽车储能系统的虚拟惯性控制能力。此外,大多数控制机制都采用基于模型的控制算法。基于模型的控制器对模型精度要求较高,模型设计工作量大,且在算法和计算层面都较为复杂。因此,本研究评估了基于电动汽车储能系统的虚拟惯性控制方案在微电网负载频率控制系统中的有效性,并采用了基于情感学习的虚拟惯性控制器。表1给出了本研究与其他现有研究的对比结果。
本研究的主要贡献如下:
1. 本研究提出了一种基于情感学习的虚拟惯性控制策略,该策略利用电动汽车储能系统在惯性较低的微电网负载频率控制系统中提供合成惯性,尤其适用于可再生能源占比高、负载随机变化、系统惯性参数存在不确定性,以及存在次级通信通道延迟和测量噪声的场景。
2. 本研究充分发挥了基于情感学习的控制策略的优势,首次将该策略应用于基于电动汽车储能系统的微电网负载频率控制系统。此外,本研究还采用无模型频率控制方法,结合随机扰动模型来处理包含电动汽车储能系统的微电网负载频率控制问题。
3. 本研究提出了一种基于频率反馈的基于情感学习的电动汽车储能系统虚拟惯性控制方法,该方法无需依赖频率变化率信号,且无需使用导数项,有助于降低频率测量噪声的影响。
4. 本研究通过与传统的比例积分控制以及线性二次高斯控制方法进行对比,证明了所提出的基于情感学习的电动汽车储能系统虚拟惯性控制策略的优越性能。
5. 为进一步验证该控制策略的频率调节性能和系统稳健性,本研究还对阶跃负载变化和随机负载变化场景进行了负载敏感性分析。
6. 此外,本研究还通过均方根频率变化值、积分时间加权绝对误差值以及积分绝对误差值等性能指标对系统性能进行了评估。
文章结构如下:第2节介绍了微电网负载频率控制系统模型以及基于情感学习的电动汽车储能系统虚拟惯性控制策略的构建过程。第3节阐述了基于情感学习的虚拟惯性控制器的数学建模方法。第4节展示了仿真结果,第5节对研究内容进行了总结。
系统描述
本研究采用了一个孤立式微电网模型,该模型包含多种发电源,如小型热电厂,以及太阳能发电和风力发电等可再生能源。这些发电源为居民区和工业用户提供电力[3][5]。该微电网系统的额定频率为50赫兹。为应对含有逆变器发电装置的微电网惯性较低、系统惯性参数存在不确定性等问题,本研究采用了基于情感学习的虚拟惯性控制设计。
基于情感学习的虚拟惯性控制设计
受哺乳动物情感学习过程的启发,情感学习控制器模仿了哺乳动物大脑中的边缘系统,该系统能够产生与特定行为相关的情感反应,而这些反应在大脑的决策过程中起着重要作用。情感反应源于杏仁核、眶额皮层、丘脑和感觉皮层等边缘系统关键结构的相互作用。在基于情感学习的控制策略中,这些结构被进行数学建模,以便解决相关问题。
仿真结果与讨论
图1展示了集成有电动汽车储能系统的微电网负载频率控制系统模型,通过MATLAB/SIMULINK软件对该模型进行了仿真,以此验证所提出的基于情感学习的虚拟惯性控制策略的有效性,并将其性能与手动调优的比例积分控制和线性二次高斯控制策略进行了比较。微电网负载频率控制系统模型的各项参数详见表3。此外,图中还展示了所施加的可再生能源和负载扰动输入信号。此外,本研究还提出了一种基于贝尔理论的电压源控制策略,用于配备EVESS的孤岛式微电网LFC系统。为评估该控制策略的有效性,还在不同的负载条件、间歇性可再生能源接入情况以及系统惯性参数不确定的情况下,将其与传统的PI控制和LQG控制策略进行了比较。仿真结果表明,所提出的基于贝尔理论的控制策略优于PI控制和LQG控制策略。
作者贡献说明
Athira M. Mohan:写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件、方法论、研究分析、形式化分析、概念设计。
Amith Khandakar:可视化、验证、监督、项目管理、资金筹措。
S.M. Muyeen:监督、项目管理、资金筹措、概念设计。
Kevin Thomas:可视化、软件、方法论。
Abdul Hannaan:可视化、软件、方法论。
Md. Fahim Hossen:软件。
利益冲突声明
作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:SM Muyeen表示文章发表费用由卡塔尔研究、发展与创新机构提供。其他作者则声明没有已知的可能影响本文所述工作的财务利益或个人关系。
致谢
本研究的出版得益于卡塔尔研究、发展与创新委员会提供的第一周期ARG资助项目(编号ARG01-0504-230073)。本文中的研究成果均为作者们独立完成的工作。作者们同时衷心感谢卡塔尔大学给予的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号