CN113394803B - 基于迭代学习的城轨混合储能***功率动态分配控制方法 - Google Patents
基于迭代学习的城轨混合储能***功率动态分配控制方法 Download PDFInfo
- Publication number
- CN113394803B CN113394803B CN202110749366.9A CN202110749366A CN113394803B CN 113394803 B CN113394803 B CN 113394803B CN 202110749366 A CN202110749366 A CN 202110749366A CN 113394803 B CN113394803 B CN 113394803B
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- bat
- power
- ref
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims description 9
- 239000003990 capacitor Substances 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 14
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00302—Overcharge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
- H02J7/00306—Overdischarge protection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
针对城市轨道交通频繁制动启动引起的牵引网电压波动等安全问题,采用超级电容‑电池并联组成双向DC/DC变换器架构的混合储能***进行“削峰填谷”。考虑传统电压外环在列车制动阶段动态响应能力有限,发明一种基于直流稳压变化的变增益迭代学***均滤波算法实现混合储能***功率动态分配。通过合理设计功率分配切换规则与电池最优寿命模型,在传统PD开环迭代学习中引入基于直流稳压变化的变增益比例系数,从而实现牵引网电压稳定以及电池寿命保护最优。本发明不仅可以有效抑制直流牵引网电压波动,并且通过迭代学习可以实现对电池最优寿命轨迹的完全跟踪,在实现混合储能***最优能量管理的同时,有效防止电池过充过放。
Description
技术领域
本发明涉及的是一种城市轨道交通储能、节能技术领域,具体的说就是一种基于迭代学习的城轨混合储能***功率动态分配控制方法。
背景技术
城市轨道交通线路能耗巨大且具有较高的运行电压要求,由于站间距离短,列车的频繁加速和制动容易造成牵引网电压波动和再生制动能量损失。通过采用储能的方式回收多余的制动能量是实现城轨交通节能以及保证牵引网电压安全的有效手段。
由于单一器件的储能***难以满足城轨大功率、大能量的双重需求,为抑制牵引网电压急剧上升,常采用混合储能形式对牵引网功率波动实现“削峰填谷”。结合超级电容快速充放电、高功率密度以及电池大能量的特性,混合储能中常采用超级电容和电池作为能量管理***;混合储能***经双向DC/DC变换器连接至牵引电网,并根据列车牵引功率需求实时调整各储能元件的输出功率,各储能元件之间的功率分配取决于其控制策略。另一方面,列车频繁的牵引与制动容易导致电池寿命的衰减,因此如何抑制牵引网电压波动、有效回收制动能量、实现电池寿命保护是技术人员目前需要考虑解决的技术问题。
发明内容
技术问题:为有效匹配永磁牵引***与混合储能***的再生制动能量循环,如何通过控制实现超级电容和电池的最优能量管理,从而达到最优能耗的同时实现电池寿命保护是目前需要考虑解决的技术问题。
技术方案:针对上述问题,本发明采用超级电容-电池并联的方式构成车载混合储能***,在传统电压电流双环级联控制策略基础上引入牵引功率前馈环路,并采用滑动平均滤波算法将牵引功率中的高频部分分配给超级电容,低频部分分配给电池与牵引电网,目的在于超级电容快速完成永磁牵引能量交换,电池完成稳定且持续的能量交换,且通过设置合理的功率分配切换规则以实现混合储能***安全工作。另一方面,考虑列车频繁启停下的电池寿命保护优化以及直流牵引电压波动特性,提出一种基于直流稳压变化的变增益基于迭代学习控制,通过通过反馈-记忆-迭代学习,对电池寿命最优变化曲线实现完全跟踪,最终实现电池储能元件寿命最优保护以及牵引网电压稳定。
1.本发明提出的基于迭代学***均滤波算法协调控制混合储能***的功率分配。其中,超级电容主要发挥其快速响应特性,并用于快速完成永磁牵引***的加速与制动能量交换,电池用于稳定直流牵引电压并辅助供电;通过合理设计功率分配切换规则与电池寿命最优模型,在传统PD开环迭代学习控制中引入基于直流稳压变化的变增益比例,目的在于对直流电压进行限制的同时合理控制电池的充放电电流,防止过冲、过放现象,从而延长电池寿命。本发明实现如下:
设计基于牵引功率实时前馈的混合储能***双环级联控制策略。首先,通过速度与位置传感器检测得到的转速ω与转矩Te相乘,从而得到牵引功率需求Pload。由功率修正量△P以及Pload前馈得到混合储能***功率给定Phess_ref,并将Phess_ref经滑动平均滤波算法分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref,并分别分配给超级电容、电池。
由于混合储能***容量有限,在发挥超级电容大功率、电池大能量优势的前提下,为避免储能容量不足而导致过充过放,因此在列车运行过程中以超级电容荷电状态SOCuc与电池的荷电状态SOCbat为参考,通过规则和滤波算法实现启动/制动功率的动态分配。为限制超级电容与电池容量降低过快,分别设计超级电容安全容量区间为[SOCuc_min,SOCuc_max]=[0.2,0.9],电池容量区间为[SOCbat_min,SOCbat_max]=[0.2,0.8]。
设计功率切换规则如下:
一.当列车启动时:
1).当0.2≤SOCbat≤0.8时,电池处于正常工作状态,且按以下情况进行功率分配:
(1)当0.2≤SOCuc≤0.9时,启动功率由电池与超级电容、电网一起承担,其中超级电容承担高频启动功率需求,电池与电网承担低频启动功率需求。
(2)当0<SOCuc<0.2时,超级电容进入保护状态,电池与电网承担剩余启动功率。
2).当SOCbat<0.2时,电池进入保护状态,且按以下情况进行功率分配:
(1)当0.2≤SOCuc≤0.9时,启动功率由超级电容、电网一起承担。
(2)当0<SOCuc<0.2时,超级电容进入保护状态,电网承担剩余启动功率。
二.当列车制动时:
1).当SOCbat>0.8时,超级电容和电网承担充电功率,电池不工作。
2).当0.2≤SOCbat≤0.8时,电池进入工作状态,且0.2≤SOCuc≤0.9时,制动功率由电池与超级电容、电网一起承担,其中超级电容承担高频制动功率需求,电池与电网承担低频制动功率需求。
然后,设计电池最优寿命变化模型,选取某地铁站点线路为仿真模型,该站点工作日运营时间[h1,h2]=[6:00-22:00],早晚高峰时段运营间隔Ma=5分45秒,平峰时段运营间隔Mb=6分24秒,双休日运营时间[h3,h4]=[6:30-22:00],平均运行间隔Mc=6分24秒。为方便仿真,采用简化计算,按每天运营时间Ht=16个小时,每次发车间隔Min=6分钟,则一天M辆列车从该站点经过,即M个周期,计算如下:
相当于一天内一辆列车共靠站160次。因此,设计电池寿命优化策略,设置车站运营开始时电池初始容量为SOCbat_max=80%,经过160个周期的充放电工作,电池电量达到低谷SOCbat_min=20%,于列车停止运营后低谷充电。
由于地铁整天运营时段共M=160个周期,电池容量变化范围为20%-80%,因此每个周期电池充放电容量最大容许值△SOCbat_limit为:
考虑实际工况下电池循环M周期充放电后的容量变化“宜少不宜多”的情况,设计每周期充放电安全容许值△SOCbat_ref=-0.35%,相当于当前周期的电池实际荷电状态减去前一周期电池实际荷电状态。并以电池兼顾直流牵引电压稳定与寿命保护为原则,从而根据△SOCbat_ref合理设置电池寿命最优期望轨迹。
然后,设计迭代学习控制器。考虑到控制***的收敛速度,采用开环迭代PD算法,学习率表示如下:
其中,uk(t)为第k次控制时的迭代学习控制器在t时刻的输出。uk-1(t)为第k-1次控制时迭代学习控制器在t时刻的输出。ek-1(t)为第k-1次控制时参考输出和实际输出的误差。Kp和Kd分别为误差及误差导数的学习增益,k为迭代次数。
为同时提高启动/制动阶段动态能力,采用以空载母线电压U0=1500V为参考的变增益比例控制方式对母线电压进行限制,通过电压外环计算直流电压Udc与空载电压U0的差值以及Udc与电池放电阈值Ubat_dis=1450V或者电池充电阈值Ubat_char=1520V的误差值,并将误差值进行指数运算,然后进行标幺化,使其作为迭代学习(ILC)学习率比例环节与微分环节的输出,输出结果为:
其中,Kp为变学习增益系数,k1,k2为标幺值系数。
设计基于直流稳压变化的迭代学习控制学习率如下:
通过引入电池寿命预测最优参考轨迹,采用迭代学习算法控制每个运行周期内电池充放电电流大小。
***运行,具体运行步骤如下:
Step1:根据列车实时牵引功率前馈以及滑动平均滤波算法得到分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref。
Step2:超级电容高频功率指令Psc_ref与反馈的超级电容实时电压Usc相除后得到超级电容电流给定值isc_ref,电池低频功率指令Pbat_ref分配给电池双环级联控制中,得到电池电流给定值ibat_ref。然后电流isc_ref与ibat_ref分别与电流内环超级电容电流isc和电池电流ibat比较差值并经PI控制器后用于调节控制双向DC/DC变换器开关管驱动脉冲信号。
Step3:根据超级电容荷电状态SOCuc与电池的荷电状态SOCbat变化确定混合储能***功率切换状态。
Step4:通过地铁线路真实运行数据计算得到电池寿命最优期望轨迹,采用基于直流稳压变化的迭代学习算法对期望轨迹实现完全跟踪,从而实时控制每个运行周期内电池充放电电流大小。在有限的时间区间t∈[0,T]内,迭代学习控制算法的实现步骤如下:
1)初始化电池电流的修正量△ibat_0(t),设置迭代循环次数N,代入被控对象***模型中,经第k次迭代结束后的可得响应输出信号△SOCbat_k(t),k=1,2...N;
2)计算第k次迭代时的误差ek(t)及其微分
3)判断经k次迭代后***响应信号△SOCbat_k(t)与期望信号△SOCbat_ref(t)是否一致,如果结果一致则停止迭代。如果结果不一致,则判断k是否等于N,若k等于N则重新设置学习率重新迭代学习,若不相等则进入下一步;
4)更新下一次迭代的电池电流的修正量△ibat_k(t),并返回步骤2)。
上述运行步骤能有效确定列车牵引运行功率需求,通过滑动平均滤波算法以及混合储能荷电状态的功率切换规则来实现能量协调管理,并通过迭代学习控制来实现电池最优寿命保护。
有益效果:在传统电压电流双环级联控制策略基础上引入牵引功率前馈环路,并采用滑动平均滤波算法将牵引功率中的高频部分分配给超级电容,低频部分分配给电池与牵引电网,目的在于超级电容快速完成永磁牵引能量交换,电池完成稳定且持续的能量交换。另一方面,考虑列车频繁启停下的电池寿命保护优化以及直流牵引电压波动特性,提出一种基于直流稳压变化的变增益基于迭代学习控制,通过通过反馈-记忆-迭代学习,对电池寿命最优变化曲线实现完全跟踪,最终实现电池储能元件寿命最优保护以及牵引网电压稳定。
附图说明
本发明有以下附图:
图1基于牵引功率前馈的混合储能***双环级联控制策略结构图。
图2混合储能***功率切换规则结构图。
图3基于变增益迭代学习的电池寿命优化结构图。
具体实施方式
为进一步解释本发明的技术方案,具体实施方式:
设计基于牵引功率实时前馈的混合储能***双环级联控制策略,如图1所示。首先,通过速度与位置传感器检测得到的转速ω与转矩Te相乘,从而得到牵引功率需求Pload。由功率修正量△P以及Pload前馈得到混合储能***功率给定Phess_ref,并将Phess_ref经滑动平均滤波算法分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref,并分别分配给超级电容、电池。
由于混合储能***容量有限,在发挥超级电容大功率、电池大能量优势的前提下,为避免储能容量不足而导致过充过放,因此在列车运行过程中以超级电容荷电状态SOCuc与电池的荷电状态SOCbat为参考,通过规则和滤波算法实现启动/制动功率的动态分配。为限制超级电容与电池容量降低过快,分别设计超级电容安全容量区间为[SOCuc_min,SOCuc_max]=[0.2,0.9],电池容量区间为[SOCbat_min,SOCbat_max]=[0.2,0.8]。
设计功率切换规则如图2所示,详细描述如下:
一.当列车启动时:
1).当0.2≤SOCbat≤0.8时,电池处于正常工作状态,且按以下情况进行功率分配:
(1)当0.2≤SOCuc≤0.9时,启动功率由电池与超级电容、电网一起承担,其中超级电容承担高频启动功率需求,电池与电网承担低频启动功率需求。
(2)当0<SOCuc<0.2时,超级电容进入保护状态,电池与电网承担剩余启动功率。
2).当SOCbat<0.2时,电池进入保护状态,且按以下情况进行功率分配:
(1)当0.2≤SOCuc≤0.9时,启动功率由超级电容、电网一起承担。
(2)当0<SOCuc<0.2时,超级电容进入保护状态,电网承担剩余启动功率。
二.当列车制动时:
1).当SOCbat>0.8时,超级电容和电网承担充电功率,电池不工作。
2).当0.2≤SOCbat≤0.8时,电池进入工作状态,且0.2≤SOCuc≤0.9时,制动功率由电池与超级电容、电网一起承担,其中超级电容承担高频制动功率需求,电池与电网承担低频制动功率需求。
然后,设计电池最优寿命变化模型,如图3所示。选取某地铁站点线路为仿真模型,该站点工作日运营时间[h1,h2]=[6:00-22:00],早晚高峰时段运营间隔Ma=5分45秒,平峰时段运营间隔Mb=6分24秒,双休日运营时间[h3,h4]=[6:30-22:00],平均运行间隔Mc=6分24秒。为方便仿真,采用简化计算,按每天运营时间Ht=16个小时,每次发车间隔Min=6分钟,则一天M辆列车从该站点经过,即M个周期,计算如下:
相当于一天内一辆列车共靠站160次。因此,设计电池寿命优化策略,设置车站运营开始时电池初始容量为SOCbat_max=80%,经过160个周期的充放电工作,电池电量达到低谷SOCbat_min=20%,于列车停止运营后低谷充电。
由于地铁整天运营时段共M=160个周期,电池容量变化范围为20%-80%,因此每个周期电池充放电容量最大容许值△SOCbat_limit为:
考虑实际工况下电池循环M周期充放电后的容量变化“宜少不宜多”的情况,设计每周期充放电安全容许值△SOCbat_ref=-0.35%,相当于当前周期的电池实际荷电状态减去前一周期电池实际荷电状态。并以电池兼顾直流牵引电压稳定与寿命保护为原则,从而根据△SOCbat_ref合理设置电池寿命最优期望轨迹。
然后,设计迭代学习控制器。考虑到控制***的收敛速度,采用开环迭代PD算法,学习率表示如下:
其中,uk(t)为第k次控制时的迭代学习控制器在t时刻的输出。uk-1(t)为第k-1次控制时迭代学习控制器在t时刻的输出。ek-1(t)为第k-1次控制时参考输出和实际输出的误差。Kp和Kd分别为误差及误差导数的学习增益,k为迭代次数。
为同时提高启动/制动阶段动态能力,采用以空载母线电压U0=1500V为参考的变增益比例控制方式对母线电压进行限制,通过电压外环计算直流电压Udc与空载电压U0的差值以及Udc与电池放电阈值Ubat_dis=1450V或者电池充电阈值Ubat_char=1520V的误差值,并将误差值进行指数运算,然后进行标幺化,使其作为迭代学习(ILC)学习率比例环节与微分环节的输出,输出结果为:
其中,Kp为变学习增益系数,k1,k2为标幺值系数。
设计基于直流稳压变化的迭代学习控制学习率如下:
通过引入电池寿命预测最优参考轨迹,采用迭代学习算法控制每个运行周期内电池充放电电流大小。
***运行,具体运行步骤如下:
Step1:根据列车实时牵引功率前馈以及滑动平均滤波算法得到分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref。
Step2:超级电容高频功率指令Psc_ref与反馈的超级电容实时电压Usc相除后得到超级电容电流给定值isc_ref,电池低频功率指令Pbat_ref分配给电池双环级联控制中,得到电池电流给定值ibat_ref。然后电流isc_ref与ibat_ref分别与电流内环超级电容电流isc和电池电流ibat比较差值并经PI控制器后用于调节控制双向DC/DC变换器开关管驱动脉冲信号。
Step3:根据超级电容荷电状态SOCuc与电池的荷电状态SOCbat变化确定混合储能***功率切换状态。
Step4:通过地铁线路真实运行数据计算得到电池寿命最优期望轨迹,采用基于直流稳压变化的迭代学习算法对期望轨迹实现完全跟踪,从而实时控制每个运行周期内电池充放电电流大小。在有限的时间区间t∈[0,T]内,迭代学习控制算法的实现步骤如下:
1)初始化电池电流的修正量△ibat_0(t),设置迭代循环次数N,代入被控对象***模型中,经第k次迭代结束后的可得响应输出信号△SOCbat_k(t),k=1,2...N;
2)计算第k次迭代时的误差ek(t)及其微分
3)判断经k次迭代后***响应信号△SOCbat_k(t)与期望信号△SOCbat_ref(t)是否一致,如果结果一致则停止迭代。如果结果不一致,则判断k是否等于N,若k等于N则重新设置学习率重新迭代学习,若不相等则进入下一步;
4)更新下一次迭代的电池电流的修正量△ibat_k(t),并返回步骤2);
上述运行步骤能有效确定列车牵引运行功率需求,通过滑动平均滤波算法以及混合储能荷电状态的功率切换规则来实现能量协调管理,并通过迭代学习控制来实现电池最优寿命保护。
Claims (1)
1.基于迭代学***均滤波算法协调控制混合储能***的功率分配;其中,超级电容主要发挥其快速响应特性,并用于快速完成永磁牵引***的加速与制动能量交换,电池用于稳定直流牵引电压并辅助供电;
设计基于牵引功率实时前馈的混合储能***双环级联控制策略;首先,通过速度与位置传感器检测得到的转速ω与转矩Te相乘,从而得到牵引功率需求Pload;由功率修正量△P以及Pload前馈得到混合储能***功率给定Phess_ref,并将Phess_ref经滑动平均滤波算法分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref,并分别分配给超级电容、电池;
由于混合储能***容量有限,在发挥超级电容大功率、电池大能量优势的前提下,为避免储能容量不足而导致过充过放,因此在列车运行过程中以超级电容荷电状态SOCuc与电池的荷电状态SOCbat为参考,通过规则和滤波算法实现启动/制动功率的动态分配;为限制超级电容与电池容量降低过快,分别设计超级电容安全容量区间为[SOCuc_min,SOCuc_max],电池容量区间为[SOCbat_min,SOCbat_max];
设计功率切换规则如下:
一.当列车启动时:
1).当SOCbat_min≤SOCbat≤SOCbat_max时,电池处于正常工作状态,且按以下情况进行功率分配:
(1)当SOCuc_min≤SOCuc≤SOCuc_max时,启动功率由电池与超级电容、电网一起承担,其中超级电容承担高频启动功率需求,电池与电网承担低频启动功率需求;
(2)当SOCuc_min<SOCuc<SOCuc_max时,超级电容进入保护状态,电池与电网承担剩余启动功率;
2).当SOCbat<SOCbat_min时,电池进入保护状态,且按以下情况进行功率分配:
(1)当SOCuc_min<SOCuc<SOCuc_max时,启动功率由超级电容、电网一起承担;
(2)当0<SOCuc<SOCuc_min时,超级电容进入保护状态,电网承担剩余启动功率;
二.当列车制动时:
1).当SOCbat>SOCbat_max时,超级电容和电网承担充电功率,电池不工作;
2).当SOCbat_min≤SOCbat≤SOCbat_max时,电池进入工作状态,且SOCuc_min≤SOCuc≤SOCuc_max时,制动功率由电池与超级电容、电网一起承担,其中超级电容承担高频制动功率需求,电池与电网承担低频制动功率需求;
然后,设计电池最优寿命保护模型,选取某地铁站点线路为仿真模型,该站点工作日运营时间区间为[h1,h2],早晚高峰时段运营间隔Ma分钟,平峰时段运营间隔Mb分钟,双休日运营时间[h3,h4],平均运行间隔Mc;假设车站每天运营时间为Ht(小时),每次发车间隔Min(分钟),则一天从该站点经过的列车共M辆,即M个周期,计算如下:
相当于一天内一辆列车共靠站M次;因此,设计电池寿命优化策略,设置车站运营开始时电池初始容量为SOCbat_max,经过M个周期的充放电工作,电池电量达到低谷SOCbat_min,于列车停止运营后低谷充电;
由于地铁整天运营时段共M个周期,电池容量变化范围为[SOCbat_min,SOCbat_max],因此每个周期电池充放电容量最大容许值△SOCbat_limit为:
考虑实际工况下电池循环M周期充放电后的容量变化“宜少不宜多”的情况,设计每周期充放电安全容许值△SOCbat_ref,相当于当前周期的电池实际荷电状态减去前一周期电池实际荷电状态;并以电池兼顾直流牵引电压稳定与寿命保护为原则,从而根据△SOCbat_ref合理设置电池寿命最优期望轨迹;
最终,设计迭代学习控制器;考虑到控制***的收敛速度,采用开环迭代PD算法,学习率表示如下:
其中,控制器输出uk(t)为第k次控制时的迭代学习控制器在t时刻的输出;uk-1(t)为第k-1次控制时迭代学习控制器在t时刻的输出;误差ek-1(t)为第k-1次控制时参考输出和实际输出的误差;Kp和Kd分别为误差及误差导数的学习增益,k为迭代次数;
为同时提高启动/制动阶段动态能力,采用以空载母线电压U0为参考的变增益比例控制方式对母线电压进行限制,通过电压外环计算直流电压Udc与空载电压U0的差值以及Udc与电池放电阈值Ubat_dis或者电池充电阈值Ubat_char的误差值,并将误差值进行指数运算,然后进行标幺化,使其作为迭代学习(ILC)学习率比例环节与微分环节的输出,输出结果为:
其中,Kp为变学习增益系数,k1,k2为标幺值系数;
设计基于直流稳压变化的迭代学习控制学习率如下:
通过引入电池寿命预测最优参考轨迹,采用迭代学习算法控制每个运行周期内电池充放电电流大小;
***运行,具体运行步骤如下:
Step1:根据列车实时牵引功率前馈以及滑动平均滤波算法得到分别得到超级电容高频功率指令Psc_ref、牵引网低频功率指令Pdc_ref以及电池低频功率指令Pbat_ref;
Step2:超级电容高频功率指令Psc_ref与反馈的超级电容实时电压Usc相除后得到超级电容电流给定值isc_ref,电池低频功率指令Pbat_ref分配给电池双环级联控制中,得到电池电流给定值ibat_ref;然后电流isc_ref与ibat_ref分别与电流内环超级电容电流isc和电池电流ibat比较差值并经PI控制器后用于调节控制双向DC/DC变换器开关管驱动脉冲信号;
Step3:根据超级电容荷电状态SOCuc与电池的荷电状态SOCbat变化确定混合储能***功率切换状态;
Step4:计算电池寿命最优期望轨迹,采用基于直流稳压变化的迭代学习算法对期望轨迹实现完全跟踪,从而实时控制每个运行周期内电池充放电电流大小;在有限的时间区间t∈[0,T]内,迭代学习控制算法的实现步骤如下:
1)初始化电池电流的修正量△ibat_0(t),设置迭代循环次数N,代入被控对象***模型中,经第k次迭代结束后的可得响应输出信号△SOCbat_k(t),k=1,2...N;
2)计算第k次迭代时的误差ek(t)及其微分
3)判断经k次迭代后***响应信号△SOCbat_k(t)与期望信号△SOCbat_ref(t)是否一致,如果结果一致则停止迭代;如果结果不一致,则判断k是否等于N,若k等于N则重新设置学习率重新迭代学习,若不相等则进入下一步;
4)更新下一次迭代的电池电流的修正量△ibat_k(t),并返回步骤2);
上述运行步骤能有效确定列车牵引运行功率需求,通过滑动平均滤波算法以及混合储能荷电状态的功率切换规则来协调控制混合储能之间的功率分配,并通过迭代学习控制来实现电池最优寿命保护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749366.9A CN113394803B (zh) | 2021-07-01 | 2021-07-01 | 基于迭代学习的城轨混合储能***功率动态分配控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749366.9A CN113394803B (zh) | 2021-07-01 | 2021-07-01 | 基于迭代学习的城轨混合储能***功率动态分配控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113394803A CN113394803A (zh) | 2021-09-14 |
CN113394803B true CN113394803B (zh) | 2024-05-24 |
Family
ID=77625022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749366.9A Active CN113394803B (zh) | 2021-07-01 | 2021-07-01 | 基于迭代学习的城轨混合储能***功率动态分配控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113394803B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109672200A (zh) * | 2018-12-11 | 2019-04-23 | 北京交通大学 | 城轨交通地面超级电容储能***分布式协调控制优化方法 |
WO2019128739A1 (zh) * | 2017-12-27 | 2019-07-04 | 比亚迪股份有限公司 | 用于轨道交通的直流牵引供电***及其控制方法 |
CN110053521A (zh) * | 2019-03-08 | 2019-07-26 | 北京交通大学 | 城市轨道交通牵引供电***及车-网配合参数优化方法 |
CN111211554A (zh) * | 2020-01-17 | 2020-05-29 | 湖南工业大学 | 城轨混合储能***的功率动态分配控制方法 |
CN112668848A (zh) * | 2020-12-18 | 2021-04-16 | 北京交通大学 | 基于工况分析的现代有轨电车混合储能***能量管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7078877B2 (en) * | 2003-08-18 | 2006-07-18 | General Electric Company | Vehicle energy storage system control methods and method for determining battery cycle life projection for heavy duty hybrid vehicle applications |
-
2021
- 2021-07-01 CN CN202110749366.9A patent/CN113394803B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128739A1 (zh) * | 2017-12-27 | 2019-07-04 | 比亚迪股份有限公司 | 用于轨道交通的直流牵引供电***及其控制方法 |
CN109672200A (zh) * | 2018-12-11 | 2019-04-23 | 北京交通大学 | 城轨交通地面超级电容储能***分布式协调控制优化方法 |
CN110053521A (zh) * | 2019-03-08 | 2019-07-26 | 北京交通大学 | 城市轨道交通牵引供电***及车-网配合参数优化方法 |
CN111211554A (zh) * | 2020-01-17 | 2020-05-29 | 湖南工业大学 | 城轨混合储能***的功率动态分配控制方法 |
CN112668848A (zh) * | 2020-12-18 | 2021-04-16 | 北京交通大学 | 基于工况分析的现代有轨电车混合储能***能量管理方法 |
Non-Patent Citations (1)
Title |
---|
基于动态阈值控制策略的城轨超级电容储能***寿命优化研究;夏欢;杨中平;李旭阳;林飞;杨志鸿;;铁道学报;20160915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113394803A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reddy et al. | An intelligent power and energy management system for fuel cell/battery hybrid electric vehicle using reinforcement learning | |
CN103457312B (zh) | 用于车辆的充电控制器 | |
CN102150320B (zh) | 电池***以及电池***搭载车辆 | |
CN110549868B (zh) | 基于动力***实时功率的混合动力有轨电车速度调整方法 | |
US20130241466A1 (en) | Regenerative power supply system | |
CN111459025A (zh) | 一种运用粒子算法优化的复合电源电动汽车功率分配策略 | |
CN109980669B (zh) | 基于动态设定和协调优化的城轨超级电容储能***控制方法 | |
CN106427607A (zh) | 一种电动车混合式储能***能量分配方法 | |
CN112751376B (zh) | 一种混合电源***的能量管理方法 | |
CN109552110B (zh) | 基于规则与非线性预测控制的电动汽车复合能量管理方法 | |
CN111711258A (zh) | 一种基于铁路功率调节器的混合储能控制方法 | |
Wang et al. | Power dynamic allocation strategy for urban rail hybrid energy storage system based on iterative learning control | |
CN105667499A (zh) | 一种电动汽车增程模式下的能量管理方法 | |
CN107745644A (zh) | 基于能量转移的城轨交通电池储能***放电阈值动态调整控制方法 | |
CN110884364A (zh) | 一种基于功率跟踪的电动汽车混合电源控制方法 | |
CN103872729A (zh) | 自适应滤波器功率分流控制的混合动力车复合电源及方法 | |
Wang et al. | Hybrid energy management strategy based on dynamic setting and coordinated control for urban rail train with PMSM | |
CN112441027A (zh) | 交通工具和运行交通工具的方法 | |
CN111446901B (zh) | 一种基于混合能源的电机驱动控制***及其控制方法 | |
CN113394803B (zh) | 基于迭代学习的城轨混合储能***功率动态分配控制方法 | |
CN113488983A (zh) | 一种基于功率分配的虚拟直流电机和模型预测联合稳定直流母线电压的方法 | |
Tsukahara et al. | A study on methods to design and select energy storage devices for Fuel Cell hybrid powered railway vehicles | |
CN203747469U (zh) | 自适应滤波器功率分流控制的混合动力车复合电源 | |
Ye et al. | A fast Q-learning energy management strategy for battery/supercapacitor electric vehicles considering energy saving and battery aging | |
CN115848217B (zh) | 一种基于多能源模组的能源管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |