混合動力系統電能質量擾動分析及治理

徐艷春，闞銳涵，高永康，謝莎莎，MI Lu

(1. 梯級水電站運行與控制湖北省重點實驗室(三峽大學)，湖北省宜昌市443002；2. Department of Electrical and Computer Engineering，Texas A&M University，Texas 77840, USA)

0 引 言

電能質量(power quality，PQ)的治理是提供優質電能的前提和基礎。經過數年研究，學者們陸續提出了不同的電能質量治理策略，主要分為3種形式。一是通過算法優化系統參數，使用硬件在環路中實現基于小波的并聯有源濾波器(shunt active power filter，SAPF)策略[1]，以緩解電能質量問題。光伏接入PQ擾動小波變換[2]在電力系統信號分析和處理中得到了廣泛的應用，可以快速、準確地識別暫態信號。采用基于最小二乘法對混合有源濾波器進行建模[3]，使諧波失真最小化，可以提高平衡、不平衡負載及非線性負載的功率因數。該算法在諧波治理中具有良好的作用，但不適用于其他PQ擾動的治理。此外，基于人工智能技術的控制算法也得到了快速的發展，如模糊邏輯(fuzzy logic，FL)方法和人工神經網絡(artificial neural network，ANN)方法。其中，采用瞬時空間向量和雙P-Q理論的廣義控制算法[4-5]利用直接潮流控制產生瞬時參考電壓來補償負載電壓，該算法采用能量優化串聯電壓補償，降低了儲能需求，適用于電壓波動治理，而對于頻率擾動治理尚未能證明其有效性。二是通過硬件拓撲設計改善電能質量。文獻[6]提出了基于鋰離子電池組混合風力發電機組與SAPF結合的配置方案，該系統控制產生有功功率，通過儲能系統對直流電壓進行調節，SAPF補償諧波電流，以最大功率點運行將輸出電壓和頻率保持在較為理想的范圍內。文獻[7]提出了一種電力濾波器的混合模型：混合有源電力濾波器(hybrid active power filter, HAPF)。HAPF與有源濾波器和無源濾波器相比，提供了更好的性能和更經濟的解決方案。在HAPF中實現了各種帶有提取和估計技術的策略，實現了基于自適應濾波器[8]的諧波分離技術。三是通過優化的PQ緩解策略對電能質量進行治理。文獻[9]提出了一種先進、多功能的電網側轉換器控制技術，通過在需要時注入非對稱、直流和諧波電流來提高配電網的電能質量。將分布式能源的作用多樣化，使電網和消費者雙方在電能質量上獲益。當下的電能質量治理研究更傾向于提供一種新穎的PQ緩解策略[10]，從多方面考慮由不同擾動所帶來PQ問題的解決方案。文獻[11]首次提出了綜合技術經濟評估方法的PQ現象(電壓凹陷、不平衡和諧波)和緩解技術(基于網絡和基于緩解解決方案)以及評估技術PQ性能的方法在網絡上對不同的客戶需求。本文通過考慮技術和經濟2個角度來確定PQ的規劃問題，提出目標函數并將其進行優化以達到電能質量優化的目的。

優質的電能質量對于配電網的運行有著至關重要的作用[12-14]。針對含分布式電源的配電網電能質量的擾動治理，本文提出一種與并聯有源濾波器相結合的智能控制混合動力系統來解決電能質量問題。串聯動態電壓調節器(dynamic voltage restorer，DVR)接入高壓電網，SAPF接入低壓系統，該結構具有串聯在負載側的DVR其通態電流較小，并聯在分布式電源側的SAPF輸出電壓較低，經DVR補償過的APF不會出現過調制，且可以在包含光伏、風機等分布式電源的混合動力系統中完成諧波擾動與幅值擾動的綜合治理。本文將可再生能源，如風能、光伏集成到測試系統中，并使用人工智能技術進行管理，同時在光伏和風能系統中實現最大功率點跟蹤(maximum power point tracking, MPPT)。利用模糊邏輯、神經網絡和自適應神經模糊推理系統控制算法對SAPF的動態性能進行優化，優化后的SAPF可以在既考慮動態環境又考慮MPPT的情況下，使最終輸出的總諧波畸變率(total harmonic distortion，THD)最小，且保障直流鏈路電壓平滑。

1 混合動力系統建模

本文中的SAPF利用直流側的電壓測量傳感器和大電容相組合，從而改變了傳統2個級聯控制回路的組合，在電壓突變或相位不平衡的情況下，由電池供電的SAPF在交流電源電壓下具有更大的自主性，可以滿足更高的輸出電壓要求[15-16]。DVR控制系統通過將計算出的所需電壓注入配電系統，從而維持敏感的負載電壓，其幅值和相位角由正弦脈寬調制技術來調節。DVR在待機狀態下既不吸收也不提供實際的電能。然而，當系統發生電壓波動時，DVR會將實際功率瞬間轉換或吸收到直流鏈路中?；旌蟿恿ο到y模型如圖1所示。

圖1 混合動力系統模型Fig.1 Model of the hybrid governance system

圖2給出了該仿真系統運行流程，后續將對各配置進行詳細介紹。

圖2 仿真系統運行流程Fig.2 Operation flow chart of the simulation system

1.1 光伏電池模型

光伏陣列塊由光伏組件構成。陣列由串并聯的模塊組成，單個二極管光伏電池的電氣模型如圖3所示。電流源Iph表示電池的光生電流，Rsh和rs分別為電池的并聯電阻和串聯電阻。

圖3 二級管光伏電池模型Fig.3 Model of a two-stage photovoltaic cell

在二極管等效模型中，電流和電壓之間的數學關系為：

(1)

式中：I為光生電流源電流，A；I0為二極管飽和電流，A；V為對外等效電壓，V；a為二極管特性擬合系數；VT為二極管熱電壓，V。

二極管熱電壓為：

(2)

式中：ns為串聯模塊個數；k為玻爾茲曼常數，J/K；T為光伏電池工作絕對溫度值，K；q為電子電量，C。

對于串聯的Ns模塊和并聯Np模塊組成的光伏陣列，光伏電池電流Ipv和電壓Vpv為：

(3)

(4)

式中：Rse和Rpe分別為等效串聯電阻和并聯電阻；S為二極管的理想因子。

MPPT是通過將光伏板的終端電壓調整到最大功率點電壓Vmppt來實現的，當光照強度為200～1 000 W/m2時，Vmppt的變化范圍為718～733 V。

1.2 風電機組模型

渦輪從風力中獲取的機械功率Pm為：

(5)

式中：ρ為空氣密度，kg/m3；β為螺旋角,(°)；A為覆蓋面積m2；v為風速，m/s；Cp(λ,β)為風力發電機的功率系數；λ為葉尖速比。

(6)

式中：Ωt為渦輪轉速，rad/s；R為渦輪葉片半徑，m。

此外，風力發電機的功率系數主要取決于螺旋角β和葉尖速比λ。

(7)

式中：λeq為引入的等效葉尖速比。

為了確保最大功率點的跟蹤控制，渦輪轉速必須隨風速的變化而變化，使得最佳葉尖速比λopt保持在最佳值，渦輪機的最大跟蹤功率Pm,max為：

(8)

式中：Cp,max為最大功率系數；Ωt,opt為最優渦輪轉速，rad/s。

最大轉矩Γm,max為：

(9)

風力渦輪機軸通過變速箱與永磁同步發電機(permanent magnet synchronous generator，PMSG)轉子相連，變速箱使風機的低轉速(Ωt)與PMSG的快速驅動軸(Ωg)相適應，變速箱模型為：

Ωg=GΩt

(10)

式中：Ωg為快速驅動軸轉速，rad/s；G為齒輪箱的傳動比。為了提取最大功率，在可變風速的情況下，本文對發電機的轉速進行調節，使葉尖速比始終保持在最佳值(λopt=8.1)，螺旋角β為0°。

1.3 并聯有源濾波器

圖4 諧波電流控制器Fig.4 Harmonic current controller

為了減少直流環節電壓偏差(暫降或暫升)造成的直流環節電容損壞，提高過濾瞬態非線性負載條件下的性能變化，進一步避免使用復雜的直流電壓控制算法，則需要另一個大電容和額外的電壓傳感器，故本文提出了一種基于SAPF分離控制策略的新型結構。SAPF相位的控制僅僅是為了減小諧波電流，其直流側電壓由蓄電池降壓變換器來調節。采用單回路控制補償電流，直流側電壓直接與混合動力系統共用直流母線，從而使得補償電流可以準確地跟蹤參考值。為了提高直流側電壓的動態響應，該直流側電壓由電池儲能系統通過Buck-Boost變換器與普通直流母線同時控制，同時為了提高SAPF的濾波能力，補償電流只通過交流側。此外，該結構還可以應用于風力發電場和光伏電站[17-18]，使用協調控制策略將整個諧波電流分配到整個系統的不同SAPF之間進行濾波。

1.4 動態電壓調節器

本節詳細闡述風力發電機組的電力系統穩定性及涉及的PQ擾動問題。眾所周知，風機發電具有間歇性、波動性等特點，其輸出功率隨風速的變化而波動，同時與電壓幅值及頻率的波動緊密相關。利用動態電壓調節器可作為一種改善風能系統PQ的良好方案。DVR通過建立用戶所期望的合適電壓質量水平，為緩解電壓干擾提供最快速、最經濟的解決方案。電網發生故障后，電壓暫降會分散在負荷中，如果DVR固定在敏感負載處，則電壓幅值可以恢復到其標稱值，而不存在時間延遲和電源中斷。利用DVR控制系統對所有的電壓擾動進行檢測，從而確定電壓注入策略，產生門控信號。敏感負載的類型決定了注入補償電壓的控制策略，DVR邏輯控制如圖5所示。

圖5 DVR邏輯控制Fig.5 Dynamic voltage regulation logic control

DVR是帶儲能裝置的串聯補償裝置，其大小和相位與線路串聯，電容器組作為儲能裝置提供直流電壓，在系統正常工作下，DVR注入的電壓非常小，但發生電壓擾動時，DVR會在很短的時間向系統注入所需的電壓，這種擾動可能是電壓凹陷或電壓膨脹，不同的擾動決定了注入電壓的大小和相位，所有注入電壓的相位均由DVR獨立控制，DVR從電網中提取有功功率，向負荷提供所需的無功功率。

當系統電壓Vth降低時，DVR通過反相器加串聯電壓VDVR，滿足負載所需的電壓幅值VL。而系統阻抗Zth=Rth+jXth由負載總線的故障類型決定。

VDVR=VL+ZthIL-Vth

(11)

式中：IL為負載電流幅值。

PC=IL[VLcosΦ-VScos(Φ-θ)]

(12)

式中：PC為補償的有功功率；Ф為負載阻抗角；θ為負載滯后于電源的相角；VS為電源電壓幅值。由式(12)可以看出，當Ф=θ時，PC取最小值，其極性由VL和VS的值決定。

2 控制策略

2.1 基于人工智能的控制器

控制器可以借助人工智能擁有在線學習/自組織的能力，從過程行為中采取適當的控制行動。此外，人工智能還有著傳統方法的優勢，如統計分析，特別是在數據顯示某種形式的非線性情況下?，F有的空間分析和建模技術包括基于規則系統的人工神經網絡和模糊邏輯控制。神經網絡是基于對大腦功能的松散類比，通常采用多層感知器和徑向基函數這2種神經網絡來研究電能質量問題。

反向傳播算法是最常用的神經網絡訓練算法，是一種監督學習算法。反向傳播算法憑著易于理解的優點，已經成功地應用于許多領域。徑向基函數神經網絡由輸入、隱藏和輸出3層構成。隱藏層為一組函數的輸入模式提供了一個任意的基礎。其中，隱藏層中的徑向基函數在輸入落在一個小的、局部化的輸入空間區域時會產生一個顯著的非零響應。

徑向基函數神經網絡采用監督學習算法進行訓練，可以看作是多層前饋傳播網絡的改進。徑向基函數神經網絡的許多特性類似于前饋神經網絡，因為其采用線性表示和權值求和。雖然徑向基函數神經網絡所執行的轉換是局部的，但訓練速度非?？?。與標準的前饋網絡相比，徑向基函數神經網絡需要更多的神經元，其通常被設計為在一小段時間內訓練標準的前饋網絡。

在現有的文獻中，已經證明了任何函數都可以用一個具有隱藏層的徑向基函數來近似，其被稱為通用逼近器。此外，感知器也具有全局逼近的能力，但只有徑向基函數具有最優逼近能力。徑向基函數在結構上沒有反向傳播算法那么復雜，但在只有一個隱藏層的情況下，徑向基函數相比反向傳播算法能夠更好地實現任意函數逼近。與徑向基函數策略相比，反向傳播算法在平衡和非線性負載條件下能夠提供較少的THD。徑向基函數神經網絡與多層網絡的區別如表1所示。

表1 徑向基函數網絡與多層網絡的區別Table 1 The difference between radial basis function network and multi-layer network

利用模糊邏輯、神經網絡和自適應神經模糊推理系統控制算法對SAPF的動態性能進行優化。這些控制器提供了平滑的直流鏈路電壓，并對由平衡/不平衡和非線性負載產生的總諧波失真進行了最小化處理，提供了更快的響應速度。

2.2 基于模糊推理系統的控制算法

模糊推理系統控制算法是人工神經網絡和模糊邏輯控制2種語言的混合，其能充分利用這2種語言的優點。自適應模糊方法是從典型數學樣本出發，改變其模糊關系的一種方法。另一方面，神經網絡可以從訓練數據中不規律地創建和引用模糊規則。模糊輸入與三角隸屬函數一起被送入神經網絡塊。神經網絡塊由規則庫構成，規則庫與模糊推理系統相連。反向傳播算法在這里被用來訓練模糊推理系統。采用BP學習算法對前饋神經網絡進行訓練。使用模糊推理系統控制算法各層結構如圖6所示，第1層為模糊層，第2層中每個節點的輸出是所有輸入信號的乘積，第3層中每個節點計算單個規則的邊緣強度與該層中所有規則的邊緣強度之和的比率，第4層為去模糊層，第5層為輸出層。

圖6 模糊邏輯推理控制器Fig.6 Fuzzy logic inference controller

圖7給出了詳細的模糊推理控制算法系統訓練流程。模糊推理系統控制算法是一種自適應前饋網絡結構。每個節點都有一個特定的功能，一些節點是自適應的，另一些是外匯節點，各節點參數是獨立的。模糊推理系統控制算法需要一組輸入-輸出數據，并使用一組從屬函數將輸入數據映射到輸出。所選從屬函數應盡量減小實際輸出與輸入之間的誤差。通過執行常規控制，分別收集用于訓練SAPF控制器和MPPT操作的模糊推理系統控制算法的不同數據集。

圖7 模糊邏輯推理訓練流程Fig.7 Training process of fuzzy logic reasoning

本文采用模糊推理系統控制算法對MPPT進行跟蹤，模糊推理系統控制算法的輸入是功率和電壓變化，該算法生成與MPPT相對應的合適占空比。每次增壓都由單獨的MPPT控制，Boost變換器的輸出連接到公共直流母線。模糊推理系統控制器的輸出是維持直流鏈路電壓所需的源電流。參考補償電流是通過比較參考源電流和實際負載電流而產生的，參考電流和實際補償電流的差值將會直接反饋給滯環電流控制器。

SAPF的基本補償原理如圖1所示，當SAPF不工作時，源電流和負載電流都具有相同的諧波。一旦SAPF在公共連接點(point of common coupling，PCC)上連接，便會注入控制補償電流，使電源電流不受諧波的影響，而不考慮負載特性。詳細的數學模型系統如下詳述。

公共電壓為：

vs(t)=vmsinωt

(13)

式中：vs(t)為電壓瞬時值；vm為電壓峰值；ω為電源角頻率。

PCC處的源電流為：

ia=iL-ic

(14)

式中：ia為源電流；iL為負載電流瞬時值，由基本分量和諧波分量組成；ic為補償電流。

(15)

式中：i1為基頻電流幅值；θ1為基頻電流相角；in為n相電流幅值；θn為n相電流相角。

瞬時負荷功率P(t)為：

P(t)=vs(t)iL=vmi1sin2ωtcosθ1+

vmi1sinωtcosωtsinθ1+

pP(t)+pQ(t)+ph(t)

(16)

式中：pP(t)為有功功率；pQ(t)為無功功率；ph(t)為諧波功率。

補償后的源電流is(t)為：

i1cosθ1sinωt=ismsinωt

(17)

式中：ism為峰值源電流。SAPF提供無功和諧波功率，因此電流與正弦電網電壓同相。在本系統中，電網提供基礎電流的有功分量，SAPF提供所需注入諧波和負荷所需的無功電流。

2.3 并聯有源濾波器的控制策略

諧波補償的方法有瞬時無功理論法、同步參考坐標法和DC-link電壓調節法等，但瞬時無功理論提供了更快的暫態響應。首先，將負載電流(iLa、iLb、iLc)檢測為反饋信號，通過Park變換，得到式(18)中的dq0參考系，此外，還需要生成與電網電壓同步的純正弦波和余弦波，用以執行abc到dq和dq到abc的轉換。通過低通濾波器去除d軸和q軸電流的直流部分，如式(19)和(20)所示。

(18)

(19)

(20)

式中：id為直軸總電流；iq為交軸總電流;id-DC、id-AC分別為直軸電流的直流和交流分量;iq-DC、iq-AC分別為交軸電流的直流和交流分量。

用式(21)、(22)、(23)將dq坐標轉換為abc參考系下，以獲得三相補償電流。

(21)

(22)

(23)

3 仿真驗證

本文通過SAPF和DVR設計了混合動力系統以對光伏和風電產生的擾動進行治理。當系統發生不同故障時，采用不同的技術對敏感負載進行保護。電能質量和可靠性可以得到較大提高。

為了驗證所提設計方案的有效性，采用SIMULINK可視化仿真工具實現動態系統建模。將永磁同步發電機作為主要動力源，由風力發電機驅動。最大可產生12 kW的電能，永磁同步發電機轉速為178 rad/s，額定轉矩為67.27 N·m。最大光伏發電量約為5.3 kW，光伏板最大功率時的電壓Vmppt為718～733 V，光照強度為200～1 000 W/m2。直流母線電壓為725 V，三相線性負載及非線性負載與公共連接點連接，系統參數設置如表2所示。

表2 系統參數配置Table 2 System parameter configuration

混合動力系統PQ擾動如圖8所示。系統的總仿真時長為1.2 s，PQ擾動主要是由風機和光伏所帶來的。通過對PCC處的斷路器進行接入和斷開操作，來模擬光伏和風機各自的擾動特征，以及應用不同的技術對不同的故障進行診斷和治理。各組件的工作順序為：光伏在0.2 s時并入系統，并聯有源濾波器在光伏并入系統后立刻進入工作；風機在0.7 s時接入系統，隨后DVR開始工作，仿真總時長為1.2 s。通過輸出電能的質量來驗證本文所提治理策略的有效性。

圖8 PQ擾動下的混合動力系統Fig.8 Hybrid power system under PQ disturbance

光伏系統通過SAPF與PCC處連接，由于光伏的隨機性和不穩定性，其產生的電能存在諧波問題。光伏接入PQ擾動如圖9所示。0.2 s處光伏與系統連接瞬間，電壓發生抖動并伴隨大量諧波，其諧波含量已覆蓋基波含量，通過對0.3 s時的波形進行快速傅里葉變換(fast Fourier transformation, FFT)，提取電壓幅值及相位的實測值，結果如表3所示。

表3 FFT分析Table 3 Analysis of FFT

圖9 光伏接入PQ擾動Fig.9 PQ disturbance in photovoltaic system

其中采樣間隔為5×10-6s，基波為50 Hz，總諧波畸變率為183.23%，主要分布在頻率為25、125、200、225 Hz左右，其中，THD最大的是頻率為125 Hz的間諧波，達到了144.97%。此外，25 Hz和225 Hz間諧波的THD分別為49.56%、40.79%。這主要是因為系統中設置的光伏光照強度發生了顯著的變化，且非線性負載的波動導致系統電壓幅值和頻率波動等電能質量惡化，此外，非線性負載產生的電流諧波與光伏產生的諧波可能會發生諧振，從而導致電能質量進一步惡化。在諧波出現瞬間，SAPF馬上進入工作，降低了非線性負載造成的諧波電流，同時，利用2.2節中所提模糊推理系統控制算法對SAPF的動態性能進行優化，在優化時，將功率和電壓的變化作為模糊推理系統控制算法的輸入，生成與最大功率點相對應的合適占空比，從而達到對系統最大功率點的跟蹤控制。每次增壓都由單獨的MPPT控制，Boost變換器的輸出連接到公共直流母線。通過模糊推理系控制器輸出源電流用以維持直流鏈路電壓。此外，通過比較參考源電流和實際負載電流后產生參考電流，然后將參考電流和實際補償電流的差值反饋給滯環電流控制器，通過模糊推理系統控制算法將由平衡/不平衡和非線性負載產生的總諧波畸變率進行最小化處理。SAPF在PCC基頻處注入與諧波電流大小相同但相位相反的電流，保證了輸出為三相正弦形式。

動態電壓調節器通過向公共連接點處注入功率來提供恒定的電壓和電流，滿足風力發電機的功率穩定。風機在0.7 s時并入混合動力系統，風機與PCC連接瞬間產生三相電壓波動并伴隨不平衡。其原因為系統無功功率的需求突然變大。風能接入PQ擾動如圖10所示，擾動持續時間為0.7～1.0 s?？梢园l現，風機接入瞬間電網發生電壓暫降，A相電壓影響最大降至額定電壓的40%；B相電壓幅值降低約為額定電壓的60%，影響最?。籆相電壓的幅值在0.7～0.8 s間下降70%，0.8～1.0 s電壓值略微恢復，總電壓幅值下降約為25%，且系統中明顯發生三相不平衡?？梢钥闯鲲L能系統的接入給系統帶來的PQ擾動很大。面對不同的PQ擾動形式，敏感負載的相角跳變或幅值變化，都可以通過DVR不斷地對敏感負載的電壓暫降進行補償。

圖10 風能接入PQ擾動Fig.10 PQ disturbance caused by wind power access

設備治理PQ恢復信號如圖11所示，從1.0 s后電壓幅值基本恢復正常水平。最后，提取混合動力系統PCC的母線側信號驗證治理效果，對線性負載的電流和非線性負載電流做傅里葉變換，求其相應的電流諧波畸變率。

圖11 設備治理PQ恢復信號Fig.11 PQ recovery signal of equipment governance

非線性負載和線性負載側電流諧波畸變率如圖12、13所示。由圖可知，非線性負載側的總電流諧波畸變率為2.05%,線性負載側的總電流諧波畸變率為0.20%。

圖12 非線性負載側電流諧波畸變率Fig.12 Harmonic distortion rate of the current on nonlinear load side

圖13 線性負載側電流諧波畸變率Fig.13 Harmonic distortion rate of the current on linear load side

在PCC處輸出側總諧波畸變率極低，滿足IEEE-519標準對于電能質量的要求。完全符合電網對于不同敏感負荷變化量的需求，并將輸出的電能質量保持在期望值。驗證了本文提出的混合動力系統治理策略的適用性及自適應神經模糊推理系統控制算法的有效性。

4 結 論

本文基于含分布式電源的配電網電能質量擾動治理，針對混合動力系統，在SAPF和DVR的基礎上提出了相應的治理策略。該系統與配電網連接，通過電子式互感器將公共電網信號縮小作為系統基礎輸入信號。對混合動力治理系統中2種新能源產生的PQ擾動進行分析及治理。通過對PCC處的島互連裝置進行接入和斷開操作，來模擬光伏和風機各自的擾動特征，利用SAPF治理光伏產生的諧波污染，DVR治理風機產生的三相不平衡及電壓波動。此外，利用模糊邏輯、神經網絡和自適應神經模糊推理系統控制算法對SAPF的動態性能進行優化，在優化時，將功率和電壓的變化作為模糊推理系統控制算法的輸入，生成與最大功率點相對應的合適占空比，從而達到對系統最大功率點的跟蹤控制。此外，通過模糊推理系統控制算法將由平衡/不平衡和非線性負載產生的總諧波失真進行最小化處理。結果表明，在本文仿真條件下，非線性負載側的總電流諧波畸變率為2.05%，線性負載側的總電流諧波畸變率為0.20%，滿足電網對于不同的敏感負荷變化量的需求，并將輸出的電能質量保持在期望值，驗證了所設計的混合動力治理系統實用性和模糊推理系統控制算法的有效性。