绿色能源原动机调速器模型.docx

《绿色能源原动机调速器模型.docx》由会员分享，可在线阅读，更多相关《绿色能源原动机调速器模型.docx（15页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、为了克服依赖化石燃料的挑战，对绿色能源的研究有助于维持世界的电力供应。世界上大多数岛 屿都可以受益于可再生能源，因为它们中的大多数目前都依赖化石燃料1。可再生能源与电力电子控 制相结合具有输出阻抗小、无功功率和有功功率控制响应快等优点。分布式能源还需要参与配电和输 电网络的频率和电流调整工作，以降低分布式电源对整个电网（即配电和输电网络）的影响。要确保电网 中对分布式能量的有效消耗，就需要全面开掘辅助服务的分布式供电能力。分布式供电系统还需要给电 网提供可靠的辅助服务。针对可再生能源发电的许多缺点,，提出了采用虚拟同步发电机控制策略。使 用这种策略，传统的旋转发电和可再生能源发电具有相似的电网

2、特性。这使得可再生能源参与电力系 统的频率控制成为可能，可再生能源还可以通过这种方式向电网提供辅助服务2,3。与传统的旋转同步电机不同，可再生能源无法提供所需的惯性量以确保电力系统的稳定性。尽管一 些可再生能源，如风力涡轮机，由于其储存的动能很小，如果使用同步发电机，可以向电网提供相当多 的频率。相比之下，光伏（PV）源没有动能。然而，它可以为电网系统提供少量能量，因为它在直流链 路中有一个直流电容器。此外，蓄电池等储能装置可与光伏电源一起工作，以提供频率控制。随着发电 普及率的提高，低惯性对电网的动态特性和稳定性问题产生了负面影响。发电机不稳定问题的一个解决 方案是实现虚拟惯性。该虚拟惯性可

3、通过图1.1所示的虚拟同步发电机概念提供。同步发电机的动态行 为（由其基本摆动方程表示）可以通过仿真产生虚拟惯性，并可以在虚拟同步发电机（VSG）中实现。 VSG的参数可以控制，以改善系统的响应，这与实际同步电机不同4,5。VSG模拟分布式发电中同步电机的惯性响应行为，特别是响应频率偏差的能力。VSG提供的动态 控制能够释放或吸收与传统发电机类似的动能。VSG通常由可再生能源、储能、控制机构和逆变器组成。 大多数可再生能源没有惯性或阻尼系数。但是，通过添加VSG控制器，这些源可以作为同步发电机进 行控制。VSG仿真质量可以提供电网中的频率降和电网振荡的阻尼支持。这个优点在机电方面与同步发 电机

4、相同5。通过仿真电力系统中的虚拟惯性，VSG可以控制逆变器中的有功功率。在VSG实现的仿真惯性通过其快速的动态频率响应降低了频率变化率（the rate of change of frequency,ROCOF）,这一特性在隔离的电力系统中尤其需要，在该系统中，初始ROCOF可能非常高， 这通常会导致不断和不必要的继电器触发口1。并网逆变器是负责管理分布式电源与电网之间功率输送的重要电力电子变换器，作为最为核心的器 件，并网逆变器在研究分布式电源并网问题当中不可或缺。相比于其他传统的大型同步发电机，它动态 响应速度较快，且部署灵活，但由于静止设备并不具有同步发电机的大惯性的特点，所以导致均属于

5、静 止设备的电力电子设备对外部运行环境的扰动极为敏感。当分布式电源在不正确的控制策略下逆变器并 入电网后，会导致电网惯性出现明显降低趋势，与此同时会顺带引入谐波，导致一系列电网电能出现质 量问题并对系统平安产生不利影响，极大程度地阻碍了分布式电源的高效利用。传统的光伏并网逆变器采用PQ控制策略进行控制，通过储能装置输出的功率来弥补光伏电源输出 功率的波动，也可以采用解耦有功功率和无功电压的这种下垂控制的方式，借助下垂曲线实现对系统电 压和系统频率的控制。Droop控制（下垂控制）与传统的同步发电机调控模式存在差异，无法进行同步调压调频，仅具备 下垂特性，因此其惯性较差且阻尼性能不佳，因此采用P

6、Q控制与Doop控制的分布式光伏系统与传统 同步发电机之间的差异性仍然巨大。传统同步电力发电机在高光伏电源渗透率背景下会减少系统装机量, 从而导致系统阻尼降低，并减少系统整体惯性，光伏电源的功率变化导致电压和电网的频率出现明显波 动，进而威胁电网的稳定运行。并网逆变器由电力电子器件组成，假设能优化设计其控制方案，改良出更为先进的控制模型，可使分 布式电源得以更加广泛地并入电网。为使并网逆变器可以更友好地接入电网，从而提高电网系统的使用 效率，国内外学者立足于Droop控制的基础，结合成熟的同步发电机并网控制技术，提出了对直流系统 的储能部门和逆变器进行控制，从而模拟同步发也机性能的策略，继而将

7、逆变器的功能转变为虚拟发电 机以实现同步功能，该策略也被称为虚拟同步发电机控制策略（VimialSynchronous Generator,VSG）o虚拟同步发电机控制系统包括主电路拓扑和控制系统电路两局部。主电路拓扑中主要由DC/AC逆 变器、三相滤波器、直流滤波电容、直流电压源等构成；更为关键的控制系统电路主要包括VSG控制模 型、电压环电流环、有功无功计算局部三局部。在VSG控制模型中引入同步发电机的转子机械方程，同 率波动对系统稳定性的影响，防止系统过度振荡1-3。但是，由于虚拟同步发电机是通过电力电子变换器模拟同步机实现功率补偿，其本质仍是电力电子 变换器实现的，当电网频率或输入输出

8、功率发生了较大波动时，暂态过程中的冲击和振荡可能超过器件 承受阈值，导致器件损坏，甚至影响系统稳定4-5。针对这一问题有学者提出通过调整转动惯量和阻尼 系数来取得较好的控制效果6。其中，乒乓控制算法是最简单的自适应控制策略。使用乒乓算法自适应 调整惯性，频率和功率振荡得到有效抑制7。惯性根据不同的角频率在较大值和较小值之间切换。乒乓 球算法中的变量取值只能选择最大值或者最小值，参数具备离散性的特征，参数变量无法进行精准控制 从而可能会对系统稳定性产生不可控影响。乒乓球算法中选择模糊控制的方式那么可以到达进行虚拟惯量 的针对性调节以提升系统稳定性8。需要注意的是，不管是选择隶属函数还是采用模糊规

9、那么都是以经验 为基础，很难获得精确化的系统性设计。可以在角频率惯量和偏差数值之间进行调整从而实现功率和频 率的相对平衡，并引入了自适应阻尼的概念，能够在一定程度上解决乒乓球算法存在的数据稳定性差的 缺乏，并降低系统振荡性。与此同时，采用该模式建立的函数具备关系复杂的特征，选取数值不当那么可 能会直接影响系统结果。乒乓算法中惯性和阻尼与频率的关系是分段函数，而11中惯性和阻尼与频率 的关系是线性函数。根据2,惯性J和阻尼系数D与角频率3之间的关系是非线性的。我们的目标是 最小化有功功率的波动，并使其在理想条件下趋于恒定。因此，我们需要使用一种用于解决非线性问题 的算法，此种算法即不会因为复杂的

10、计算过程影响电力电子设备的反响速度，又能解决惯性J和阻尼系 数D与角频率3之间的非线性问题。本文以RBF神经网络算法为例进行了详细概述，该算法的学习能 力和适应性更强。综上所述，本文以RBF神经网络为基础构建虚拟同步控制策略以提升系统稳定性，首先进行虚拟同 步发电机数学模型的构建，从信号模型、输出性质和数学模型等不同方面分析阻尼系数和转动惯量与取 值之间的关系，并进行相应取值的区间确定。随后根据RBF神经网络的特点，进行了双输入输出虚拟同 步机控制策略，并借助仿真设计进行策略效果的验证，探索控制策略有效性。改进的VSG总体方案如图1所示。如图1的改进局部所示，应用RBF神经网络自适应地调整惯性

11、 和阻尼。改进后的虚拟同步发电机其余局部主要由储能系统、三相逆变器、LCL滤波器和VSG控制算 法四局部组成。VSG控制算法主要包括两局部：有功功率控制回路(摆动方程和虚拟调速器)、无功功 率控制回路(虚拟励磁机)。上述表达式中，表示虚拟转动惯量，Dp表示虚拟阻尼系数，TO表示机械扭矩，Te表示励磁扭矩， 表示虚拟转子角频率，西参考电气角频率，P0为机械功率而Pe为电磁功率。图2a方程可以转变为下述(1),该局部作为VSG控制环节的核心能够直接决定发电机的性能，包 括外特性、阻尼特性和惯性。而2b所示，无功功率回路那么主要对励磁系统进行模拟，以下为具体表达 式：上述表达式中，E为功率外环的输出

12、电压参考幅值，为电网中的有效电压，Uo那么是参考相电压。 Qe和Q0分别表示无功功率的实际值和额定值，而Kq表示无功调压系数。上图中，VSG的等效输出阻抗用ZN9表示，本文的相关研究中引入了X/90。虚拟阻抗，虚拟阻 抗与等效输出阻抗两者基本相似。参考隐极式发电机机有功功率和无功功率公式进一步推导出对应的VG稳态方程。表达式5为时域方程式，对其进行线性化处理并将功角特性考虑在内，由此可见：sindi产房,cos各力， U/E。依据小信号假设和转动运动方程获得表达式14,即有功输出与角频率的小信号其中，而、$、百、以对应直流工作点附近的小扰动量；其中月=3石U(6/x。令而和$作为状态变量，可得

13、VSG小信号模型为一个二阶系统。(1)求得二阶系统特征根打2为：(2)其中(4)式中，矮阻尼比；g为自然振荡频率。假设取4(0)，保持系统误差5%,那么可以计算出系统调节时间(5)在给定有功功率为10kW无功功率为5kVar的情况下，系统的有功功率动态性能完全由转动惯量J 和阻尼系数。p决定。在不同转动惯量和阻尼系数下,可绘制VSG的有功功率动态响应轨迹如图4所示。 图4(a)的分析显示，假定阻尼系数为保持不变时，转动惯量/与阻尼比呈反比例关系，而与超调量 。呈正比，J越小，那么越大，越小，同时调节时间人也越短；从图4(b)中可以分析出，假定J保 持不变，4与4也存在正比例关系，而与。呈反比例

14、关系，&越小，那么。越小，超调量会越大且 调节时间人也会变长。由此可知，VSG有功功率动态响应过程中的振荡频率与转动惯量密切相关，而 VSG有功功率的动态衰减率与阻尼系数相关。图5为在给定有功功率为10kW无功功率为5kVar的情况下，角频率波动变化评价指标过冲量max 与调节时间Zso从图5(a)可得，仅从角频率的过冲量AGmax来看，增大阻尼系数和增转动惯量，都可以减少系 统波动时角频率的超调量。而从图5(b)中，可以看出当转动惯量J越小时，调节时间就越小；但阻尼系 数&对调节时间的影响却呈现先减后增的变化，系统阻尼系数过小可能会导致系统波动性增强，而阻 尼系数过大那么不利于系统动态调节，

15、由此可见为保障系统稳定可采取适当增加阻尼以减少调节时间的措 施，随着阻尼系数的增大，系统需要更多时间调节从而导致调节时间增加。由此可以得出结论：转动惯 量J设置的越大，系统角频率波动越小，系统越稳定，但八也不能设置得太大，否那么系统的稳定性会变 差。考虑阻尼系数时，从公式可得，当To-K-Jd。/由保持不变时，阻尼小越大，角频率的偏移量口 越小，但过大的阻尼可能会导致系统响应速度变慢。系统控制一般需要满足快速响应的特征，同时需要保持适度的阻尼以减少系统响应时间，而控制工 程中还需要防止震荡的可能，由此可见，系统设计需要保持阻尼范围，多取值0-1之间。其次，考虑有功功率环的稳定裕度，给出了二阶环

16、路的幅值裕度h和相频裕度/的计算如(14)。根据(14),振幅裕度总是大于0。一般要求系统的相位裕度7在30。80。之间。本文中，设760。， 我们可以得到今0.612。然后，考虑功率响应的调节时间。根据自动控制原理，调节时间与闭环极点和虚轴间距成反比。系 统的闭环极点需要满足(11)。同样，根据截止频率，我们可以限制阻尼系数的范围。如图3所示，有功功率回路的开环传递函数为 (12)。截止频率fc从公式(13),我们可以看到：为了使方程成立，需要使根号中的表达式始终大于0。因此：为了减小功率回路对电压回路的影响，最大截止频率一般选择在两倍功率频率的10%以内。本文将 max最大值设置为lOHZ

17、o因此可以得出阻尼系数的下限为(19)。最后，可再生能源并网标准确定了 VSG阻尼系数的取值范围。根据EN50438标准，本文中VSG参 与调频的原理是频率变化1Hz,而逆变器有功功率范围为40-100%额定容量，随后其中，从(20)获得的小范围为(21),设计逆变器的额定容量为50kVA。经计算，惯性J的上下限为。035, 0.45,阻尼系数5的上下限为10, 25o强大学习能力和高度并行结构是神经网络的主耍特征，此外神经网络还需耍满足容错能力和连续非 线性函数逼近能力的特征，极大地增强和丰富了神经网络技术在非线性系统辨识与控制过程中的运用。 在实际的工业过程中，工程控制系统面临的是非线性、

18、未建模动态、不可预测的噪声和过多环路等诸多问 题，而上述诸多问题都给工程控制系统设计提出很大的挑战。和传统的控制策略比拟，神经网络在以下几个方面存在着优点：(1)由于神经网络中任何函数均具备自学习能力，利用神经网络的自学习能力可以防止在传统自适应 控制论中占据主要地位的复杂数学分析。(2)根据传统控制方式无法解决的高度非线性问题，在多级神经网络的隐含层引入了激活函数，并具 有非线性映射控制功能，这个反映能够接近非线性函数，为解决较高非线性控制问题提出了可行的处理 路径。(3)传统的自适应控制需要提前进行控制器的设计与验证，而神经网络中的控制器无法满足建模信息 的准确获取且逼近能力突出，因此在不

19、确定模型控制中神经网络控制器得到了普及。(4)在神经网络大规模并行处理结构下，网络系统中的某些节点受损并不会影响整个神经的总体性能, 进而有效地改善了系统的容错性。与多层前馈网络系统相比，RBF系统的网络结构更加简单且泛化能力突出，系统运行中不需要依托 大量的数据计算。相关学者对RBF网络的研究结果显示，任意精确度取值情况下RBF神经网络都具备 非线性函数的特征，421。(RBF-MATlab)RBF神经网络包括输入层、输出层和隐含层三个层面，而隐含层的数组运算包括了基本径向函数， 该模块也被称为隐含层节点，而每个节点的输入参数值在维度上偶读保持一致，|x()c/|表示输入参数 与中心向量间的

20、欧式距离。输出层为非线性函数，用历表示，上述表达式中bj表示示高斯基函数宽度，而m为节点数，对网络输出层进行加权处理后获得：上述表达式中，n表示节点数量，w为输出层的权重，而y为神经网络输出。常见的神经网络是做一些分类、回归等工作。经过良好的训练，它可以根据输入对系统的输出进行 分类或预测。这种神经网络需要训练数据进行训练，测试数据进行测试，通常称为分类器。然而，本文的研究不是一个分类器，而是一个自适应神经网络控制器来构造系统的未知非线性模型。 自适应神经网络控制是神经网络理论和控制理论的结合，利用神经网络的学习和优化能力对传统控制进 行改进。它最重要的优点是可以在线学习，这意味着神经网络的权

21、重可以在线调整。现在，神经网络控 制被应用于许多领域，例如水面舰艇控制。下列图是自适应神经网络控制的简单系统控制图。加、y、和 E分别是理想输出、实际输出、控制变量和评估输出。评价函数监督神经网络的学习以调整控制变量。 本文介绍了神经网络控制的运行机制就与之类似。图基于RBF神经网络的模型参考自适应控制系统设理想跟踪指令为泗仆)，那么定义跟踪误差为网络权值学习误差指标为控制输入为RBF网络的输出：其中，根为隐含层的节点个数；助为节点的权值；力为高斯基函数的输出。在RBF网络中，x=xi, ,为网络输入，品为高斯函数：其中,i=l,n； j=l,，mo bj0, Cj= Qi,力设权值向量为w=

22、“,L，吗J由梯度下降法，网络的学习算法为其中，是学习率，a是动量因子；0,1, 同理可得其中，力代)/仇港)组成了 Jacobian阵，可以用来反映输出结果与系统之间的紧密程度。图6为以VSG控制框架为基础设计的RBF神经网络结构，表达式中，j表示神经网络的输入层节点，i表 示神经网络隐藏节点，而I表示神经网络的输出层节点，网络输出可以用阻尼系数和虚拟惯量两个数据 来表达。图4-4 RBF控制神经网络结构的设计从图6可以看出，输入层的输出为：(14) 其中隐藏层的输入是：(15)隐藏层的输出是：(16) 输入层、输出层和隐藏层的表达式上均标注(1)、(2)、(3)用以进行神经网络各个层级的区

23、分。g(x)为高斯 函数：(17)神经网络输出层的输出是：(18)其中，卬是从隐藏层到输出层的权重，输出层的激活函数为：(19)其中，的是转动惯量的上限，2是阻尼系数的上限。该神经网络的评价函数如下：(20)网络权值调整采用梯度下降法。为了提高收敛速度，在公式中加入了惯性项。(21) 其中，是学习率，。是惯性系数。(22)在更新权重的过程中，需要系统的Jacobian矩阵，由于Jacobian矩阵计算过于复杂。本文采用了摄 动法和符号函数法结合的方法来处理此问题。首先，我们通过摄动法，用。/AJ来代替如下：(23) 接着通过符号函数法，用阚(ZWAJ)来代替Ag/AJ。因此，3/&7可以用符号

24、函数(26)代替。替换过后可 能会导致出现误差，但在神经网络中可以通过学习率n进行调整。(24) 同理，3。因/。4伏)可以用符号函数(27)代替：(25) 综上所述，RBF神经网络的权值调整公式为(28)图4-5 RBF-JD控制流程图4.3仿真验证借助MATLAB/Simulink软件进行VSG系统的设计与搭建，从而严重控制策略是否正确，并验证系 统性能。在初始阶段，系统连接10kW的有功负荷和5kvar的无功负荷，在0.6s时有功负荷突然增加至 20kW,在1.1s时负载立即恢复到初始状态，无功负荷恒定在5kvar。在相同的仿真条件下，除了非自适应控制和基于RBF控制，本文还将使用文献网

25、与文献10中的控 制策略进行比照与验证。其中非自适应控制选择的转动惯量为0.25 （kg.m、阻尼系数是25 （Nsm）。 乒乓算法中主要参数如表1：自适应控制策略中主要参数如表2：图8不同控制策略下的有功功率比照图9不同控制策略下的角频率比照表3两个场景下不同控制策略的分析指标图10线性控制与RBF自适应控制转动惯量和阻尼系数变化比照不同策略的功率控制效果如图8示。当有功功率在0.6s时突然增加的情况下，乒乓算法、线性控制 算法和RBF算法控制效果基本类似，超调量。都远小于固定参数分别为13%、9.75%、6%；而在恢复 到稳态的调节时间上，乒乓算法调节时间为0.23s,线性控制和RBF算法

26、那么是在调节时间上几乎完全相 同分别在0.12s和0.09s后就到达了稳定状态。而当有功功率在1.1s回到初始状态时，RBF算法的超调 量那么远小于其他算法仅为9%,其余算法控制效果与功率突增时类似；在恢复过程中，各个算法的调节 时间与功率突增时几乎相同。不同策略的角频率控制效果如图9示。当有功功率在0.6s时突然增加时; 角频率升高。与固定参数 和乒乓算法相比，线性控制和RBF神经网络控制的角频率偏差都较小。它们在频率恢复过程中的控制效 果差异很大。其中，RBF神经网络控制角频率可快速恢复至314.15rad/s,线性控制和乒乓算法的恢复过 程类似；在角频率恢复过程中，乒乓算法的控制效率最差

27、，振荡次数最多，超调量最大。当有功功率在 Lis回到初始状态时，有功功率突然下降时角频率骤减，乒乓算法的控制效果与功率突增时的情况基本 相同；线性控制的角频率偏差明显要小于RBF神经网络控制，但在恢复过程中的表现那么不如RBF神经 网络。各项指标的具体数据如表3所示。如果只分析角频率和有功功率变化，线性控制和RBF神经网络控制效果差异较小。但是从图10可 以看出，两种算法在阻尼系数和虚拟惯量两个数据的控制上存在差异性。系统频率处于稳定的范围，线 形控制的基础上，阻尼系数和虚拟变量会随之变化，而RBF的神经网络控制更具优越性，减少了很多冗 杂的控制动作。这是因为RBF神经网络在控制过程中，优化转

28、动惯量和阻尼系数的权重值，并且RBF 神经网络在学习屡次后可经过快速信息提取来获得相应参数数据。本章通过对VSG有源环路进行小信号建模，针对相关参数与VSG角频率和角频率变化率之间的非 线性关系，提出一种在复杂并网过程中基于RBF的非线性控制策略，并得出以下结论：(1) .对阻尼系数和转动惯量数据变化背景下的系统角频率和有功功率的变化情况加以分析，并获得 两个指数对系统影响的趋势，即借助单一变量控制实现系统稳态的可能性不佳。(2) .结合RBF控制策略，控制过程无需对转动惯量和阻尼系数耦合关系进行分析，因而可有效提升 控制效果。同时，由于RBF神经网络的学习特性，后续控制过程可持续优化，继而参

29、数的调节频率可进 一步减小。随着“碳达峰”重大战略目标的提出，新能源行业蓬勃开展助力实现碳中和。光伏和风电具备规模化优势和资源聚集化特征，但是作为可再生能源的主体，其对电力系统稳定性 的作用不言而喻。随着可再生能源网络的建设与完善，传统电力系统的开展面临着一系列的挑战。可再 生能源网的发电模式借助电子设备并入电网，但是由于缺乏阻尼限制，很容易出现电力系统稳定性不佳 的现象。为有效解决分布式发电系统的阻尼低和惯性缺乏的缺点，可采用虚拟同步发电机技术。本文也针对这一问题，对虚拟同步发电机的控制策略进行了一定的研究，所做的主要内容和主要结 论如下：(1)本章节首先进行了同步发电机的原理介绍，并从电气

30、局部和机械局部进行了数学模型构建，在 此基础上进行了虚拟同步发电机二阶简化模型的介绍。在虚拟同步发电机二阶简化模型的基础上进行控 制结构分析，从而进行算法模型的设计，依据实际需要进行了虚拟励磁控制器和虚拟调速器的设计，确 保系统遭遇过电压和过电流问题时保持稳定性，并最终实现双闭环控制。(2)完成了对虚拟同步发电机的初步建模仿真，通过得到的各项指标证明了所提出控制策略和各个 模块设计的合理性。同时重点分析了离网模式下和并网模式下，转动惯量/和阻尼系数。对系统频率变 化的影响。在离网模式下，转动惯量会在一定程度上改变频率的变化趋势，而阻尼系数那么对整个系统变 化影响较小。而在并网条件下，当系统发生

31、较大波动，转动惯量和角频率的超调量呈反比，但是其调节 时间呈正比，即转动惯量越大调节时间越长；与离网条件下不同的是，并网时，阻尼系数也会对系统频 率的变化产生一定的影响，其对系统的影响效果与转动惯量类似。(3)通过对VSG有源环路进行小信号建模，针对相关参数与VSG角频率和角频率变化率之间的非 线性关系，提出一种在复杂并网过程中基于RBF的非线性控制策略，通过分析不同转动惯量和阻尼系数 下系统有功功率和角频率评价指标的变化关系，可知转动惯量和阻尼系数对评价指标影响复杂，因而无 法通过单一变量的调节实现有效控制。结合RBF控制策略，控制过程无需对转动惯量和阻尼系数耦合关 系进行分析，因而可有效提

32、升控制效果。同时，由于RBF神经网络的学习特性，后续控制过程可持续优 化，继而参数的调节频率可进一步减小。虚拟同步发电机技术能够提高可再生能源在并入电网时的友好性，在这样一个双碳背景下，虚拟同 步发电机技术具有庞大的应用背景。本文已经针对虚拟同步发电机的单机控制策略进行了验证以及改 进，同时本文所提出的改进模型也能有效地提高了虚拟同步发电机并网后的频率稳定性。但由于研究 时间有限，研究能力的缺乏，经过思考，总结出了以下几个方向可以进一步研究：(1)通过第四章的仿真分析可以看到，结合RBF神经网络的控制策略有着极强的学习能力和鲁棒 性。但本文仅研究了单机控制的情况，相较于单机，多台VSG并联时，

33、各参数之间的关系将更复杂。 同时也更能发挥出神经网络等具有学习能力算法的优势。因此，在之后的研究中，可以考虑将神经网 络算法与VSG多机并联结合起来设计出一种新的控制策略。(2)在本文研究的控制策略中，仅以角频率和角频率的变化率作为目标函数建立。但可以通过增加优 化目标提高控制精度和控制效果，如增加像储能单元能量流动、功角变化、功率(有功/无功)差等新的目 标函数。当然，在加入新的目标函数后可能会对算法的计算力有不低的要求，可能需要重新甄别新的算 法，不能一味的使用RBF神经网络。时引入定子电磁方程到达控制无功电压和有功功率的目的，使基于VSG控制策略的逆变器能在外特性 曲线与运行机理两方面都

34、能够更为接近传统同步发电机。对于分布式电源中的光伏发电这类而言，在采用VSG控制技术对储能逆变器进行控制后，可使得 输出电压电流获得阻尼和惯性，而且同时具有了自主的无功调压和有功调频的特性，使其可与同步发电 机共同支撑电网的频率和电压的稳定。除此之外，也可以结合实际操作中的工作需求设计出其他功能服 务电网，极大程度地提高了分布式电源对电网的友好性。针对光伏发电这一类分布式供电而言,当储能逆变器引入了 VSG管理技术之后，可使输出的电压与电 流之间产生了惯性和阻尼，而且还同时具备了相互独立的有功调频和无功调压的特点，使之能和同步发电 机一起保障供电的频率和电流稳定。而且还可以按实际的工作需求设计

35、其他功能服务电网，极大增强了分 布式电源系统对电网的友好性。近些年来，国内外许多学者研究提出了多种方案实现VSG控制策略，下面阐述几种典型的VSG实现方 案。CVSG控制方案属于电流型VSG,它以同步发电机数学模型和外部运行特性为依据改变逆变器输出 的电流和功率。它通过合理的控制算法，使分布式电源系统能够完全模仿地球同步发电机的输出特性，拥 有了对频率进行调节的能力，大幅提高了分布式电源并网后系统运行时的频率稳定性。CVSG的有功功率 控制局部方程如下(1.1)所示：在CVSG控制方案中，输出功率久由指令功率Ref、虚拟惯量功率为和虚拟阻尼功率Po构成，当 其并入的电网频率发生了暂态波动变化时

36、，由为提供虚拟惯量功率；当并入的电网频率出现了稳态偏差 时，由Po提供虚拟阻尼功率参与调频过程。其控制框图如图1.1所示。CVSG利用给定的有功输出计算 得到给定的有功电流，通过电流环进行闭环控制。因为CVSG直接利用并网电流进行控制，但是在系统 离网后孤岛运行时会缺乏控制。Virtual Synchronous Machine(VISMA)方案由联邦德国克劳斯塔尔工业学院的教师Hans-Peter Beck所 指出，该方案对转子运动微分方程和定子电磁方程进行了演变，从而实现了对逆变器的控制。能全面模拟 出同步发电机的静止特征和动态特点，是此方法的主要优势。而根据最终逆变器输出特性进行分类，可

37、将 其分成电流源型VISMA和电流源型VISMAo电流源型VISMA控制框图如图1.2所示。在电流源型 VISMA中，通过使用输出电流和感应电动势的运算得到指令输出电流,对同步发电机的定子局部进行了功 能模拟。但当系统的频率出现波动时，滤波器的参数就会出现相应改变，最终会导致电流指令出现偏差，此 外该方案仍然不能对系统的电压提供有效支撑，在孤岛运行时尤其明显。电压源型VISMA控制框图如图1,3所示。在电压型VISMA中，利用并网电流和感应电动势计算得 桥臂侧电压指令，获得控制电压。此种方案相较于电流源型可以对系统产生有效的电压支撑，使系统在 孤岛运行时保持稳定。但是由于挖制计算中出现了微分环

38、节，导致输出电压受谐波影响较大。钟庆昌是谢菲尔德大学的著名学者，他在研究中对同步发电机数学方程式和物理结构进行了同步分 析性，并提修了同步逆变器模型，在模型中引入了同步发电机的机电暂态和电磁暂态方程。具体表达式 如式1.2所示。该式加上相对应的调频调压策略即构成了 Synchronverier方案。其控制框图如图1.4所示。 Synchronverter为电压型VSG,能够使系统在并网运行和孤岛运行时保持稳定。但是由于引入的电磁暂态 方程采用的是同步发电机的磁链计算，方程过于复杂，在无功控制环节将不可防止地出现一定的积分滞 后效应，致使有功功率无功功率难以解耦，影响多机并联时的运行的稳定性。日

39、本大阪大学Ise研究室的学者们，给出了在现有的VSG模型中加入原动机调速器模型，以及同步发 动机中的有功频率摆动方程的VSG控制方法。如下列图,1.5是该方法的控制结构框图23。该方案对输出电流和电压信号进行了处置，并借助逆变器的有功功率和无功功率数据进一步演变, 从而在模型中纳入相关数据，调整原有模型进行逆变器输出端的下垂控制，实现了对同步发电机摆动 方程的精准控制与模拟。公式1.3为同步发电机的摆动方程表达式：公式中，尸而与表示同步发电机的原输入功率，尸疝表示同步发电机逆变器的输出功率，g分表示原 同步发电机逆变器的电网额定角频率，/m与表示逆变器虚拟角频率。该方案中的控制电压e是采用下垂

40、 控制对无功电压处置获得的，根据幅值及其相位变化进行驱动PWM的控制。此方案实现了对VSG的 电压源型控制，但是由于该控制模型中频率数据为检测得到，在其实际检测中必然会有一定的响应延时, 进而导致功率出现波动以及分配出现不均的问题。此外该控制模型缺少电流闭环控制，这就使得输出电 流的受控精度变低同时稳定性也会下降。除了以上所提到的VSG控制方案外，在国内也有一些高校以及学者在从事VSG方向的研究工作, 如合肥工业大学、清华大学、华北电力大学等，对VSG的控制方案模型进行了一定的改进，取得了不少 重要成果。在文献24中，设计了分布式电源所需要的功率控制器和电压频率控制器，以使其实现功率 控制和调

41、频调压的功能。在该控制器的作用下，即使系统发生故障，分布式电源也可继续向系统中重要 的用电负荷输送功率，相当于成为了一个不间断电源。此外文献中采用的与并列单元对分布式电源可靠 并网起着关键作用。文献25中对使用VSG技术的分布式电源离网运行时的工作状态进行了重点研 究，同时简要阐述了微电网的惯性支撑问题。文献26在VSG的一次电压控制器中引入了在线计算电压 控制器中输入的参考电压的新方案，此方案可对微电网孤岛运行时，因有功功率与无功功率耦合而产生 的无功分配不均，以及引入虚拟电抗后产生的电压跌落的问题。文献27中研究的VSG控制方案可实 现逆变器在多种运行模式下的稳定运行，并且基于系统的静态特

42、性、动态特性、解耦能力和稳定性对逆 变器的控制参数进行了一定的优化。文献28在VSG的内环控制中，使用了 PR控制替换之前的PI控 制，使控制器对正弦波有了更好的跟踪能力，同时对高次谐波的抑制作用也更加明显，即使出现了负荷 不平衡，控制效果也十分优异。根据一定规那么对系统中功率振荡变化频率变化量加以控制或者对频率变化率dco/dt进行处置, 并借助惯量常数J进行响应，从而实现优化动态过程的目标，这也是自适应惯量系数法的思路。自适应 惯量系数法的主要内容包括自适应惯量、模糊惯量、交变惯量和改进下垂等不同组成局部，以系统频率 差的变化特征为基础抑制振荡过程并进行系统交换变量取值的变换，这是交变惯量

43、法的主要思路。系统 频率差增加时，选用的虚拟惯量数值较大，而系统频率差较小那么选用较小的虚拟惯量。此外，在实际应 用的过程中还可以根据频率差情况进行负惯量系数的设定，从而消除可能存在的系统振荡非线性是 交变惯量法的主要特征，因此在系统交变过程中可能会由于非线性系数的存在使系统稳定性缺乏。自适 应惯量法的基础是函数关系，其中包含频率变化数值和惯量常数，频率变化量或频率变化率的变化会对 惯量大小产生影响。模糊惯量那么是采用模糊算法的思路进行系统控制，构造虚拟惯量常数进行动态系统 惯量的调节，从而实现对系统稳定性的动态调整。采用设计的规那么对系统输出功率的振荡过程中的频率变化量口进行控制，同时对系统

44、频率变化率 do/df按加以改造，借助惯量常数J和系统阻尼D的数值变化表达系统功率的动态变化情况，实现优化 系统响应频率的目的。联合自适应调节和独立自适应调节是最常见的两种自适应阻尼法，前者以系统频 率变化量或频率变化率为依托，通过J-D规那么变化来进行功率调整和偏差控制，从而提升系统稳定性并 缩短控制时间，后者那么以事先固定的规那么或指数进行系统性变化，阻尼变化与惯量常数的调节无关，以 此实现提高对系统功率的控制能力。惯量时间常数的取值变化能够对系统频率响应值产生影响，从而实 现对系统频率的有效调节，尤其是对阻尼系数的增加可有效抑制功率效应值超过预调值，其与选择的自 适应调节方法无关。将系统

45、最小频率变化值或系统最小频率变化率作为目标函数加以优化，通过智能优化的方式实现动 态控制变换器的目的。这一算法具备可扩展性强和多目标优化的特征，可以实现功角变化、特征根、电 压偏差和储能单元能量流动等多要素调节，但是该算法优化需要大量的数据运算，无形中增加了微处理 器的运算负担，导致运算时间增加。由此可见，如果在未来的算法优化和计算效率提升的前提下，该算 法的应用具备广阔的前景。随着“碳达峰”重大战略目标的提出，新能源行业蓬勃开展助力实现碳中和。光伏和风电具备规模 化优势和资源聚集化特征，但是作为可再生能源的主体，其对电力系统稳定性的作用不言而喻。随着可 再生能源网络的建设与完善，传统电力系统

46、的开展面临着一系列的挑战。可再生能源网的发也模式借助 电子设备并入电网，但是由于缺乏阻尼限制，很容易出现电力系统稳定性不佳的现象。为有效解决分布 式发电系统的阻尼低和惯性缺乏的缺点，可采用虚拟同步发电机技术。本文以基于虚拟同步发电机的并网控制策略为研究对象，在简述虚拟同步发电机的工作原理基础上, 分析不同工况下虚拟同步机的控制效果，并根据虚拟同步机的特性结合RBF神经网络设计与之对应的 控制策略，借助MATLAB对策略正确性与可行性进行验证性分析，详细内容如下。第一章阐述研究背景，明确虚拟同步发电机开展现状，其中包括四种典型的VSG实现方案一一鲁 汶大学CVSG、VISMA、Synchronv

47、erter和Ise实验的方案；同时也介绍了三种VSG的单机控制策略一 一自适应惯性系数法、自适应阻尼法和智能优化算法。第二章同步发电机模型分析，借助数学模型构建进行虚拟同步发电机控制模型搭建，在传统同步 发电机基础上进行电压电流双控、虚拟调速器和虚拟拟励磁控制器等模块建设。第三章主耍通过模拟仿真不同工况下的虚拟同步发电机第四章在前三章分析设计的基础上，将RBF神经网络和虚拟同步发电机相结合，从VSG数学模型、 输出特性和小信号模型三个角度对转动惯量和阻尼系数控制方法进行了分析，给出了对应参数的取值范 围；并针对VSG特有的非线性关系建立了双输入双输出的RBF神经网络控制策略；最终通过 MATL

48、AB/Simulink仿真比拟传统策略与本文提出控制策略的瞬态响应，验证所提控制策略的有效性。第五章总结上述控制策略，明确未来研究方向。同步发电机与天然电网相比优势显著，外界因素对系统稳定性的影响小且系统惯性大，为其稳定运 行奠定了基础。总结归纳传统电力系统的优秀运作经验，将同步发电机与分布式电源逆变器相结合，充 分发挥阻尼特性，从而为分布式电源并网提供支撑，同时为电力系统的稳定可靠运行创造条件。本章节 以数学模型对同步发电机进行了分析，通过本体算法构建和系统控制器优化到达目标。随着同步发电机 的模型阶数变化，系统稳定性和精度存在显著差异，本文以二阶机电暂态数学模型进行分析。以隐极式同步发电机为例，首先阐述同步机发电原理，定子三相中缠绕着线圈，而三个三相之间保 持着一百二十度的相角偏差，旦定子绕组可以用电阻，电感串联来等效。转子绕组和dq坐标系下虚拟 的d轴阻尼绕组都在d轴上，当转子通入直流电，在其绕组上有了励磁电压V，使得转子在原动机的带 动下在定子的A,B,C三相绕组的中间转动，如图2-1所示，转子的转动方向如下图，随着转子转动产 生磁场同实现定子绕组的定向切割，从而在定子中产生了感应电流，用匕、小、来表示，定子端口电压 那么