基于人工神经网络的分布式发电等效建模
基于人工神经网络的分布式发电等效建模[20191215165705]
分布式发电（Distributed Generation），通常是指发电功率在几千瓦至几兆瓦的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。主要包括：以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电（光伏电池、光热发电）、风力发电、生物质能发电等。随着分布式发电的重要性越来越突出，对其准确建模也逐渐引起了学者的关注。但是，分布式发电系统的计算难度较大使得准确建模越来越困难。另一方面，使用普通的等效方法在模拟动态网络精度上存在很大的不足，加上分布式发电对快速准确分析要求较高，因此本文在研究大电网等效建模方法的基础上采用神经网络进行等效建模。
首先，本文针对目前分布式发电系统分析中的数学模型难以建立的问题，通过研究神经网络的自适应性，学习传统分布式发电系统建模方法，在此基础上提出了神经网络等效的方法，并对其进行了相关理论分析。其次，分析了BP神经网络的优点及缺点，提出使用智能算法对神经网络进行优化。最后，利用Matlab分别搭建分布式风力发电系统和燃料电池发电系统，提取局部网络的相关参数(本文采用了局部边界母线的规范化后的电压、电流值、功率)，对优化后的神经网络训练后，得到等效后的模型，并利用相关数据和原网络对比进行等效验证，为进一步分析分布式发电系统模型提供了一种新的思路。
查看完整论文请+Q: 351916072
关键字:分布式发电；人工神经网络；风力发电；固体氧化物燃料电池；
目录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1课题研究背景及意义 1
1.1.1分布式发电的概念 1
1.1.2 课题研究意义 2
1.1.3 研究现状及存在的问题 2
1.2 本文的主要工作 3
第2章 分布式发电等效模型原理分析 5
第3章 基于Matlab/Simulink分布式发电等效建模 7
3.1 基于Matlab/Simulink风力发电等效建模 7
3.1.1 定速风电机组的工作原理 8
3.1.2 定速风电机组的模型仿真 9
3.2 基于Matlab/Simulink燃料电池等效建模 11
3.2.1 SOFC的工作原理及基本组成 12
3.2.2 SOFC的模型仿真 13
第4章 基于神经网络的分布式发电等效建模 16
4.1 神经网络 16
4.1.1 生物神经元的结构 17
4.1.2 人工神经网络模型 18
4.1.3 BP神经网络 19
4.2 粒子群优化BP神经网络 23
4.2.1 粒子群算法基本原理 23
4.2.2 粒子群算法数学描述 24
4.2.3 粒子群算法局限性及改进 25
4.2.4 粒子群算法优化BP神经网络的基本方法 26
4.3 改进的BP神经网络等效分布式发电模型 27
4.3.1粒子群算法优化的BP神经网络等效 27
4.3.2 验证及结果分析 29
第5章 总结与展望 32
参考文献 33
致 谢 34
附 录 A 35
附 录 B 41
第1章 绪论
1.1课题研究背景及意义
随着人类社会的发展和科学技术的进步，人们对能源的需求也随之增长。然而，传统能源面临着枯竭的严峻形势，同时也对环境造成严重的污染，其在不久的将来将会被太阳能、风能、潮汐能、地热能、核能等可再生、无污染的新型能源取代。新型能源的使用将会改变人类供电的方式，即从集中供电到分布式供电，带来一场电力系统的革命。
1.1.1分布式发电的概念
传统电力工业对于发电机组容量的观点是: 容量越大效率越高，单位千瓦投资越低，发电成本也越低[1]。因此，电力工业的发展方向是“大机组、大电厂和大电网”。然而随着科学技术的发展、且人们对环境及能源供应安全性的关注度不断提高，分布式发电技术走进了学者的视野。分布式发电是指：距离用户较近，就地发电就地利用，接入电网的电压等级不超过10千伏，单个并网点总装机容量不超过6兆瓦的发电项目[2]。包括太阳能、天然气、生物质能、风能、地热能、海洋能、资源综合利用发电等类型。目前，分布式发电技术中的风力发电、光伏发电、燃料电池和微型燃气轮机等几种发电形式比较成熟。由于能够大幅度的提高能源利用效率、节能、多样化地利用各种无污染和可再生能源，分布式发电系统在未来会得到越来越广泛的应用。
发展分布式发电系统能够实现经济节省、环境保护和资源节约，能够保证用户使用上安全可靠的电能，能够让一些远离大电厂的地区用上电。分布式发电与传统的发电方式相比较，分布式发电有着如下几个优点[3]：
（1） 一些分布式发电技术能够实现能源的高效率使用，实现能源多次再利用；
（2） 分布式发电使用清洁能源，减少了有害物质的排放，减轻了环保压力；
（3） 分布式发电能够在意外灾祸发作时保持供电，是集中供电的重要弥补；补偿了大电网安全稳定性的缺乏；
（4） 分布式发电装置通常距离用户比较近，无需用配电站进行配电，在输电线上的损耗比较小，可以减少额外的开支，使得建一个分布式发电系统的成本低；
1.1.2 课题研究意义
电厂大规模的发电、远距离的输电是目前发电、输电、配电的主要形式，但这种供电方式存在许多不足之处。随着对供电安全、可靠、环保、经济等方面的要求提高，以清洁能源为发电来源，分布式发电技术为基础的发电形式在迅速的发展。据有关专家推测，分布式发电技术和互联网的相结合将是第三次工业革命的重要标志之一。未来每一个房屋都会变成分布式发电的平台，这样既可以使单个建筑使用自己的发电，也解决诸如电力的输送的一些难题，改变了信息的传播方式、人们的生活和工作方式，带来了战略性新兴产业发展的巨大变化。我国的地理条件特殊，考虑到日照分布、能源分布情况以及人口分布情况等问题，只有大力发展分布式发电，才能抓住第三次工业革命的先机。因此从2012年后半年，在分布式发电方面我国政府先后给出前所未有的发展分布式发电的政策。
想要对一个发电系统进行分析，首先必须建立一个精确的模型。它对于准确评估发电系统的安全性、稳定性有着重要的意义。由于负荷的需求、温度等外部条件约束着分布式发电系统，因此需对其进行考虑，这是与传统的集中式发电系统的不同之处。由于分布式电源自身的惯性比较小，自身的状态容易受到影响而发生剧烈的变化，如系统内部、外部电网的各种故障都会导致其状态产生剧烈的变化，导致系统运行方式的改变。因此其动态过程相比于传统的电力系统更加的复杂，建立一个准确的模型十分重要。
1.1.3 研究现状及存在的问题
目前国内外对微电源的建模及其分析进行了广泛的研究。文献[4]使用MATLAB/Simulink软件搭建了简单的燃料电池模型、柴油发电机模型等微电源的Simulink模型,和MATLAB自带的简单风机模型一起构建普通的微电网模型。仿真试验了在严重故障情况下微电网故障恢复能力和维持电能质量能力，结果显示了所建微电源模型基本能够模拟现实的运行情况,为微电网的进一步研究提供了仿真平台。文献[5]从微电网的组成及控制入手,对微电源建模、微电源接口逆变器控制设计以及设计建立微电网算例来验证微电网的运行性能。文献[6]根据光伏阵列的输出伏安特性，在光伏阵列通用仿真模型的基础上提出了一种自适应占空比干扰发，建立了一种以Boost电路的仿真模型，通过控制Boost DC-DC变换器提高了光伏列阵的利用效率。文献[7]研究了微电源光伏电池的数学模型，搭建了带有最大功率跟踪的光伏电池模型，通过仿真验证了此模型的有效性，得出了该模型可以用于光伏发电系统和风光复合发电系统的仿真。文献[8]分析了风力发电技术的发展前景及趋势。文献[9]介绍了仿真技术在风力发电的重要价值。
总体上说，目前对分布式发电的研究对于实现其实际应用还相差甚远，其研究水平和深度目前还处于初级阶段。所以此类研究仍有待进一步深入。但由于分布式发电具有种类繁多，更新速度快等特点，使得搭建一个简单方便的模型是比较困难的。本文在此基础上使用粒子群算法优化的神经网络等效分布式发电的局部电路，为后续的研究提供了一个新的思路。
1.2 本文的主要工作
本文主要通过采用神经网络对分布式发电局部电路等效建模，解决分布式发电种类繁多，逆变器拓扑结构复杂的问题，为设计和规划分布式发电提供理论依据。
针对分布式发电建模本文进行了以下的研究工作。
（1） 首先对分布式发电进行阐述，并介绍了目前国内外分布式发电等效的传统方法及优缺点，提出使用神经网络进行等效建模。
（2） 简单介绍了风力发电和燃料电池发电的基本原理，并用Matlab/Simulink分别搭建了分布式风力发电，燃料电池的等效模型。
（3） 在BP神经网络的基础上，使用粒子群算法进行优化，解决了BP神经网络收敛速度慢，容易陷入局部极值的缺点。建立了基于神经网络的分布式电源的等效模型。
（4） 对原模型和含有神经网络的等效模型进行对比分析，验证基于神经网络的等效正确性。
第2章 分布式发电等效模型原理分析
为了研究分布式发电系统的特性，常用的建模方法是机理分析法。这种方法是在非常多的假设条件下得到非线性系统的复杂模型，且由于对系统在各个工作点进行线性化化简，简化后得到的结论与真实的系统不十分一致，得到的模型和真实情况存在较大误差。而基于神经网络的动态等效方法不需要原系统的具体数据参数，将原系统看作一个黑箱子，只需知道其中的相对变化。本文通过测量输电线上的电压、电流以及功率，将这些数据作为神经网络的输入输出对神经网络进行训练，最后得到等效的神经网络模型。基于神经网络的分布式发电的动态等效原理如图2.1所示。
图2.1基于神经网络的动态等效示意图
神经网络的输入信号是通过测量Matlab等效模型的输电线上的平均电压，通过归一化函数对该电压进行处理后，得到归一化的电压偏差信号作为神经网络的输入信号。将神经网络输出的信号进行反归一化处理后得到了实际电路的输出功率或输出电流。
通过对神经网络进行重复的训练后，可以获得原系统的神经网络等效模型。由于人工神经网络具有自学习能力，非线性适应性信息处理能力，使得当环境改变时它仍能较好的适应。
目前BP神经网络经过众多学者的研究，理论已经比较成熟，在各个领域得到了广泛的应用。因为BP神经网络可以对非线性系统进行建模，因此本文采用优化后的BP神经网络实现分布式发电的等效。具体实现过程将在下一章介绍。
第3章 基于Matlab/Simulink分布式发电等效建模
本章主要分析基于Matlab/Simulink的分布式发电等效建模的方法。分别介绍分布式风力发电、燃料电池发电的基本原理及其特点，给出分布式发电Matlab模型设计方法。
3.1 基于Matlab/Simulink风力发电等效建模
风能和煤、石油、天然气等化石能源相比，有着十分安全、对环境污染较小、储量大等特点，是一种可持续利用的资源，能源供应十分稳定。当今世界可再生能源开发中，风力发电是除水力发电以外技术最为成熟，能够进行大量开发的发电形式。目前各个国家日益重视风力发电技术。
风力发电机组种类多，可以按照结构、控制原理、运行方式的不同进行划分。而风电机组的通用动态模型基本相似。风机的空气动力学模型、机组的轴系模型、桨距角控制模型、发电机模型以及控制保护系统等部分组成了风电机组的通用动态模型[10]。其框图如图3.1。
图3.1 风电机组通用动态模型
分布式发电（Distributed Generation），通常是指发电功率在几千瓦至几兆瓦的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。主要包括：以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电（光伏电池、光热发电）、风力发电、生物质能发电等。随着分布式发电的重要性越来越突出，对其准确建模也逐渐引起了学者的关注。但是，分布式发电系统的计算难度较大使得准确建模越来越困难。另一方面，使用普通的等效方法在模拟动态网络精度上存在很大的不足，加上分布式发电对快速准确分析要求较高，因此本文在研究大电网等效建模方法的基础上采用神经网络进行等效建模。
首先，本文针对目前分布式发电系统分析中的数学模型难以建立的问题，通过研究神经网络的自适应性，学习传统分布式发电系统建模方法，在此基础上提出了神经网络等效的方法，并对其进行了相关理论分析。其次，分析了BP神经网络的优点及缺点，提出使用智能算法对神经网络进行优化。最后，利用Matlab分别搭建分布式风力发电系统和燃料电池发电系统，提取局部网络的相关参数(本文采用了局部边界母线的规范化后的电压、电流值、功率)，对优化后的神经网络训练后，得到等效后的模型，并利用相关数据和原网络对比进行等效验证，为进一步分析分布式发电系统模型提供了一种新的思路。
查看完整论文请+Q: 351916072
关键字:分布式发电；人工神经网络；风力发电；固体氧化物燃料电池；
目录
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1课题研究背景及意义 1
1.1.1分布式发电的概念 1
1.1.2 课题研究意义 2
1.1.3 研究现状及存在的问题 2
1.2 本文的主要工作 3
第2章 分布式发电等效模型原理分析 5
第3章 基于Matlab/Simulink分布式发电等效建模 7
3.1 基于Matlab/Simulink风力发电等效建模 7
3.1.1 定速风电机组的工作原理 8
3.1.2 定速风电机组的模型仿真 9
3.2 基于Matlab/Simulink燃料电池等效建模 11
3.2.1 SOFC的工作原理及基本组成 12
3.2.2 SOFC的模型仿真 13
第4章 基于神经网络的分布式发电等效建模 16
4.1 神经网络 16
4.1.1 生物神经元的结构 17
4.1.2 人工神经网络模型 18
4.1.3 BP神经网络 19
4.2 粒子群优化BP神经网络 23
4.2.1 粒子群算法基本原理 23
4.2.2 粒子群算法数学描述 24
4.2.3 粒子群算法局限性及改进 25
4.2.4 粒子群算法优化BP神经网络的基本方法 26
4.3 改进的BP神经网络等效分布式发电模型 27
4.3.1粒子群算法优化的BP神经网络等效 27
4.3.2 验证及结果分析 29
第5章 总结与展望 32
参考文献 33
致 谢 34
附 录 A 35
附 录 B 41
第1章 绪论
1.1课题研究背景及意义
随着人类社会的发展和科学技术的进步，人们对能源的需求也随之增长。然而，传统能源面临着枯竭的严峻形势，同时也对环境造成严重的污染，其在不久的将来将会被太阳能、风能、潮汐能、地热能、核能等可再生、无污染的新型能源取代。新型能源的使用将会改变人类供电的方式，即从集中供电到分布式供电，带来一场电力系统的革命。
1.1.1分布式发电的概念
传统电力工业对于发电机组容量的观点是: 容量越大效率越高，单位千瓦投资越低，发电成本也越低[1]。因此，电力工业的发展方向是“大机组、大电厂和大电网”。然而随着科学技术的发展、且人们对环境及能源供应安全性的关注度不断提高，分布式发电技术走进了学者的视野。分布式发电是指：距离用户较近，就地发电就地利用，接入电网的电压等级不超过10千伏，单个并网点总装机容量不超过6兆瓦的发电项目[2]。包括太阳能、天然气、生物质能、风能、地热能、海洋能、资源综合利用发电等类型。目前，分布式发电技术中的风力发电、光伏发电、燃料电池和微型燃气轮机等几种发电形式比较成熟。由于能够大幅度的提高能源利用效率、节能、多样化地利用各种无污染和可再生能源，分布式发电系统在未来会得到越来越广泛的应用。
发展分布式发电系统能够实现经济节省、环境保护和资源节约，能够保证用户使用上安全可靠的电能，能够让一些远离大电厂的地区用上电。分布式发电与传统的发电方式相比较，分布式发电有着如下几个优点[3]：
（1） 一些分布式发电技术能够实现能源的高效率使用，实现能源多次再利用；
（2） 分布式发电使用清洁能源，减少了有害物质的排放，减轻了环保压力；
（3） 分布式发电能够在意外灾祸发作时保持供电，是集中供电的重要弥补；补偿了大电网安全稳定性的缺乏；
（4） 分布式发电装置通常距离用户比较近，无需用配电站进行配电，在输电线上的损耗比较小，可以减少额外的开支，使得建一个分布式发电系统的成本低；
1.1.2 课题研究意义
电厂大规模的发电、远距离的输电是目前发电、输电、配电的主要形式，但这种供电方式存在许多不足之处。随着对供电安全、可靠、环保、经济等方面的要求提高，以清洁能源为发电来源，分布式发电技术为基础的发电形式在迅速的发展。据有关专家推测，分布式发电技术和互联网的相结合将是第三次工业革命的重要标志之一。未来每一个房屋都会变成分布式发电的平台，这样既可以使单个建筑使用自己的发电，也解决诸如电力的输送的一些难题，改变了信息的传播方式、人们的生活和工作方式，带来了战略性新兴产业发展的巨大变化。我国的地理条件特殊，考虑到日照分布、能源分布情况以及人口分布情况等问题，只有大力发展分布式发电，才能抓住第三次工业革命的先机。因此从2012年后半年，在分布式发电方面我国政府先后给出前所未有的发展分布式发电的政策。
想要对一个发电系统进行分析，首先必须建立一个精确的模型。它对于准确评估发电系统的安全性、稳定性有着重要的意义。由于负荷的需求、温度等外部条件约束着分布式发电系统，因此需对其进行考虑，这是与传统的集中式发电系统的不同之处。由于分布式电源自身的惯性比较小，自身的状态容易受到影响而发生剧烈的变化，如系统内部、外部电网的各种故障都会导致其状态产生剧烈的变化，导致系统运行方式的改变。因此其动态过程相比于传统的电力系统更加的复杂，建立一个准确的模型十分重要。
1.1.3 研究现状及存在的问题
目前国内外对微电源的建模及其分析进行了广泛的研究。文献[4]使用MATLAB/Simulink软件搭建了简单的燃料电池模型、柴油发电机模型等微电源的Simulink模型,和MATLAB自带的简单风机模型一起构建普通的微电网模型。仿真试验了在严重故障情况下微电网故障恢复能力和维持电能质量能力，结果显示了所建微电源模型基本能够模拟现实的运行情况,为微电网的进一步研究提供了仿真平台。文献[5]从微电网的组成及控制入手,对微电源建模、微电源接口逆变器控制设计以及设计建立微电网算例来验证微电网的运行性能。文献[6]根据光伏阵列的输出伏安特性，在光伏阵列通用仿真模型的基础上提出了一种自适应占空比干扰发，建立了一种以Boost电路的仿真模型，通过控制Boost DC-DC变换器提高了光伏列阵的利用效率。文献[7]研究了微电源光伏电池的数学模型，搭建了带有最大功率跟踪的光伏电池模型，通过仿真验证了此模型的有效性，得出了该模型可以用于光伏发电系统和风光复合发电系统的仿真。文献[8]分析了风力发电技术的发展前景及趋势。文献[9]介绍了仿真技术在风力发电的重要价值。
总体上说，目前对分布式发电的研究对于实现其实际应用还相差甚远，其研究水平和深度目前还处于初级阶段。所以此类研究仍有待进一步深入。但由于分布式发电具有种类繁多，更新速度快等特点，使得搭建一个简单方便的模型是比较困难的。本文在此基础上使用粒子群算法优化的神经网络等效分布式发电的局部电路，为后续的研究提供了一个新的思路。
1.2 本文的主要工作
本文主要通过采用神经网络对分布式发电局部电路等效建模，解决分布式发电种类繁多，逆变器拓扑结构复杂的问题，为设计和规划分布式发电提供理论依据。
针对分布式发电建模本文进行了以下的研究工作。
（1） 首先对分布式发电进行阐述，并介绍了目前国内外分布式发电等效的传统方法及优缺点，提出使用神经网络进行等效建模。
（2） 简单介绍了风力发电和燃料电池发电的基本原理，并用Matlab/Simulink分别搭建了分布式风力发电，燃料电池的等效模型。
（3） 在BP神经网络的基础上，使用粒子群算法进行优化，解决了BP神经网络收敛速度慢，容易陷入局部极值的缺点。建立了基于神经网络的分布式电源的等效模型。
（4） 对原模型和含有神经网络的等效模型进行对比分析，验证基于神经网络的等效正确性。
第2章 分布式发电等效模型原理分析
为了研究分布式发电系统的特性，常用的建模方法是机理分析法。这种方法是在非常多的假设条件下得到非线性系统的复杂模型，且由于对系统在各个工作点进行线性化化简，简化后得到的结论与真实的系统不十分一致，得到的模型和真实情况存在较大误差。而基于神经网络的动态等效方法不需要原系统的具体数据参数，将原系统看作一个黑箱子，只需知道其中的相对变化。本文通过测量输电线上的电压、电流以及功率，将这些数据作为神经网络的输入输出对神经网络进行训练，最后得到等效的神经网络模型。基于神经网络的分布式发电的动态等效原理如图2.1所示。
图2.1基于神经网络的动态等效示意图
神经网络的输入信号是通过测量Matlab等效模型的输电线上的平均电压，通过归一化函数对该电压进行处理后，得到归一化的电压偏差信号作为神经网络的输入信号。将神经网络输出的信号进行反归一化处理后得到了实际电路的输出功率或输出电流。
通过对神经网络进行重复的训练后，可以获得原系统的神经网络等效模型。由于人工神经网络具有自学习能力，非线性适应性信息处理能力，使得当环境改变时它仍能较好的适应。
目前BP神经网络经过众多学者的研究，理论已经比较成熟，在各个领域得到了广泛的应用。因为BP神经网络可以对非线性系统进行建模，因此本文采用优化后的BP神经网络实现分布式发电的等效。具体实现过程将在下一章介绍。
第3章 基于Matlab/Simulink分布式发电等效建模
本章主要分析基于Matlab/Simulink的分布式发电等效建模的方法。分别介绍分布式风力发电、燃料电池发电的基本原理及其特点，给出分布式发电Matlab模型设计方法。
3.1 基于Matlab/Simulink风力发电等效建模
风能和煤、石油、天然气等化石能源相比，有着十分安全、对环境污染较小、储量大等特点，是一种可持续利用的资源，能源供应十分稳定。当今世界可再生能源开发中，风力发电是除水力发电以外技术最为成熟，能够进行大量开发的发电形式。目前各个国家日益重视风力发电技术。
风力发电机组种类多，可以按照结构、控制原理、运行方式的不同进行划分。而风电机组的通用动态模型基本相似。风机的空气动力学模型、机组的轴系模型、桨距角控制模型、发电机模型以及控制保护系统等部分组成了风电机组的通用动态模型[10]。其框图如图3.1。
图3.1 风电机组通用动态模型
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4978.html
