A new control method of photovoltaic-battery hybrid system connected to the electrical network by using model predictive controller

Document Type : Research Article

Authors

Imam Khomeini International University

Abstract

In this paper, Model Predictive Controller has been used for controlling the hybrid power system, which contains grid connected photovoltaic and energy storage systems (battery) considering the economic issues like optimization of profit from selling energy to grid by way of selling energy to grid during the high cost of energy and with regard to technical issues like improved dynamic response and smoothing power output of photovoltaic system and also maximization the batteries life by way of minimization the cycle of the change and discharge is used and such for optimization the results of model Predictive Control, PSO algorithm is used to obtain the coefficient of the objective function suggested controller. In addition, the suggested controller adapts itself. Dynamically and automatically and yet is able to respond external requests like price signals or satisfy the constraints of the power system or request of operator. Finally the simulation results of system with the proposed controller and result of PID controller is presented and compared.

Keywords


نگرانی­های جامعه جهانی در رابطه با محیط زیست، باعث شده است استفاده از تولیدات پراکنده­ای که از منابع تولید انرژی­های نو استفاده می­کنند به‌سرعت رو به افزایش برود؛ ولی ماهیت بیشتر انرژی­های نو، متغیر و پیش‌بینی‌نشده است که این به مانعی برای استفاده گسترده­تر از انرژی­های نو تبدیل شده است. برای حل این مشکل از منابع ذخیره‌ساز انرژی استفاده می­شود ]1-3[ که ماهیت پیش‌بینی‌نشده و متغیر انرژی­های نو را برطرف می‌کند. به همین علت در این مقاله در کنار سیستم سلول خورشیدی از یک سیستم ذخیره‌ساز انرژی (باتری) هم استفاده شده است.

این کار باعث می­شود قابلیت اطمینان و پایداری منابع تولید بیشتر شوند. باتری و سلول خورشیدی در کنار هم این مزیت را دارند که سلول خورشیدی، انرژی مازاد بر مصرف تولیدشده را در باتری ذخیره کند و در ساعاتی که تابش نداریم، می­توان از انرژی ذخیره‌شده در باتری استفاده کرد. این عمل به پیک­سایی شبکه و افزایش کارایی شبکه کمک می­کند و حتی انرژی ذخیره‌شده در باتری می­تواند جایگزین رزرو چرخان شبکه هم بشود. سیستم­های ترکیبی برای کارایی بهتر به کنترل‌کننده هم نیاز دارند. انواع مختلف کنترل‌کننده وجود دارد که در این مقاله از کنترل‌کننده پیش‌بین استفاده شده است. در پژوهش‌های مختلف از انواع سیستم­های ترکیبی و کنترل‌کننده­های مختلف استفاده شده است که ما در اینجا برخی از آن‌ها را معرفی می‌کنیم. مرجع ]1[ عناصر مختلف یک سیستم ترکیبی (که دربردارندة دیزل ژنراتور و توربین بادی و باتری است) معرفی شده است. در مرجع ]2[ از یک سیستم ترکیبی (که دربردارندة دیزل ژنراتور و توربین بادی است) استفاده شده است. در این مقاله، از دیزل ژنراتور فقط برای اندازه‌گیری فرکانس استفاده شده است. در مرجع ]4[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی قدرت (که دربردارندة ژنراتور بادی و باتری است) استفاده شده است. در اینجا هدف کنترل‌کننده پیش‌بین، هموارکردن توان خروجی توربین بادی است. در مرجع ]5[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی قدرت (که دربردارندة توربین بادی، سلول خورشیدی و باتری و بار AC است) استفاده شده است. در این مقاله توربین بادی و سلول خورشیدی با معادلات غیرخطی شبیه‌سازی شده است. در مرجع ]6[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی قدرت (که دربردارندة سلول سوختی، باتری و ابر خازن است) استفاده شده است. در این مرجع سعی شده است با کنترل‌کننده پیش‌بین از تغییرات سریع و ناگهانیِ جریان جلوگیری شود تا عمر باتری به بیشترین مقدار خود برسد. در مرجع ]7[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی قدرت (که دربردارندة توربین بادی و باتری است) استفاده شده است. این کنترل‌کننده برای دو حالتِ وصل به شبکه و جدا از شبکه طراحی شده است. در مرجع ]8[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی قدرت (که دربردارندة دیزل ژنراتور، توربین بادی، سلول خورشیدی و باتری است) استفاده شده است. دراین مقاله از کنترل‌کننده پیش‌بین برای بهینه‌کردن تولیدِ توان توربین بادی با توجه به محدودیت­های اقتصادی استفاده شده است؛ برای مثال: حداقل‌کردن هزینه سوخت و حداقل‌کردن تغییرات خروجی دیزل ژنراتور و بیشینه‌کردن عمر باتری. در مرجع ]9[ از کنترل‌کننده پیش‌بین برای مدیریت توان برای وسایل نقلیه برقی مثل اتوبوس­های شهری استفاده شده است. وسایل نقلیه موتوری به علت تغییرات زیادی که در بار خود دارند احتیاج به کنترل‌کننده­هایی دارند که بتوانند این تغییرات را کمینه کنند که در این مقاله از کنترل‌کننده پیش‌بین استفاده شده است. در مرجع ]10[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ذخیره‌سازی انرژی (باتری) استفاده شده است. در این مقاله با کنترل‌کننده پیش‌بین، سعی شده است سیکل شارژ و دشارژ باتری، کنترلِ بهینه شود تا عمر باتری به بیشترین مقدار خود برسد. در مرجع ]11[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی سلول خورشیدی متصل به شبکه و باتری استفاده شده است. در این مقاله، پارامترهای اقتصادی برای کنترل سیستم مدّ نظر قرار گرفته است. در مرجع ]12[ از کنترل‌کننده پیش‌بین برای کنترل سیستم ترکیبی توربین بادی و باتری استفاده شده است. در این مقاله، هدفِ کنترل‌کننده، هموارکردن خروجی توربین بادی است. در سیستم کنترلی که در این مقاله استفاده شده است، پارامترهای اقتصادی و فنی با هم در نظر گرفته شده‌اند. سلول خورشیدی استفاده‌شده در شبیه‌سازی، ماکزیمم توانkW380 را دارد و سیستم ذخیره‌ساز انرژی دو باتری مجزا دارد که یک باتری با ظرفیت زیاد، 1000kWh و باتری کوچک‌تر با ظرفیت 180kWh است. باتری کوچک‌تر به علت اضافه‌کردن خازن به آن، سرعت دینامیکی بالایی دارد. به همین دلیل برای هموارسازی توان خروجی سلول خورشیدی از آن استفاده شده است و درنهایت برای نشان‌دادن کارایی کنترل‌کننده پیش‌بین، سناریوهای مختلفی آزمایش شده است و همچنین نتایج کنترل‌کننده پیش‌بین با کنترل‌کننده PID مقایسه و نتایج ارائه شده است. ساختار کلی این مقاله به این صورت است: در بخش دوم، معادلات ریاضیِ عناصر سیستم قدرت و محدودیت­های سیستم ارائه شده است. در بخش سوم، اهداف کنترل‌کننده پیش‌بین توضیح داده شده و تابع هدف سیستم ارائه شده است. در بخش چهارم، استراتژی کنترل‌کننده پیشنهادی توضیح داده شده است. در بخش پنجم، پارامترهای سیستم شبیه‌سازی‌شده، ارائه شده است. در فصل ششم، نتایج ارائه شده است و در بخش هفتم نتیجه‌گیری شده است.

 

2- مدل دینامیکی سیستم و محدودیت‌ها

شماتیک کلی سیستم شبیه‌سازی شده به‌صورت شکل 1 است.

 

 

شکل(1): شماتیک کلی سیستم

 

2-1- آرایه‌های سلول خورشیدی

اساس کارکرد سلول­های خورشیدی ساده است. به این صورت که فتون­های خورشید با برخورد به نیمه­هادی­های موجود در این سلول­ها و با دادن انرژی خود به الکترون­های موجود در این نیمه‌هادی­ها باعث پرش این الکترون­ها به لایه­های بالاتر می­شوند که این امر موجب به‌وجودآمدن جریان الکتریکی می­شود و به همین خاطر است که رابطه شدیدی بین شدت تابش خورشید و شدت جریان این نیمه‌هادی­ها وجود دارد. با توجه به توضیح اساس عملکرد سلول­های خورشیدی، این عملکرد شبیه به عملکرد دیودهای نیمه‌رسانا است، که می­توان به کمک این دیودها یک سلول خورشیدی را به‌صورت شکل(2) شبیه­سازی کرد]13[.

 

شکل(2): مدار معادل سلول خورشیدی

 

 

(1)

 

(2)

 

(3)

 

در آخر، جریان خروجی از سلول خورشیدی از رابطه (4) محاسبه می‌شود.

(4)

 

 

E

تابش خورشید

Ipv

جریان خروجی سلول

Er

تابش خورشیدمرجع

T

درجه حرارت سلول­ها

Is

جریان اشباع

Iph

EوT  جریان ناشی از

Vd

ولتاژ دیود

Id

جریان دیود

K

ضریب بولتمن

Rs

مقدار معادل مقاومت سری

Rsh

مقاومت موازی

q

مقدار بار الکترون

np

تعداد سلول­های موازی

ns

تعداد سلول­های سری

Tinit

دمای اولیه سلول­های خورشیدی

 

2-2- سیستم ذخیره‌سازی انرژی (باتری)

سیستم ذخیره­سازی انرژی به دو قسمت مجزا تقسیم شده است: در قسمتی، باتری با ظرفیت بالا و سرعت کم، برای انتقال انرژی و قسمت دیگر، باتری با ظرفیت کم و سرعت بالا که برای هموارسازی توان خروجی سلول خورشیدی استفاده شده است. باتری بزرگ‌تر می­تواند انرژی را در خود ذخیره کند و در ساعاتی که قیمت انرژی بالاست به شبکه بفروشد و یا در مواقعی که مشکلی در شبکه به وجود آمده است و شبکه نمی­تواند انرژی مصرفی را تأمین کند به شبکه کمک کند. از باتری کوچک هم، برای هموارسازی توان خروجی سلول خورشیدی استفاده شده است. محدودیت شارژ و دشارژ برای باتری‌های استفاده‌شده در سیستم شبیه‌سازی به شرح زیر است]14[.

 

(5)

 

معادله 5 باید برای هر کدام از باتری­ها در نظر گرفته شود نرخ دشارژ باتری،  نرخ شارژ باتری،  توان ورودی به باتری است. معادله حالت مربوط به باتری­ها:

(6)

 

 

 توان ورودی به باتری در زمان  t است.  واعدادی بین [0,1] هستند که ضرایب ذخیره‌سازی و شارژ باتری هستند. در رابطه (6) مقدار qBES(t) باید در محدوده تعریف‌شده برای باتری باشد.

(7)

 

 و  مقادیری بین[0,1] هستند.

 

2-3- اتصال به شبکه

باتری و سلول خورشیدی و شبکه هر سه در نقطه مشترکی به هم متصل شده­اند که در این نقطه مشترک همواره باید رابطه (8) برقرار باشد:

(8)

 

Pgrid(t) توان محاسبه‌شده در نقطه مشترک در زمان t است. که باید در بازة مشخص‌شده باشد که این بازه را ظرفیت خطوط انتقال مشخص می­کنند. مقدار این محدودیت در رابطه (9) نشان داده شده است و منظور از ترم در معادله 8 ماتریسی 2×1 است که برای جمع‌کردن توان­های مربوط به هردو باتری استفاده شده است.

(9)

 

 

3- اهداف کنترل‌کننده پیشنهادی

سیستم کنترلی استفاده‌شده در این مقاله دو هدف دارد. هدف اولیه، هموارسازی توان خروجی سلول خورشیدی و مدیریت­توان، و هدف دومِ سیستم کنترلی، حداقل‌کردن سیکل شارژ و دشارژ باتری به‌منظور بیشینه‌کردن عمر باتری است. تابع هزینه کلی سیستم به شرح زیر است:

(10)

 

علامت ^ بالای پارامترها نشان‌دهنده مقادیر پیش‌بینی‌شدة کنترل‌کننده است. ترم اول معادله بالا  نشان‌دهنده سود به‌دست‌آمده از فروش انرژی به شبکه است. ازآنجاکه تابع استفاده‌شده، تابع هزینه است و سعی در مینیمم کردن آن است، پس برای اینکه سود حاصل از فروش انرژی به شبکه ماکزیمم شود، باید این عبارت با علامت منفی در تابع هزینه قرار گیرد که درواقع سود حاصل از فروش انرژی بیشینه شود. ترم اول رابطه (10) را می­توان به‌صورت رابطه (11) بیان کرد.

(11)

 

 C(t)قیمت لحظه­ای انرژی و انرژی انتقال‌یافته از طرف سلول خورشیدی و باتری به شبکه است. ترم دوم معادله تابع هزینه  است که برای حداقل‌کردن نوسانات توان خروجی سلول خورشیدی است. این ترم، شامل مینیمم‌کردن سه بخش می­شود: ماکزیمم تغییرات، شیب و انحنای توان خروجی.

(12)

 

وو ضرایب وزن‌دهی هستند. ترم سوم تابع هزینهمربوط به حداقل‌کردن سیکل شارژ و دشارژ مربوط به باتری­ها است که می­توان به‌صورت رابطه (13) بیان کرد.

البته رابطه (13) باید برای هردو باتری نوشته شود.  ضریب وزن‌دهی است.

(13)

 

 

4- استراتژی کنترل‌کننده پیشنهادی

استراتژی کنترل‌کننده پیشنهادی در این مقاله به این­گونه است که براساس اطلاعات موجود در زمان T، (برای مثال اطلاعات مربوط به پارامترهای مختلف سیستم قدرت نظیر کانورترها و محدودیت­های خطوط انتقال و سیگنال قیمت و...) با توجه به معادله حالت سیستم مقادیر مجهول را پیش‌بینی می­کند و براساس پیش‌بینی­ها، تابع هدف را مینیمم می‌کند و انرژی بهینه­ای که در هر باتری باید باشد را به‌ دست می­آورد]15-18[.

کنترل‌کننده پیش‌بین، باید تابع هزینه به‌دست‌آمده از بخش اهداف را در هر پله زمانی و با توجه به محدودیت‌های مدّ نظر مینیمم‌سازی کند و این به شرح زیر است:

با توجه به:

(14)

 

(15)

 

(16)

 

(17)

 

(18)

 

(19)

 

(20)

 

 

منظور از زیروند + و – در معادلات بالا به شرح زیر است.

(21)

 

علامت^ در معادلات مذکور نشان­دهنده متغیرهای پیش‌بینی‌شده است. عبارت 20 برای این اضافه شده است که در آخر هر پله زمانی، احیاناً انرژی داخل باتری، خالی نشود؛ یعنی در آخر هر پله زمانی، انرژی داخل باتری بزرگ‌تر یا مساوی qfinalشود که این مقدار برابر با 0/2 Qcap است. در این مقاله سعی شده است که کارایی کنترل‌کننده پیش‌بین در کنترل‌کردن سیستم ترکیبی قدرت نشان داده شود؛ به همین دلیل برای معرفی دینامیک سیستم از معادلات پیچیده استفاده نشده است. کنترل‌کننده پیش‌بین بدون سعی و خطا و به‌طور مستقیم مسئله را حل کرده است؛ برای همین از سرعت بالایی برخوردار است. از مزیت­های دیگرِ کنترل‌کننده پیش‌بین این است که تنها به اطلاعات محلی احتیاج دارد و نیازی به داشتن اطلاعات از کل سیستم ندارد.

 

5- پارامترهای سیستم شبیه‌سازی شده


ساختار کلی سیستم شبیه‌سازی‌شده در متلب به‌صورت شکل (3) است. برای نگه‌داشتن سلول­های خورشیدی استفاده‌شده در ماکزیمم توان، همان­طور که در شکل (4) نشان داده شده است از کنترل‌کننده اغتشاش و مشاهده استفاده شده است. سیستم کنترل‌کننده اغتشاش و مشاهده با تغییر سیکل وظیفه، سعی در نگه‌داشتن نقطه کار سلول خورشیدی در ماکزیمم مکان خود را دارد. شکل (5) مدل تابش استفاده‌شده­ برای شبیه‌سازی را نشان می­دهد.

شکل(5): نمودار تابش

تغییرات سیکل وظیفه به‌صورت شکل (6) است.

 

 

شکل (6): تغییرات سیکل وظیفه

 

و پالس ایجادشده برای کنترل مبدل DC/DC که با توجه به سیکل وظیفه ساخته شده به‌صورت شکل (7) است.

 

 

شکل(7): پالس اعمالی به مبدلDC/DC

 

در این مقاله سیستم فتوولتاییک دارای توان 380kW در ماکزیمم تابش است. باتری­های استفاده‌شده در سیستم شبیه­سازی شده دارای توان­های 500kW و 250kW هستند و ظرفیت  1000kWhو  180kWhهستند. نرخ شارژ و دشارژ هر باتریوبرابر در نظر گرفته شده است. ضریب ذخیره‌سازی برای هر دو باتری، یک در نظر گرفته شده است. و مقدار اولیه انرژی داخل هر باتری برابر با 50% انرژی اولیه نامی هر باتری­ در نظر گرفته شده است. مشخصات کامل باتری­ها در جدول (1) آمده است. تفاوت اساسی بین دو باتری در سرعت انتقال انرژی به علت تفاوت در تکنولوژی ساخت است؛ البته این تفاوت باعث بالاتررفتن هزینه تمام‌شده باتری هم می­شود. در نقطه اتصال سلول خورشیدی و باتری به شبکه خط انتقال داری محدودیت است؛ یعنی خط انتقال، توانایی انتقال مقدار مشخصی از انرژی را دارد که در شبیه‌سازی  در نظر گرفته شده است.

 

6- نتایج

برای نشان‌دادن توانایی­های کنترل‌کننده پیشنهادی در کنترل سیستم ترکیبی سلول خورشیدی و باتری در این بخش، نتایج حاصل از شبیه‌سازی سیستم در متلب ارائه شده است. برای بررسی بهتر عملکرد کنترل‌کننده پیش‌بین، سناریوهای مختلفی از لحاظ استراتژی کنترلی بررسی شده است. برای مقایسه سود حاصل از فروش انرژی به شبکه، می­توان سطح زیر نمودار را از رابطه (22) حساب کرد]13[:

(22)

 

 

مهم­ترین وظیفه کنترل‌کننده، هموارسازی توان خروجی سیستم سلول خورشیدی است. معیار مناسبی که بتوان عملکرد کنترل‌کننده را در این زمینه بررسی کرد در رابطه (23) ارائه شده است.

 

(23)

 

 

 

 

 

 

 

 

شکل (3): سیستم شبیه‌سازی شده در متلب

 

 

جدول(1): مشخصات باتری‌های مورد استفاده در شبیه‌سازی

مقدار

توضیح

پارامتر

500kW

ماکزیمم و مینیمم نرخ شارژ ودشارژ باتری بزرگ

 

250kW

ماکزیمم و مینیمم نرخ شارژ ودشارژ باتری کوچک

 

1000kWh

ظرفیت نامی باتری بزرگ

 

180kWh

ظرفیت نامی باتری کوچک

 

7/0

ضریب شارژ باتری بزرگ

 

59/0

ضریب شارژ باتری کوچک

 

1

ضریب ذخیره‌سازی باتری بزرگ

 

1

ضریب ذخیره‌سازی باتری کوچک

 

1

ضریب دشارژ باتری بزرگ

 

1

ضریب دشارژ باتری کوچک

 

 

 

شکل(4): سیستم تعقیب‌کننده ماکزیمم توان سلول خورشیدی

 

 

سناریوی 1

در این حالت، سلول خورشیدی بدون باتری و بدون هیچ کنترل‌کننده­ای به شبکه وصل است. نتایج حاصل از شبیه‌سازی سیستم در این حالت، در شکل (8) آورده شده است. مقادیر معیارهای عملکرد در این حالت به شرح زیر است.

(24)

 

(25)

 
       

 

شکل(8): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی اول

سناریوی 2

در این حالت، در تابع هدف کنترلی، تنها هدف، هموارسازی توان خروجی سلول خورشیدی است. نتایج حاصل از شبیه‌سازی سیستم در این حالت، در شکل (9) آورده شده است. مقادیر معیارهای عملکرد در این حالت به شرح زیر است.

(26)

 

(27)

 

 

شکل (9): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی دوم

سناریوی 3

در این حالت، هدف سیستم کنترل‌کننده، بیشینه‌سازی سود حاصل از فروش انرژی به شبکه است. نتایج حاصل از شبیه‌سازی در این حالت، در شکل (10) آورده شده است. مقادیر معیارهای عملکرد در این حالت به شرح زیر است.

(28)

 

(29)

 

 

شکل (10): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی سوم

 

سناریوی 4

در این حالت، اهداف سناریو‌های 2 و 3 را این بار با هم در نظر گرفتیم؛ یعنی هدف کنترل‌کننده در این حالت هموارسازی توان خروجی سلول خورشیدی و ماکزیمم‌سازی سود حاصل از فروش انرژی به شبکه است. نتایج حاصل از شبیه‌سازی سیستم در این حالت، در شکل (11) آورده شده است. مقادیر معیارهای عملکرد در این حالت به شرح زیر است.

 

(30)

 

(31)

 

 

       

 

 

شکل(11): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی چهارم

 

سناریوی 5

در این حالت، اهداف کنترلی، دربردارندة هموارسازی و ماکزیمم‌سازی سود حاصل از فروش انرژی به شبکه و مینیمم‌سازی سیکل شارژ و دشارژ باتری است. نتایج حاصل از شبیه‌سازی سیستم در این حالت، در شکل (12) آورده شده است. مقادیر معیارهای عملکرد در این حالت به شرح زیر است.

(32)

 

 

شکل(12): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی پنجم

 

سناریوی 6

در این حالت، اهداف کنترلی، دربردارندة هموارسازی و ماکزیمم‌سازی سود حاصل از فروش انرژی به شبکه و مینیمم‌سازی سیکل شارژ و دشارژ باتری­ها است؛ ولی تفاوتی که با سناریوی 5 دارد، این است که دیگر وزن این فاکتورها یکسان نیست. الگوریتم بهینه‌سازی ذرات که قسمتی از روند حل آن در شکل (13) آورده شده است، حالت بهینه این ضرایب را به ‌دست آورده است. با تعداد 3000 تکرار، مقدار بهینه ضرایب به‌ دست آمد و ضرایب بهینه به این صورت است:

(33)

 

 

(34)

 
       

 

درواقع، تابع هزینه سیستم با وزن­های به‌دست‌آمده از الگوریتم بهینه‌سازی ذرات به‌صورت رابطه (35) می­شود.

(35)

 

نتایج حاصل از شبیه‌سازی سیستم در این حالت، در شکل (14) آورده شده است.

 

 

شکل(13): نمودار همگرایی الگوریتم PSO

 

(36)

 

(37)

 

مقادیر معیارهای عملکرد در این حالت به شرح زیر است:

 

 

شکل(14): نمودار هزینه، توان خروجی شبکه، توان تولیدی سلول خورشیدی مربوط به سناریوی ششم

جدول (2) مقایسه بین نتایج سناریو­های مختلف را نشان می­دهد.

 

جدول(2):  مقایسه نتایج سناریو­های مختلف

φsmooth

φshift

سناریو(هدف سناریو)

1

9/6446499

سناریوی اول

3043/0

9/6708597

سناریوی دوم

3860/1

10688832

سناریوی سوم

6253/0

8358515

سناریوی چهارم

6668/0

8053911

سناریوی پنجم

6349/0

8188751

سناریوی ششم

 

برای نشان‌دادن مزیت­های کنترل‌کننده پیشنهادی، نتایج شبیه‌سازی سیستم با کنترل‌کننده پیش­بین با نتایج به‌دست‌آمده با کنترل‌کننده PID مقایسه شده است (ضرایب بهینه کنترل‌کننده PID با روش زیگلر نیکولس به دست آمده است که مقادیر آن در جدول (3) آورده شده است). شکل (15) بیانگر نتایج کنترل‌کننده پیش‌بین و شکل (16) بیانگر نتایج کنترل‌کننده PID از لحاظ درصد شارژ و دشارژ باتری­ها هستند. در نمودار­های شکل (15) و (16)، نمودار قرمز برای باتری با ظرفیت کم و سرعت پاسخ بالا است و نمودار آبی برای باتری با ظرفیت بالا و سرعت پایین است.

 

جدول (3): ضرایب بهینه کنترل‌کننده PID

ضریب تناسبی

ضریب انتگرالی

ضریب مشتق گیر

Kp=42/39

Ti=077/3

Td=7692/0

 

 

شکل(15): نمودار درصد شارژ باتری­ها با کنترل‌کننده پیشنهادی (نمودار قرمز مربوط به باتری کوچک و نمودار آبی مربوط به باتری بزرگ است).

 

شکل(16): نمودار درصد شارژ باتری­ها با کنترل‌کننده PID (نمودار قرمز مربوط به باتری کوچک و نمودار آبی مربوط به باتری بزرگ است).

 

برای مقایسه عملکرد کنترل‌کننده­ها در قسمت باتری می‌توان گفت که همه بر این موضع توافق دارند که عمر باتری به تعداد سیکل شارژ و دشارژ آن بسیار وابسته است. پس معیار مناسبی که برای مقایسه عملکرد باتری می­توان استفاده کرد، سطح زیر منحنی  است:

(38)

 

 

جدول(4): مقایسه کنترل‌کننده PID با پیش‌بین

PID

MPC

کنترلر

0429/1154

4863/754

φcyc

 

7- نتیجه‌گیری

در این مقاله، روشی جدید برای کنترل سیستم ترکیبی سلول خورشیدی و باتری متصل به شبکه الکتریکی با کنترل‌کننده پیش‌بین به‌منظور بهبود پاسخ دینامیکی و پارامترهای بهره‌برداری پیشنهاد شد که در آن، پارامترهای اقتصادی و فنی، هم‌زمان با هم در نظر گرفته شده است؛ همچنین نشان داده شده است که کنترل‌کننده پیشنهادی بدون نیاز به داشتن اطلاعات از کل سیستم قدرت و تنها با داشتن اطلاعات محلی، قادر به کنترل سیستم قدرت است. همچنین در این مقاله برای به‌دست‌آوردن نتایج بهینه از کنترل‌کننده پیشنهادی، ابتدا ضرایب وزنی تابعِ هدف به‌وسیلة الگوریتم بهینه‌سازی ذرات به دست آمده است که تاکنون این‌گونه مطرح نشده است. درنهایت، نتایج شبیه‌سازی و مقایسه آن‌ها، بر کارایی کنترل‌کننده پیشنهادی گواهی می‌دهد.

 

[1] Rafael, S. and Pena, R, A.”Simulation of an isolated wind diesel system with battery energy storage”, Electric Power Systems Research, Vol. 81, No. 3, pp. 677-686, 2011.
[2] Rafael, S. ”Simulation of a high penetration wind diesel system with a NI-CD battery energy storage”, 35th­ Annual Conference of IEEE Industrial Electronics, 3-5 Nov Porto, pp. 4589- 4594, 2009.
[3] Meisam, K.” Optimal Power Management in a Stand Alone Hybrid Power System Based on Photovoltaic,Fuel Cell and Battery” 25th International Power System Conference, Tehran, Iran, pp. 244-250, 2011.
[4] Muhammad K. and Andrey V. Savkin” Model Predictive Control for Wind Power Generation Smoothing with Controlled Battery Storage” 48th IEEE Conference on Decision and Control, 2009.
[5] Yubin.Jia, X. J. Liu “Distributed Model Predictive Control of Wind and Solar Generation
System” Proceedings of the 33rd Chinese Control Conference. July pp. 28-30, 2014.
[6] Amin, B. R. T, Arif S., ” Model Predictive Control of Hybrid Fuel Cell/Battery/Supercapacitor Power Sources” International Conference on System Engineering and Technology, 2012.
[7] Junbiao H., Student , Sarika K. S., and Jignesh S.,” Coordinated Predictive Control of a Wind/Battery Microgrid System” IEEE Journal of Emerging And Selected Topics In Power Electronics, Vol. 1, No. 4, December 2013.
[8] Ebony M., Student Member, IEEE, Karanjit K., Member, IEEE, Marcelo E., Member, IEEE, Wei Z., Shuai Lu, , Nader S., , Karen B., “Optimal Control of Distributed Energy Resources using Model Predictive Control” Conference of IEEE, pp. 978-986, 2012.
[9] WENG C., ZHANG X., SUN J.” Adaptive Model Predictive Control for Hybrid Electric Vehicles Power Management” Proceedings of the 32nd Chinese Control Conference July26-28, 2013.
[10] Borsche, T.; Ulbig, A.; Andersson, G. “Defining a Degradation Cost Function for Optimal Control of a Battery Energy Storage System” pp. 16-20, June 2013.
[11] Emilio P., Hector B., Néstor A., and Pedro R.” Predictive Power Control for PV Plants With Energy Storage” IEEE Transactions on Sustainable Energy, Vol. 4, No. 2, pp. 474-483, April 2013.
[12] Muhammad K. “A model predictive control approach to the problem of wind power smoothing with controlled battery storage” Renewable Energy 35. pp. 1520 – 1526, 2010.
[13] Trudie W., Haresh K., and Steve W. “Control and Optimization of Grid-Tied Photovoltaic Storage Systems Using Model Predictive Control” IEEE Transactions on .Smart Grid, Vol. 5, No. 2, pp. 2815-2820, March 2014.
[14] Subudhi, B., Pradhan, R., “Review of MPPT Techniques for Photovoltaic Systems” Jan. 2013
[15] Stephen B. and L. Vandenberghe, Convex Optimization. Cambridge, U.K.: Cambridge Univ. Press, 2009.
[16] M. Grant and Stephen B., CVX: Matlab Software for Disciplined Convex Programming (Web Page and Software) [Online]. Available: http://www.stanford.edu/~boyd/cvx/ Jul. 2008..
[17] J. Mattingley and S. Boyd, CVXGEN: Automatic Convex Optimization Code Generation (web page and software) [Online]. Available: http://cvxgen.com/ Apr. 2010.
[18] J. Mattingley and S. Boyd, “Real-time convex optimization in signal processing,” IEEE Signal Process. Mag., Vol. 27, No. 3, pp. 50 – 61, 2010.