基于T-S模糊神經網絡的光伏發電機組自動控制

楊振睿,沈主浮,孫 辰,蔡 斌,姜 寬

(1.國網上海市電力公司市區供電公司調度控制中心,上海 200080;2.國網上海市電力公司市區供電公司總師室,上海 200080)

0 引言

太陽能作為一種應用較為普遍的可再生能源,環保效果顯著,因此其廣泛應用在電力系統中[1]。光伏發電主要由光伏發電機組完成,該機組由多個部分設備組成,包含光伏陣列、蓄電池組等。光伏發電機組在運行過程中,具有出力隨機波動[2]、轉動慣量變化顯著等特性,導致直流近區電網較為薄弱,對電網的暫態穩定造成了不利影響[3]。在光伏接入量較大時,轉動慣量會大幅度降低,直接影響整個電網的安全穩定運行。因此,進行光伏發電機組的自動控制可保證電網穩定運行。

為實現光伏發電機組的自動控制,湯茂東等[4]和樊國東等[5]分別基于離散一致性算法和基于負荷頻率協調優化實現光伏機組的自動控制。上述方法均具有一定的控制效果,但是在控制過程中,對于最大功率點跟蹤效果不高,導致控制質量大幅度下降。因此,為了提升光伏機組自動控制能力,本文對光伏機組進行詳細研究和分析后,依據光伏機組的結構和運行特點,提出基于T-S模糊神經網絡[6]的光伏發電機組自動控制方法。

1 光伏發電機組自動控制方法設計

1.1 光伏發電機組系統

1.1.1 光伏陣列數學模型

由于電網中大量接入光伏發電機組后,其與直流近區電網之間的連接導致直流近區電網薄弱[7],因此,為保證光伏發電機組自動控制效果,需通過建立光伏發電系統模型,分析光伏機組特性。光伏發電機組和直流輸電系統是光伏發電機組重要組成部分,光伏陣列和母線之間的接入通過逆變器完成,功率輸出則經由直流輸電系統完成。

光伏陣列是光伏發電機組中的重要發電設備之一,在實際應用中,為分析其伏安特性需構建數學模型,該模型構建時需參考光伏陣列廠家提供的組件參數[8]。假設光照強度和電池板溫度分別為S和T,則此時光伏陣列的數學模型公式為

(1)

式中:i1為輸出電流;u1、usc為不同端口電壓;uoc為開路電壓;isc為光伏發電組件中,光子激發產生的電流;um為最大輸出大功率點m處的電壓;im為m點的電流;C1、C2為不同的調節系數。

由于光伏陣列的實際和參考2個工作條件之間存在差異,則在實際情況下的uoc、isc、um、im的計算公式為

(2)

式中:a、b、c為常數;Sref和Tref分別為對應光照強度、光伏電池板溫度參考值;uocref和iscref分別為開路與短路情況下的電壓和電流;umref和imref分別為最大功率點的電壓和電流。

光伏陣列最為普遍的是集中式結構,該結構由多個光伏組件組成[9],且組成方式為并聯和串聯。在不考慮接線損耗和組件差異的情況下[10],光伏陣列端口處的電壓和電流計算公式為

(3)

式中:udc和iPV分別為光伏陣列端口處電壓和電流;Ns和Np分別為串聯組件、并聯組件數量。

依據式(3)即可對單個光伏組件的電壓和電流進行求解;獲取集中式光伏陣列的數學模型,將求解結果代入式(1)中得出,其計算公式為

(4)

1.1.2 光伏陣列特性

依據1.1.1小節的分析可知,S會對光伏陣列產生直接影響,而溫度直接隨著光照強度的增強而增加,光照強度越高,光伏輸出功率也越高[11]。因此,正常情況下,存在2種光照情況,第1種為均勻光照、第2種為不均勻光照。在第1種情況下光伏陣列的P-V曲線中的極值點只有1個,點即為MPP;在第2種情況下光伏陣列P-V曲線中的極值點存在局部和全局2種,則存在多個MPP。2種光照情況下的光伏陣列特性曲線結果如圖1所示。

圖1 光伏陣列特性曲線

1.2 光伏發電機組自動控制

1.2.1 自動控制方案制定

根據上述分析得出,光伏發電機組在發電過程中,S是影響光伏發電機組運行狀況的主要因素,同時,在實際環境中,S的變化存在隨機性和實時性,因此也導致存在隨機性和實時性的變化特性。而對光照和溫度的實時跟蹤[12],是實現光伏發電機組自動控制的基礎,因此需要迅速跟蹤最大功率點(MPPT)。文中采用基于T-S模糊神經網絡對MPPT實行控制,制定控制MPPT的控制方案,其結構如圖2所示。

圖2 光伏發電機組自動控制方案結構

該控制方案在對MPPT實行控制時,可對升壓電路的絕緣柵雙極型功率管的占空比進行調整,保證光伏陣列的運行一直處于最大功率點的位置[13]。當偏差變化率e(k)等于0時,光伏陣列則一直處于最大功率點位置,因此,為獲取該時刻的輸出功率P(K),需獲取光伏陣列在各時刻輸出的電壓U(K)和電流I(K)的測量結果。Δe(K)表示e(K)的變化量,最大功率點控制器的輸入即為Δe(K)和e(K),并且對其在k和k-1此2個時刻下的狀態實行對比和判斷,以此調整占空比的大小。

1.2.2 光伏發電機組自動控制模型

a.模型前件網絡,該網絡部分包含4個層:

第3層為規則層:為獲取所有模糊規則的適應度結果,需對全部的模糊規則前件實行匹配,完成匹配后計算權值ωj結果,該計算采用乘積法完成。

第4層為歸一化層:采用歸一化的方式完成ωj的處理,并將處理結果作為模型后件網絡部分中第3層的連接權值,則歸一化的處理公式為

(5)

b.模型的后件網絡部分:該網絡部分共由3層組成,第1層與前件部分相同;第2層則對所有的模糊規則輸出量實行計算,如果輸入的變量用xi表示,則第j層的輸出量ulj的計算公式為

(6)

當控制規則相同時,如果后件網絡參數較多,則會增加上述參數調整的難度,對模型實行簡化處理,以此減少后件網絡部分中的參數,則權值學習過程中,誤差代價函數E的計算公式為

(7)

式中:yr、yt分別為期望和實際2種輸出值。

(8)

式中:β為學習速率。

結合最佳跟蹤結果和自動控制模型實現光伏發電機組自動控制。

2 測試分析

為測試本文方法對于光伏發電機組的控制效果,將本文方法用于某電力企業的直流近區光伏發電系統中,測試本文方法的應用效果,該系統結構如圖3所示。

圖3 直流近區光伏發電系統

該系統中的直流輸電電壓為850 kV,光伏電站的相關參數詳情如表1所示。

表1 光伏電站的相關參數

為衡量本文方法對于光伏發電機組特性的分析可靠性,獲取光照強度變化情況下,光伏陣列功率和電壓輸出結果,如圖4所示。前40 s光照強度為1 000 W/m2,40～120 s光照強度為550 W/m2,120～180 s光照強度為800 W/m2。

圖4 光伏陣列功率和電壓輸出結果

由圖4可知,光伏陣列的輸出功率和電壓在光照強度發生變化后,也隨之發生變化,表明光伏陣列輸出功率和電壓會受到光照強度的直接影響,與實際情況吻合。

為衡量本文方法的應用效果,以光伏陣列MPPT的跟蹤作為衡量標準,獲取本文放在不同光照情況下,對于光伏陣列MPPT的跟蹤結果,如圖5所示。

圖5 光伏陣列MPPT的跟蹤結果

由圖5可知,在2種光照情況下,本文方法均可完成光伏陣列MPPT的跟蹤,且跟蹤所需時間均在0.3 s以內,能夠有效跟蹤MPPT。即使光照不均勻,導致MPPT的變化發生顯著波動情況下,本文方法依舊能夠快速完成MPPT跟蹤。

為進一步衡量本文方法的應用效果,獲取本文方法對光伏發電機組實行自動控制后,不同時刻功率的波動結果,并將該結果與控制前的功率波動結果實行對比,判斷本文方法對功率波動的控制效果,結果如圖6所示。

圖6 功率波動控制效果

由圖6可知,經過本文方法控制后,功率的波動變化值被平穩控制在260 kW以內。表明本文方法的自動控制效果良好,能夠針對光伏發電輸出異常情況實行有效控制,保證光伏發電機組的輸出穩定性。

為衡量本文方法的應用效果,采用本文方法獲得在2種光照情況下直流近區光伏發電系統在不同時刻內產生的棄光量,期望標準為30%以下,結果如圖7所示。

圖7 棄光量測試結果

由圖7可知,本文方法應用后,在2種光照情況下光伏發電機組的棄光量均在30%以下,滿足控制需求。因此,本文方法具有良好的自動控制效果,能夠最大程度降低機組棄光量,應用效果良好。

為進一步衡量本文方法的應用,采用本文方法在2種光照情況下,對光伏發電機組實行控制,獲取光伏發電機組在不均勻光照下,發生負載突變情況下輸出的頻率結果,如圖8所示。本文的期望頻率控制偏差標準低于0.3 Hz。

圖8 光伏發電機組輸出頻率控制結果

由圖8可知,本文方法控制后,光伏發電機組輸出頻率結果的最大值和最小值分別為52.2 Hz和48.6 Hz,該結果和理想控制結果之間的偏差值均低于0.3 Hz,因此,本文方法的應用性較好,能夠滿足控制需求。

3 結束語

光伏發電機組的大量并網,對于電網的穩定存在一定的不利影響,因此,需實現光伏發電機組的自動控制,保證機組的運行狀態。本文提出基于T-S模糊神經網絡的光伏發電機組自動控制方法。經過相關測試后可知,本文所提方法能夠有效分析出光伏發電機組在不同光照情況下的輸出特性,并可快速、精準實現最大功率點的跟蹤,控制效果良好,控制后光伏發電機組的輸出功率和頻率均滿足控制需求,以此可保證電網的穩定運行。