新能源光伏發電站大規模并網頻率主動控制研究

李福白

（中國電建集團爐霍新能源開發有限公司貢唐崗光伏電站，四川 甘孜州 626500）

新能源光伏發電站的電力輸出與天氣、時間等外界因素的變化密切相關，其電力輸出波動會給電網帶來負面影響，影響電網的穩定性和安全性。為了平穩地將光伏發電站的電力輸出并入電網，需要對其進行頻率主動控制，相關領域研究已有一定規模。祁曉笑等[1]通過模式分析法探究同步調相機抑制電力系統次同步振蕩方法。金欣茹等[2]提出了一種求解分布式光伏并網優化模型的啟發式算法。任萱等[3]優化了光儲協調并網的模型預測控制策略。顏湘武等[4]探討了高滲透率光伏并網對系統暫態頻率穩定性影響的量化評估。李學慶等[5]設計了一種三相級聯H 橋光伏并網系統參與電網頻率支撐的控制策略。艾永樂等[6]論述了變論域模糊PID 控制器實現快速電力系統頻率控制的策略。宋紹劍等[7]提出了一種考慮頻率耦合的組串式光伏逆變并網系統阻抗建模方法。湯代斌等[8]設計并實現了光伏并網逆變器頻率跟蹤調節和主動支撐。張健等[9]運用智能負載控制策略平抑光伏并網的電壓和頻率波動。丁明等[10]提出了一種基于采樣點相角差預測捕捉合閘點的差頻并網算法。

1 新能源光伏發電站發電機組并網頻率控制需求分析

在新能源光伏發電站并入電網的過程中，其電力輸出波動會影響電網的穩定性，與之相對的是電網中用電需求自身持續變化。大規模電網中的用電需求變化自身有一定隨機性因素的彼此補償，較小規模電網中的用電需求變化則更可能引發安全隱患。

頻率主動控制是指通過控制發電站的功率輸出來調節電網的頻率，以達到電網穩定運行的目的。當電網頻率變化較大時，控制系統會通過減少或增加發電站的功率輸出來控制發電站的電力輸出波動。具體來說，當電網頻率比標準頻率高時，控制系統會自動減少發電站的輸出功率，以降低電網的頻率；當電網頻率比標準頻率低時，控制系統會自動增加發電站的輸出功率，以提高電網的頻率。此外，通過優化光伏發電站的電路結構和系統控制策略可以有效提高其電流穩定性，減少電能供給波動，減少光伏并網對電網整體穩定性的影響。

2 模型分析

2.1 模型概述

光伏發電作為新能源電力的重要來源之一，其波動性和不可控性對電力系統頻率穩定性的影響不容忽視。光伏發電站的功率控制是指通過調節發電系統的電壓和電流來達到預設的功率值。在實際應用中，功率控制通常分為2 種方式，即最大功率跟蹤和功率限制控制。其中，最大功率跟蹤是指通過調節直流輸入電壓來保持發電系統的最大功率輸出，功率限制控制是指通過限制功率來保證發電系統穩定地運行，從而避免過載和損壞設備。

在功率控制的過程中，電流和電壓取決于發電系統內的電路結構和參數。因此，為了實現定向控制，需要對發電系統進行建模。光伏發電系統的模型通常采用MATLAB等軟件進行建模，通過輸入模型參數和控制策略來預測和調節系統的輸出功率。

2.2 拓撲結構分析

在建立模型前，需要確定模型的基本結構和參數。模型的結構由各個子模塊組成，包括光伏發電模塊、逆變器模塊、雙向變流器模塊、交流濾波器模塊和負載模塊等。這些子模塊共同組成了光伏發電系統的電路和控制部分。

因此，在確定參數前，需要對發電系統進行拓撲分析和檢測，以明確系統中各種元件的數量、連接方式和工作狀態等基本信息。

該拓撲結構包括光伏發電模塊、逆變器模塊、雙向變流器模塊、交流濾波器模塊和負載模塊等結構，能確保系統的基本功能和控制需求。在該拓撲圖中，光伏發電模塊通過直流輸入與逆變器模塊連接，將直流信號轉換為交流信號；逆變器模塊則與雙向變流器模塊相連，當正常工作時，將生成的交流信號供應給負載模塊。同時，雙向變流器模塊還可以使系統實現功率反饋和調節，實現快速響應和更高效的運行狀態。最終，交流濾波器模塊對輸出信號進行過濾和整流處理，以提高交流信號的質量和穩定性。

2.3 算例設置

基于上述模型，設置系統包括6 組輸入直流電，經過逆變器處理后輸出3 組交流電信號。根據經驗，取其中任意1 組直流端口作為樣本數據集，隨機選取100 條記錄作為訓練集，20 條記錄作為測試集。同時，當選擇模型參數時，也需要考慮典型的外界因素對系統的影響，例如天氣狀況、氣溫、風力、日照強度和負荷情況等因素。在保持其他條件不變的情況下，將這些因素都設置為10%的波動范圍。根據以上條件，選擇的參數見表1。

表1 參數設置

3 模型構建

3.1 符號設置

將電路分為電源、負載和連接段3 個部分，分別衡量電壓、電流2 項變量（其構成主要變量），如公式（1）、公式（2）所示。

式中：VT、Vp和Vl分別為電路電壓、電源電壓和負載電壓；IT、Ic分別為電路、連接段的電流。

根據電路基本理論，電路中的電壓和電流之間存在一定的關系。具體來說，可以通過電源電壓和中間電路中的電流來計算負載的電壓，如公式（3）所示。

相應的電流如公式（4）所示。

式中：Rc為電路中的電阻。

接下來，可以將Ic代入公式（5）。

將公式（5）拆分為公式（6）。

對公式（6）進行求導，如公式（7）、公式（8）所示。

此時得到公式（10）。

將V1代回公式（6），如公式（11）所示。

根據公式（11）得到公式（12）。

并聯電路后，電阻如公式（13）所示。

式中：Rcn為第n個并聯電路的電阻；Vln為第n個并聯電路的電壓。

該電阻又受到環境溫度的直接影響，即隨溫度上升其指數增長的系統電阻水平。

溫度既表現為外部環境中調控光電場站發電能力的重要影響因素，又表現為作用于系統內部輸配電網絡中電路要素的機制，該文構建的模型也以此為因變量來衡量模型對其的反饋優化能力。

3.2 算法概述

針對光伏發電站大規模并網頻率主動控制的研究需要考慮多個因素的復雜交互作用，例如負載變化、溫度調節等。而傳統的優化方法往往會受局部最優解的影響，不利于提高現有設備設施的利用性能。與傳統的優化方法相比，遺傳算法是一種基于生物進化原理的全局搜索和優化方法，適用于非線性問題和高維空間的參數設置。與其他早期工程中使用的參數尋優方法相比，遺傳算法可以處理較大問題空間，并嘗試優化多目標函數而非單獨一項指標。它是一種基于生物進化過程的啟發式算法，通過模擬自然進化的原理，將可能的最優解的不同量子編碼成“個體”，然后通過交叉、變異等操作讓它們在群落中不斷繁衍進化，以獲得新一代更接近最優解的“個體”。

與其他常見優化算法（例如梯度下降算法）相比，遺傳算法的特點就是不依賴于輸入的初始信息，也不受特定局部極值的限制，從而平衡了局部最優與全局最優的關系。同時，與某些深度學習程序相比，遺傳算法的迭代速度相對較慢，無方向性的學習過程影響了模型的優化性能。但是考慮并網頻率主動控制分析的實際需求，首選遺傳算法的主要原因是其能夠創造更穩定且適用于多規模數據集訓練的解決方案。

3.3 算法應用

在案例中，主動控制方法可以通過遺傳算法來控制光伏發電系統的功率。具體步驟如下：1）初始化種群。隨機生成1 組個體的初始種群。每個個體都是1 組參數的集合，代表光伏發電站的主動控制參數。2）評估適應度。將每個個體代入控制模型中進行仿真，計算每個個體對應的目標函數值。目標函數值反映了該個體的結果優良程度，對應個體在種群中的適應度。3）選擇。根據個體的適應度，按照一定的選擇概率來選擇一部分優秀的個體作為父代，在父代中進行交叉、變異等操作，產生新的個體群體，即下一代種群。模型維持1 000 個體的總種群規模，其中交叉概率設置為0.7，變異概率設置為0.1。4）結束條件判斷。判斷是否滿足結束條件即迭代次數限制，該文構建的模型的迭代次數為1 000 次。如果沒有達到1 000 次，就回到評估適應度；如果已完成迭代，就輸出結果。5）輸出結果。最終得到的個體所具有的數據特征就是參數的最優解。

通過以上步驟，可以利用遺傳算法快速尋找最優的光伏發電系統控制參數，從而實現對電力系統頻率主動控制的應用。此外，還可以通過其他監測手段和算法模型來預測天氣狀況、負荷變化等外界因素對光伏發電系統的影響，并根據預測結果相應地調整控制策略，提高系統的穩定性和效率。

4 試驗結果與分析

為了驗證該文提出的頻率主動控制算法的有效性，采用MATLAB2019，基于上述算例設置條件、模型構建遺傳算法對其進行算例分析。

基于遺傳算法的模型優化結果如圖1所示。由圖1 可知，基于遺傳算法的模型求解在前期就獲得了顯著優化，適應度水平在幾次迭代內即得到優化，此后優化水平顯著不足，直至800 代～900 代，種群中出現適應度更高的個體，改善了特定局部最優困境，模型優化水平進一步提高。現有模型迭代結果反映其優化速率相對較低，收斂速度較低，因此需要調整現有參數設置。一方面，增加交叉和變異概率會使搜索過程更隨機，可能幫助算法逃離困境并找到新的解。嘗試增加種群規模能夠保證更多的個體參與搜索過程，有利于發現更多的潛在解。另一方面，現有較高的交叉概率可能影響模型的收斂速度，從而制約遺傳算法持續尋優過程中穩定在更優解的能力，進而影響整體迭代后優化效果的性能表現。

圖1 迭代次數與優化結果

針對最終優化結果，整理其種群中各個體的適應度水平分布情況，如圖2所示。由圖2 可知，模型中多數個體的優化結果顯著較低，少量數值超過20，極少數值達到100。結合迭代次數較長而收斂緩慢等問題，其反映種群總量較少、優化樣本規模較小而改進空間顯著，提示現有模型變異與交叉仍有所不足。考慮模型優化，提高或降低交叉與變異概率是常見的算法參數調節方式，在實踐中也會對模型的表現產生影響。種群大小的設定直接決定了搜索過程的質量和時間成本，在保證有效率的情況下，調整大小能夠提高算法的全局尋優和演化動態性。因此，在現有變異系數較高、樣本規模較大的基礎上，已經難以進一步優化模型，提示充分計算資源的必要性。

圖2 優化后種群目標函數結果分布情況

5 結語

綜上所述，試驗結果說明模型的反饋優化依賴長期迭代中的少量樣本突變及突變個體的雜交擴散，從而能夠在現有算例中對局部最優進行進一步優化，驗證了其在實踐層面的應用價值。