源自:控制与决策
作者:吕冬翔 张志成 朱立宏 李鹏 呼文韬 李钏 左志强
摘要
为满足太阳能无人机对长航时飞行和高载重能力的需求,研究能源系统的储能均衡控制问题.通过将太阳能无人机中每个由光伏-储能-输出单元组成的发电节点作为一个智能体,设计基于多智能体的分布式控制器并给出满足系统约束的控制算法,实现储能单元荷电状态的一致性.分别针对连续系统模型和离散系统模型给出分布式控制协议,并通过理论分析说明连续和离散的控制协议均可实现控制目标.通过搭建半实物平台进行实测验证,采用光伏模拟器和电子负载模拟能源系统运行的外部环境,以18650锂离子电池作为储能单元,实验结果表明,分布式协同控制协议能够有效地解决光伏功率不均及电池参数差异导致的不均衡问题,使系统的充放电深度得以有效提升.
关键词
太阳能无人机;能源系统;多智能体系统;连续/离散模型;分布式控制;储能均衡
引 言
随着临近空间技术的发展,太阳能无人机凭借其运行成本低、滞空时间长等优点开始大规模应用在多个领域,成为当前研究的热点[1-4] .太阳能无人机采用太阳能作为能量来源,通过最大功率点跟踪(maximum power point tracking,MPPT)有效利用光伏电池转换的电能,维持无人机动力系统、航电设备机载载荷的正常工作,并通过电气母线向飞机机载储能电池充电,保证夜间或者太阳光照不足时无人机能够释放储能电池中的电能, 实现飞机的正常运行.
太阳能无人机在飞行过程中面临着诸多挑战:1)高空环境的多变性导致飞行过程中能源系统的供给并不是恒定的, 在遇到恶劣天气或者越夜时, 飞行器只能依靠储能电池的电量继续飞行. 因此, 储能电池的均衡性研究十分关键[5-6] , 其在很大程度上影响着太阳能飞行器的续航时间. 2)由于太阳能无人机翼展大, 其能源系统也具有特殊结构. 光伏电池铺装在飞机机身, 对应地, 机载能源系统通常采用分布式架构[7] . 大规模分布式能源系统给能量调度带来了巨大挑战, 传统控制框架下很难实现多能源系统的协同运行[8-9] . 3)负载的多变性.太阳能无人机的负载多种多样, 其对于电源质量的需求也不尽相同. 尤其是用于调节飞行状况的电动机,在外界环境发生改变时,其电气特性也在快速地变化,对能源系统的能量供给提出了更高要求[10- 11] . 此外, 还可能出现因为处理单元负担过重导致鲁棒性变差的情况[12] . 因此提出一种轻量化、可靠性高的太阳能无人机能源系统控制方法尤为重要.
目前, 能源系统的均衡问题已得到广泛重视. 实 现储能电池均衡的手段主要有主动均衡和被动均 衡两种[13] . 为提高能量利用率, 通常采用主动均衡手 段. 文献 [14]通过能量转移法实现均衡, 将电压较高 的电池中的能量通过电力电子装置向电压较低的电 池充电. 类似地, 学者还提出了包括利用电感[15] 或飞 渡电容[16] 进行能量转移的方案. 文献 [17]通过调节 储能电池的荷电状态(state of charge,SOC)使得不同 电池之间充电水平相同; 文献 [18- 19]采用基于多智 能体的方法研究储能均衡控制问题, 有效提高了放电 深度, 提升了电池的利用率. 然而, 受到飞行器这一特 殊应用场景的限制, 上述成果难以直接应用. 根据相 关的文献调研, 对于多个独立光伏发电单元且输出功 率不均的问题尚未得到有效解决.
为满足飞行器对能源系统的需求, 本文针对分布 式能源系统进行研究. 该能源系统由多个包含独立 光伏发电、储能的发电单元构成, 更好地适应了飞行 器的分布式布局结构. 本文重点关注能源系统的分 布式结构带来的不同发电单元的协同控制问题, 提出 一种基于多智能体的能源系统分布式协同控制方法, 解决由于光伏发电不均以及电池特性参数差异导致 的储能单元充放电水平不同的问题, 以提升整体的充 放电深度, 达到能源系统减重及提升系统比功率的目 的. 同时, 控制器可对负荷功率进行有效跟踪, 适应负 荷的变化, 满足飞行器对能源系统的需求. 本文首先 根据太阳能无人机能源系统的控制目标, 考虑各个模 块的储能电池SOC的变化特性, 建立系统动力学模 型, 并进行闭环系统分析; 随后, 将控制器改进为以储
能电池输出电流为控制量的离散型控制器, 并对控制 量进行限幅以防止发电单元过载; 最后, 通过实验对 所提出的控制方法进行验证。
1 分布式控制器设计
根据太阳能无人机能源系统分布式结构的特点, 将能源系统的单个组成部分: 光伏-储能-输出功率 控制节点作为一个能量处理单元(energy processing unit,EPU)建立多智能体分布式控制模型, 其架构如 图1所示.
![](https://i-blog.csdnimg.cn/blog_migrate/8ef48f96e6195b8eade0e5303f054560.png)
图 1 中: 信号流以虚线表示, 功率流以实线表示. 注意到, 储能单元既可以输出功率, 也可以吸收功率, 箭头方向为功率流正方向, 即充电为正, 放电为负.
对于单个EPU模块, 从图 1可以看出, 电池充放 电功率 PBAT 与光伏功率 PPV 、输出到负荷功率 POUT 之间的关系为
![](https://i-blog.csdnimg.cn/blog_migrate/6af7768390cb0b5bcedb5232fb0036f5.png)
本文考虑的能源系统含有多个EPU, 每个EPU 工作于电压源模式, 向同一负荷供电. 每个独立的 EPU模块都由光伏(photovoltaic,PV)电池、MPPT、储 能电池以及功率输出单元 (power output unit,POU) 控制器组成. 本文将每个EPU输出功率占总输出功 率的比例称为出力系数. 分布式协同控制器处理每 个EPU模块的运行参数, 并向每一个EPU模块发布 出力系数指令6, 实现各EPU模块储能电池均衡的目标. 功率输出单元内置对出力系数的执行模块, 对于 并联的EPU,输出功率的调节采用下垂控制方法实现, 对于串联的EPU,则通过调节电压比例实现. 由于具体算法不是本文研究重点, 不做赘述.
本文的控制目标是使所有EPU模块的电池SOC 达到均衡. 如果采用安时积分法计算电池SOC, 则电 池SOC与电流I 之间满足如下关系(这里假设充电倍 率为1):
因此, 每个EPU模块的动力学模型为
![](https://i-blog.csdnimg.cn/blog_migrate/9f262f1d2b1b53c721fc3a3c918c4232.png)
其中: i = 1, 2, . . . , N 是EPU模块编号; xi 是第i 个 EPU模块电池的SOC值;Vi 是储能电池的端电压; Qi 是电池容量;
是光伏电池输出功率; τi 是负荷在 第i个EPU模块上的实际消耗功率.
功率输出单元采用下垂控制方法, 可根据出力系 数自动调节输出功率大小, 满足负荷功率要求, 因此 分布式协同控制算法只需提供适当的输出功率分配 方案即可实现系统均衡. 定义ui 为第i个EPU模块计 算的负荷输出功率, 由于负荷随时间变化, 引入比例 系数 ρ = τi /ui 表征控制器计算的输出功率与实际 所需功率比例, 从而将控制器与负荷大小解耦, 以适 应时变的负荷大小. ρ描述的是所需负荷与实际输出 负荷之间的比例, 故在能源系统所有EPU中保持唯 一. 模型(2)可改写为
![](https://i-blog.csdnimg.cn/blog_migrate/ea49f4c28b81da20e05a7d9b21a5c973.png)
估计可确定能源系统光伏和负荷功率变化量上界范 围:
, 其中 PL 为负荷所需的输入功率.
分布式协同控制器需要通过自身EPU模块与其 他EPU模块的SOC差值作为调节误差进行反馈, 从 而对本模块输出的功率进行调整. 为此, 需引入通信 网络进行数学描述. 对于含有N 个EPU的能源系统, 利用图G 描述EPU之间的通信关系. 若第i个EPU模 块可以接收第j 个模块的信息, 则令aij = 1, 此时称 j 为智能体i 的邻居, 否则aij = 0. 定义aii = 0, i = 1, 2, . . . , N, 并令Ni 表示智能体i 的所有邻居构成的 集合. 在本文研究的能源系统中, 各EPU采用CAN总 线进行通信. 由CAN总线的工作原理可知, 网络中的 节点可以接收其他所有连接在CAN总线网络中的节 点信息, 因此本文在理论分析时将通讯拓扑建模为无 向全连通图, 即, aij = 1, ∀i j . 在此基础上, 定义拉 普拉斯矩阵L = [lij ]为
1.1 基于连续系统模型的控制器设计
本文设计的分布式协同控制器形式如下:
其中: xci 是控制器内部状态, 系统初始化时, xci (0) =
, ∀ i ∈ {1, 2, . . . , N}; k1 , k2 , k3是待设计的控制 器增益. 将上述控制器写为以下紧凑形式:
![](https://i-blog.csdnimg.cn/blog_migrate/f77796175bbb59f3f6f7f779bbb2099c.png)
式(4)为动态线性分布式控制器, 控制器状态xci 由一致性误差
![](https://i-blog.csdnimg.cn/blog_migrate/69c1bd4feb90cb9d92b98b8eb20ca205.png)
、输出功率误差共同决定. 当第i 个EPU模块
储能较其他模块更多时, xci 增大进而ui 增大, 从而通 过增加输出功率快速消耗储能. 同时, 其他SOC相对 较小的模块输出到负荷的功率uj 减小, 以使各模块 储能的SOC达成一致. 另一方面, xci 可根据光伏功 率动态调节, 表征光伏功率的差异性. 对于光伏输入 功率大的EPU模块, 其控制器状态xci 也将增大, 反之 亦然. 当各EPU输出功率达不到所需功率时, ρ > 1, 进而xci 和ui 增加, 逐渐调节输出功率达到PL .
1.2 闭环系统收敛性分析
对于第i个EPU模块, 通过先验知识获取储能电 池容量数据, 根据理论分析结果设置控制器参数, 再 利用通讯获取网络上其他节点的状态xj 和xcj 以及 ρ 的值, 基于检测元件获得储能电池当前的电压值 Vi . 随后计算出当前时刻的xci 和ui , 输出能源系统 的控制参数至硬件电路.
考虑系统(3)及控制器(4). 为表示方便, 定义v =MPPV − xc . 考虑到储能电池输出电压变化量不大,
因此假设M = mI, 其中m为正实数. 注意到系统计 算出的功率输出与实际功率输出并不始终相等, 因此 首先验证在控制器(4)作用下, ρ 在有限时间内收敛到 1.
选取李雅普诺夫函数
.将Vρ对t求导可得
根据最后一个式子可看出在平衡点 ρ = 1 之
外,
有两处为零, 即ρ = 0和若k2 > d1 ,则,又由可知,故。因此,渐近收敛到1.不妨取k2 = d1+ ε1 , 其中 ε1>0是任意指定的 常数, 有
令
因此, ρ 在有限时间收敛至1,且收敛时间不超过. 从收敛时间可知, ε1 越大, 即k2 越大, T1 越小, 收敛速度越快. 因此 可以通过适当调节k2 获得合适的收敛速度. 在对Vρ 的分析过程中可以看出, 其取值和收敛特性与x 和v 无关. 当t > T1 时, ρ = 1. 为此探究系统状态x 和v 的演化特性.
考虑李雅普诺夫函数
于是有
其中:
是光伏发电功率的变化率, 注意到PPV = P1 + P2 且P1 = p1 , p ∈ R. 另外, 根据的性 质有 对于任意的ε2 > 0有
于是
其中
同时注意到, 对于任意θ∈ Rn , T L > 0, 仅当 与 1N 向量平行时等号成立. 因此,
取
, 则
若Pw≡ 0, 则
当且仅当Lv= 0且Lx = 1N, 于是有, 可以得出 θ= 0, 即Lx = 0. x 和v 将逐渐趋于一致, 即对于任意 i, j ∈ 1, 2, . . . , N, 有
对于Pw ≠0的情况, 系统状态不能完全收敛至原点, 而会保持在一致性流形的邻域内.
从以上分析中可以看出, 虽然系统不会完全收敛 到一致性流形, 但可以看出Pw 反映了光伏功率的变 化情况, 当光伏发电功率稳定不变时, 第一项为Pw = 0, 系统可完全达成一致. 此外, 可以通过适当调节控 制器参数减小最终不变集的大小, 即增大 k1 以降低 系统的不均衡性.
注1 从式(3)中可以看出, 负荷大小并未在动力 学模型中出现, 因此负荷的波动并非以扰动量的形式加入到动力学模型中. 事实上, 在控制器(4)中的sign(ρ − 1)项使得控制算法可以在负荷发生改变时及时做出响应. 因此, 本文提出的控制算法可以处理 负荷波动的影响. 另一方面, 当光伏功率不同时, 控制器(4)中
项实现了对光伏发电功率的跟踪, 使得高光伏输入EPU的输出功率也相应较大,最终彼此趋同, 即充电功率相同, 从而实现储能均衡. 因此, 本文提出的控制算法可以处理光 伏处理不均的影响.
2 基于离散模型的分布式协同控制器设计
基于连续系统模型的控制器初步实现了能源系 统各智能体之间相互协同, 储能电池均衡放电, 但是 均衡效果并不理想. 通过具体分析可知, 以功率作为 控制量时,SOC较高的储能单元通过控制算法求得 的控制量虽然对应着较高的出力系数, 理论上该模 块功率输出应较大, 但是由于其电压较高, 折算到储 能单元的供电电流并没有太大的变化. 同样地, 由于 SOC较低的储能单元, 其电池电压相对较低, 因而通 过功率进行调节的控制算法求得的控制量虽然降低 了该模块的输出功率, 但折算到电池输出电流的量纲 上时, 该通道的输出电流仍然保持着一个相对较大的 数值. 因此该通道的放电速度并没有减慢, 从而导致 各个智能体的一致性调节并不明显. 综上所述, 以功 率为调节量难以做到对荷电状态的精确控制, 尤其 是对于电池特性参数存在差异的情况. 考虑到直接 改变荷电状态的物理量是电流, 因此, 只有通过限制 各个智能体的电池电流, 改变其放电速度, 才能保证 EPU的均衡性. 另一方面, 在实际应用中均采用计算 机控制系统布署控制算法, 系统本质上是离散的, 因此研究离散系统模型更具实际意义. 针对上述问题, 本节首先建立以电流为控制量的离散模型, 进而设计 新的分布式协同控制器, 提升系统控制能力, 最后, 通 过对物理幅值进行限幅防止系统出现过载.
2.1 基于离散模型的控制器设计
将系统模型(2)离散化为
其中:T 为采样周期, 其他物理量定义与模型(2)相同.
定义
是第 i 个 EPU 模块中
折算到储能侧的光伏输入电流. 则模型(5)可以表示 为向量形式
![](https://i-blog.csdnimg.cn/blog_migrate/59f77381a566f09e344193a0cb9a53eb.png)
由于 SOC由电池充放电电流决定, 这里对电池 电流进行分析. 选取单通道输出电流
为控制 量. 由于光伏与储能电池之间的DC/DC电路以及储 能电池到输出侧的DC/DC电路均不影响功率关系 (1),可以得到第i 个EPU模块电池电流、光伏电流以 及输出电流之间的关系
将上式两边同除以电池容量Qi 即可得到离散数学模型右侧的控制作用为
以此模型为基础,对原控制器进行改进, 得到改进离散控制算法为
![](https://i-blog.csdnimg.cn/blog_migrate/f5d70a40f2460f529336a197f0fac388.png)
![](https://i-blog.csdnimg.cn/blog_migrate/a966ae9d99bd6174a7217bdd352e4755.png)
![](https://i-blog.csdnimg.cn/blog_migrate/7586aa37deefa43fa7edea55fe8672d6.png)
其中: xc= [xc1, xc2 , . . . , xcN ]T 是控制器内部状态, 表示EPU模块向负荷输出的电流; u = [u1 , u2 , . . . , uN ]T 是控制器输入量, 表示各个EPU模块的储能电 池输入/输出电流(充放电电流);K 是控制器参数. 以 此为基础, 通过各通道的输出电流之间的关系, 折算 到系统的出力系数, 再进行控制指令的下发.
2.2 闭环系统收敛性分析
将闭环系统写为紧凑形式
其中E 是单位矩阵.
由于采用相同的锂电池作为储能电池, 并且储能 电池组中电池个数相同, 可认为储能电池组容量近
上式进一步写为
分析可得W1N= 1N , 即W 是行随机矩阵. 将式(10)进行迭代可以得到
![](https://i-blog.csdnimg.cn/blog_migrate/b0d574615c41167d4e0ea223fb23128a.png)
根据随机矩阵理论可知
x(0))
其中
, v 和 ω 分别是行 随机矩阵 W 的 1特征值对应的右和左特征向量, 且 因此Wk+1x(0)将收敛到一个与初始SOC 有关的值. 通过式(11)可以看出, 所有EPU模块的储 能电池SOC仅由初始SOC以及在一段时间内的充放 电电流共同决定, 各储能模块的SOC最终将趋于均 衡, 其增减由充放电电流, 即光伏和负荷的状态决定.
2.3 算法实现
在实际应用中, 可按算法1实现能源系统的分布 式控制.
算法1 分布式控制算法.
step1: 从通信网络获取其他节点状态;
step2: 根据式(7) ∼ (9)计算控制量ui ;
step3: 计算本节点的输出功率
;
step4: 对输出功率PiOUT 进行限幅, 防止过载;
step5: 根据负荷功率计算本节点的出力系数.
3 半实物实测验证
本文采用2kW级能源系统演示样机进行实验, 基于现有的MPPT和DC/DC电路板搭建半实物仿真 平台, 并在此基础上增加分布式控制单元, 通过构建 CAN总线网络实现节点间的信息交互.
3.1 能源系统实验平台
基于现有的MPPT和DC/DC电路植入分布式控 制器以实现对太阳能无人机的能源系统的储能管 理. 分布式控制器以STM32嵌入式处理器为处理核 心, 每个控制器包含 1个CAN总线接口, 用于进行控 制器间以及控制器与上位机间的数据交互. 系统包 含6个EPU,每个EPU工作于电压源模式,3个EPU串 联, 采用图2所示的电路连接. 两组EPU并联向负荷 供电. 功率输出单元内置对出力系数的执行模块, 对 于并联的EPU,输出功率的调节采用下垂控制方法实 现, 对于串联的EPU,则通过调节电压比例实现.
![](https://i-blog.csdnimg.cn/blog_migrate/7b184cdcfb89e5531b869148f2acac2a.png)
实验平台各部分电气参数如表1所示.
![](https://i-blog.csdnimg.cn/blog_migrate/e9e5761d828e5d23a447ddc37ebc2db5.png)
根据以上原理和需求, 搭建半实物平台进行实验. 实验平台实物如图3所示. 两组实验平台并联向负荷供电。
![](https://i-blog.csdnimg.cn/blog_migrate/817cc89d328b8521f736cfb1ba6b2b5d.png)
3.2 实验结果与分析
基于上述平台进行半实物仿真实验, 使用光伏模拟器代替实际光伏, 使用电子负载的恒功率模式模拟实际负载. 设置光照充足工况, 且嵌入式控制器的控制周期为T = 5 s,实验中光伏参数及实验前后SOC。
如表2所示. SOC变化曲线如图4所示.
![](https://i-blog.csdnimg.cn/blog_migrate/378828eb184986cf823de55a3fd5b2c6.png)
![](https://i-blog.csdnimg.cn/blog_migrate/2de145d55fd2ac338dd4d18cb7faa984.png)
从实验结果可以看出, 在初始 SOC有较大差异 的情况下, 系统各通道 SOC 经过协同控制算法在 6000s左右收敛一致, 并保持均衡性继续充电, 截止 到实验结束时, 最大SOC与最小SOC相差0.0054. 实 验参数的配置考虑了光伏差异性对均衡性的干扰, 从 而验证了算法对光伏差异的鲁棒性.
注2 本文考虑的对均衡性产生不利影响的扰 动主要是光伏输入功率的差异性, 即不同EPU的光 伏输入功率不同, 导致储能系统充放电功率不同, 进 而产生SOC差异, 影响充放电深度. 在实验中, 光伏输 入功率设置为不同的数值, 以此表现这种差异性. 在 理论分析中, 控制器内部状态xci 实现了对光伏差异 性的体现, 高光伏输入节点的xci 更大, 因此输出功率 也更大, 从而消除光伏差异性对均衡性的影响. 在实 验中会出现电压、电流测量信号噪声, 该噪声可通过 传感器侧的卡尔曼滤波器消除, 根据确定性等价原 理, 该噪声影响并未在控制器设计和分析中考虑.
4 结 论
本文采用基于多智能体的分布式协同控制方法 对太阳能无人机能源系统进行了理论分析和实验验 证. 采用基于离散模型的分布式协同控制方法能够 有效实现储能电池均衡工作, 提升能源系统的能量利用率. 后续将通过环境适应性实验和可靠性实验, 将 上述方法用于太阳能无人机能源系统实际控制中.
本文仅用于学习交流,如有侵权,请联系删除 !!