面向變電站綜合控制的分布式光伏發電并網策略研究

摘" 要： 傳統比例積分控制策略的控制效果不佳、精度較低，因此以分布式光伏發電為基礎的變電站在光伏強度突變、環境溫度波動等現象的影響下，會出現系統并網電流諧波畸變率高、系統并網成功率低、負荷預測以及調度準確率差等缺陷。針對上述問題，設計一種自適應滑?？刂撇呗?。通過引入滑模觀測器代替傳統的比例積分控制，提升控制器對外界擾動的抵抗能力，從而提高系統的抗擾性。同時采用長短期記憶神經網絡算法輔助滑模觀測器進行并網控制，形成自適應滑?？刂撇呗裕瑢Πl電側和用戶側的數據進行采集與預測。以分布式光伏變電站的數字仿真模型為基礎，與比例積分、傳統滑模控制進行同工況對比實驗，結果表明，系統的并網成功率可達95.62%，負荷預測與調度準確率均提升至95%以上。

關鍵詞： 分布式光伏系統； 變電站； 滑模觀測器； 長短期記憶神經網絡； 并網成功率； 負荷預測

中圖分類號： TN322.8+?34； TM615" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）22?0113?06

Research on distributed photovoltaic power generation grid connection strategy

for substation integrated control

Abstract： The traditional proportional integral control strategy has poor control effectiveness and low control accuracy. Therefore， substations based on distributed photovoltaic power generation may suffer from high harmonic distortion rate of system grid connected current， low success rate of system grid connection， and poor accuracy of load forecasting and scheduling under the influence of sudden changes in photovoltaic intensity and environmental temperature fluctuations. On this basis， an adaptive sliding mode control strategy is designed. By introducing a sliding mode observer instead of traditional proportional integral control， the controller's resistance to external disturbances is improved， thereby enhancing the system's anti?interference ability. A long short?term neural network algorithm is used to assist the sliding mode observer in grid connection control， forming an adaptive sliding mode control strategy to collect and predict data on the power generation and user sides. Based on the digital simulation model of distributed photovoltaic substations， the comparative experiments with proportional integral and traditional sliding mode control under the same operating conditions are conducted， and the results show that the success rate of the system grid connection can reach 95.62%， and the accuracy of load prediction and scheduling can be improved to over 95%.

Keywords： distributed photovoltaic system; substation; sliding mode observer; long short?term neural network; grid connection success rate; load forecasting

0" 引" 言

隨著能源需求的不斷增長和對可再生能源的重視，光伏發電作為一種清潔、可再生的能源形式，得到了廣泛的關注與應用[1?2]。然而，光伏發電存在間歇性、波動性以及光伏系統傳統比例積分控制策略控制效果差的不足，以分布式光伏系統為基礎的變電站在光照強度改變與溫度波動等問題的影響下，會出現分布式光伏系統并網電流諧波畸變率高、并網成功率低等問題，還會影響整個系統的負荷預測與調度準確率[3]。

針對傳統比例積分控制策略在抗擾性等方面的不足，文獻[4]提出了一種自適應比例復數積分控制策略，在比例積分的基礎上引入鎖頻環，對比例積分控制器輸出部分的數據進行統一運算，提高了控制精度，但其抗擾性仍存在不足。文獻[5]提出了以并網電流為控制變量的模型預測控制方法，但該方法對系統建模要求較高。分布式光伏系統屬于非線性復雜系統，無法理想建模，因此模型預測算法的實用性較低。文獻[6]提出了一種基于觀測器的改進自抗擾控制方法，提升了系統的抗擾性，增加了并網成功率，但并未提升負荷預測與調度的準確率。

基于上述研究中存在的問題，本文提出了一種融合滑模觀測器與長短期記憶神經網絡的自適應滑?？刂撇呗?。首先利用滑模控制的強抗擾性改善并網電流的波形，從而提升分布式光伏系統并網的成功率；其次融合長短期記憶神經網絡，對發電側和負荷側的數據進行處理，提升負荷預測和系統調度的準確率；最后，利用Matlab/Simulink數字仿真實驗平臺搭建分布式光伏變電站的數字仿真模型，并設計了多種工況對所提控制策略、傳統控制策略進行對比，驗證所提控制策略的正確性和優異性。

1" 自適應滑?？刂撇呗栽O計

分布式光伏變電站雖然利用清潔能源改善了環境污染以及能源短缺等問題，但系統在光照強度改變、溫度波動等現象的影響下，其并網電流波形會發生畸變，導致諧波畸變率提升、并網成功率下降[7?9]。因此，為提升并網成功率，需要設計合適的控制策略對分布式光伏變電站進行控制。分布式光伏變電站的整體結構如圖1所示。

由圖1可知，分布式光伏變電站由發電、變電以及用電三部分組成。并網電流通過變電部分向用電部分傳輸，因此對變電部分的控制效果會直接影響并網電流的諧波畸變率，從而影響并網的成功率。為提升并網成功率，需要對變電部分進行控制策略設計。變電部分由DC?DC變換器和DC?AC變換器組成[10?11]，而與電網直接相連的是DC?AC變換器，因此需要對該變換器進行合理的設計。

DC?AC變換器架構如圖2所示。其中：udc為直流母線電壓；S1～S6為開關管；L為濾波電感；C為濾波電容；O為中性點；ua、ub、uc為DC?AC變換器輸出電壓。

根據圖2可得DC?AC變換器的數學模型為：

式中：[in]為DC?AC變換器輸出電流值；[ugn]為公共電網側電壓值；[ign]為公共電網側電流值；[ucn]為濾波電容電壓。

由式（1）可知，在三相靜止坐標系中，其數學模型的各個變量均為交流量。而交流量的控制難度較大，因此本文通過引入Park變換器[12]，將三相靜止坐標系下的交流量轉換為兩相旋轉坐標系下的直流量，以便于進行控制。

Park變換矩陣為：

式中[Tabc/αβ]為abc坐標系到αβ坐標系的變換矩陣。

式中：[Tαβ/dq]為αβ坐標系到dq坐標系的變換矩陣；[ω]為系統的角頻率。

根據式（2）和式（3）可得，DC?AC變換器在dq兩相旋轉坐標系下的數學表達式為：

式中：id、iq為DC?AC變換器在兩相旋轉坐標系的輸出電流；ud為在兩相旋轉坐標系DC?AC變換器的輸出電壓；ucd、ucq為濾波電容在兩相旋轉坐標系下的輸出電壓；igd、igq為公共電網側在兩相旋轉坐標系下的電流值。

滑?？刂剖且环N經典的非線性控制方法，其核心思想是：通過將系統的狀態引導至一個滑動面上，以實現穩定的動態行為[13?14]。相比于傳統的線性控制方法，滑模控制具有較強的魯棒性和適應性，能夠有效應對系統參數變化、外部干擾等不確定性因素的影響?；？刂破骰究蚣苋鐖D3所示。

選擇DC?AC變換器濾波電容上的電壓和并網電流作為狀態變量，即：

在式（5）中，考慮到d軸和q軸具有結構一致性，因此僅使用d軸的電壓和電流作為狀態變量。

根據式（5）可得到電壓、電流誤差為：

式中：ucdref為ucd的期望值；igdref為igd的期望值；e1為電壓誤差；e2為電流誤差。由于：

式中iO為中性點電流。因此，結合式（6）和式（7）可得：

根據式（8）所示的誤差模型可以構造滑?？刂频幕瑒悠矫妫涔綖椋?/p>

[s（x）=K1e1+K2e2]" " " " （9）

式中K1和K2為控制系數。

通過將式（6）～式（9）進行結合，可將公式更新為：

為了提高滑模控制的收斂性和抗擾性，對式（10）進行分離：

式中：s1為電壓的滑動平面；s2為電流的滑動平面。

對式（11）兩邊同時求導，可得：

將式（12）和DC?AC變換器的數學模型進行結合，可以得到在DC?AC變換器中的控制規律為：

在式（13）中，采用等速趨近律進行計算，即：

式中：η1、η2為趨近律的增益系數；sgn（·）為符號函數。[sgns1]取值為：

[sgns1]和[sgns2]有相同的變化取值規律。

綜上所述，基于滑?？刂频腄C?AC變換器的閉環控制框圖如圖4所示。

DC?AC變換器中的滑?？刂屏鞒倘鐖D5所示。

由圖5可知，首先需要對DC?AC變換器的電壓和電流進行采集，并設置電壓電流期望值與實際值構成誤差分量；接著，引入Park變換矩陣，將三相靜止坐標系下的變量轉換至兩相旋轉坐標系，同時構造滑模平面方程；其次，利用符號函數構成滑?？刂浦械内吔桑瑥亩纬苫？刂频臄祵W模型，并將其應用到DC?AC變換器中；最后，進行誤差判斷，若小于3%則直接輸出電壓電流最優值，若不滿足，則重新構造滑模平面方程。

滑?？刂齐m然提高了分布式光伏變電站系統的抗擾性，提升了其并網成功率，但僅依靠滑?？刂茻o法增加負荷預測和系統調度的準確率。因此，本文還引入了長短期記憶（Long Short?Term Memory， LSTM）神經網絡算法[15]對滑?？刂戚敵龅碾妷汉碗娏鬟M行數據采集，以及數據處理與預測，從而形成自適應滑?？刂撇呗浴?/p>

LSTM作為循環神經網絡（Recurrent Neural Network， RNN）的一種變體，憑借其獨特的門控機制在處理序列數據時表現出色。傳統RNN網絡存在梯度消失或梯度爆炸的問題，而LSTM網絡可以憑借其精巧的結構解決此類問題。該網絡內部結構包括輸入門、遺忘門和輸出門，3種門控單元通過訓練與學習得到適合的權重。

自適應滑?？刂频恼w框架如圖6所示。

在圖6中，LSTM網絡先采集滑?？刂破鬏敵龅碾妷汉碗娏鳎ζ溥M行數據處理。在處理過程中，電壓和電流誤差隨迭代次數的變化而改變，具體趨勢分別如圖7和圖8所示。

由圖7可知，隨著迭代次數的增加，LSTM網絡在數據處理中的電壓誤差不斷下降，且在迭代次數為100次時達到最小值2.3%，小于3%，滿足電壓誤差要求。

由圖8可知，隨著迭代次數的增加，LSTM網絡在數據處理中的電流誤差不斷下降，在迭代次數為100次時達到最小值1.7%，也小于3%，滿足電流誤差要求。

本文引入LSTM網絡對滑?？刂戚敵鲭妷号c電流進行數據處理，形成自適應滑?？刂撇呗?，從而提高系統調度和負荷預測的準確率。自適應滑?？刂频脑O計流程如圖9所示。

2" 實驗驗證

為驗證所設計的自適應滑?？刂频恼_性和優異性，在Matlab/Simulink數字仿真實驗平臺中搭建分布式光伏變電站的數字仿真實驗模型，并設計多種工況進行實驗對比。實驗參數如表1所示。

工況1：并網成功率對比，結果如圖10所示。

由圖10可知：滑?？刂坪捅壤e分控制的并網成功率均小于90%，不滿足系統對并網成功率的要求；自適應滑模控制大于95%，滿足系統對并網成功率的要求。

工況2：負荷預測準確率與系統調度準確率對比，結果分別如表2、表3所示。

由表2和表3可知，隨著迭代次數的增加，3種控制策略下的負荷預測和系統調度準確率均有所增大，且均在迭代次數為100次時達到最大，但只有自適應滑?？刂频膬深悳蚀_率均大于95%。

3" 結" 論

針對分布式光伏發電為基礎的變電站系統并網電流諧波畸變率高、系統并網成功率低、負荷預測以及調度準確率較差等問題，本文設計了一種融合滑模控制與長短期記憶神經網絡的自適應滑模控制策略。將其與傳統滑?？刂坪捅壤e分進行同工況對比后得到，自適應滑?？刂瓶梢杂行嵘植际焦夥冸娬矩摵深A測與系統調度的準確率，并增強系統的抗擾性，為光伏發電系統的運行提供了有力支持。

參考文獻

[1] 武光華，李宏勝，柳長發，等.間歇性新能源光伏發電配額作業調度方法研究[J].電網與清潔能源，2023，39（12）：159?164.

[2] 邱書琦，蹇照民，方立雄，等.基于變分模態分解和集成學習的光伏發電預測[J].智慧電力，2024，52（3）：32?38.

[3] 童鑄，歐仲曦，劉超，等.遺傳算法優化粒子群的分布式光伏并網控制方法研究[J].自動化儀表，2023，44（10）：39?43.

[4] 楊浩，宋國杰，滕馥遙，等.單相并網逆變器自適應比例復數積分控制策略[J].高電壓技術，2020，46（11）：3790?3799.

[5] 趙昱誠.并網逆變器模型預測電流控制策略研究[D].阜新：遼寧工程技術大學，2023.

[6] 段茜月，陳燕東，徐元璨，等.一種改進線性擴張狀態觀測器的自抗擾控制寬頻帶振蕩抑制方法研究[J].電力系統保護與控制，2023，51（13）：12?24.

[7] 陳志華，柯強，胡經偉，等.含分布式光伏的有源配電網無功電壓控制策略研究[J].電力電容器與無功補償，2022，43（2）：16?24.

[8] 王華佳，張巖，尹書林，等.分布式光伏并網系統電壓越限風險及諧波影響[J].電網與清潔能源，2024，40（3）：128?138.

[9] 楊晴，羅平，李俊杰.考慮配電網三相不平衡度的分布式光伏并網容量規劃[J].杭州電子科技大學學報（自然科學版），2023，43（6）：42?51.

[10] 李玉東，羅新全，李佩峰，等.基于雙重移相的雙向有源全橋DC?DC變換器優化控制策略[J].電子科技，2023，36（12）：87?94.

[11] 鄧金溢.軟開關多電平DC?AC變換器關鍵技術研究[D].杭州：浙江大學，2023.

[12] 金恩淑，耿夢煒.基于Park變換和Teager能量算子的晶閘管逆變器保護新方法[J].東北電力大學學報，2023，43（3）：8?15.

[13] 馮琪茗，董秀成，劉元.一種新型趨近律的PMSM模糊自適應終端滑模控制[J].電氣工程學報，2023，18（4）：74?83.

[14] 富璇，王黎明，王雪瑩，等.光伏并網逆變器的非線性滑?？刂撇呗訹J].沈陽工業大學學報，2022，44（6）：694?699.

[15] 王峰.基于LSTM算法的分布式發電并網系統諧波檢測[J].信息技術，2023（8）：165?169.