基于自適應神經網絡的光伏發電系統并網控制策略

(國網河南省電力公司平頂山供電公司，河南 平頂山 467001)

?

基于自適應神經網絡的光伏發電系統并網控制策略

陸 暢，周志鋒，智勇軍

(國網河南省電力公司平頂山供電公司，河南 平頂山 467001)

針對傳統并網光伏發電系統在電網故障條件下穿越控制策略的不足，提出一種基于自適應模糊神經網絡的光伏發電系統并網控制方法。該方法在電網電壓突變和跌落情況下能夠快速地調整光伏發電系統的工作模式，以適應光伏陣列最大輸出功率和并網逆變器額定容量以及最大輸出電流限制，具有穩定性強、跟蹤速度快等優點。給出了控制策略總體架構，闡述了電網故障控制器運行模式切換策略，建立了自適應模糊神經網絡算法的數學模型。在Matlab/Simulink軟件平臺下搭建了仿真模型，驗證了控制策略的有效性。

光伏發電；模糊神經網絡；故障穿越；功率控制

近年來，分布式光伏發電系統大規模接入電網，給電網安全穩定運行帶來了巨大挑戰，由于電網故障而快速將光伏發電系統切出電網的方法目前已無法滿足要求，突然將大容量光伏切出系統會對電網系統造成嚴重沖擊，導致電網崩潰[1-4]。為保證光伏發電系統在故障時不脫離電網，需要光伏發電系統具有低電壓穿越(low voltage ride-through, LVRT)能力[5-8]。電網電壓正常運行狀況下，光伏并網逆變器通常采用傳統電壓/電流雙閉環控制策略實現光伏發電系統并網運行。當電網電壓發生三相對稱跌落時，采用傳統的雙環控制和 LVRT 控制策略相互切換來實現光伏發電系統低電壓穿越的控制目標[7-8]。

由于電網電壓對稱跌落不含負序分量，只需抑制并網逆變器出口電流，防止過流保護動作，實現其在電網電壓對稱跌落時的低電壓穿越[9-10]。然而，在電網實際運行中，絕大多數故障為不對稱故障，若采用傳統三相電壓對稱的低電壓穿越控制策略，由于負序電流存在，并網逆變器的并網功率與光伏陣列發出功率不平衡，并網逆變器直流側電壓降大幅度波動，影響光伏發電系統的穩定運行，將不能滿足國家標準和國家電網公司關于入網標準的要求[11-13]。

將模糊神經網絡用于光伏發電系統功率控制的應用場合，在電網電壓突變和跌落情況下能夠快速地調整系統的工作模式，以適應光伏陣列最大輸出功率和并網逆變器額定容量及最大輸出電流的限制，具有穩定性強、跟蹤速度快等優點。闡述了電網故障控制器運行模式切換策略，建立了模糊神經網絡算法的模型，并在Matlab/Simulink平臺下搭建了系統仿真模型，仿真結果驗證了所提控制策略的有效性和可行性。

1 光伏發電系統的拓撲結構

圖1 光伏發電系統電路拓撲及其控制框圖

如圖1所示，并網光伏發電系統的主電路包括光伏陣列、Boost升壓斬波電路、三相逆變器、并網電抗器L、并網開關SSR、并網變壓器和三相電網，光伏陣列依次通過Boost升壓斬波電路、三相逆變器、并網電抗器L、并網開關SSR和并網變壓器接入三相電網；CPV為光伏陣列輸出端口并聯電容，同時為Boost升壓斬波電路提供輸入電壓；VPV和IPV分別為光伏陣列的輸出電壓與輸出電流；直流電容Cdc接在Boost升壓斬波電路輸出端，Cdc同時作為三相逆變器的直流母線電容，其工作電壓為Vdc；三相逆變器通過并網電抗器L、并網開關SSR和并網變壓器接入三相交流電網。

2 光伏發電系統的控制策略

首先建立光伏發電系統電網故障控制器模型，根據有功功率、無功功率和三相逆變器電流的最大允許值，建立雙模式切換控制策略，動態地調整Boost升壓斬波電路的工作模式和三相逆變器的概率模糊神經網絡控制輸入參考信號。電網故障情況下，光伏發電系統雙模式切換的控制策略如下：

模式Ⅰ：當P*大于光伏陣列的有功功率PPV時，通過控制三相逆變器的直流母線電壓，將光伏陣列的有功功率PPV全部注入電網；三相逆變器電流可控制在Imax以內，Boost升壓斬波電路工作在最大功率點跟蹤模式(MPPT模式)；

模式Ⅱ：當P*小于或等于光伏陣列的有功功率PPV時，Boost升壓斬波電路暫停最大功率點跟蹤，并開始跟蹤功率P*；Boost升壓斬波電路與三相逆變器之間的功率不均衡問題通過控制三相逆變器直流母線電壓來解決。電網故障控制器通過開關SW3(如圖1所示)選擇工作模式。如圖2所示，雙模式切換控制策略的具體操作流程包括以下步驟：

圖2 光伏發電系統電網故障控制器的控制模式選擇流程圖

1)讀取三相逆變器交流輸出線電壓vab、vbc、vca,光伏發電系統注入電網電流的最大允許值Imax，計算光伏陣列的有功功率PPV，并計算Vsag；

2)判斷Vsag是否大于0.1，若是，光伏發電系統對電網的無功功率支撐控制模式啟動，進行下一步，否則不操作；

3)計算Ir*、 |S|、P*、Q*；

4)判斷PPV是否小于或等于P*，若是則進入模式Ⅰ，否則進入模式Ⅱ。

Boost升壓斬波電路內環控制器采用比例積分控制器，比例積分控制器的輸入信號通過開關SW1根據電網故障控制器的輸出模式信號來選擇輸入信號，系統工作在模式Ⅰ時，將最大功率點跟蹤模式(MPPT)下的輸出信號VPV*與光伏陣列的實際輸出信號VPV求偏差，將偏差信號作為Boost升壓斬波電路內環控制的輸入信號。

當系統工作在模式Ⅱ時，將三相逆變器直流母線電壓參考值Vdc*和實際值Vdc求取偏差后作為Boost升壓斬波電路內環控制的輸入信號。Boost升壓斬波電路內環控制器的輸出信號與三角載波比較并形成Boost升壓斬波電路開關器件的PWM脈沖控制信號。三相光伏逆變器內環電流控制器模型，采用比例積分控制，實現輸出電流ia、ib、ic對參考信號ia*、ib*、ic*的跟蹤控制，將三相光伏逆變器內環電流控制器的輸出信號與三角載波比較并形成三相逆變電路各開關器件PWM脈沖控制信號，從而實現光伏發電系統并網控制以及在電網故障情況下對電網動態無功功率支撐的目標。

3 模糊神經網絡模型及算法流程

接下來建立概率模糊神經網絡控制器，求取三相逆變器注入電網的有功和無功電流參考值。如圖3所示，概率模糊神經網絡控制器包括6層網絡結構：第1層為輸入層，第2層為隸屬度層，第3層為概率層，第4層為TSK模糊推理機制層，第5層為規則層，第6層為輸出層；在隸屬度層中，每個節點采用不對稱高斯函數實現模糊化運算[14- 15]。

圖3 模糊神經網絡控制器模型及算法流程

概率模糊神經網絡控制器的計算流程如下。

定義第j個模糊If-Then規則表示如下：

第1層(輸入層)。輸入層的節點將輸入變量xi,i=1, 2，傳遞到第2層，電網故障情況下，對于模式Ⅰ的有功功率控制功能，輸入變量e=Vdc*-Vdc；對于模式Ⅱ的有功功率控制功能，輸入變量e=P*-P；對于無功功率控制功能，輸入變量e=Q*-Q。

第2層(隸屬度層)。每個節點采用不對稱高斯函數實現模糊化運算，節點輸入信號和輸出信號之間的關系表示如式(1)。

(1)

第3層(概率層)。第3層的節點輸入輸出關系如式(2)。

(2)

j=1，2，…，6；p=1，2，3

第4層(TSK模糊推理機制層)。輸出信號為輸入信號的線性組合，第k個節點的輸出為[14]

(3)

式中：cik為可調節的權系數；xi為輸入變量；N為迭代次數。

第5層(規則層)。本層第1部分為第2層和第3層節點輸出信號yj2(N)和Pjp(N)的乘積，第2部分為第5層輸出信號表達式，即為第1部分輸出信號ykI(N)與第4層輸出信號Tk(N)的乘積。

第6層(輸出層)。本層由一個節點O構成，計算所有上層節點輸出信號的加權累加效應。其中：wk6(N)表示第k個模糊化規則對第o個輸出信號作用強度的權系數；yko(N)為第6層節點的第k個輸入信號；yo6(N)=iq*為光伏逆變器注入的有功電流；yo6(N)=id*為光伏逆變器注入電網的無功電流。

4 仿真與分析

4.1 模型

為了驗證所提出的基于模糊神經網絡功率控制策略的有效性，在Matlab/Simulink平臺搭建了如圖1所示的并網型光伏發電系統仿真模型[14]。額定功率為45kW，額定電壓有效值為220V，逆變器直流母線電容電壓為750V，并網電感L=0.5mH，逆變器直流母線電容Cdc=1.2mF，開關頻率為10kHz。為了驗證光伏發電系統在模式Ⅰ和模式Ⅱ情況下對電網故障的穿越特性，首先構造如圖4所示的電網跌落工況。其中，在t<0.1s時，電網三相電壓對稱，在t=0.1s時，電網B、C相同時發生0.3p.u.的電壓跌落，持續時間為0.25s，隨后電網電壓恢復到額定值。圖4給出了上述跌落工況的三相電壓波形及其標幺值波形，下面根據光伏陣列出力大小分別給出模式Ⅰ和模式Ⅱ情況下光伏發電系統有功功率和無功功率出力波形。

圖4 PCC點電網電壓及其標幺值波形圖

4.2 模式Ⅰ仿真

如圖5所示，當光伏陣列輸出功率為6kW時，光伏陣列輸出的有功功率小于逆變器允許的最大功率限制值Pmax。據前面理論分析得知，電網電壓跌落0.3p.u.時逆變器有功出力的限制值約為16kW，因此可將光伏陣列的有功功率全部注入電網。將三相逆變器電流控制在最大允許值Imax以內，Boost升壓斬波電路工作在最大功率點跟蹤模式(maximumpowerpointtracking，MPPT)。圖5中瞬時無功功率波動由電網電壓不對稱引起，其平均值約為30kvar，此部分無功功率可用于對電網的動態無功支撐，改善系統穩定性。當t>0.35s時，電網電壓恢復到額定值，此時無功功率參考值和實際值降低到0。

圖5 模式Ⅰ工況下光伏發電系統出力特性

4.3 模式Ⅱ仿真

如圖6所示，當光伏陣列輸出功率為26kW時，光伏陣列輸出的有功功率大于逆變器允許的最大功率限制值Pmax。據前面分析得知，電網電壓跌落0.3p.u.時逆變器有功出力的限制值約為16kW，此時Boost升壓斬波電路暫停最大功率點跟蹤，并開始跟蹤功率P*，Boost升壓斬波電路與三相逆變器之間的功率不均衡問題通過控制三相逆變器直流母線電壓來解決。在圖6所示的電網發生0.3p.u.兩相跌落時，逆變器的有功出力被限制到最大允許值的16kW，此時注入系統的瞬時無功功率在0上下波動，其平均值為0，實現了光伏發電系統的低電壓穿越功能，同時保證了系統的安全穩定運行。當t>0.35s時，電網電壓恢復到額定值，此時有功功率參考值和實際值恢復到光伏陣列的實際功率。

圖6 模式Ⅱ工況下光伏發電系統出力特性

5 結 論

針對傳統光伏發電系統在電網故障條件下穿越控制策略的不足，提出了一種基于模糊神經網絡的光伏發電系統功率控制方法。在電網電壓突變和跌落情況下能夠快速地調整光伏發電系統的工作模式，以適應光伏陣列最大輸出功率和并網逆變器額定容量及最大輸出電流的限制，具有穩定性強、跟蹤速度快等優點。給出了控制策略總體架構，詳細闡述了電網故障控制器運行模式切換策略，建立了模糊神經網絡算法的數學模型和實現流程，并在Matlab/Simulink平臺下搭建了仿真模型，最后在該模型上驗證了所提控制策略的有效性。

[1] 何麗君，王明渝. 電網電壓不平衡時兩級式三相光伏并網系統控制策略研究[J].現代電力，2015，32(2): 16-22.

[2] 張艷霞，李璇，趙杰．光伏電源最大功率跟蹤的改進擾動觀察法[J]．天津理工大學學報，2013，29(1)：21-24．[3] Kadri R，Gaubert J P，Champenois G．An Improved Maximum Power Point Tracking for Photovoltaic Grid- connected Inverter Based on Voltage-oriented Control[J]．IEEE Transactions on Industrial Electronics，2011，58(1)：66-75．

[4] 王曉，羅安，鄧才波，等．基于光伏并網的電能質量控制系統[J]．電網技術，2012，36(4)：68-73．

[5] Widen J，Wackelgard E，et al．Impacts of Distributed Photovoltaics on Network Voltages：Stochastic Simulations of Three Swedish Low-voltage Distribution Grids[J]．Electric Power Systems Research，2010，80(12)：1562-1571．

[6] 朱曉榮，張慧慧. 光伏直流微網協調直流電壓控制策略的研究[J]. 現代電力，2014，31(5): 21-26.

[7] 楊明，周林，張東霞，等．考慮電網阻抗影響的大型光伏電站并網穩定性分析[J]．電工技術學報，2013，28(9)：214-223．

[8] Varma R，Salama M．Large-scale Photovoltaic Solar Power Integration in Transmission and Distribution Networks[C]//Proceedings of IEEE Power and Energy Society General Meeting，Detroit，2011．

[9] 路曉，秦立軍. 自適應擾動觀察法在光伏MPPT中的應用于仿真[J].現代電力，2011，28(1): 80-84.

[10] 王軍成, 楊旭紅, 王嚴龍. 改進自適應變步長光伏系統最大功率跟蹤[J].現代電力，2014，31(5): 70-73.

[11] 李峰，李威，薛峰，等．規模化光伏電站與電網暫態交互影響定量分析[J]．電網與清潔能源，2011，27(11)：50-56．

[12] 董偉杰，白曉民，朱寧輝，等．間歇式電源并網環境下電能質量問題研究[J]．電網技術，2013，37(5)：1265-1271．

[13] 丁明，王偉勝，王秀麗，等．大規模光伏發電對電力系統影響綜述[J]．中國電機工程學報，2014，34(1):1-14.

[14] 周潤景，張麗娜. 基于MATLAB與fuzzyTECH的模糊與神經網絡設計[J]. 北京：電子工業出版社，2010.

[15] 劉國榮.多變量系統模糊/神經網絡自適應控制[J].北京：科學出版社，2012.

Fault ride-through (FRT) techniques are crucial for the large-scale grid-connected and flexible control of grid-integrated PV generation systems. To overcome the drawbacks of conventional FRT solutions for PV systems under grid fault conditions, a new power control strategy based on fuzzy neural networks (FNN) is proposed for PV systems. The operation modes can be adjusted to adapt the abrupt grid voltage changes and voltage sag, thus the maximum output power of PV panels and the maximum inverter power rating and current rating can be taken into consideration with enhanced stability and fast tracking performance. The controller architecture and the operation modes are presented, and the mathematical model and the flow-chart of fuzzy neural network algorithm are given. Finally, the system model is established using Matlab/Simulink, and the effectiveness of the proposed control strategy for PV system is verified by the simulation results.

PV generation; fuzzy neural network; fault ride-through; power control

THM614 <文獻標志碼：a class="emphasis_bold"> 文獻標志碼：A 文章編號：1003-6954(2016)06-0047-04文獻標志碼：a

1003-6954(2016)06-0047-04

A 文章編號：1003-6954(2016)06-0047-04

2016-07-22)