一种储能电池用双向DC/DC变换器的优化控制方法
- 国知局
- 2024-08-22 14:48:12
本发明属于新能源电力电子变换领域,具体涉及一种储能电池用双向dc/dc变换器的优化控制方法。
背景技术:
1、近年来,由于石油资源的不断减少,光伏、风电、等新能源的发展十分迅速,但是新能源发电的间歇性和电力消纳一直是难解决的问题,光伏风电等发电模块通过配套储能电池可以提高发电的稳定性,通过储能系统进行制氢或者其他高耗能的工业可以解决新能源发电的电力消纳问题,减少了对电网的功率依赖。直流微电网相较于交流微电网而言,它的电能质量高,更容易接纳新能源阵列所产生的电力。直流母线和储能电池之间的双向dc/dc变换器可以确保能量可以双向流动。
2、储能电池用dc/dc变换器通常使用电压电流双闭环或者功率电流闭环等,但是传统的pi控制参数整定较为困难,系统的鲁棒性差,抗干扰能力也较弱,对负载功率变换不敏感。
3、随着技术的不断发展,计算能力的不断增强,模型预测控制(mpc)的发展逐渐引起关注,预测控制是基于过去和当前的状态变量来预测未来的系统状态变量,控制变量是由优化程序在考虑代价函数以及约束条件计算得到的。每个采样时刻用最新得到的测量值刷新优化问题,并求解刷新后的优化问题,将得到的优化解的第一个解作用于系统,如此循环往复直至永远。刷新的过程也成为滚动优化,通过滚动优化的机制得到最优控制的一个闭环解,因此将模型预测控制应用于dc/dc变换器十分有必要。在嵌入式系统,因为算力的限制,需要尽量加快模型预测控制的切结过程,因此在使用模型预测控制时,通过引入元启发式算法进行优化,加快计算。
技术实现思路
1、本发明提出了一种储能电池用双向dc/dc变换器的优化控制方法,解决了现有的针对dc/dc变换器的控制方法控制效果不佳、系统的鲁棒性差,抗干扰能力弱,对负载功率变换不敏感的问题。
2、为解决上述技术问题,本发明提供了一种储能电池用双向dc/dc变换器的优化控制方法,包括以下步骤:
3、步骤s1:针对储能电池的充放电状态,建立相应的预测模型,包括充电状态时的电感电流和电池电压的预测模型和放电状态时的电感电流和母线电压的预测模型;分别设定两个预测模型的价值函数和约束条件,同时自适应分配充电状态预测模型中系数的权重;
4、步骤s2:对充放电状态时的价值函数进行求解,得到储能电池dc/dc变换器下一时刻的最优占空比,优化储能电池充电电流精度和直流母线的电压动态稳定性。
5、优选地,步骤s1中建立预测模型包括以下步骤:
6、步骤s11:建立关于两相电感电流、低压侧电容电压,母线侧电容电压的状态空间方程,对所述状态空间方程进行加权平均得到状态平均方程;
7、步骤s12:对所述状态平均方程进行离散化后,建立预测模型;
8、步骤s13:以充电电感电流偏差值最小、电池侧电容电压稳定为目标设定充电模式价值函数和相关约束条件。
9、优选地,步骤s12中对所述状态平均方程进行离散化后得到的离散状态空间的增量表达式为:
10、
11、式中,δx(k)为系统的内部状态变量,在充电模式包括电感电流il1(k)、il2(k)、电池侧电容电压vcbat(k)的增量,在放电模式下包括电感电流il1(k)、il2(k)、电容侧电容电压vcbus(k)的增量;δu(k)为系统的控制变量的增量,δf(k)为可测量的系统外部干扰量,δx(k+1)为k+1时刻的状态变量的增量;ad为矩阵系数;bd、bf、c为向量系数。
12、优选地,步骤s12中所述预测模型的表达式为:
13、
14、式中,p为预测时域的大小;y(k+p|k)表示k+p时刻的电感电流或者母线电压预测输出矩阵,δx(k+p|k)表示k+p时刻的状态变量增量,y(k+p-1|k)表示k+p-1时刻的预测输出值,δx(k)表示状态变量的增量,δu(k)表示k时刻占空比的增量,δu(k+1)表示k+1时刻占空比的增量,δf(k)表示扰动的增量,y(k)表示k时刻的预测输出值。
15、优选地,步骤s13中所述充电模式的价值函数的表达式为:
16、
17、式中,m为控制时域的大小;λ1(k+i)、λ2(k+i)、λ3(k+i)分别为.k+i.时刻的加权系数;表示k+i时刻两相电感电流参考值;表示k+i时刻两相低压侧电容电压参考值;
18、il(k+i|k)表示k时刻对k+i时刻电感电流的预测值;vcbat(k+i|k)表示k时刻对k+i时刻低压侧电容电压的预测值;δd(k+j)表示k+j时刻两个开关管的占空比增量;
19、所述约束条件的表达式为:
20、δd∈[δdmin,δdmax];
21、式中,δdmin=[-1,-1]t,δdmax=[1,1]t。
22、优选地,步骤1中自适应分配充电状态预测模型中系数的权重的方法包括:根据电池的充电状态将系统的实际工作状态分为恒流充电阶段和恒压充电阶段,当电池电压小于充电截止电压时,输出的电压权重为0,以恒流充电为主;在电池电压达到或者超过截止电压时,以恒压充电为主:
23、
24、式中,vbat为储能电池电压;vendoffv为恒流充电的电池截止电压。α1为权重调节系数。
25、优选地,步骤s1中当储能电池处于放电状态时,建立的价值函数的表达式为:
26、
27、式中,λ4(k+i)为输出电压的加权系数;λ5(k+i)为占空比的加权系数;表示k+i时刻输出电压参考值;vbus(k+i|k)表示k时刻对k+i时刻输出电压的预测值;δd(k+j)表示k+j时刻两个开关管的占空比增量;p为模型预测控制中,预测时域的大小;m为模型预测控制中,控制时域的大小。
28、优选地,步骤s2中采用美洲狮优化算法对充放电状态时的价值函数进行求解,将代价值设定为价值函数值,包括以下步骤:
29、步骤s31:初始化美洲狮种群并设置最大迭代次数;
30、步骤s32:计算当前美洲狮的位置和代价值,迭代三次后选择代价值最小的美洲狮的位置作为当前种群的最佳位置;
31、步骤s33:计算当前开发和勘探的成果得分,若当前开发得分大于勘探得分,则进入开发阶段,执行步骤s34,否则进入勘探阶段,执行步骤s35;
32、步骤s34:美洲狮随机选择冲刺或伏击策略,若某美洲狮选择冲刺策略,则根据美洲狮群的平均位置对该美洲狮的位置进行更新;否则随机选择进行长跳或短跳,若选择长跳,则根据美洲狮群的历史最佳位置对该美洲狮的位置进行更新,否则随机选择另一美洲狮的位置对该美洲狮的位置进行更新;在此阶段结束时,判断新位置对应的代价值是否比当前位置对应的代价值低,选择代价值更小的位置作为美洲狮的新位置;
33、步骤s35:美洲狮随机选择跳跃到其他搜索空间或借鉴其他美洲狮的狩猎经验改变自身位置,如果新位置对应的代价值小于原来的代价值,则对该美洲狮的位置进行更新;
34、步骤s36:根据更新后的最优美洲狮位置和代价值更新开发和勘探的成果得分,判断当前迭代次数是否达到最大迭代次数,若未达到则重复执行步骤s33,直到达到最大迭代次数,输出美洲狮的最优位置和代价值。
35、优选地,步骤s34中对美洲狮的位置进行更新的表达式为:
36、
37、round(1+(npop-1)*rand10);
38、r=2*rand11-1;
39、
40、f2=w*v2*cos(2*rand12*w);
41、w=randn4;
42、v=randn5;
43、式中,randi(i=4,...,12)为(0,1)内的随机数;randni(i=1,...,5)是在正态分布问题中随机生成的数;x(i)表示当前迭代过程中美洲狮的位置;xnew表示美洲狮的新位置;mean为均值函数;soltotal为所有解的和;npop表示执行优化过程的全部美洲狮总数;是在整个总体中随机选择的美洲狮的位置;β是随机产生的0或1;xi是当前迭代中的这只最优美洲狮的位置;α和l是优化过程前设置的静态参数;pumamale是整个美洲狮群的最佳解。
44、优选地,步骤s35中对美洲狮的位置进行更新的表达式为:
45、
46、g=2·rand2-1;
47、
48、nc=1-u;
49、
50、if costxnew<costxi,u=u+p;
51、xa,g=xnew,if xi,new=xa,g;
52、式中,randi(i=1,2,3)、rdim为(0,1)内的随机数;ub和lb是dc/dc变换器占空比的上界和下界;xa,g、xb,g、xc,g、xd,g、xe,g和xf,g是整个群体中随机美洲狮的历史最佳位置;jrand是在问题维度范围内随机生成的整数;u是优化过程之前的参数集;npop是美洲狮的总数;cost为代价值。
53、本发明的有益之处至少包括:
54、1、通过模型预测控制可以对充电电流和放电电压进行预测,快速调节达到稳态,加快电流或者电压的响应速度,以应对负载的快速变化;
55、2、与传统算法相比,在充电电流快速变化的时候,充电电流达到稳态的时间更快且超调量更小;在恒流充电和恒压充电之间可以进行无缝切换,调节更稳定;
56、3、与传统算法相比,因为直流母线的负载快速变化引起的直流母线的电压超调量更小,且恢复速度更快。
本文地址:https://www.jishuxx.com/zhuanli/20240822/279938.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。