智能发电控制

智能发电控制（精选八篇）

智能发电控制 篇1

关键词：风力发电,太阳能,水泵,PWM

0 引言

目前, 内蒙古及西北部边远地区的部分农牧区仍然处于无电状态。没有实现正常生活用电, 人畜生活用水及农田灌溉还依赖于人工。亟待解决大面积耕种灌溉用水的难题。

通过对农牧区风力资源和太阳能光照时间及强度的实地监测、考察和评估, 对独立的小型风机发电和太阳能发电的实验验证和分析, 为提高发电抽水系统的连续性和可靠性, 摒弃了单一的风力发电或太阳能发电的抽水模式, 提出了风机发电和太阳能发电 (以下简称为风光) 互补的发电模式, 设计出基于能量匹配的风光互补发电抽水智能控制器。

1 风光互补发电抽水系统的结构与运行

独立运行的风光互补发电系统由风力发电机、卸荷器、光伏阵列、控制器、蓄电池组、逆变器及大小水泵等组成 (见图1) 。 系统中的风轮将风能通过空气动力学原理转换成机械能, 驱动永磁同步发电机发出与风速成一定关系的交流电, 经不可控三相整流器变成直流电, 并经DC/DC变换器实现最大功率跟踪;光伏阵列将太阳能通过光生伏打效应转换成直流电, 通过DC/DC变换器实现最大功率跟踪[1]。二者皆通过控制器控制接入到直流母线, 给蓄电池供电;蓄电池连接在直流母线上, 当风力发电机和光伏阵列输出的电能供给负载后还有剩余时, 蓄电池将剩余电能储存起来;当风力发电机和光伏电池输出电能不足以满足负载要求时, 由蓄电池向其供电。由控制器实现对风能和太阳能的最大功率跟踪以及蓄电池的多段式充电方式和过压欠压保护功能。通过检测太阳能和风能, 进行水泵组的内部切换, 实现大、小水泵运行状态关闭和开启功能的组合, 实现了最大化利用能量来抽水。

2 风力发电控制部分

系统选用5 kW的三相永磁同步发电机作为风力发电机, 其控制模块的电路见图2。

风力发电部分的模块电路是将风机输出的三相电分别接入, a) 手动刹车空气开关;b) 三相不可控整流桥;c) 卸荷器。其中, 手动刹车在风速比较低的时候直接短接三相电停止风机运转。两路三相整流桥的作用分别是一路对风机电压进行实时检测, 另一路将整流后的两相电直接接入DC/DC变换器, 然后通过单向导通二极管, 再经充电模式选择器流入蓄电池[2]。卸荷器是当风速特别大的时候, 将多余的电能释放掉。风机控制部分设有3个PWM控制端, 其中, DC/DC端的PWM控制通过检测风机电压的大小来改变脉宽, 实现风机的最大功率跟踪。

3 太阳能光电板控制部分

系统选用了由9块80 W的太阳能板串联而成的720 W的太阳能电池板。太阳能板模块的控制将太阳能板输出的正负端分别接入两路[3]。a) 直接接入控制器对太阳能输出电压进行实时检测;b) 接入DC/DC变换模块, 经单向导通二极管, 电流检测端, 充电模式选择器进入蓄电池。其中, 通过对太阳能电压的检测, 改变脉宽, 实现太阳能的最大功率跟踪, 其控制电路见图3。

4 蓄电池控制部分

蓄电池作为独立运行风光互补系统的储能装置, 在风力和日照充足时存储供荷载使用后的剩余电能。充电模式端通过对蓄电池电压检测, 完成充电模式的选择。卸荷器端的PWM通过检测风机电压的大小来改变脉宽, 从而改变卸荷器的接入功率。

储存在蓄电池的电能, 在风力和日照不佳时输出供荷载使用。因此, 蓄电池在系统中起到能量调节和平衡的两大作用。固定式铅酸蓄电池因其具有性能优良、质量稳定、容量较大、价格较低的特点, 是目前风光互补系统主要选用的储能装置。

该系统选用了9块阀控式铅酸蓄电池, 电压为12 V, 容量为200 A·h。蓄电池充电模式选择器见图4, 其采用了PWM充电方式, 分4个阶段实现, 第一阶段PWM输出占空比为100%, 即晶闸管完全导通, 此时蓄电池处于大电流灌充阶段;第二阶段PWM输出占空比为50%, 即1/2时间处于导通状态, 1/2时间处于关闭状态, 此时蓄电池处于小电流充电阶段;第三阶段PWM输出占空比为25%, 即只有1/4的时间处于导通状态, 3/4的时间处于关断状态, 此时蓄电池处于浮充状态;第四阶段PWM输出占空比为0%, 即全部处于关断状态, 此时蓄电池正好处于充满状态。

5 卸荷器控制部分

由于泄洪器的选型要比风力发电机总能量大1.5倍, 所以选用了7.5 kW的卸荷器。为了便于能量的释放, 系统采用交流卸荷, 三角形接法。卸荷器控制采用2种方式相结合, a) PWM驱动的无级卸荷;b) 完全接通卸荷。当检测到风机电压大于设定值时, 以PWM方式开启卸荷器;当检测的风机电压高于另一设定值时, 以全接通的方式打开卸荷器。这种卸荷方式可有效地保护风机, 防止飞车, 同时也可以利用保护整流桥、单向二极管、蓄电池, 防止大电流对元器件的损坏。

6 水泵控制部分

系统选取1个大水泵和1个小水泵, 是通过风力发电机的功率、太阳能板的功率及逆变器的功率选择的。因为大小水泵的功率之和小于等于风力发电机的总功率, 小水泵的功率小于等于太阳能板的功率, 所以可保证在风机达到最大输出功率时能同时开启2个水泵;在无风的情况下, 单独依靠太阳能光电板供电时也能启动小水泵;在无风也无太阳的情况下, 由蓄电池供电, 只启动小水泵。因此, 实现了能量的最大化利用, 也保证了24 h不间断供水。该试验选定的水泵分别是1.1 kW, 扬程45 m和500 W, 扬程35 m的深井潜水泵[4]。

系统根据不同的风速和太阳能光照强度, 切换水泵的工作状态, 分4种情况来切换工作, a) 无风有太阳, 且太阳能功率足够大时, 只启动小水泵;b) 有风有太阳, 当P小

7 逆变器部分

系统中选用了单相逆变器构成逆变部分。逆变器自身带有过压欠压保护, 输入电压范围比较宽。但是, 当蓄电池电压低于或高于设定值时, 会自动报警切断输出, 实现对蓄电池的保护。

8 结语

该风光互补发电抽水控制系统已在内蒙古四子王旗进行试运行, 取得了很好的效果。尽管试验中风光互补发电系统只选用了5 kW的风力发电机和720 W的太阳能光伏阵列板, 但是, 随着家用电器大功率化的发展, 还可选用更大功率的风力发电机、太阳能光伏阵列板、逆变器以及蓄电池, 达到提高整套系统的功率的目标。

参考文献

[1]艾彬.小型户用风光互补发电系统匹配的计算机辅助设计[D].呼和浩特:内蒙古大学理工学院, 2000.

[2]李忠实.风光互补发电控制系统不同负载对蓄电池控制电压的影响[D].天津:天津大学, 2005.

[3]杨萍, 杨金明, 张昊, 等.新型太阳能—风能混合发电系统的研制[J].华北电力技术, 2004 (1) :12-15.

西柏林有座智能发电屋 篇2

该房屋有1400平方英尺大小，它利用太阳能电池板和热存储系统来产生全部电力。同时，先进的能源管理技术有助于保持低电力消耗，并保证房屋的能源使用量与天气条件所能提供的能源量一致。

德国奥芬堡学院的Thomas Feldman解释道：“该房屋采用一种预测型能源管理系统，这意味着它可以估测房屋将要消耗的能源量。”“该系统所作的估测依赖于某些模型，这些模型可以根据天气条件和其他已有数据，预测房屋产生的能源有多少，消耗的又有多少。然后该系统就可以决定使用哪种能源体系。”

目前的样品房屋位于西柏林，并且，它是一幢精美的建筑，正如你所眼见。它还是完全可循环利用的。实话说，没什么地方让人不喜欢。

该房屋由德国斯图加特大学的研发团队设计，它可以把过剩电量存储在电池里，还可以用这些电量来为泊在屋外的电动汽车充电。3月份起，研究人员将对该房屋进行为期15个月的测试。一个4口家庭将入住该房屋，并利用剩余能量供一辆电动汽车运行使用。德国欧宝汽车公司、戴姆勒汽车公司、大众汽车公司、奥迪汽车公司以及宝马汽车公司将轮流提供电动汽车，各使用3个月，支持该房屋测试。（在宝马汽车测试期间，会有副驾驶进行观摩）。

该测试于2011年12月份启动，启动人不是别人，正是德国总理安吉拉·默克尔本人。她告诉公众：“该房屋说明，这类设施在今天已成为可能。节能建筑物和电力交通工具是我们加速实施能源政策的要旨所在。这两个行业仍存在巨大发展潜力。我们能在日常条件下对一些开拓性创新进行测试，对此我很高兴。”

3月份，在参加测试的那个家庭入住之前，公众可以参观房屋。所以，如果1月份或2月份你在柏林，可以参观一下房屋，让我们知道你的看法如何。

要想了解更多节能生活方式，可参见《美国能源部耐候化辅助计划帮助降低60万低收入家庭能源消耗，削减能源开支》一文。

撰稿：Rav Casley Gera

来源：Cleantech

变速变桨距风力发电机组的智能控制 篇3

关键词：风力发电机组,模糊控制,功率误差,变速变桨

目前,风力发电机组的控制技术已经由定桨距控制发展到变速变桨控制,其关键环节是控制策略和控制器的设计。为了提高电网的电能质量、降低风能转换系统所承受的载荷、最大限度地捕获风能并延长设备寿命[1,2],笔者提出将机组输出功率的变化作为变桨距执行机构运行的判断标准。由于风力发电机组是非线性、强耦合的系统[3],对于一个复杂多变量的不确定系统,采用模糊控制可以有效地满足其要求[4~6],使其根据风速变化情况实现变速变桨运行。

1 变桨距控制理论

风力发电机组主要由机械部分和电能转化部分组成。风轮是机械部分能量转换的关键部件,风以轴向风速流过风轮时捕获的功率为:

式中Cp( β,λ) ———风能利用系数;

Pr———风轮吸收的功率;

R———风轮半径;

ν———轴向风速,m/s;

ρ———空气密度。

风能利用系数Cp表示风能利用率,与叶尖速比 λ 和桨距角 β 成非线性函数关系:

根据式( 2) 可以获得风能利用系数的曲线,如图1 所示。

从图1 可知:

a. 对于某固定的桨距角 β,存在唯一的最大风能利用系数Cpmax( β,λ) ,且有最佳叶尖速比 λopt;

b. 随着桨距角 β 的增大,风能利用系数Cp( β,λ) 减小。

风力发电机组的参数值由风速、电机转速及发电机输出功率等因素实现独立控制,但由于风速的不确定性,一般通过电机的转速来反馈控制桨距角的变化[7],从而实现变桨距控制。

2 传动系统模型

忽略传动链的内部动态过程,将其简化成单质量块。作用于单质量块传动链,对于非直驱式风力发电机组,其传动链运动方程为:

式中CT( β,λ) ———风轮转矩系数;

Jr———风轮转动惯量;

Tm———齿轮箱转矩;

Tr———风轮转矩;

γ———齿轮箱的增速比;

ω———风轮转速。

当齿轮箱的转矩传递给发电机时,忽略发电机自身的系统阻力矩,其转动惯量为:

式中Jd———异步发电机转动惯量;

ωd———发电机转速,ωd= ωγ。

将式( 3) 、( 4) 结合,可得到风电机组传动系统方程:

3 控制系统设计

3. 1 风电机组变速变桨控制策略

常规的风电机组变桨控制策略由风速大小而定。当风速低于额定风速时,风电机组可以视为定桨距运行; 当风速高于额定风速时,此时实现变桨距运行以确保其安全稳定运行。

模糊控制属于智能控制,且具有数学模型不依赖于被控对象、鲁棒性好、抗干扰强及能克服非线性因素影响等优点,其可将专家的经验和知识表示成语言规则而实现控制,适用于难以建立精确数学模型的对象。根据功率的变化情况,通过模糊控制适时调整变桨距执行机构的变桨速度,实现其变速运行,与常规PI的变桨控制方法相比,变速变桨方案可以抑制超速、超载的出现,减轻变桨距执行机构的疲劳度,降低其故障发生率,延长使用寿命[8~10]。

假设风电机组额定功率为Ps,输出功率为P0,则功率误差为 ΔP = P0- Ps,误差变化率为dΔP / dt。笔者研究瞬变风速在额定风速以上和额定风速以下的情况,风力机吸收的功率如图2所示。根据功率变化,再结合变速变桨风电机组的模糊控制策略,可推知:

a. 若 ΔP < 0,并且输出功率持续增大。当功率误差变化率增大时,变桨距执行机构减小桨距角,此过程减速变桨; 当功率误差变化率保持不变时,变桨距执行机构减小桨距角,此过程保持当前变桨速度; 当功率误差变化率减小时,变桨距执行机构减小桨距角,此过程加速变桨。

b. 若 ΔP > 0,并且输出功率持续增大。当功率误差变化率增大时,变桨距执行机构增大桨距角,此过程加速变桨; 当功率误差变化率保持不变时,变桨距执行机构增大桨距角,此过程保持当前变桨速度; 当功率误差变化率减小时,变桨距执行机构增大桨距角,此过程减速变桨。

c. 若在Ps处( 即 ΔP = 0) 变桨距执行机构不运行,保持当前桨距角不变。

d. 若 ΔP > 0,并且输出功率持续减小。当功率误差变化率增大时,变桨距执行机构增大桨距角,此过程加速变桨; 当功率误差变化率保持不变时,变桨距执行机构增大桨距角,此过程保持当前变桨速度; 当功率误差变化率减小时,变桨距执行机构增大桨距角,此过程减速变桨。

e. 若 ΔP < 0,并且输出功率持续减小。当功率误差变化率增大时,变桨距执行机构减小桨距角,此过程减速变桨; 当功率误差变化率保持不变时,变桨距执行机构减小桨距角,此过程保持当前变桨速度; 当功率误差变化率减小时,变桨距执行机构减小桨距角,此过程加速变桨。

由于传统的PI控制器属于反馈控制器,仅当偏差存在时,控制才起作用,并且在当时的风速下,整定好的PI参数合适,可能随着风速的变化其效果不一定理想。在此控制策略中,采用了模糊控制系统,无需根据实时测量的风速建立精确数学模型,只需通过功率变化情况、模糊控制器输出及时调整变桨速度,即可使风力发电机组稳定输出额定功率[11]。

3. 2 模糊控制器的设计

模糊控制器非常适用于变速变桨风力发电机组这种非线性控制系统,因此笔者提出结合上述控制策略构建模糊控制器。系统控制结构如图3所示。

模糊控制的输入变量为功率误差E和误差变化率Ec,输出变量为变桨速度U。通过数据分析,结合专家经验,可得功率误差和误差变化率的基本论域为[- 1 × 105W,1 × 105W],取输出U的基本论域为[0° /s,5° /s]。输入变量和输出变量的量化因子与比例因子都是常数,合理地设计其值,使得控制器的输入、输出变量的基本论域分布在模糊论域[- 6,6],对应的模糊子集为{ NB,NM,NS,ZO,PS,PM,PB } ,分别用负大,负中,负小,零,正小,正中,正大表示。由此根据功率调节要求,结合经验可制定模糊控制规则( 表1) 。

4 仿真结果

在Matlab /Simulink仿真中,研究模拟的风力发电机组一般参数: 空气密度 ρ = 1. 25kg /m3,切入和切出风速分别为3m/s和25m/s,风轮和电机的转动惯量Jr= 2. 5 × 106kg·m2、Jd= 52kg·m2,齿轮箱的传动比γ = 79; 额定功率为2MW,变桨距风力发电机组能够在风速不断变化中正常运行,发电机组模型如图4 所示。

当风速变化曲线如图5 所示,仿真结果如图6 所示,其中图6a为PI控制仿真结果,图6b为模糊控制仿真结果。

可见,模糊控制时,随着风速不断的变化,模糊控制器可以快速实现小范围的桨距角调节,抑制系统功率输出的波动,从而降低电磁转矩的振动。但由于风力机惯性比较大,通过调节桨距角抑制功率波动需要一段响应时间。

通过仿真结果可得知,对比PI控制,笔者提出的基于功率变化作为变桨距控制策略的判断依据[12],桨距角变化速度快,变桨幅值区间小。若瞬态风速高于额定风速时,电机输出功率幅值略高于额定功率,电机调节的转速小,从而达到安全稳定的输出功率。

5结束语

智能发电控制 篇4

现代电网已发展成为在电力市场机制基础上的多控制区域的互联系统,自动发电控制(Automatic Generation Control,AGC)作为互联电网实现功率和频率控制的主要手段,其控制效果直接影响着电网品质。当某一区域的控制器在某一时段无法零化其控制误差时,系统频率和联络线功率交换将无法稳定运行[1]。因此,适应性和灵活性更强的算法被引入AGC控制器的设计以解决多区域互联系统的协作控制问题。然而,国内外并没有统一标准的AGC智能仿真平台以实现互联电网多控制区域的协作控制和有效评估智能算法的控制效果。

电力系统仿真平台如PSD、MATLAB/Power System Toolbox等,其循环运算效率低、封装性不好、可视化效果差,对未来复杂多区域强随机环境下的AGC不能很好的实现实时仿真控制;而RTDS又因其价格昂贵,维护费用大,一般的研究人员或研究机构根本无法承担;同时,以上仿真平台的自定义能力都较弱,各区域之间通信语言并没有形成统一的规范,难以嵌入用户自定义较强的智能算法。

多智能体(Multi-Agent,MA)技术是当前IT领域发展最快的方向之一[2,3,4,5],在电力系统中的应用目前已取得大量的研究成果[6,7,8]。由此而衍生的多智能体系统(Multi-Agent System,MAS)是指在一定的环境下,由一群具有不同或者类似功能的智能体(Agent),在交互的环境中完成一个或多个功能目标的系统[9,10]。MAS可以快速方便地求解分布式问题,其扩展性强[11,12,13,14]。因此MAS在微电网协作优化控制以及互联电网故障诊断等方面都有所应用[15,16]。然而,有关MAS的多数文章仅借助其概念并未进行深层智能化的应用,都未涉及Agent的自主学习和相互动态博弈的应用研究。

为此,搭建了基于JADE多智能体动态博弈的自动发电控制仿真平台,并实时模拟由于新能源接入而带来的电网强随机环境下的自动发电控制。该平台由频率响应模型、实时数据传输模块和控制算法模块三部分组成。PI控制算法、Q(λ)算法、DCEQ(λ)算法分别被集成到控制算法模块中作为主要的协调控制方法,避免由于某一区域不能单独实现频率偏差的调整而陷入频率偏差过大的状态。本平台在南方电网四省区域(广东、广西、贵州、云南)详细全过程动态频率响应模型上进行了仿真研究,验证了本平台具有可扩展性、有效性、高效性和稳定性。

1 JADE仿真平台

JADE是基于Java的一个多智能体应用程序开发平台,遵循FIPA规范,能实现多智能体系统间的互操作,其目标是通过遵循可理解的系统服务和主体集的规范来简化智能体系统的开发过程。JADE开发平台提供了智能体最基本的服务和基础设施:①智能体生命周期管理和移动性;②白页服务和黄页服务;③点对点信息传输服务;④智能体安全性管理;⑤智能体多任务调度等。

JADE是一套免费开源的多Agent系统开发框架,提供了Agent赖以生存的环境。Agent在JADE中是作为一种自治的具有合作能力、通信能力的实体,外部不能获得Agent的引用,即不能直接存取Agent的属性,也不能直接指定Agent的行为。创建Agent的具体任务只能由容器(Container)来完成,返回的结果也只是封装后的Agent。

1.1 智能体的行为

为支持Agent内部并行活动的高效执行,JADE引入了Behaviour的概念。一个Behaviour就代表了智能体能够执行的任务。Behaviour类有很多子类,分别对应着不同类型的behaviours,如Simple Behaviour表示简单行为,Composite Behaviour表示组合行为等。图1表明了智能体行为的执行流程。

1.2 智能体之间的通信

通信能力是JADE中智能体具有的最重要的特征之一。通信过程中所采用的通信模式为异步消息传递。也就是说,每个智能体都有一个消息队列即mailb ox,如果其他智能体需要与其通信时,JADE runtime就把相应消息投递到其mailbox中。当mailbox中出现消息时,相应的智能体被通知,再由该智能体调用Behaviour类中的action()方法对消息作出响应。

智能体之间的通信是通过ACL(Agent Communication Language)语言进行的,ACL是由FIPA制定的智能体互操作国际标准。ACL消息格式主要包括消息发送方、消息接收方、通信原语以及消息内容。通信的消息由多个字段组成,主要的字段有:Sender字段、Receivers字段、Performative字段、Content字段、Language字段、Ontology字段等。

发送、接受消息:如果要向其它Agent发送消息,Agent首先需建立一个ACLMessage对象,并设置适当的属性值,最后调用send()方法来发送信息。接收消息时,Agent可以用receive()方法从其消息队列中取出消息,如果有消息到达,则返回消息内容,否则返回null。

1.3 ONTOLOGY

Ontology即本体,Agent间的通信内容包含多种的消息内容,因此为Agent间所交换的信息内容定义自己的词汇和语义就显得很有必要。因此,通过定义一个Ontology来用于Agent间的通信。

使用Ontology保证了JADE的Agent可以同其他异质Agent系统进行互操作。利用Ontology进行Agent之间的通信可以实现三种通信:1)Agent A请求Agent B执行某项特殊的任务;2)Agent A询问Agent B某一命题是否为真;3)实现Conc ept接口。

2 AGC多智能体动态博弈平台开发

智能体是能感应环境变化并自主寻优运行的软件实体,智能体之间通过交互协作而完成某项特定任务。多智能体研究的重点在于结合实际应用系统,具体研究任务分解、协作模型、协作控制策略以及多智能体学习方法。本文所开发的AGC多智能体动态博弈平台分为三个部分:负荷频率响应模型、实时数据传输模块和控制算法模块,如图2所示。

2.1 负荷频率响应模型

负荷频率响应模型为南方电网四区域模型,这里按照IEEE推荐的LFC模型对南方电模型进行简化,如图3所示,分为广东电网、广西电网、云南电网和贵州电网。由于海南电网容量较小且仅有一条线相连于广东电网,因此该模型计入广东电网模型中。以广东等值交流系统为例,其内部模型如图4所示,其中AGC模型如图5所示。

2.2 实时数据传输模块

MATLAB负荷频率响应模型与主JADE平台之间的通信是通过共享文件的方法实现实时通讯的。Primary JADE平台与各区域JADE平台之间是通过网络通信协议TCP/IP协议进行通信,各JADE平台的数据传输由Transmission智能体完成。各区域的Transmission智能体与控制算法模块之间通过MTP(Message Transport Protocol)协议进行通信。

FIPA定义了平台应提供的若干服务,包括智能体管理系统AMS、目录服务DF、图形控制平台RMA和消息传输服务Transmission。JADE平台实体化后总是自动生成这四类智能体,为本平台的智能体创建、运行与销毁提供各类服务。

RMA图形控制台(Remote Management Agent,RMA):远程管理Agent,提供了对Agent平台进行管理和控制的图形界面。通过RMA控制台可以启动其他JADE工具。如图6所示。

智能体ams主要负责智能体的命名、定位和控制服务。每个智能体必须在ams中注册得到一个有效、唯一的标志AID,用于智能体生命周期的管理。

智能体df也是智能体平台必须的部分,主要提供平台内的黄页服务,例如对其它控制单元可视状态的查询、统计信息查询等。

智能体transmission是传输智能体,是默认的跨平台的智能体消息传输机制,提供了不同智能体之间的ACL消息交互机制。在消息传输机制中,ACC(Agent Communication Channel)是消息传输的通道,MTP是不同ACC之间的消息交互协议。Primary JADE平台与各区域平台之间的实时通信如图7所示。

2.3 控制算法模块

通过分析南方电网实时数据可知,由于广东电网缺少快速可调机组且互联电网区域协调性差,导致夏季负荷高峰期ACE (area control error)过大并且超出允许范围。CPS(Control Performance Standard)标准下的互联电网AGC控制过程可以描述为高斯-马尔科夫随机过程,因此,本文提出一种基于JADE技术的多智能体自动发电控制仿真平台,以解决新能源电源接入所带来的强随机环境下AGC协调控制问题。

然而控制算法模块为JADE仿真平台的核心,为了选取最优算法并验证该平台具有可扩展性、有效性、高效性和稳定性,在控制算法模块中分别嵌入PI控制算法、Q(λ)算法、DCEQ(λ)算法,并对三种算法下的控制性能指标进行对比分析。

固定增益的PI控制算法模型如图8所示。单智能体Q(λ)算法采用了具有多步回溯功能Q(λ)方法[13],此处不再赘述,详见文[17]。

不论是单智能体算法还是多智能体算法,其算法都有如下基本形式:

式中V、Q分别为输入信号所处状态、状态-动作的值函数,f1为根据Q值确定V值的函数,f2为根据Q值确定最优策略的函数,R为立即奖励值,γ为奖励折扣值,P为概率转移矩阵。

CE-Q(Correlated Equilibrium-Q learning)是一种基于值函数迭代的在线学习和动态优化技术。给定所有智能体i∈N,所有状态s∈S和动作a∈A(s)在时刻t的Q值:;给定均衡策略π';给定均衡目标函数f;相关均衡条件下,由马尔科夫规则可定义时刻t+1智能体i的值函数Vit+1(s)和Qit+1(s,a):

其中,由式(2)可得,。

相关均衡策略的线性约束描述为对所有智能体i、所有动作ai、a-i∈Ai(π(ai)>0)式(5)均成立:

满足式(5)的相关均衡策略随着智能体的增多而增多。由此CE-Q状态值函数和最优均衡策略函数分别定义为:

式中为给定的最优均衡策略。

相关均衡物理含义为,在各区域电网当前状态下,根据各子值函数,确定最优均衡点以最大化利于各个区域电网ACE的变小和CPS值的提升。它赋予每一联合动作对以一定的概率,每一不为零概率的动作对其Q值均较大。各个不为零概率的动作对组成了最优均衡策略。

多智能体DCEQ(λ)学习算法通过直接优化可迭代计算的状态-动作对值函数Qj(s,),在线寻求最优联合动作策略以期望折扣报酬总和最大。由式(2)和(4)可推导出DCEQ(X)学习算法的迭代更新公式:

其中,δk为单步值函数Qπ(s,)的迭代误差;γ为CEQ学习的奖励折扣因子;0<α<1为学习因子,其指明了要给改善的更新部分多少信任度,较大α值能加快算法收敛速度而较小α值有利于算法稳定。考虑到负荷的随机性和AGC系统的延时性,α取值应接近0。仿真研究显示,α取值为0.001-0.1之间都有良好的收敛特性。经过足够迭代次数的试错寻优后,状态-动作对值函数Qj(s,)将以概率1收敛于Q*矩阵表示的最优联合动作控制策略。基于DCEQ(λ)算法的AGC控制器有以下特点:

1)某区域DCEQ(λ)控制器所求取的最优联合动作策略仅对本区域电网有效。

2)各区域电网AGC控制器不可能在同一时间更新值函数Qj()矩阵,所求取的最优联合动作策略或多或少具有一定的延时性。

此算法的适应性问题有:动作区间的模糊化、奖励函数、资格迹等设计问题。

2.3.1 动作区间的模糊化

平台控制算法采用强化学习算法时,需要离散化区域功率调节量。较多不必要的学习过程可避免,例如,在电网正常运行情况下,即没有发生严重的频率故障时,若ACE大于零,其正功率调节肯定不利于电网运行,必然导致ACE更大;抑或当ACE在允许误差范围内,功率输出则保持不变,正调节或负调节都将引起电网状态变差。因此,动作区间模糊化能加快算法收敛速度,避免不必要的学习。动作模糊化规则参见表1,表中各符号表示为{NB(负大),NM(负中),NS(负小),Z(零),PS(正小),PM(正中),PB(正大)}。

实际应用中,需要规定各个区域各自状态、动作所代表符号的含义,并根据动作上下限确定区间动作数和各动作值。南方电网四区域仿真实例中,动作区间模糊化总共有49条规则,每一条规则规定有7个离散动作,本文仅列取7条规则,如表1。

表1中,最后一条规则NB/PB不需要学习即可判断最优动作为0,因此动作空间均为0,NB、NM等输入状态符号的定义如表2。

2.3.2 奖励函数

强化学习算法已经成功应用于倒立摆、电脑游戏、Backgammon等复杂的控制问题[18,19],主要原因是此算法将各种不同系统的性能指标转化为一种奖励评价指标函数,通过试错寻优而提高系统的综合性能。本文中智能控制器所追求的是CPS控制长期收益最大和尽可能避免频繁大幅度功率升降调节两个目标,奖励函数中需综合考虑这两种指标的线性加权和。因此,本文所提出的某i区域电网的评价奖励函数Ri如式(10)。

式中:ηi为区域i历史奖励最大值,初始为0;EACEi(k)和CCPSli(k)分别为区域电网第k步迭代的ACE和CPS1瞬时值;β(k)为区域电网第k步的功率调节值,这一奖励分量是为限制控制器输出功率指令频繁大幅度升降调节而引起的系统振荡和经济代价;λ为消除CPS1与ACE量纲差别的权重因子,μ为协调CPS1、ACE与功率调节偏差值的优化权值,λ和μ在取值中需满足λ>μ、λ2i>λ1i和μ2i>μ1i。

2.3.3 资格迹的选取

AGC不同于简单的博弈论对策游戏,其控制过程复杂。由于火电机组大滞后环节等二次调频过程的奖励通常具有延时回报问题。因此具有多步回溯功能的资格迹需要被引入至强化学习算法中以解决时间信度分配问题。资格迹(Eligibility Trace)详细记录各联合动作策略发生的频率,并依此对各动作策略的迭代Q值进行更新,常用的资格迹算法有四种:TD(λ)、SARSA(λ)、Watkin’s Q(λ)和Peng’s Q(λ)。

TD(λ)和SARSA(λ)是比较简单的两种资格迹,分别记录控制器过去访问过的状态、状态-动作区间。由于算法简单,且整合容易,这两种资格迹常用在计算量需求不大的场合。

Watkin’s Q(λ)算法是单智能体强化学习中最常用的算法,主要思想是迭代Q值的更新一直向前追溯直至非贪婪动作策略的采用。因此,在预学习阶段中此算法由于探索(explore)的必要必定大量采用非贪婪策略,资格迹常常频繁被切断。其改进算法即为Peng’s Q(λ),这一改进也付出了计算量翻倍的代价。

本平台提供四种资格迹可供选择,在选择中需要根据算法实际情况和系统实际运行确定选取的资格迹,有效保证延时奖励的正确分配。仿真实例中AGC控制器采用相关均衡DCEQ(λ)学习算法,由于计算量较大,采用较简单的资格迹SARSA(λ)算法,如下:

式中:et(s)为时刻t状态s下的资格迹,st为时刻t实际的状态,γ为折扣因子,0≤γ≤1,λ为衰减因子,0≤λ≤1。

2.3.4 DCEQ(λ)算法流程

DCEQ(λ)算法流程可完整描述如下:

3 南方电网实例仿真研究

南方电网(China Southern Grid,CSG)属于交直流混合输电系统,于2005年采用CPS控制标准。控制器调度端AGC总指令控制周期为4s,L10广东电网取288MW,广西电网取75MW,贵州电网和云南电网分别取81MW和78MW。ε10和ε1分别取0.042和0.052。

为了证明控制算法模块可以嵌入不同的控制算法并能评估其控制性能,以广东电网为例,控制算法模块分别嵌入了PI控制算法、Q(λ)算法、DCEQ(λ)控制算法。

仿真过程中,三种方法均采用相同的白噪声进行模拟由于新能源的接入所带来的强随机扰动[1],扰动模型如图9所示,其波动特性如图10所示。

3.1 PI控制算法及Q(λ)算法仿真

PI控制算法及Q(λ)算法下的广东电网实时控制效果分别参见图11和图12。

3.2 DCEQ(λ)算法仿真

3.2.1 预学习阶段

强化学习AGC控制器要进行在线控制,必须要在详细的模型中离线学习达到最优策略方可进行在线控制。预学习过程采用典型正弦扰动,仿真时长为86400s,其广东电网预学习过程如图13所示,可以看出在经过大约60000s学习之后,ACE均值更接近0,CPS1均值更接近200且之后AGC控制器输出能更好的追踪负荷的变化,说明最优策略的学习已经完成,可以投入在线运行。

3.2.2 在线实时控制

在上述预学习完成后,保存各个Q值和lookup表格,投入到南方电网四省区域的AGC实时在线控制中。广东电网实时控制效果参见图14,由图可知,无论是扰动接入前还是扰动接入后,CPS1控制接近200,频率偏差控制在0.1Hz以内,具体指标见表3。可见,本平台能很好的实现多智能体对AGC的控制。

3.3 仿真数据对比分析

三种算法下的统计性试验指标见表3,|Δf|、|EACE|、CPS1均为仿真时间内平均值。

由表3可知,白噪声参数慑动下,嵌入了PI控制算法的系统性能指标CPS1与理想值200的偏差为0.22%,Frequency与理想值50的偏差为0.0002%;嵌入了Q(λ)算法的系统性能指标CPS1与理想值200的偏差为2%,Frequency与理想值50的偏差为0.0094%;嵌入了DCEQ(λ)算法的系统性能指标CPS1与理想值200的偏差为2.7%,Frequency与理想值50的偏差为0.003%。由以上指标可知,三种算法均可使系统稳定。由此可得,此平台具有算法的可扩展性,且嵌入不同的算法后,系统仍具有高稳定性和有效性。

4 总结

本文提出了一种基于JADE技术的多智能体自动发电控制仿真平台。其优点在于能够准确抽象并快速模拟多智能体系统的AGC控制,通过变换系统的参数和加载不同的控制算法,既可以在同种控制方法下对其他因素的影响进行对比,又可以对不同控制算法之间进行横向比较和评测。加载了不同算法的平台均可实现南方电网各省之间的AGC协作控制,避免由于某一区域不能单独实现频率偏差的调整而陷入频率偏差过大的状态,并取得良好的控制效果。此平台可为未来复杂互联多区域的控制协作算法的研究提供更多公正而可靠的评测,为设计和提升算法性能提供研究基础。同时,该平台的建立也为未来复杂多区域强随机互联系统的AGC控制手段的升级提供了一条走向实际应用的思路。

摘要：为了解决新能源接入所带来的强随机环境下AGC协调控制问题,研发了一种基于JADE多智能体动态博弈的自动发电控制仿真平台。该平台由详细全过程动态负荷频率响应模型、实时数据传输模块和控制算法模块三部分组成。首先详细分析了JADE平台智能体的通信、行为和动作的作用机理。然后详细分析了固定增益的PI控制算法、单智能体的Q(λ)算法、分散式相关均衡Q(λ)(DCEQ(λ))算法。控制算法模块可嵌入不同的控制算法并能评估其控制性能,将以上三种算法分别嵌入控制算法模块,对三种算法下的控制性能指标进行对比分析,通过对南方电网四省实时频率偏差模型进行仿真证实,当电网某区域控制误差(ACE)不能完全消除时,分别嵌入了以上三种算法的平台均能实现AGC的区域协调控制。验证了该平台具有可扩展性、有效性、高效性和稳定性。

智能发电控制 篇5

Citation:ZHENG Yu, ZHANG Rui, LI Zheng-jia.Optimizing Distributed Gain Scheduling Strategy for Load Frequency Control in Smart Grids Based on Adaptive Consensus Protocol[J].The Journal of New Industrialization, 2016, 6 (8) :41-48.

0 引言

在现如今智能电网的浪潮下, 分布式控制显的尤为重要。众所周知的2003年的北美大停电事件[1]也给我们提示了分布式的智能电网的重要性。而智能电网的则需有自愈和自组织能力, 且需具备鲁棒性, 特别是在物理因素的通讯延迟和失败的情况下[2,3]。而当大量的微电网和分布式电源接入时, 分布式控制或者分层分布式控制则非常具有必要性[4,5,6]。为保证智能大电网的一致性, 一致性控制策略则显出了重要的地位, 而在通讯延迟或者失败的情况下的一致性是诸多电网一致性研究的重点[7,8,9,10,11]。

将电网中的每个区域看作一个智能体时, 则大电网的分布式控制可看作为多智能体的分布式控制, 当涉及到具体的问题时, 如LFC或AGC问题时, 则为多智能体的AGC一致性问题[12,13]。当电网处于稍微极端一点的情况下, 网络通讯延迟或者失败造成网络拓扑结构不断发生变化, 此时的一致性控制问题则为诸多学者所研究[2,14]。

一般情况下, 一旦通讯拓扑检测器[2]确定了当前的通讯拓扑结构, 则该控制系统的矩阵已确定。而在此时若要加快系统的收敛速度, 则需要改进系统的控制策略。一致性问题的最终解决则是将系统状态变量控制到一致 (一般为0) , 或称为收敛, 其收敛的速度则由控制策略决定[15]。

而系统的控制策略在无超调的情况下, 一般收敛速度较慢, 而在有超调的情况下, 误差减少的速度较快。若能在系统的状态变量的相对偏差较大时, 采用超调较大而收敛速度较快的控制策略, 待系统的状态变量的相对偏差较小时, 则改为无超调而收敛速度较慢的控制策略。因此提出了一种具有自适应能力的一致性算法, 并称为“自适应一致性算法”。

1 原有分布式系统的结构

原有的控制策略是集中式控制策略, 其控制的结构图如图1集中式和分布式控制结构图的 (a) 所示。

为防止随机误差且提高控制系统的鲁棒性, AGC控制需将集中式控制改为分布式控制, 分布式控制结构图如图1集中式和分布式控制结构图的 (b) 所示。特别是在存在分布式电源时, 分布式控制策略显得尤为重要。分布式控制在子系统中则为采用局域网通讯的方式, 在整个大电力系统中则采用广域网的通讯方式, 其通讯的信息交流方式必须满足IEC 61850标准。

每个区域等效为单发电机的情况, 对于其区域i, 其动态模型描述为

式中, 为频率偏差, 为发电机机械功率偏差, 为涡轮机活门位置偏差, 为负载参考点的功率, 为区域i和其他区域之间的交换功率之和, 为负载偏差, Mi为发电机i的转动惯量, Di为发电机i的阻尼系数, Tgi为发电机i的时间常数, 为涡轮机的时间常数, Tij为同步时间因素, Ri速度阻尼系数。一般在计算、仿真与稳定性证明中都设定。

令, 则以上动态方程的状态空间表达式为

式中,

2 一致性协议设计

在实际系统中, 文[2]中, 每个系统的量必须和该区域本身和临近的区域相关, 因此, 输入变量应为

式中, Ki和Kij为常数反馈增益矩阵。将控制器纳入到大电力系统中, 得到闭环的系统为

可以看出该系统的参数由Ki和Kij确定。一旦该参数确定, 则系统的响应曲线都确定了。若参数选择较大则系统相应较快, 然而此时的系统超调特别严重。反之当参数选择的较小时, 系统不出现超调, 但是其稳定的时间相应则较长。为使系统在无超调的同时达到稳定的时间小, 本文设计了自适应一致性协议 (或称为自适应一致性算法) 。

3 一致性协议设计

从前文各式中可以看出, 若不断地修正一致性协议的参数, 则能达到即无超调又稳定性强的要求。因此须将此系统进行离散化处理, 并在每次迭代的过程中修正一致性协议的参数。

当需处理的变量的偏差较大时, 应当加大自适应一致性协议的两个参数, 当需处理的变量的偏差较小时, 即趋近一致时, 应当减小自适应一致性协议的两个参数, 因此设计一种在不断迭代过程中的自适应一致性的协议, 如在第k次迭代时其不断更新的控制协议为

式中, Ki (k+1) 和Kij (k+1) 为自适应的反馈增益矩阵。因此在第k次迭代中该系统为

因此离散的自适应算法中最关键的参数为Ki (k+1) 和Kij (k+1) 的迭代了。而本文中选择的参数的迭代算法为

式中的Ka为算法自适应参数, F为非一致性协议算法的范围常数。从式子可以看出当状态变量的值小于范围常数时则令自适应算法参数为0。

4 一致性协议算法稳定性证明

文[2]中的有, 将控制器纳入到大电力系统中, 得到闭环的系统为

4.1 引理1

当且仅当W为M矩阵时 (M矩阵是L矩阵的一种, M矩阵要求它自身的逆矩阵为一个非负矩阵[14]) , 存在正对角矩阵D, 使得为正定矩阵。

4.2引理2

若为M矩阵, 则该线性系统大范围渐近稳定。其中

式中, 为对称正定矩阵, 且满足

为通讯拓扑矩阵的最小和最大特征值。

4.3 引理3

4区域中的每个区域都有局域区域控制中心, 当每个区域进行通讯时, 需传递的是区域的行向量信息Ri, 首先假定键值对是可控的。为寻找优化的控制器, 则在内代价函数最小

式中, 为半正定矩阵, Ri为正定矩阵。基于有限时间范围函数的线性二次型调节器反馈控制方程为

式中为

因此解代数Riccati方程 (ARE) 得到正定矩阵Pi (t)

其终止条件为

为提高系统的收敛性, 选择稳定状态反馈为

因和为在稳定状态为常数, 固无需递归地证明该反馈阵的稳定性, 且在不影响收敛性的情况下减少了计算负担。根据定理2, 若能找到属于M矩阵的矩阵, 则能推导该系统的稳定性。

存在非奇异线性变换矩阵Ti将变为Λi,

式中Ti为

式中tik为由的第k个特征值构成的第k个右特征向量。因此该系统的对角形式为

式中

定义二次型李雅普诺夫函数为

式中的为李雅普诺夫矩阵方程的解

因此能找到测试矩阵, 且将之定义为

为M矩阵, 则系统对角形式为稳定系统。对角系统为稳定系统则原系统为稳定系统。

5 算例与仿真

采用4个发电区域构成多智能体系统, 采用所提出的自适应一致性控制协议。选择状态变量作为4区域性能指标。所有参数均由附录给出。

其单位计算功率为100MVA, 采样周期为T=0.01s, 每次仿真的持续时间为200s, 每个异构的发电区域初始化的频率偏差0.5Hz, 且假定所有的区域都处在网络全连通的情况下进行。采用MATLAB进行仿真, 在相同的参数条件下, 得到的无控制协议、文[2]中控制协议和自适应控制协议的对比效果, 如图2ΔPtie变量的仿真效果、图3ΔPv变量的仿真效果、图4ΔPm变量的仿真效果、图5Δf变量的仿真效果和图6所有状态变量x的仿真效果所示。

从上图可以看出, 在无控制协议的情况下, 系统无法稳定在同一个值, 而采用文[2]中的协议, 则其在相同参数的条件下稳定时间比自适应算法时间长。可以看出无控制协议时, 系统无法稳定, 当采用文[2]中的协议时系统的稳定时间为152.49s;当采用自适应一致性算法时系统的稳定时间为75.48s, 比文[2]中的算法快50%。该仿真结果验证了自适应一致性算法的有效性和可行性。

6 结论

本文在4区域全连通的通讯拓扑结构下, 分析闭环系统的稳定性。提出了优化的分布式增益策略, 即自适应一致性策略, 并分析自适应一致性LFC协议的稳定性。针对无控制协议、分布式控制协议和自适应一致性协议三种方法, 进行了对比数值仿真, 数值仿真结果验证了所提自适应一致性协议优化了控制效果, 减少了系统的稳定时间, 所提的自适应一致性算法也被验证。

附录

各区域的参数

智能发电控制 篇6

在繁杂的城市生活中, 雾霾等恶劣天气的出现让人们日常生活受到极大威胁, 其根源在于多样化的空气污染源, 不仅如此, 在车辆密集的城市中, 噪声污染也难以避免。在环保理念不断深入人心的背景下, 一些环保设计师也别出心裁, 巧妙地利用科技手段, 将噪声转化为能源, 设计出了靠噪声发电的绿色智能耳机。

这款绿色智能耳机内置共振腔, 声波接收器和蓄电池, 吸收声波后转换为电力供耳机工作, 声波越大, 对于该款耳机的充电作用越为明显。试想如果在沸腾的足球赛场, 欣赏酣畅淋漓的比赛之余, 球迷的尖叫声一定会为这款耳机储存长久电量。 (文章内容来源EP环保网)

智能电网技术(2)分布式发电技术 篇7

分布式发电, 顾名思义, 就是将发电系统以小规模、分散式的方式布置在用户附近, 可以独立的输出电、热或冷能的系统。与传统发电技术相比, 分布式发电更靠近用户, 不需要高压输电系统, 从而可减少基础设施的投资, 且建设快, 运行费用低, 与电网联合运行可提高系统的经济性、安全性和灵活性, 可以满足能源可持续发展的要求, 减少对环境的破坏。分布式发电在国外应用已较为广泛, 其中以风力发电技术和太阳能发电技术应用最为广泛。本文将比较几种分布式发电技术, 并着重分析了分布式发电技术对电力系统带来的影响。

1 分布式发电技术比较

1.1 微型燃气轮机技术

微型燃气轮机是以天然气、甲烷、汽油、柴油为燃料的超小型气轮机。其发电效率可达30%, 如实行热电联产效率可提高到75%。它最先用于飞机和地面交通, 曾在海湾战争中大显身手, 为美国的雷达设备和爱国者导弹系统提供动力。微型燃气轮机有以下2个特点:

(1) 体积小、质量轻、与同容量柴油发电机相比此优势明显, 如表1所示。

(2) 发电效率高、污染小、运行维护简单, 是目前最成熟最具有商业竞争力的分布式发电电源。

1.2 燃料电池技术

燃料电池的工作原理是富含氢的燃料如天然气、甲醇与空气中的氧气结合生成水氢氧离子的定向移动在外电路形成电流类似于电解水的逆过程。它并不燃烧燃料, 而是通过电化学的过程将燃料的化学能转化为电能, 通常称作燃料电池。发电厂主要由3部分组成:燃料处理部分;电池反应堆部分;电力电子换流控制部分。目前已研究开发了5种燃料电池: (1) 聚合电解质膜电池; (2) PEM碱性燃料电池; (3) AFC磷酸型燃料电池; (4) PAFC固体电解质燃料电池; (5) SOFC和熔融碳酸盐燃料电池SOFC。其中PAFC是目前技术成熟且已商业化的燃料电池, 燃料电池具有巨大的潜在优点。其副产品是热水和少量的二氧化碳, 通过热电联产或联合循环综合利用。热能燃料电池的发电效率几乎是传统发电厂发电效率的2倍, 排废量小, 几乎为零。清洁、无污染、噪音低、安装周期短、安装位置灵活, 可以省去配电系统的建设。

1.3 光伏电池技术

光伏电池是将可再生的太阳能转化成电能的一种发电装置。国外开发的屋顶式光伏电池发电技术已得到广泛的关注。德国最著名的2000户屋顶工程2000 Roo Project, 超过2000户家庭安装了屋顶式光伏发电装置, 平均每个分布式发电单元发电量达3kW。虽然光伏电池与常规发电相比有技术条件的限制, 如投资成本高, 系统运行的随机性等, 但由于它利用的是可再生的太阳能, 因此其前景依然被看好。

1.4 风力发电技术

风力发电机组从能量转换角度分成2部分:风力机和发电机。风力作用于风力机的叶片上, 产生转矩。该转矩驱动轮毂转动, 通过齿轮箱、高轴刹车盘和联轴器再与异步发电机转子相联, 从而发电运行。它最有希望的应用前景是用于电网边远的农村、牧区和海岛居民, 为其生产和生活提供所需的电力。风力发电技术应用比较普遍, 其经济指标已接近清洁发电的指标。符合世界发展新能源的总体趋势。

2 分布式发电技术对电力系统的影响

分布式发电对电力系统产生了深远的影响。其主要表现在:

(1) 对发电、输电系统的影响。其主要表现在对新建集中式电网和远距离输电需求的减少。

(2) 对配电网保护的影响。

(3) 对电力行业的影响。其主要表现在供电公司和用户将建立新型的互动关系。

分布式发电对配电网的保护影响尤为突出。大量的分布式发电的并网运行, 必将对现有的配电网的结构、故障时配电网中短路电流的大小、方向产生深刻的影响, 从而影响配电网的可靠性和安全。

分布式发电对电力系统保护的影响主要表现在以下几个方面。

2.1 对三段式电流保护的影响

以10kV馈线保护为例。10kV馈线保护在主馈线上通常配置传统的三段式电流保护, 即:瞬时电流速断保护、定时限电流速断保护和过电流保护。除此之外, 对非全电缆线路, 配置三相1次重合闸, 保证在馈线发生瞬时性故障时, 快速恢复供电。对于不存在与相邻线路配合问题的终端线路, 为简化保护配置, 一般采用瞬时电流速断保护加过电流保护组成的二段式保护, 再配以三相1次重合闸 (前加速) 的保护方式, 能够保护全线。

分布式发电对三段式电流保护动作行为的影响主要表现在:

(1) 导致本线路保护动作的灵敏度降低, 严重时甚至拒动。

(2) 导致本线路保护误动作。

(3) 导致相邻线路的瞬时速断保护误动作, 失去选择性。

2.2 对熔断器保护的影响

熔断器能够在线路中出现不被允许的大电流时, 由电流流过熔体产生的热量将熔体或者熔丝熔断, 实现对故障线路的隔离。通常熔断器安装于配电变压器的高压侧或线路末端及线路分支处。

分布发电的引入要求其保护装置都具备方向性, 这样的要求对于传统的保护配置来说是根本无法实现的, 而倘若用方向继电器那样的方向性元件来替换配电网中所有的熔断器在经济上极不合标的。

2.3 对自动重合闸的影响

在分布发电引入前, 配电网为辐射式结构, 自动重合闸在恢复瞬时性故障线路的供电时不会对配电系统产生任何冲击和破坏。分布发电引入后, 一旦线路因故障而跳闸, 故障部分不再与电网相连而失去系统电源。而分布发电很有可能在故障后没有跳离线路, 与配电网相连继续工作, 则在电网中形成由分布发电单独供电的电力孤岛。这些孤岛保持了功率和电压在额定值附近运行。然而, 看似正常运行的孤岛却给自动重合闸埋下了隐患。

(1) 非同期重合闸。在系统电源跳开至自动重合闸动作这段时间内, 分布发电很有可能加速或者减速运转, 以至于自动重合闸动作时, 电力孤岛与电网不能保持同步, 出现很大的相角差。非同期重合闸会引起很大的冲击电流或电压。在此冲击电流的作用下, 线路保护很可能再次动作, 发生误动, 而使重合闸失去了其迅速恢复瞬时故障的职能。同时, 冲击环流也很有可能对电网及分布发电单元中的设备带来致命的冲击。

(2) 故障点持续电弧。在失去系统电源以后, 分布发电可能继续维持对故障点的供电, 重合闸发生时, 分布发电所提供的故障电流妨碍了故障点电弧的熄灭, 引起故障点持续电弧。此时, 原本瞬时故障变成了永久性故障。长期的电弧存在会给所有设备的寿命及维护带来很大的困难。因此, 分布发电的引入使得自动重合闸对瞬时性故障的恢复产生了很大的影响。分布发电侧需装设低周、低压解裂装置, 同时为避免非同期重合闸给电网和分布发电带来的冲击, 系统侧重合闸继电器需检线路无压, 分布发电侧检同期。

3 结束语

分布式光伏发电的双向智能电表设计 篇8

在全球电力需求日益上涨、能源问题逐渐加剧的背景下,光伏发电由于无污染、分布广、应用范围大[1],被给予厚望,期待可以用于缓解资源和环境的危机。光伏发电分为两大类:集中式光伏发电和分布式光伏发电,其中分布式光伏发电具有环保性、经济性,以及投资省、发电方式灵活、与环境兼容等特点[2],成为了未来的重要发展方向。

双向智能电表是分布式光伏发电建设的重要内容[3]15。本文基于电能质量芯片ADE7880,采用ARM核处理器LPC2119作为控制核心,设计了可用于分布式光伏发电并网的双向智能电表

1 分布式光伏发电对智能电表的要求

1.1 分布式光伏发电的计量点设置

分布式光伏发电常用的运营模式包括:低压并网统购统销、低压并网自发自用/余电上网、高压并网统购统销、自发自用/余电上网高压并网四种方式[3]16,其中低压并网自发自用/余电上网的场合最适宜使用双向智能电表,其电价计量点设置示意图如图1所示,本文的智能电表设计中对运营模式的电表进行研究。

图1 低压并网自发自用/余电上网的电能计量点

1.2 分布式光伏发电中电信号的谐波

将电力系统中的电压、电流信号采用周期函数表示为:

其中Vn和In是谐波电压和电流的有效值,φn和ψn分别是谐波的相位延迟。由于光伏发电采用DC-AC逆变器将直流电能转化为交流能量,通常会包含基波为50 Hz的高次谐波和开关频率的高次谐波[4]。

电力系统中的谐波会导致电网电压、电流波形的畸变,引起电极的机械振动、损坏电机设备,不仅会损害电力系统和通信系统,也会对人、动物和生态环境产生不良影响[5]。因此,在光伏发电的智能电表设计中,必须对光伏逆变并网点电能谐波进行监测,保证分布式并网的电能质量。

2 系统总体和硬件设计

本文基于ARM作为控制核心的方案设计三相智能电表。其中,电能计量选择ANALOG DEVICES公司的集成谐波监控的多相多功能电能计量集成芯片ADE7880,负责数据的采集、运算。微处理器ARM选择NXP公司的32/16位核的微控制器LPC2119,负责一级存储和与外部进行通信。

2.1 电能计量硬件设计

图2 双向智能电表系统框图

电能计量的总体框图如图2所示。两个ADE7880分别对电网向用户输送的、用户微网向电网输送电能的电压信号、电流信号极性实时数据采集、A-D转换、电能有功电量计算、无功电量计算、功率因数分析、谐波频谱分析,完成电能测量。然后,对处理的结果通过异步串口发送到ARM主控单元LPC 2119,由LPC 2119完成智能电表的显示、数据统计、存储、通信。

2.2 采样电路设计

双向电压电流的采样方式为:设计中采用电阻分压网络对电压进行采样,通过调理电路输入到ADE7880;采用电流互感器对电流进行采样,通过调理电路输入到ADE7880。六路完全一致的RC低通滤波器可以保证采样前后电压、电流的相位保持一致,也能降低外界干扰对电压、电流采集造成的影响。

2.3 基于LPC2119的系统设计

LPC2119是一个基于实时仿真和跟踪的ARM微控制器,并带有256 K嵌入的高速片内FLASH存储器,内置符合16C550工业标准的SPI接口和高速I2C接口,非常适用于通信网关、协议转换器、嵌入式软件MODEM的应用。

表1 电力参数计算公式

微处理的外部采用12 MHz晶振,采用SP708作为复位芯片。本文的双向智能电表的电量存储设计中,将ADE 7880测量和计算得到的电能计量数据输入到LPC2119的片内FLASH ROM中,并利用LCD数字显示实时输出这些电量的计量结果。

3 系统软件设计

3.1 电力参数计算模型

在ADE 7880中,电能的计算方式为:先对电能进行采样,计算瞬时功率,然后通过对瞬时功率对时间的累加计算电能[6]。电力参数计算公式如表1所示。

3.2 ARM通信管理

主控管理单元ARM负责对电能表所有模块进行管理,管理单元主程序流程如图3所示,系统主要流程包括上电初始化(包括寄存器初始化、I/O口初始化、定时器初始化、串口初始化、LCD和RTC初始化)、与ADE7880通信(读取E2PROM电量、时钟数据、电表数据)。

本文设计的通信采用RS-485串行总线通信方式实现远程抄表。为保证数据可靠,设计了两级数据存储器,并确保数据为一个一个写入X5045的串行E2PROM。同时,系统设计有串行时钟,为ARM提供具体时间,这样,每个用户仪表的数据都有详细的时间,为电能质量检测和故障监测提供了时间依据。

4 系统测试实验

系统实验的框图如图4所示,三相精密电源输出连接用电器,并利用一个标准比对三相电表和一个待测智能电表进行测试,待测智能电表通过LCD显示屏读取测试数据。实验中,三相精密电源采用JCD4060,三相标准电能表采用CL311E。测试结果如表2、表3所示。

图4 系统实验框图

从表2的测试结果可知,当电网向用户提供负载时,双向智能电表基波有功功率误差小于0.29%,基波无功功率误差小于0.46%,功率因数误差小于0.66%。由表3的测试结果可知,当用户向电网提供电能时,双向智能电表基波有功功率误差小于0.24%,基波无功功率测量误差小于0.22%,功率因数测量误差小于0.33%。双向的基波有功功率计量误差达到了GB/T17215.322-2008的0.2 s级误差要求,电网向用户提供负荷的基波无功功率计量误差达到了0.4 s级误差要求,用户向电网提供能量的基波无功功率计量误差达到了0.2 s级要求。

表2 电网向用户提供负荷下测试结果

表3 用户向电网提供电能测试结果

5 结束语

本文面向分布式光伏并网发电和智能电网高级测量体系的迫切需求,设计了一种多功能双向智能电表。文中给出了研究背景、设计过程和测试结果,基波有功、无功电能测量误差均满足误差要求,具有很高的实用价值。

参考文献

[1]康玉泉,孙庆兰.中国光伏产业发展研究[J].中国产业,2010,22(11):41-42.

[2]NKKHAJOEI H,LASSETER R H.Distributed generation interface to the CERTS microgrid[J].IEEE Transactions on Power Delivery,2009,24(3):1598-1608.

[3]王梦蔚,晏阳.分布式发电功率双向计量问题的分析[J].电工电气,2013,33(5):15-22.

[4]王月志.电能计量技术[M].北京:中国电力出版社,2007.

[5]冯力鸿.谐波对电能表计量误差影响的分析[D].北京:华北电力大学(北京),2008.