基于RBF神经网络的双参数自适应光储VSG构网逆变器MATLAB仿真模型

“电气仔推送”获得资料（专享优惠）

模型简介

此模型源侧部分采用光伏发电系统与混合储能系统（蓄电池+超级电容），并网逆变器采用虚拟同步发电机（VSG）控制，为系统提供惯量阻尼支撑。同时对VSG控制部分进行了改进，采用RBF径向基神经网络对虚拟惯量及虚拟阻尼进行自适应控制，自适应方法完全复现《基于虚拟同步发电机的逆变器并网稳定性研究_姚凤军》这篇文章。整体模型架构完整，波形完美，可进一步创作！

光伏系统

光伏电池模块采用环境系数修正系数搭建，光伏MPPT控制采用扰动观察法，得到光伏电池当前条件下的最佳工作点，在变化的光照和温度环境下保持最佳工作状态运行。

混合储能系统

储能系统的设计主要用于两方面：一方面保证系统的功率平衡，第二方面是维持母线电压恒定。系统发现母线电压发生改变，将促使蓄电池和超级电容开始运行，利用其充放电来稳定母线电压。所以利用母线电压下降或者上升的现象可以得出微电网净功率波动的状态。混合储能系统的控制方法采用一阶低通滤波法制。参考文献《光伏微电网混合储能系统控制策略研究》进行搭建。

RBF-VSG自适应控制

改进型VSG的总体方案如图所示，神经网络用于自适应调整惯性和阻尼。惯性与阻尼之间的函数关系为f（x）,g惯量与阻尼协同控制。改进后的虚拟同步发电机主要由储能系统、三相逆变器、LCL滤波器和 VSG控制算法四部分组成。VSG控制算法主要包括两部分：有功功率控制回路（摆 动方程和虚拟调速器）、无功控制回路（虚拟励磁器）。

自适应惯量控制的控制框图和所设计的RBF神经网络的结构如图所示。 如图右侧所示，j、i、l分别表示输入层节点、隐藏层节点和输出层节点。隐层 函数为高斯函数，网络输出为虚拟惯性J。 

输入层的输出是：

式中x(1)=w−w0=∆w,x(2)=dw/dt

隐藏层的输入是： 

隐藏层的输出是： 

输出层的激活函数为：

RBF神经网络的权值调整公式为:

自适应惯量控制策略没有考虑阻尼系数对功率和频率振荡的重要影响。对 于经典的二阶系统，为了使系统具有更好的动态过程，需要选择合适的阻尼比。 

在这一部分中，提出了自适应惯性阻尼（AID）控制，它使用固定的阻尼比来 自适应地控制阻尼系数。根据上式，当阻尼比固定时，阻尼系数Dp随惯性J自 适应调节。

模型主体

为分析人工智能控制与固定惯量控制相比的优越性。仿真系统与电网相连。在相同的仿真条件下（输出有功功率在1s时，由15kw突然增加至20kW），采用定值虚拟参数与对RBF自适应参数进行了仿真对比。 

同时，为观察源侧的功率输出变化情况，设置0-0.5s光照强度为800，0.5-1.5s光照强度为1000，1.5-2s光照强度为800。

上图中，储能出力表示蓄电池+超级电容的输出功率之和，从三个部分的功率输出情况可知，系统的功率始终保持平衡，及光伏输出功率+混合储能输出功率=逆变器输出功率。在直流母线功率发生波动时，超级电容会迅速响应输出功率，提高了储能系统的响应速度。

有功功率曲线对比

频率曲线对比

由有功曲线以及频率曲线可知，经过RBF算法改进优化的VSG控制，逆变器的有功输出在系统指令发生变化时，有功及频率的波动量明显减小，恢复时间加快，提升了光储VSG的暂态恢复能力！！

自适应参数变化曲线

参考文献

超级电容与蓄电池混合储能系统的能量管理与控制研究_王宇

光伏_混合储能直流微电网能量管理策略研究_牛浩明

光伏微电网混合储能系统控制策略研究_唐国强

基于自适应旋转惯量与阻尼的VSG并网技术研究_杨瑞平

基于虚拟同步发电机的逆变器并网稳定性研究_姚凤军