（中国能源建设集团韶关电力有限公司 广东韶关 512000）
摘 要:针对当前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，本文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策略，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和实现流程。通过在Matlab/Simulink软件平台下搭建了仿真模型，证明了此控制策略的有效性和可行性。
关键词:神经网络；光伏发电；故障；模糊神经网络；控制系统
引言
近年来，在政策的推动下，光伏发电产业得到快速发展，光伏电站容量在电力系统电源中所占比例逐渐增加。但是，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的稳定性。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，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能力。然而，在电网实际运行中，绝大多数故障为不对称故障，光伏发电系统若采用传统三相电压对称的低电压穿越控制策略，将会由于负序电流存在，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。因此，基于以上情况，本文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策略，此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。
1 光伏发电系统的拓扑结构
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选择工作模式。
双模式切换控制策略的具体操作流程包括以下步骤:
(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。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。
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)
式中: 为第i个输入变量第j项不对称高斯函数的均值；δ2L_j和δ2R_j分别为第i个输入变量第j项不对称高斯函数的左侧标准差和右侧标准差；yj2为第2层节点的输出变量。
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
式中: (N)为第j个输入变量第p个节点的输出信号； 和δ3jp分别为第j个输入变量第p个节点不对称高斯函数的均值和标准差。为了减小计算量，可以将 和δ3jp设置成常数，当p=1时， =－1；当p=2时， =0；当p=3时， =1。
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
(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平台搭建了并网型光伏发电系统仿真模型。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1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1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。
5 结束语
综上所述，自适应神经网络光伏并网发电技术已成为当今能源领域研究开发的重要内容。实践证明，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。
参考文献
[1] 李锋.光伏发电系统的控制策略研究[J].南京航空航天大学.2013
[2] 赵杰.光伏发电并网系统的相关技术研究[J].天津大学.2012
[3] 樊明磊,华荣芹,朱立国.并网光伏发电系统控制策略研究[J].科研.2017(1):00219-00219
论文作者:彭道炎
论文发表刊物:《电力设备》2017年第7期
论文发表时间:2017/7/4
标签：光伏论文; 电网论文; 逆变器论文; 信号论文; 神经网络论文; 系统论文; 模式论文; 《电力设备》2017年第7期论文;