基于模糊逻辑的V2G控制方法
模糊控制理论及应用
模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。
本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。
一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。
在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。
模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。
最后，通过去模糊化操作将模糊集合转化为具体的输出值。
二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。
1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。
它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。
2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。
通过模糊控制，机器人可以对复杂的环境做出智能响应。
3. 交通控制：模糊控制在交通控制领域中有重要的应用。
通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。
4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。
通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。
5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。
模糊控制可以应对这些问题，提高生产过程的稳定性和质量。
三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。
未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。
通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。
2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。
例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。
3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。
模糊控制的基本原理
模糊控制的基本原理模糊控制是一种基于模糊逻辑的控制方法，它模仿人类的思维方式，通过模糊化、模糊推理和解模糊化来实现对系统的控制。
模糊控制的基本原理可以概括为以下几个方面。
模糊控制通过将输入和输出与一组模糊集相对应，来模拟人类的模糊推理过程。
在传统的控制方法中，输入和输出通常是精确的数值，而在模糊控制中，输入和输出可以是模糊的、不确定的。
通过将输入和输出模糊化，可以将问题从精确的数学计算转化为模糊的逻辑推理，使得控制系统更加灵活和适应性强。
模糊控制通过定义一组模糊规则来描述系统的行为。
模糊规则是一种类似于人类思维的规则，它由若干模糊条件和模糊结论组成。
模糊条件和模糊结论通过模糊集来表示，并通过模糊推理来确定系统的控制策略。
模糊推理是基于模糊规则和模糊集的逻辑推理过程，它通过对模糊条件的匹配和模糊结论的合成，来确定系统的输出。
然后，模糊控制通过解模糊化将模糊输出转化为精确的控制信号。
解模糊化是将模糊输出映射到一个确定的值域上的过程，它可以通过取模糊输出的平均值、加权平均值或者其他方式来实现。
解模糊化的目的是将模糊的控制信号转化为精确的控制动作，以实现对系统的精确控制。
模糊控制通过反馈机制来实现对系统的自适应调节。
反馈机制是模糊控制系统中的重要组成部分，它通过不断测量系统的输出，并与期望输出进行比较，来调节系统的控制策略。
通过反馈机制，模糊控制系统可以根据系统的实际情况进行调节，以适应不同的工作环境和工作条件。
模糊控制的基本原理包括模糊化、模糊推理、解模糊化和反馈机制。
通过模糊化和模糊推理，模糊控制可以将问题从精确的数学计算转化为模糊的逻辑推理，使得控制系统更加灵活和适应性强。
通过解模糊化，模糊控制可以将模糊的控制信号转化为精确的控制动作，以实现对系统的精确控制。
通过反馈机制，模糊控制可以根据系统的实际情况进行调节，以适应不同的工作环境和工作条件。
模糊控制的基本原理为工程领域提供了一种灵活、适应性强的控制方法，可以应用于各种复杂的控制问题中。
基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型
基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型目录1. 内容概览 (2)1.1 研究背景 (3)1.2 研究意义 (4)1.3 国内外研究现状 (5)2. 模糊逻辑控制理论基础 (6)2.1 模糊逻辑控制概述 (8)2.2 模糊逻辑控制器设计方法 (9)2.3 模糊逻辑控制器性能评估方法 (10)3. 混合储能系统概述 (11)3.1 混合储能系统的定义与分类 (13)3.2 混合储能系统关键技术 (14)3.3 混合储能系统应用领域 (16)4. 风电调频优化配置模型 (17)4.1 风电场运行状态描述 (19)4.2 风电调频目标函数与约束条件 (20)4.3 双层优化配置模型构建 (22)5. 基于模糊逻辑控制的风电调频优化配置方法 (22)5.1 模糊逻辑控制器设计 (24)5.2 模糊逻辑控制器参数辨识 (25)5.3 模糊逻辑控制器性能分析 (26)6. 实验与结果分析 (27)6.1 实验平台与数据采集 (28)6.2 实验设计与仿真验证 (29)6.3 结果分析与讨论 (30)7. 结论与展望 (31)7.1 主要研究成果总结 (32)7.2 研究不足与改进方向 (33)7.3 对未来研究方向的展望 (35)1. 内容概览本篇文档深入探讨了基于模糊逻辑控制的混合储能辅助风电调频的双层优化配置模型。
该模型旨在通过先进的控制策略和优化的资源配置，实现风能的高效利用和电网的稳定运行。
在模型的上层，我们着重于总体架构的设计和优化目标的设定。
通过引入风功率预测和电池荷电状态等关键信息，上层优化模型致力于确定混合储能系统的最佳配置，包括储能单元的类型、数量以及各自的功能分配。
上层模型还考虑了经济性、环保性和可靠性等多重约束条件，力求在满足风电调频需求的同时，实现能源利用的高效化和成本的最小化。
下层优化则聚焦于具体的控制策略和能量管理，基于模糊逻辑的控制方法被应用于实现储能系统的快速响应和精确管理。
人工智能的模糊推理和模糊控制方法
人工智能的模糊推理和模糊控制方法人工智能（Artificial Intelligence, AI）是研究、开发用于模拟、扩展和扩展人类智能的理论、方法、技术及其应用系统的一门科学。
在人工智能领域，模糊推理和模糊控制是两个重要的方法，它们通过引入模糊集合和模糊逻辑，使计算机能够处理和推理不确定、模糊的信息，具有广泛的应用范围和潜力。
本文将对模糊推理和模糊控制的基本原理、应用领域以及发展趋势进行详细介绍。
首先，我们先来了解一下模糊推理和模糊控制的基本原理。
模糊推理是基于模糊集合和模糊逻辑的推理方法，它的核心思想是将不确定的信息和模糊的知识进行建模，通过适当的规则进行推理，从而得到模糊的结论。
模糊推理的核心步骤包括模糊化、规则匹配、推理和去模糊化。
具体来说，模糊化将现实世界中的事物或概念映射到模糊集合上，通过模糊集合来描述不确定性和模糊性；规则匹配将输入模糊集合与预定的规则集合进行匹配，确定需要使用的规则；推理根据已匹配的规则进行逻辑推理，得到模糊的结论；去模糊化将模糊的结论映射回到现实世界的具体数值上，得到人类可以理解的结果。
模糊控制是一种基于模糊逻辑的控制方法，它通过将模糊集合和模糊推理应用于控制系统中，使控制系统能够处理模糊的输入和输出信号，从而实现对复杂系统的智能控制。
模糊控制的基本原理是将不确定的输入信号经过模糊化处理得到模糊的输入变量，然后通过一系列的模糊规则进行推理和逻辑运算，得到模糊的输出变量，最后将模糊的输出变量经过去模糊化处理得到具体的控制信号，用于调节系统的行为。
模糊控制系统的结构由模糊化模块、推理机制和去模糊化模块组成，其中模糊化模块用于将输入信号映射到模糊集合上，推理机制用于根据预定的模糊规则进行推理，去模糊化模块用于将模糊的输出信号映射回到具体的控制信号上。
模糊推理和模糊控制方法在各个领域都有广泛的应用。
在工业自动化领域，模糊控制方法可以用于汽车、航空、电力、化工等复杂系统的控制，能够有效地处理系统的非线性、模糊和不确定性问题，提高系统的稳定性和鲁棒性。
模糊控制算法流程
模糊控制算法流程一、引言模糊控制是一种基于模糊逻辑的控制方法，它可以处理一些复杂或不确定的系统。
模糊控制算法的流程是指在进行模糊控制设计时所遵循的一系列步骤和流程。
本文将介绍模糊控制算法的流程，并对其各个步骤进行详细说明。
二、问题定义在进行模糊控制算法设计之前，首先需要明确控制的目标和问题定义。
这包括确定输入和输出变量、规定控制的目标和要求等。
通过明确问题定义，可以为后续的模糊控制算法设计提供准确的依据。
三、建立模糊规则库模糊规则库是模糊控制的核心部分，它由一系列模糊规则组成。
每条模糊规则包含若干模糊条件和一个模糊结论。
建立模糊规则库的过程包括确定模糊变量的语言项、设定模糊集合以及确定模糊规则的形式。
通过合理地建立模糊规则库，可以使模糊控制系统能够更好地适应实际问题。
四、模糊推理模糊推理是指根据已建立的模糊规则库，将模糊输入通过模糊规则进行推理，得到模糊输出的过程。
模糊推理的方法主要有模糊综合法、模糊匹配法等。
在进行模糊推理时，需要将模糊输入通过模糊规则库进行匹配，得到模糊输出的隶属度。
五、模糊化和去模糊化模糊化和去模糊化是模糊控制算法中的重要步骤。
模糊化是将模糊输出的隶属度转化为真实的输出值的过程，而去模糊化则是将模糊输入转化为模糊输出的隶属度的过程。
常用的模糊化方法有最大隶属度法、平均隶属度法等，常用的去模糊化方法有中心法、面积法等。
六、仿真和验证在完成模糊控制算法的设计后，需要进行仿真和验证。
通过建立仿真模型，将设计的模糊控制算法应用于实际问题，验证其控制效果和性能。
通过仿真和验证，可以进一步优化和改进模糊控制算法，提高其在实际问题中的应用效果。
七、应用和总结模糊控制算法在实际问题中具有广泛的应用价值。
通过合理地设计和应用模糊控制算法，可以解决一些复杂或不确定的控制问题。
然而，在实际应用中，还需要根据具体问题的特点进行进一步的改进和优化。
因此，模糊控制算法的应用和总结是一个不断完善和提高的过程。
模糊控制重心法
模糊控制重心法一、引言模糊控制是一种基于模糊逻辑的控制方法，它模拟人类的思维方式，将模糊的输入转化为模糊的输出，适用于复杂的非线性系统。
而重心法则是模糊控制中的一种常用规则，用于确定输出的模糊值。
本文将介绍模糊控制的基本原理以及重心法的应用。
二、模糊控制的基本原理模糊控制系统包括模糊化、模糊推理和解模糊三个主要部分。
模糊化将输入的实际值转换为模糊值，模糊推理根据预设的规则进行推理，得出模糊输出，解模糊将模糊输出转换为实际值。
模糊控制的关键在于模糊推理，其中重要的一环就是模糊规则的表达。
模糊规则由条件部分和结论部分组成，条件部分是输入的模糊集合，结论部分是输出的模糊集合。
模糊推理的方法有很多种，其中一种常用的方法就是基于重心法的推理。
三、重心法的原理重心法是一种基于几何思想的模糊推理方法，它利用模糊集合的特征值来确定输出的模糊值。
对于模糊集合来说，它可以看作是在数轴上的一个分布，其中心位置就是重心。
重心法的基本思想是将输入集合和输出集合在数轴上表示出来，通过计算它们的重心位置来确定输出的模糊值。
具体来说，重心法首先将模糊集合的隶属度函数进行插值，得到一个连续的函数。
然后，通过对连续函数进行积分，求解出其重心位置。
最后，根据重心位置确定输出的模糊值。
四、重心法的应用重心法在模糊控制中的应用非常广泛。
例如，在温度控制系统中，可以通过重心法来确定加热或降温的程度；在汽车制动系统中，可以通过重心法来确定刹车力度的大小。
以温度控制系统为例，假设输入是温度的模糊集合，输出是加热程度的模糊集合。
通过重心法，可以根据输入的模糊值和对应的隶属度函数，计算出输出的模糊值。
具体来说，可以通过将输入和输出模糊集合进行插值，得到连续函数。
然后，通过对连续函数进行积分，求解出其重心位置，即输出的模糊值。
五、总结模糊控制重心法是一种基于模糊逻辑的控制方法，它通过计算模糊集合的重心位置来确定输出的模糊值。
重心法在模糊控制中有着广泛的应用，可以用于各种复杂的非线性系统。
基于模糊自适应的反馈控制方法
基于模糊自适应的反馈控制方法基于模糊自适应的反馈控制方法导言：在控制系统中，反馈控制是一种常用的控制方法，它通过不断监测系统输出信号与期望输出信号之间的差异，并将其作为控制器的输入，以调节系统的行为。
然而，由于实际系统存在不确定性和非线性等问题，传统的反馈控制方法往往难以获得良好的控制效果。
为了解决这一问题，基于模糊自适应的反馈控制方法应运而生，它能够根据系统的实际情况自动调整控制器的参数，从而提高系统的鲁棒性和性能。
正文：1. 模糊控制的基本原理：模糊控制是一种基于模糊逻辑的控制方法，它通过模糊化输入和输出变量，并利用模糊规则库来实现控制策略的制定。
模糊控制器通常包括模糊化模块、模糊推理模块和解模糊化模块。
模糊化模块将输入变量映射到模糊集合上，模糊推理模块根据模糊规则库进行推理，生成模糊输出，解模糊化模块将模糊输出映射到实际的控制量上。
2. 自适应控制的基本原理：自适应控制是一种根据系统的实时信息来调整控制器参数的方法。
它通过不断地观测和估计系统的状态和参数，使用合适的自适应算法来更新控制器的参数，以使系统能够在不确定性环境下获得良好的控制性能。
3. 基于模糊自适应的反馈控制方法：基于模糊自适应的反馈控制方法将模糊控制和自适应控制相结合，利用模糊控制器的灵活性和自适应控制器的鲁棒性，实现对系统的精确控制。
该方法的基本思路是：首先，通过模糊化输入和输出变量，构建模糊规则库，确定模糊控制器的初始参数。
然后，利用模糊控制器来控制系统的行为，并通过反馈信号来不断地优化模糊控制器的参数。
具体而言，反馈信号会根据系统的实际输出与期望输出之间的差异来调整控制器的输出，使系统逐渐趋向期望状态。
同时，利用自适应控制的方法，根据系统的状态和参数变化，自动调整模糊控制器的参数，以提高系统的控制性能。
通过不断地迭代优化，模糊自适应控制器能够逐步逼近最优解，从而实现对系统的良好控制。
4. 优势和应用：相比传统的反馈控制方法，基于模糊自适应的反馈控制方法具有以下优势：- 系统鲁棒性强：能够应对系统的不确定性和非线性特性，具有较强的适应能力；- 控制性能好：能够根据系统的实际情况自动调整控制器的参数，使系统能够在不同工况下保持良好的控制性能；- 易于实现和调试：模糊控制器的设计和调试相对简单，能够快速应用于实际系统。
基于变论域模糊控制的VSG自适应控制策略
基于变论域模糊控制的VSG自适应控制策略自适应控制是指系统能够根据外部环境的变化自动调整控制参数，以保持系统的稳定性和性能。
在电力系统中，由于复杂的变动性和不确定性，自适应控制策略对于保持系统的运行状态至关重要。
基于变论域模糊控制的VSG自适应控制策略是一种有效的控制方法，它结合了变论域控制和模糊控制的优点，能够在应对系统动态变化时实现精确的控制。
一、VSG简介VSG（Virtual Synchronous Generator）是一种基于逆变器的虚拟同步发电机，它模拟了传统的同步发电机的行为。
通过控制逆变器的输出，VSG能够提供与电网同步的有效功率注入，实现对电力系统的稳定控制。
二、变论域模糊控制变论域控制是指根据系统状态的变化，调整控制参数的范围。
在VSG控制中，由于电力系统的动态变化，控制参数的范围需要根据实际情况进行调整。
变论域模糊控制是将模糊控制与变论域控制相结合的一种控制策略。
通过模糊控制器自适应调整控制参数的范围，可以实现对变动环境的精确控制。
三、基于变论域模糊控制的VSG自适应控制策略基于变论域模糊控制的VSG自适应控制策略主要包括以下几个步骤：1. 系统建模与参数估计：首先需要对VSG系统进行建模，并对系统的参数进行估计。
通过测量系统的输入输出数据，可以利用系统辨识方法得到较为准确的系统模型和参数。
2. 变论域参数设计：在VSG自适应控制中，参数的范围需要根据系统状态进行调整。
通过定义合适的变论域函数和参数变化规律，可以实现参数的自适应调整。
3. 模糊控制器设计：利用模糊推理机制，设计一个适应系统状态变化的模糊控制器。
该控制器能够根据系统状态的变化，自动调整控制参数的范围，实现精确的控制。
4. 控制策略实施：将设计好的模糊控制器与VSG系统进行整合，并实施控制策略。
通过实时监测系统的状态，控制器能够根据变论域参数的变化，调整控制策略，以保持系统的稳定性和性能。
四、实例分析为了验证基于变论域模糊控制的VSG自适应控制策略的有效性，我们对一个模拟的电力系统进行实例分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
不受控制的电动汽车充电或放电会严重影响节 点处的电压，导致节点的电压升高或降低超出国家 规定标准，本文提出使用模糊逻辑控制器来控制充 电和放电的多少。对于电动汽车电池的荷电状态 （Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ， ＳＯＣ）而言，当 ＳＯＣ 状态低而节点电 压高时，电动汽车将充电；当 ＳＯＣ 状态高而节点电 压低时，电动汽车将放电。然而也有 ＳＯＣ 和节点电 压都高或者都低的情况，此时就要限制充电或放电 的速率，以稳定电池电量以及电网电压。由于系统 具有较大的随机性和非线性，难以建立精确的数学 模型，模糊逻辑控制器对这种情况具有很好的调整
32
苏海滨等：基于模糊逻辑的 Ｖ２Ｇ 控制方法
2016 年第 2 期
１ 系统模型
１．１ 配电系统模型 本文设计了一个有 ２０ 个节点的典型低压配电
系统。因为 ０．４ｋＶ 是现有电动汽车常规充电电压等 级，所以充电站连接到了配电系统中的一个 ０．４ｋＶ 节点上。如图 ２ 所示，主馈线上有一个 １１０／１０ｋＶ 变 压器，共有 ５ 条 １０ｋＶ 径向馈线，每一条馈线上设有 一个额定值为 １０ｋＶ／０．４ｋＶ 的变压器，总节点数为 ２０ 个，图 ２ 中 １．１ 到 ５．３ 为副馈线节点。
智能电网发展必将带来电力系统设备全面信息 化和智能化，电力公司与用户之间利用通信网络实 现用电负荷信息实时交换。电力公司可以在需要的 时候从电动汽车车主那里购买电能，也可在需求量 低时再卖回给车主。如图 １ 所示，电力公司和众多电 动汽车之间通过使用聚合器中间装置连接起来［２］，聚 合器能够根据当前的电网状况做出实时决策，以决 定对电动汽车进行充电还是放电。此外，这种聚合器 还可以很容易的与智能电网集成，以取得更好的 调性和可靠性［３］。
图 １ 在 Ｖ２Ｇ 系统中的聚合器
国内外对电动汽车与电网控制方面的研究已见 相关报导，但大都集中在对电动汽车聚合器优化控 制，进而实现电网频率的自动调节［４－６］。文献［７］研究 了大量电动汽车参与充放电时对电网的影响。文献 ［８］在一个特别用户区域集成 Ｖ２Ｇ，主要功能实现了 能量储存控制。文献［９］介绍了一种 Ｖ２Ｇ 双向功率变 换充放电系统。文献［１０］和文献［１１］研究了电动汽车 对配电网的影响，对其应用负载流技术进行了研 究。文献［１２］描述了等效智能充电机的概念，分析了 基于代理模式下电动汽车参与调频的控制策略。这 些文献中对 Ｖ２Ｇ 的充电和放电控制技术研究分析 较少。本文提出了基于模糊逻辑控制器 （ＦＬＣ）的 Ｖ２Ｇ 双向能源流控制，主要用于电压补偿和削峰填 谷。因为模糊控制技术是规则的语言表征，无需建 立系统的数学模型。因此，即使有大量的电动汽车 接入，其充电和放电控制也可以很容易地实现。
Ｖ２Ｇ 控制器放置在配电区域的一个特定低压线 路节点上，主要目的是控制有关节点和充电站之间 的潮流。充电站设定在靠近配电节点的地方，大量 的电动汽车在该区域内参与电网支撑。一个协调优 化的电动汽车充电或放电控制能够减小电压骤降、 功率不平衡、频率调节和暂态抑制。
作者简介：苏海滨（１９６４－），男，博士，教授，研究方向为电力系统自动控制，分布式微电网能源控制。
的双向逆变器在连接点 ａ 与电网系统保持同步，在
电网连接点 ｂ 注入功率，传递的功率可由下式计算：
ＳＥＶ ＝ＶＩ
（１）
其中：
Ｉ
＝
Ｅ∠δ－Ｖ∠０ ｊＸ
（２）
在式（１）和（２）中，ＳＥＶ 和 Ｉ 分别是由电池提供的 功率和电流。Ｅ 和 Ｖ 分别是在发送端和接受端的电
压。 δ 是 Ｅ 和 Ｖ 之间的相角。Ｘ 是逆变器与公共
性和可行性。
关键词：智能电网；分布式发电；模糊逻辑控制；电动汽车到电网
中图分类号：ＴＭ９１９ 文献标志码：Ｂ
文章编号：X(2016)02-031-05
０ 引言
Ｖ２Ｇ 系统能够实现电动汽车与电网之间可控的 能源交互。电动汽车通过输出自身存储的电能到电 网或限制充电时的充电功率以对电网提供支撑［１］。大 量的电动汽车接入电网，将提供一个巨大的能量储 存单元，形成一种分布式能量存储资源。良好的 Ｖ２Ｇ 控制技术不仅能够满足本地负荷需求，还可以 减少高峰时段配电系统的负荷压力。
电网之间线路的电抗。代入 Ｉ 的值并分离实部虚部，
电池系统传递的功率如下式：
ＳＥＶ
＝
ＥＶ
ｓｉｎ（δ） Ｘ
＋ｊ
Ｅ
｛Ｅ－Ｖ ｃｏｓ（δ）｝ Ｘ
（３）
图 ３ 电动汽车电池作为一个分布式能源 在逆变器控制下电动汽车可以提供无功功率， 通过控制 Ｅ 和 Ｖ 相角总为零，从而可向电网注入无 功功率以减少电压降落。 电动汽车一般在一天的用电高峰时段放电，以 支撑电网的电压。注入电网的功率在本地补偿了用 户负荷需求，输电和配电系统中的功率也相应减 少，线路损耗减少，电网母线电压会相应的提高，这 种功率损耗的降低也是 Ｖ２Ｇ 的主要特点之一。
ＱＥＶ
＝
Ｅ
２
－ＥＶ Ｘ
（６） （７）
图 ２ 配电网径向结构
１．２ Ｖ２Ｇ 支撑电网
电动汽车电池的电能可以作为分布式储能装置
来使用，提供无功支持以减少特定节点的电压降落，
其原理如图 ３ 所示。其中电池表示一个特定区域中
的充电站的总可用能量，与双向逆变器组合既可以
作为电源也可以作为储能器，与电动汽车电池相连
从式（３）可知，有功功率 ＰＥＶ 和无功功率 ＱＥＶ 如
下：
ＰＥＶ
＝
ＥＶ
ｓｉｎ（δ） Ｘ
（４）
ＱＥＶ
＝
Ｅ
｛Ｅ－Ｖ ｃｏｓ（δ）｝ Ｘ
（５）
如果只要求由电动汽车注入无功功率，将 δ 角
设定为 ０ 度，电压 Ｅ 和 Ｖ 将同相。把 δ＝０ 代入式
（４）和（５），则发送端的有功和无功功率计算如下：
ＰＥＶ ＝０
2016 年第 2 期
河南电力技术
31
新能源
基于模糊逻辑的 Ｖ２Ｇ 控制方法
苏海滨，曹 扬，常海松
（华北水利水电大学电力学院，河南 郑州 450045）
摘 要：随着电动汽车的大量接入，将对电网的稳定性构成严重威胁，需要对电动汽车充放电时间进行恰当的协调，
也就是根据不同电动汽车各自的电池状态和当前电网运行条件对电池充电和放电模式实施控制，把暂时富余电能
送回电网，从而对电网产生有力的能量支撑，保持高峰时段电网的稳定性。本文提出了基于模糊逻辑的电动汽车到
电网（vehicle to grid,V2G）电能交互控制方法，以满足高峰时段用电需求、减小电压降落和改善电能质量。建立一个
典型的配电系统 V2G 电能传输模型，对所提出的模糊逻辑控制算法进行了仿真。仿真结果验证了所提算法的有效