基于自适应神经网络的光伏发电系统并网控制策略

(国网河南省电力公司平顶山供电公司，河南 平顶山 467001)



基于自适应神经网络的光伏发电系统并网控制策略

陆 畅，周志锋，智勇军

(国网河南省电力公司平顶山供电公司，河南 平顶山 467001)

针对传统并网光伏发电系统在电网故障条件下穿越控制策略的不足，提出一种基于自适应模糊神经网络的光伏发电系统并网控制方法。该方法在电网电压突变和跌落情况下能够快速地调整光伏发电系统的工作模式，以适应光伏阵列最大输出功率和并网逆变器额定容量以及最大输出电流限制，具有稳定性强、跟踪速度快等优点。给出了控制策略总体架构，阐述了电网故障控制器运行模式切换策略，建立了自适应模糊神经网络算法的数学模型。在Matlab/Simulink软件平台下搭建了仿真模型，验证了控制策略的有效性。

光伏发电；模糊神经网络；故障穿越；功率控制

近年来，分布式光伏发电系统大规模接入电网，给电网安全稳定运行带来了巨大挑战，由于电网故障而快速将光伏发电系统切出电网的方法目前已无法满足要求，突然将大容量光伏切出系统会对电网系统造成严重冲击，导致电网崩溃[1-4]。为保证光伏发电系统在故障时不脱离电网，需要光伏发电系统具有低电压穿越(low voltage ride-through, LVRT)能力[5-8]。电网电压正常运行状况下，光伏并网逆变器通常采用传统电压/电流双闭环控制策略实现光伏发电系统并网运行。当电网电压发生三相对称跌落时，采用传统的双环控制和 LVRT 控制策略相互切换来实现光伏发电系统低电压穿越的控制目标[7-8]。

由于电网电压对称跌落不含负序分量，只需抑制并网逆变器出口电流，防止过流保护动作，实现其在电网电压对称跌落时的低电压穿越[9-10]。然而，在电网实际运行中，绝大多数故障为不对称故障，若采用传统三相电压对称的低电压穿越控制策略，由于负序电流存在，并网逆变器的并网功率与光伏阵列发出功率不平衡，并网逆变器直流侧电压降大幅度波动，影响光伏发电系统的稳定运行，将不能满足国家标准和国家电网公司关于入网标准的要求[11-13]。

将模糊神经网络用于光伏发电系统功率控制的应用场合，在电网电压突变和跌落情况下能够快速地调整系统的工作模式，以适应光伏阵列最大输出功率和并网逆变器额定容量及最大输出电流的限制，具有稳定性强、跟踪速度快等优点。阐述了电网故障控制器运行模式切换策略，建立了模糊神经网络算法的模型，并在Matlab/Simulink平台下搭建了系统仿真模型，仿真结果验证了所提控制策略的有效性和可行性。

1 光伏发电系统的拓扑结构

图1 光伏发电系统电路拓扑及其控制框图

如图1所示，并网光伏发电系统的主电路包括光伏阵列、Boost升压斩波电路、三相逆变器、并网电抗器L、并网开关SSR、并网变压器和三相电网，光伏阵列依次通过Boost升压斩波电路、三相逆变器、并网电抗器L、并网开关SSR和并网变压器接入三相电网；CPV为光伏阵列输出端口并联电容，同时为Boost升压斩波电路提供输入电压；VPV和IPV分别为光伏阵列的输出电压与输出电流；直流电容Cdc接在Boost升压斩波电路输出端，Cdc同时作为三相逆变器的直流母线电容，其工作电压为Vdc；三相逆变器通过并网电抗器L、并网开关SSR和并网变压器接入三相交流电网。

2 光伏发电系统的控制策略

首先建立光伏发电系统电网故障控制器模型，根据有功功率、无功功率和三相逆变器电流的最大允许值，建立双模式切换控制策略，动态地调整Boost升压斩波电路的工作模式和三相逆变器的概率模糊神经网络控制输入参考信号。电网故障情况下，光伏发电系统双模式切换的控制策略如下：

模式Ⅰ：当P*大于光伏阵列的有功功率PPV时，通过控制三相逆变器的直流母线电压，将光伏阵列的有功功率PPV全部注入电网；三相逆变器电流可控制在Imax以内，Boost升压斩波电路工作在最大功率点跟踪模式(MPPT模式)；

模式Ⅱ：当P*小于或等于光伏阵列的有功功率PPV时，Boost升压斩波电路暂停最大功率点跟踪，并开始跟踪功率P*；Boost升压斩波电路与三相逆变器之间的功率不均衡问题通过控制三相逆变器直流母线电压来解决。电网故障控制器通过开关SW3(如图1所示)选择工作模式。如图2所示，双模式切换控制策略的具体操作流程包括以下步骤：

图2 光伏发电系统电网故障控制器的控制模式选择流程图

1)读取三相逆变器交流输出线电压vab、vbc、vca,光伏发电系统注入电网电流的最大允许值Imax，计算光伏阵列的有功功率PPV，并计算Vsag；

2)判断Vsag是否大于0.1，若是，光伏发电系统对电网的无功功率支撑控制模式启动，进行下一步，否则不操作；

3)计算Ir*、 |S|、P*、Q*；

4)判断PPV是否小于或等于P*，若是则进入模式Ⅰ，否则进入模式Ⅱ。

Boost升压斩波电路内环控制器采用比例积分控制器，比例积分控制器的输入信号通过开关SW1根据电网故障控制器的输出模式信号来选择输入信号，系统工作在模式Ⅰ时，将最大功率点跟踪模式(MPPT)下的输出信号VPV*与光伏阵列的实际输出信号VPV求偏差，将偏差信号作为Boost升压斩波电路内环控制的输入信号。

当系统工作在模式Ⅱ时，将三相逆变器直流母线电压参考值Vdc*和实际值Vdc求取偏差后作为Boost升压斩波电路内环控制的输入信号。Boost升压斩波电路内环控制器的输出信号与三角载波比较并形成Boost升压斩波电路开关器件的PWM脉冲控制信号。三相光伏逆变器内环电流控制器模型，采用比例积分控制，实现输出电流ia、ib、ic对参考信号ia*、ib*、ic*的跟踪控制，将三相光伏逆变器内环电流控制器的输出信号与三角载波比较并形成三相逆变电路各开关器件PWM脉冲控制信号，从而实现光伏发电系统并网控制以及在电网故障情况下对电网动态无功功率支撑的目标。

3 模糊神经网络模型及算法流程

接下来建立概率模糊神经网络控制器，求取三相逆变器注入电网的有功和无功电流参考值。如图3所示，概率模糊神经网络控制器包括6层网络结构：第1层为输入层，第2层为隶属度层，第3层为概率层，第4层为TSK模糊推理机制层，第5层为规则层，第6层为输出层；在隶属度层中，每个节点采用不对称高斯函数实现模糊化运算[14- 15]。

图3 模糊神经网络控制器模型及算法流程

概率模糊神经网络控制器的计算流程如下。

定义第j个模糊If-Then规则表示如下：

第1层(输入层)。输入层的节点将输入变量xi,i=1, 2，传递到第2层，电网故障情况下，对于模式Ⅰ的有功功率控制功能，输入变量e=Vdc*-Vdc；对于模式Ⅱ的有功功率控制功能，输入变量e=P*-P；对于无功功率控制功能，输入变量e=Q*-Q。

第2层(隶属度层)。每个节点采用不对称高斯函数实现模糊化运算，节点输入信号和输出信号之间的关系表示如式(1)。

(1)

第3层(概率层)。第3层的节点输入输出关系如式(2)。

(2)

j=1，2，…，6；p=1，2，3

第4层(TSK模糊推理机制层)。输出信号为输入信号的线性组合，第k个节点的输出为[14]

(3)

式中：cik为可调节的权系数；xi为输入变量；N为迭代次数。

第5层(规则层)。本层第1部分为第2层和第3层节点输出信号yj2(N)和Pjp(N)的乘积，第2部分为第5层输出信号表达式，即为第1部分输出信号ykI(N)与第4层输出信号Tk(N)的乘积。

第6层(输出层)。本层由一个节点O构成，计算所有上层节点输出信号的加权累加效应。其中：wk6(N)表示第k个模糊化规则对第o个输出信号作用强度的权系数；yko(N)为第6层节点的第k个输入信号；yo6(N)=iq*为光伏逆变器注入的有功电流；yo6(N)=id*为光伏逆变器注入电网的无功电流。

4 仿真与分析

4.1 模型

为了验证所提出的基于模糊神经网络功率控制策略的有效性，在Matlab/Simulink平台搭建了如图1所示的并网型光伏发电系统仿真模型[14]。额定功率为45kW，额定电压有效值为220V，逆变器直流母线电容电压为750V，并网电感L=0.5mH，逆变器直流母线电容Cdc=1.2mF，开关频率为10kHz。为了验证光伏发电系统在模式Ⅰ和模式Ⅱ情况下对电网故障的穿越特性，首先构造如图4所示的电网跌落工况。其中，在t<0.1s时，电网三相电压对称，在t=0.1s时，电网B、C相同时发生0.3p.u.的电压跌落，持续时间为0.25s，随后电网电压恢复到额定值。图4给出了上述跌落工况的三相电压波形及其标幺值波形，下面根据光伏阵列出力大小分别给出模式Ⅰ和模式Ⅱ情况下光伏发电系统有功功率和无功功率出力波形。

图4 PCC点电网电压及其标幺值波形图

4.2 模式Ⅰ仿真

如图5所示，当光伏阵列输出功率为6kW时，光伏阵列输出的有功功率小于逆变器允许的最大功率限制值Pmax。据前面理论分析得知，电网电压跌落0.3p.u.时逆变器有功出力的限制值约为16kW，因此可将光伏阵列的有功功率全部注入电网。将三相逆变器电流控制在最大允许值Imax以内，Boost升压斩波电路工作在最大功率点跟踪模式(maximumpowerpointtracking，MPPT)。图5中瞬时无功功率波动由电网电压不对称引起，其平均值约为30kvar，此部分无功功率可用于对电网的动态无功支撑，改善系统稳定性。当t>0.35s时，电网电压恢复到额定值，此时无功功率参考值和实际值降低到0。

图5 模式Ⅰ工况下光伏发电系统出力特性

4.3 模式Ⅱ仿真

如图6所示，当光伏阵列输出功率为26kW时，光伏阵列输出的有功功率大于逆变器允许的最大功率限制值Pmax。据前面分析得知，电网电压跌落0.3p.u.时逆变器有功出力的限制值约为16kW，此时Boost升压斩波电路暂停最大功率点跟踪，并开始跟踪功率P*，Boost升压斩波电路与三相逆变器之间的功率不均衡问题通过控制三相逆变器直流母线电压来解决。在图6所示的电网发生0.3p.u.两相跌落时，逆变器的有功出力被限制到最大允许值的16kW，此时注入系统的瞬时无功功率在0上下波动，其平均值为0，实现了光伏发电系统的低电压穿越功能，同时保证了系统的安全稳定运行。当t>0.35s时，电网电压恢复到额定值，此时有功功率参考值和实际值恢复到光伏阵列的实际功率。

图6 模式Ⅱ工况下光伏发电系统出力特性

5 结 论

针对传统光伏发电系统在电网故障条件下穿越控制策略的不足，提出了一种基于模糊神经网络的光伏发电系统功率控制方法。在电网电压突变和跌落情况下能够快速地调整光伏发电系统的工作模式，以适应光伏阵列最大输出功率和并网逆变器额定容量及最大输出电流的限制，具有稳定性强、跟踪速度快等优点。给出了控制策略总体架构，详细阐述了电网故障控制器运行模式切换策略，建立了模糊神经网络算法的数学模型和实现流程，并在Matlab/Simulink平台下搭建了仿真模型，最后在该模型上验证了所提控制策略的有效性。

[1] 何丽君，王明渝. 电网电压不平衡时两级式三相光伏并网系统控制策略研究[J].现代电力，2015，32(2): 16-22.

[2] 张艳霞，李璇，赵杰．光伏电源最大功率跟踪的改进扰动观察法[J]．天津理工大学学报，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] 王晓，罗安，邓才波，等．基于光伏并网的电能质量控制系统[J]．电网技术，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] 朱晓荣，张慧慧. 光伏直流微网协调直流电压控制策略的研究[J]. 现代电力，2014，31(5): 21-26.

[7] 杨明，周林，张东霞，等．考虑电网阻抗影响的大型光伏电站并网稳定性分析[J]．电工技术学报，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] 路晓，秦立军. 自适应扰动观察法在光伏MPPT中的应用于仿真[J].现代电力，2011，28(1): 80-84.

[10] 王军成, 杨旭红, 王严龙. 改进自适应变步长光伏系统最大功率跟踪[J].现代电力，2014，31(5): 70-73.

[11] 李峰，李威，薛峰，等．规模化光伏电站与电网暂态交互影响定量分析[J]．电网与清洁能源，2011，27(11)：50-56．

[12] 董伟杰，白晓民，朱宁辉，等．间歇式电源并网环境下电能质量问题研究[J]．电网技术，2013，37(5)：1265-1271．

[13] 丁明，王伟胜，王秀丽，等．大规模光伏发电对电力系统影响综述[J]．中国电机工程学报，2014，34(1):1-14.

[14] 周润景，张丽娜. 基于MATLAB与fuzzyTECH的模糊与神经网络设计[J]. 北京：电子工业出版社，2010.

[15] 刘国荣.多变量系统模糊/神经网络自适应控制[J].北京：科学出版社，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 <文献标志码：a class="emphasis_bold"> 文献标志码：A 文章编号：1003-6954(2016)06-0047-04文献标志码：a

1003-6954(2016)06-0047-04

A 文章编号：1003-6954(2016)06-0047-04

2016-07-22)