申请/专利权人：国网江苏省电力有限公司连云港供电分公司;国网江苏省电力有限公司东海县供电分公司

申请日：2021-10-13

公开（公告）日：2024-04-09

公开（公告）号：CN113949096B

主分类号：G06F30/20

分类号：G06F30/20;H02J3/38;H02J3/32

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.08#实质审查的生效;2022.01.18#公开

摘要：本申请提供一种基于反推模型预测控制的储能系统控制器设计方法，其特征在于，所述方法包括：建立储能并网逆变器数学模型；利用反推控制将虚拟控制量作为参考电流送入内环控制器；对预测模型进行优化。本申请提供的方法直接将虚拟控制量作为参考电流送入内环控制器，不仅避免了对虚拟控制量多次求导，而且降低了控制器设计的复杂度。

主权项：1.一种基于反推模型预测控制的储能系统控制器设计方法，其特征在于，所述方法包括：建立储能并网逆变器数学模型；利用反推控制将虚拟控制量作为参考电流送入内环控制器；对预测模型进行优化；其中，建立储能并网逆变器数学模型，包括： 公式1中，R为等效电阻，Usk为电网侧电压，ik为电网侧电流，Urk为变流器交流侧电压；其中，k＝a,b,c，a、b、c分别表示电压的三相，L为电感；对公式1进行dq坐标变换，得到dq坐标系下的换流器的数学模型如下式： 公式2中，iq为电流的q轴分量，id为电流的d轴分量，Usd为电压的d轴分量，Usq为电压的q轴分量，Urd为换流器交流侧d轴电压值，Urq为换流器的交流侧q轴电压值；稳态下Usq＝0且阻值R较小其损耗可忽略不计，变流器从交流侧吸收的有功功率和无功功率为： 公式3中，P为有功功率，Q为无功率；并网逆变器忽略损耗下的功率守恒式为： 公式4中，Udc为直流侧母线电压，C为直流侧电容；利用反推控制将虚拟控制量作为参考电流送入内环控制器，包括：在外环控制中引入反推控制，得到电流参考值；利用所述电流参考值，内环控制器通过预测模型预测控制；在外环控制中引入反推控制，得到电流参考值，包括：定义为直流电压跟踪误差：z1＝Udc-Udcref5公式5中，z1为直流电压跟踪误差，Udc为直流电压实际值，Udcref为直流电压参考值；直流电压跟踪误差的倒数为： 公式6中，为直流电压跟踪误差的导数，为直流电压参考值的导数；设正定Lyapunov函数可以表示为： 公式7中，V1是正定Lyapunov函数；对公式7进行求导，得到： 公式8中，idref为电流参考值；将公式8进行处理后，得到所述电流参考值； 公式9中，所述电流参考值作为内环的d轴电流的参考值；利用所述电流参考值，内环控制器通过预测模型预测控制，包括：离散模型为： 公式10以及公式11中，Ts是采样周期；Urdqk-1是换流器交流侧k-1时刻电压采样值；Usdqk是k时刻网侧电压，idqk是k时刻电流采样值；idqk+1是k+1时刻电流预测值；ΔUrdqk是k时刻换流器输出电压增量，ω是角频率，Iq是电流的q轴分量，Urq是换流器交流侧q轴电压值，Urd换流器交流侧d轴电压值；所述预测模型为神经网络模型；神经网络模型的输出表达式为： 公式12中，wi为神经网络权值，xi为网络输入信号，对应为k时刻电流采样值，owi,xi为网络的输出激励函数；神经网络模型的最小均方算法的权值调整算法为：wik+1＝wik+2ηxidk-Ok13公式13中，wik+1为神经网络模型最小均方算法k+1时刻的权值，wik为神经网络模型最小均方算法k时刻的权值；对所述预测模型进行优化，包括：将电流预测误差定义为： 公式15中，h1是误差校正系数之一，h2是误差校正系数之二，idqk是换流器在k时刻电流的采样值，是补偿以后k时刻预测电流值；校正后的预测模型的输出为： 进行滚动优化，使电流预测值与电流参考值的差值是滚动优化的目标，控制目标函数如下： 公式17中，λ1,2是电流误差在目标函数中的权重系数，ξ1,2是控制电压增量误差在目标函数中的权重系数，idqref是dq轴参考电流。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司连云港供电分公司;国网江苏省电力有限公司东海县供电分公司 一种基于反推模型预测控制的储能系统控制器设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD