基于模糊神经网络的光伏发电系统功率控制方法李键

基于模糊神经网络的光伏发电系统功率控制方法李键

李键

（国家电力投资集团湖北分公司湖北随州441300）

摘要：模糊神经网络无论作为逼近器，还是模式存储器，都是需要学习和优化权系数的。学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络，可采用基于误差的学习算法，也即是监视学习算法。对于算术模糊神经网络，则有模糊BP算法，遗传算法等。

关键词：神经网络；光伏发电；功率；控制方法

1神经网络与模糊控制优劣

由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对那些数学模型难以获取，动态特性不易掌握或变化非常显著的对象非常适用。基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同，容易导致较大差异；但一个系统语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器。模糊控制是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平。（5）模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。什么是模糊控制？与传统控制理论相比有什么优点？模糊控制是近代控制理论中建立在模糊集合轮上基础上的一种基于语言规则与模糊推理的控制理论，它是智能控制的一个重要分支。与传统控制理论相比，模糊控制有两大不可比拟的优点：第一，模糊控制在许多应用中可以有效且便捷的实现人的控制策略和经验，这一优点自从模糊控制诞生以来就一直受到人们密切的关注；第二，模糊控制不需要被控对象的数学模型即可实现较好的控制，这是因为被控对象的动态特性已隐含在模糊控制器输入、输出模糊集及模糊规则中。所以模糊控制被越来越多的应用于各个领域，尤其是被广泛应用于家电系列中，基于模糊控制的洗衣机就是其中的一个典型实例。模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景。优点：对于难于建立模型的控制对象不失为一种良好的控制方法。

2模糊神经网络模型及算法流程

以下建立概率模糊神经网络控制器，求取三相逆变器注入电网的有功和无功电流参考值。概率模糊神经网络控制器的计算流程如图1所示，概率模糊神经网络控制器包括6层网络结构：第1层为输入层、第2层为隶属度层、第3层为概率层、第4层为TSK模糊推理机制层、第5层为规则层、第6层为输出层；在隶属度层中，每个节点采用不对称高斯函数实现模糊化运算。

定义第j个模糊If-Then规则表示如下：规则j：如果x1=Mj1，x2=Mj2，则：

式中Pjp（N）对应于第j个输入变量第p个节点的输出信号，m3jp和δ3jp分别对应于第j个输入变量第p个节点不对称高斯函数的均值和标准差；为了减小计算量，可以将m3jp和δ3jp设置成常数，当p=1时，m3jp=－1；当p=2时，m3jp=0；当p=3时，m3jp=1。第4层（TSK模糊推理机制层）：本层中，输出信号为输入信号的线性组合，第k个节点的输出信号为［14］：

式中wk6（N）表示第k个模糊化规则对第o个输出信号作用强度的权系数，yko（N）为第6层节点的第k个输入信号；yo6（N）=iq*为光伏逆变器注入的有功电流，yo6（N）=id*为光伏逆变器注入电网的无功电流。在上述步骤基础上，建立概率模糊神经网络控制器的误差后向传播学习算法机制，构造一个梯度向量，使得其中每一个元素均为能量函数相对于算法参数的一阶微分，从而完成概率模糊神经网络的参数在线自整定。参数wk6，cik，δ2L_j和δ2Ｒ_j初始值分别设置为0，1，1，1；参数m12，m22，m32，m42，m52，m62初始值分别设置为－1，0，1，－1，0，1；学习率η1～η5初始值均为零。

3结论

近年来，在政策的推动下，光伏发电产业得到快速发展，光伏电站容量在电力系统电源中所占比例逐渐增加。但是，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的稳定性。由于电网故障而快速将光伏发电系统切出电网的方法目前已无法满足要求，为保证光伏发电系统在故障时不脱离电网，需要光伏发电系统具有低电压穿越能力。然而，在电网实际运行中，绝大多数故障为不对称故障，光伏发电系统若采用传统三相电压对称的低电压穿越控制策略，将会由于负序电流存在，并网逆变器的并网功率与光伏阵列发出功率不平衡，并网逆变器直流侧电压降大幅度波动，影响光伏发电系统的稳定运行。

参考文献：

[1]陆畅，智勇军，周志锋.基于模糊神经网络的光伏发电系统功率控制方法[J].电测与仪表，2017，54（2）：46-51.

[2]李寿强.基于模糊神经网络电力系统无功功率控制研究[J].电气应用，2012（8）：32-34.