基于模糊神经网络风电混合储能系统优化控制

采用风电储能系统来平抑风电波动功率在当今是一个有效的措施,然而储能系统控制策略的好坏直接影响风电系统的技术性能和经济性能。根据超级电容器和蓄电池在功能上的互补性,将其应用在基于双馈电机的风电场中,风电场采用分布整流集中逆变拓扑控制结构,并对其设计模糊神经PID控制器,采用模糊神经网络算法对混合储能系统PID控制参数进行在线优化。基于Matlab/Simulink平台搭建控制系统仿真模型,并进行仿真分析,验证了混合储能系统能够提高储能装置的使用寿命。根据储能系统补偿功率和其荷电状态的波动范围,以及对风电波动功率的平滑程度,验证了该控制系统的有效性。     

基于递归模糊神经网络的PMLSM伺服控制

为了增强永磁直线同步电机（PMLSM）直接驱动系统的鲁棒性,改善系统受突加扰动情况下的性能,结合递归神经网络与模糊控制的优点,设计了基于递归模糊神经网络补偿器的PMLSM位置控制器。仿真结果表明,所设计的系统能实现对位置阶跃指令的快速无超调跟踪和稳态无静差,具有很强的鲁棒性,能够满足高精度、微进给永磁直线同步电机伺服驱动系统的要求。     

基于模糊RBF神经网络的风电机组变桨距控制

在介绍模糊RBF神经网络基本原理的基础上设计了模糊RBF神经网络控制器,并将其应用于大型变速变桨风力发电机组的变桨距控制中.在风速高于额定风速时,通过控制桨叶节距角来改变攻角从而改变风机获得的空气动力转矩,以实现输出功率稳定在额定值.将该模糊神经网络控制方法和PI控制进行仿真比较,结果表明前者优于PI控制.     

基于云模型的风电功率平滑控制策略研究

大规模风力发电并网已经是新能源发展的必然趋势。利用储能装置平抑风力发电系统的输出功率已经成为风电系统不可或缺的一部分。由于风电功率的波动性大和随机性强等特点,传统的一阶低通滤波器控制策略具有一定的局限性,导致储能系统容量配置过高或利用率过低。本文将云模型控制策略引入风光储能系统中,利用一维云模型调整惯性滤波器的时间常数,进而实现风电功率的平滑控制,并与传统的定时间常数惯性滤波功率平滑方法进行了对比。仿真结果表明,在满足风电系统并网要求的前提下,基于云模型的平滑控制策略可以有效优化储能系统容量,降低了风储联合系统的成本。     

采用自适应EEMD的风电混合储能系统能量管理控制策略

风电功率的随机波动会对电网的正常运行产生很大的影响,储能系统的接入能有效抑制风电功率波动。针对上述问题,提出一种应用自适应的集合经验模态分解(ensemble empirical mode decomposition,EEMD)进行频率分配并运用能量管理控制策略进行储能系统功率优化的混合储能系统平滑控制策略。该控制策略能实现风电功率的自适应分解,得到风电并网功率和混合储能系统内部功率的初级分配。同时运用能量管理控制策略,实现储能系统内部功率优化。算例结果表明,所提算法能自适应地实现风电功率的最优分解,所提控制策略能完成储能系统内部功率的合理优化并有效地平滑风电出力波动。     

基于小波包混合储能系统的风功率波动控制策略

随着风力发电的发展,风电波动带给电网的影响越来越明显,平滑风电出力显得很重要。针对风电功率波动特性,提出基于小波包分解法,得到风电并网功率、混合储能系统参考功率和充放电状态。结合蓄电池和超级电容的荷电状态,提出了能量管理协调控制策略,实现了储能系统内部功率修正,算例结果表明:能量管理协调控制策略能完成混合储能系统内部功率最佳修正,且可以有效的平滑风电出力。最后以实际风电数据为依据,在MATLAB中建立了数学仿真模型,证明了该控制策略的有效性。     

基于双回路SOC调节的风电场功率平滑控制策略

针对风电并网发电系统的功率波动问题,本文研究了一种基于双回路SOC调节的混合储能系统风电场功率平滑控制策略。对含有全钒液流电池和锂电池的混合储能系统,通过双回路SOC调节控制,合理分配锂电池和液流电池的实际输出功率,并实时更新混合储能的荷电状态。该控制策略实现了风电有功功率的平滑需求,并且使锂电池和全钒液流电池的SOC值稳定在安全范围内,可以有效减少锂电池的充放电次数,达到保护电池的目的。通过仿真实验,验证了该控制方法的有效性。     

含飞轮储能的直驱风电系统功率平滑控制策略研究

在分析永磁直驱风电系统的运行特性和控制方式的基础上,提出了一种在无需测量风速的条件下,利用飞轮储能系统来平滑永磁直驱风电系统输出功率的控制系统和相关控制策略,该方法不仅能有效减小风力发电接入电网的功率波动,同时也有利于发电机变流器直流侧电压的稳定。通过对全风况下含飞轮储能单元的永磁直驱风电系统进行仿真分析,表明所提的控制策略在最大程度利用风能的同时,也能较好地实现输出有功功率的平滑控制,进而改善电网电能质量。     

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法，该方法使用模型参考自适应方法辨识转子磁场位置和转速，采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明，当系统参数动态变化或受到外部不确定性因素的影响时，利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值，使系统仍将具有很好的动静态性能。     

模糊神经网络算法Plug in电动车能量管理控制器

针对Plug in混合动力汽车研究设计基于模糊神经网络算法的整车能量管理控制器.将驾驶行为用神经网络进行建模,驾驶模式、踏板(油门和刹车)位置以及当前车轮力矩作为神经网络输入,目标力矩作为输出;并将道路类型、目标力矩、电池SOC、当前车轮力矩为模糊输入变量,以满足整车动力性能、燃油经济型和极限边界极值为约束条件,对混合动力汽车的能量进行分配与管理,用advsior软件进行了仿真,基于该算法在DSP硬件平台设计实现能量管理控制器,通过算法仿真和样车测试表明:在行驶里程60 km等价燃油经济型最好,随着行驶里程增加燃油经济型下降,整个测试过程中样车动力性能以及各部件工况良好.     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于模糊经验模态分解的电池储能系统平滑风电出力控制策略

为减少风电波动率,提高并网可靠性,提出一种基于模糊经验模态分解(empirical mode decomposition,EMD)的储能系统平滑风电功率波动的控制策略。采用经验模态分解对风电功率进行滤波,低频分量并网,高频分量并入电池储能系统(battery energy storage system,BESS)。使用平滑后风电波动率和储能电池荷电状态(state of charge,SOC)作为约束条件,利用模糊控制算法,自适应在线调整EMD滤波阶数,通过模糊自适应控制器,能够更好地平滑风电波动。对比其他平抑风电功率储能控制策略,仿真实例表明,该方法可以有效地平抑风电功率波动,避免储能电池过充过放,稳定储能荷电状态。     

基于分群的DFIG风电场功率波动平滑控制策略

提出了基于分群控制的DFIG风电场功率波动平滑控制策略。根据风电场内实际风速的分布情况,将各风电机组分为低风速和高风速两群。利用转子动能控制和桨距角控制的特点,对低风速群实施转子动能控制,滤除风电场有功功率的高频快速波动;对高风速群实施变桨距控制,调整风电场有功出力的低频缓慢波动。与单纯采用基于转子动能的风电场功率波动平滑方法进行了对比,算例结果验证了本文方法的有效性。     

基于模糊控制的风光储发电系统输出功率平滑控制

鉴于太阳日照和风能的间歇性和随机性使光伏发电和风力发电输出功率随日照强度的变化而波动,在分析了光伏发电特性、风力发电特性和飞轮储能特性的基础上,提出一种基于模糊控制的风光储混合发电系统输出功率平滑控制方案。以某典型日为算例,仿真观察和分析风光储混合发电系统的飞轮转速、输出功率及平滑因数,并与无飞轮储能系统、简单飞轮储能系统两种情况进行比较。仿真结果显示,基于模糊控制的风光储混合发电系统输出功率得到平滑控制,平滑因数约6×10-9,几乎可忽略不计。仿真结果表明所提控制方法能有效抑制风光储混合发电系统输出功率的波动。     

基于模糊神经网络的双馈风力发电机功率控制

双馈风力发电机在变速恒频发电方而有广泛的应用前景,而影响其应用的关键在于能否对其有功功率和无功功率进行有效的控制。本文提出了模糊神经网络解耦控制策略,该控制策略不依赖电机参数与精确的数学模型,能够实现双馈风力发电机有功功率和无功功率的解耦控制,控制算法简单,系统的鲁棒性强。仿真结果表明了控制策略的有效性。     

电池储能系统平滑风电功率控制策略

风电功率具有随机性与波动性,为减小风电功率波动对电网带来的不利影响、减小风电功率分钟级的波动量,采取一阶低通滤波器并利用电池储能系统对风电功率进行平滑控制。根据风电功率的平滑效果,选取合适的平滑时间常数,分析储能容量与平滑时间常数之间的关系,并根据单位储能平滑率选取合适的储能平滑时间常数,可为风电场通过配置储能系统平滑风电功率提供参考。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于BP神经网络的风电功率预澳

风具有易变性、随机性等特点,风电并网之后,可能引起运行和可靠性的问题。如果能够提前对风电功率进行准确的预测,则有利于及时调整调度计划,保证电能质量,减少系统备用容量,获得更多的经济效益和社会效益。本文介绍了这一领域的研究现状,采用了BP人工神经网络的方法,利用风速的历史数据,建立模型进行风电功率预测,仿真结果表明该方案的有效性。