基于智能算法的光伏并网发电研究

赵洋

（沈阳化工大学，辽宁 沈阳 110142）

光伏并网发电模型主要对含有光伏电源的整体系统进行仿真实验，是研究的前提基础。建立较为精确的模型系统参数、准确及合理的模型系统结构，可有效表述光伏发电系统的动态性能。光伏并网发电系统建立模型时主要采取有机理建模方法和非机理建模方法。根据供应商所提供的参数对光伏发电电池参数进行设置，可以使用这些参数直接建立模型。对于光伏发电电站和光伏发电单元来说，其暂态特性主要由逆变器的整体性能决定。控制器、DC/AC变流器是并网光伏发电单元当中十分重要的部件，对于准确获得参数、合理建立变流器及控制器模型都十分重要，也是十分关键的技术，这也是本文的研究重点。

1 光伏并网发电技术研究现状

太阳能因其资源丰富被大规模应用于光伏发电，光伏发电是新能源发电技术的主流能源利用形式，也是现在的发展趋势。太阳能发电较风电具有不受资源地域分布限制、无旋转部件、成本较低、维护简单的优势，因此越来越受到人们的关注。各个国家大力发展新能源产业，各个领域的学者采用各种高科技手段，将最新信息技术、新型研发材料结合运用到新能源技术产业，使其逐渐成熟并被广泛应用。能源是社会经济发展的基础，在当今社会高速发展的大场景下，必须解决能源问题，确保生态环境不被破坏。可再生能源的开发和有效利用备受人们关注，尤其对于中国这样的能源消费大国，未来此方面的需求必将需大于供，因此需谨慎规划利用传统能源，并大力开发和利用新能源[1-3]。太阳能热发电是清洁、低碳、稳定、安全、高效的灵活电源，对中国实现“碳中和、碳达峰”战略目标、推动能源革命具有重大意义，国家应确立持续支持太阳能热发电原创性及核心技术的政策[4]。近年来，政府相关部门对可再生能源法的贯彻实施给予了很大关注，宣传贯彻可再生能源发展相关法规，大力支持相关的政策体系进一步完善，为引导可再生能源发展和结构优化发挥了至关重要的作用[5]。由于太阳能大量分布、可再生且属于清洁能源，受到了很多研究学者的关注，被不断利用和开发，其相应的光伏发电系统也就变得越来越多[6]。

2 太阳能光伏发电原理

光伏电池（Photovoltaic cell）是光伏发电系统的重要组成部分，是一种能量转换装置，通过光生伏特效应将太阳光转换成电能。光伏发电的特性和外界环境息息相关，比如温度、光照幅度、气候变化等因素。在单晶硅中可人为加入一些导体元素，利用相应的特性使这些材料当中的电荷出现持续的不平衡性，将其与普通的半导体材料区分开来[7]。光伏发电技术最典型的应用是太阳能光伏发电系统，其主要由蓄电池组、交直流逆变器、光伏系统电池控制器、光伏电池组、以及电缆这些部件构成，每个部件都有相应的功能特性[8]。图1为光伏电池的等效电路。Iph为光伏电池恒定电流源，Id为二极管正向电流，Rsh为光伏电池内部等效旁路电阻，Ish为旁路电流，Uo为光伏电池的输出电压，Rs为光伏电池内部损耗的替代电阻。

图1 光伏电池的等效电路图

3 光伏发电系统最大功率点跟踪

一旦太阳能电池表面的温度发生改变，或者光照强度发生变化，其输出功能也会发生相应的变化[9-10]。对于这种变化，要确保太阳能电池的工作点总是跟踪到最大功率点而随即发生变化，把控制太阳能电池产生最大功率的这种控制称为最大功率跟踪控制。

为了提高光伏电站的发电效率，基于MPPT的光伏发电组件跟踪技术正成为研究热点，根据对日跟踪方式不同，这些跟踪技术按照算法可以分为[11]：①恒定电压法。优点是操作容易、稳定性高、易于实现；缺点是忽略温度变化对光伏电池输出的影响、控制精度较低、系统能量转换效率低、能量损失较大。②扰动观测法。优点是工作原理直白、容易实现、系统运行稳定；缺点是扰动电压影响系统在最大功率点的运行状态，效率较低。③电导增量法。优点是最大功率追踪点误判较低、系统响应速度快；缺点是算法复杂，存在大量微分运算，对系统运算器需求较高。④模糊控制法。优点是系统响应速度快、抗干扰能力强；缺点是模糊控制系统的稳定性受实际参数的变化而变化，存在不稳定性，需待科研学者们进一步解决。

在这些控制算法中，恒定电压法、扰动观察法、电导增量法和智能MPPT方法（模糊逻辑控制法和粒子群智能优化算法）是业界各科研人士研究的重点，通过连续不断控制，保证工作点在太阳能电池的最大功率点上。而本次就是利用PSO算法最大功率点跟踪控制算法来解决最大功率点跟踪问题。

4 光伏发电单元模型的建立

4.1 光伏阵列的数学模型

光伏电站需进行大规模的模型建立，看中的不仅仅是实用程度，还有整体的数据精确程度。需最大程度简化光伏电池的模型，主要是因为在工程中强调的是数学模型的计算过程。根据供应商所提供的参数，可对其中的特性进行很好表述。观察常规光伏电池模型的特性曲线，外界环境的温度不发生变化，光照强度也不发生变化，就可以将其视作直流电压源，具有固定数值的最大功率点。但是，温度和光照强度发生变化时，最大功率点也会相应发生变化。

4.2 DC/AC逆变器及其控制器的模型

图2为三相电压源型逆变器的结构。图2中：p1～p6为6个绝缘栅双极型晶体管；Udc为光伏阵列最大功率输出电压；ifa、ifb、ifc为逆变器输出相电流；isa、isb、isc为并网侧相电流；ua、ub、uc为逆变器的输出相电位；usa、usb、usc为滤波器的输出相电位；eA、eB、eC为电网电压；Rf、Lf为并网侧LC滤波器的电阻、电感；Rs、Ls为线路电阻和电感；为上（下）桥臂开关控制信号；n为假想的中性点；N为公共中性点[12]。

图2 三相电压源型逆变器的结构

5 基于PSO算法的模型参数辨识

粒子群算法是一种新兴的进化算法，本文采用这种算法进行模型的参数辨识和参数优化。提出目标函数为：

式（1）中：F为适应度函数；M为长度；e（k）为误差。

对于内环控制器，其适应度函数为：

式（2）中：idq为测量的逆变器侧输出电流的dq轴基波分量；idq＿cal为辨识后逆变器输出侧电流的dq轴分量的计算值。

对于外环控制器，其适应度函数为：

具体辨识的步骤如下：①辨识d轴电流内环参数。电流内环控制器的模型如图3所示。对变量id_ref施加阶跃扰动，运用PSO算法辨识d轴电流内环的控制参数（KP1，KI1）以及等效阻抗参数（R，L）。②辨识d轴电流内环当中等效模型的整体参数。等效内环控制模型成一阶惯性环节式，根据这一简化模型结合步骤①当中的数据，辨识出内环等效模型时间参数Teq以及增益Keq。③对直流电压外环的整体参数进行辨识。施加阶跃扰动在变量Udc当中，并对相应的测量值进行记录。步骤②已经得到了d轴电流内环等效模型，现将电压外环作用其中，并结合外环控制器模型[13-14]，辨识出网络结构等效参数（C）以及外环模型器的参数（KI3、KP3）。等效的直流电压外环控制器的模型如图4所示。

图3 电流内环控制器的模型

图4 等效的直流电压外环控制器的模型

通常情况下，确定搜索区间的解决方法有2种，分别是：通过确定参数典型值，进行缩小或者放大，从而得到辨识出来的搜索区间；根据实际参数，通过查找筛选得到最小值、最大值，从而把找到的2个极值对应设置为搜索区间的两边极值。

6 仿真分析和验证

为了得到相应的数据去验证算法的可行性，在Matlab这一仿真平台当中建立相应的模型，采用PWM控制方式对三相两电平的电压源逆变器进行控制。另外，开关频率Fpwm值为5 kHz，采样频率fs值为5×105Hz。逆变器控制参数的真实值如表1所示[15]。

表1 逆变器控制参数的真实值

内环控制模型参数的辨识结果如表2所示。等效内环控制模型参数辨识结果如表3所示。外环直流电压模型参数的辨识结果如表4所示。迭代的次数都是100次。仿真后会发现，为验证参数辨识方法的有效性、模型的准确性，将辨识之后的参数代入本文所提出的模型当中，对相应的输出量进行拟合[16]。

表2 内环控制模型参数辨识结果

表3 等效内环控制模型参数辨识结果

表4 外环直流电压模型参数辨识结果

从最后的实验仿真数据可看出，无论是内环还是外环的整体输出，其动态响应与相应的模型输出得到的曲线基本趋于一致。可以看出，电流内环和直流电压外环在模型的结构设计整体是合理的，其参数辨识的相关方法也是极为有效的。

7 结论

建立了线路、滤波器、控制器、逆变器、光伏阵列等诸多环节的模型，在建立控制器的模型时，需选择性忽略前馈的影响及耦合的影响。与此同时，还需建立电压外环和电流内环的整体控制模型，并结合优化算法，即粒子群算法这一智能算法，对这一模型当中未知的参数进行分布辨识。在建立模型的过程中，需研究和考虑光伏逆变器、滤波电感的整体滤波环节及耦合所产生的影响，需忽略前馈的解耦环节。在对模型的参数进行分布辨识的过程中，需对模型进行整体验证，看模型是否是准确的。需将模型的整体输出响应与内环的输出响应、外环的输出响应相对比，进而通过最后的仿真输出，得到这一输出响应的动态响应过程，基本上都是一致的。