用NI LabVIEW和DAQ創建微網能量管理系統

　　"在處理矩陣計算時，LabVIEW提供了編程工具更方便地編寫功率系統應用程序，從而節省編程時間。"– Gooi Hoay Beng, Nanyang Technological University

　　The Challenge:

　　隨著化石燃料的耗盡和全球能源需求的不斷增加,我們需要探索可持續的能源，并有效進行管理。新加坡沒有自然資源，因此需要在技術上加大投入以提高供給系統效率從而滿足其能源需求。

　　The Solution:

　　我們使用NI LabVIEW和NI數據采集設備開發低成本微網功率管理系統(MEMS)。ICT、智能儀表和高級優化應用程序被用于MEMS中，管理我們的LV分布式系統，作為整合可再生能源的平臺。

　　Author(s):

　　Cheah Peng Huat - Nanyang Technological University

　　Siow Lip Kian - Nanyang Technological University

　　Liang Hong Zhu - Nanyang Technological University

　　Vo Quoc Nguyen - Nanyang Technological University

　　Nguyen Dinh Duc - Nanyang Technological University

　　Gooi Hoay Beng - Nanyang Technological University

　　新加坡南洋理工大學(NTU)電子工程學院(EEE)的清潔能源研究實驗室的學生(LaCER)開發出了一套微網系統原型。它包含例如太陽能PV、風力渦輪、燃料電池和電池庫等能源。整個微網用基于網頁的MEMS服務器系統控制。MEMS負責控制并監視能源管理的不同方面。

　　我們開發了軟件程序管理采集到的傳感信息，完成負載控制器和發電分配。圖1顯示了數據庫和不同軟件模塊之間的界面示意圖。例如高級傳感和通信系統、負載預測(LF)、機組組合(UC)、狀態估計(SE)和最優功率流(OPF)等模塊都是使用LabVIEW開發的。

                                                                                           圖1.MEMS數據 

        高級傳感和通信系統

　　在微網中，傳感和控制設備的集成和交互是一個挑戰，因為它涉及不同通信協議，例如RS-232串行通信、RS422-/485 modbus通信等。為了解決這個問題，我們建議將所有信息轉換為一個標準協議，即以太網通信協議或通常稱為TCP/IP協議。這個轉換可以通過使用通信協議轉換器方便而經濟地完成。

　　在MEMS服務器和功率傳感器以及其他例如斷路器、可編程交流電源和PLC等其他控制設備之間傳感和通信是我們的主要設計任務。在整個微網網絡中安裝了32個支持Modbus協議的功率傳感器單元，用于例如電壓、電流、有功功率、無功功率和斷路器狀態的能量監視測量。為了在MEMS服務器和所有功率傳感器之間部署經濟的的解決方案，這些傳感器被分成四組，每組包含八個傳感器單元。每組最終連接到RS-485到TCP/IP轉換器，將Modbus協議轉換為運行在以太網LAN網絡商的Modbus TCP協議。為每個傳感器配置一個唯一的IP地址，每組功率傳感器都配置一個相應的ID。

　　通過輸入功率傳感器的IP地址、傳感器ID和寄存器地址，我們使用LabVIEW DSC模塊提取功率測量值。用戶無需定義確切的modbus消息提取信息，因此為用戶節省了寶貴的時間。所有功率測量值都被發送到LabVIEW的全局變量中，如圖2在主要圖形界面中顯示，用于監視。除此以外，還可以通過全局變量在其他應用程序中使用。相同的方法還用于PLC控制微網中的斷路器。

                  圖2.使用LabVIEW 2009開發的MEMS主要圖形界面，用于監視所有安裝的功率傳感器。

　　使用可編程交流源主要用于測試獨立微網。為了與功率源通信，我們使用LabVIEW中的TCP協議函數模塊。用戶只需要輸入功率源的IP地址，無需任何繁瑣的程序代碼就可以對功率源進行監視和控制。

　　負載預測

　　負載預測的目標是提前15分鐘預測總用戶負載。它對于有效的市場運作以及微網的控制和計劃有重要的影響。精確的預測數值能夠節省能源并且提高系統運作的安全性。

                                             圖3.使用LabVIEW 2009開發的人工神經網絡訓練用戶圖形界面

　　預測方法是基于人工神經網絡(ANN)的。LabVIEW用于開發如圖3所示的神經網絡。為了提高LF算法性能，增加了特殊解決方案：

　　數據采集——用于檢測錯誤和異常數據，在用于訓練之前刪除或調整。

　　早期停止——加速收斂并防止訓練數據過度擬合。

　　異常日期規劃——檢測負載規劃異常的日期，并將它們從訓練中去除，從而不會破壞負載模型。用戶能夠從GUI中更新異常日期。

　　相關性和線性回歸分析——通過使用直線找出輸入和目標數據的線性關系。

　　歷史負載數據是從NTU的Wee Kim Wee通信與信息大樓使用NI數據采集設備 NI USB-6215 采集的。這些數據使用LabVIEW處理并存儲在數據庫中。為了采集這些每日負載數據(即分布式網格的負載電壓和電流)，我們將數據采集設備的模擬輸入通過降電壓變壓器連接到大樓的分布式網格中，以及電流電壓變換器分別獲取電壓和電流數據。