混合動(dòng)力系統(tǒng)電能質(zhì)量擾動(dòng)分析及治理

徐艷春，闞銳涵，高永康，謝莎莎，MI Lu

(1. 梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室(三峽大學(xué))，湖北省宜昌市443002；2. Department of Electrical and Computer Engineering，Texas A&M University，Texas 77840, USA)

0 引 言

電能質(zhì)量(power quality，PQ)的治理是提供優(yōu)質(zhì)電能的前提和基礎(chǔ)。經(jīng)過數(shù)年研究，學(xué)者們陸續(xù)提出了不同的電能質(zhì)量治理策略，主要分為3種形式。一是通過算法優(yōu)化系統(tǒng)參數(shù)，使用硬件在環(huán)路中實(shí)現(xiàn)基于小波的并聯(lián)有源濾波器(shunt active power filter，SAPF)策略[1]，以緩解電能質(zhì)量問題。光伏接入PQ擾動(dòng)小波變換[2]在電力系統(tǒng)信號(hào)分析和處理中得到了廣泛的應(yīng)用，可以快速、準(zhǔn)確地識(shí)別暫態(tài)信號(hào)。采用基于最小二乘法對(duì)混合有源濾波器進(jìn)行建模[3]，使諧波失真最小化，可以提高平衡、不平衡負(fù)載及非線性負(fù)載的功率因數(shù)。該算法在諧波治理中具有良好的作用，但不適用于其他PQ擾動(dòng)的治理。此外，基于人工智能技術(shù)的控制算法也得到了快速的發(fā)展，如模糊邏輯(fuzzy logic，F(xiàn)L)方法和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)方法。其中，采用瞬時(shí)空間向量和雙P-Q理論的廣義控制算法[4-5]利用直接潮流控制產(chǎn)生瞬時(shí)參考電壓來補(bǔ)償負(fù)載電壓，該算法采用能量?jī)?yōu)化串聯(lián)電壓補(bǔ)償，降低了儲(chǔ)能需求，適用于電壓波動(dòng)治理，而對(duì)于頻率擾動(dòng)治理尚未能證明其有效性。二是通過硬件拓?fù)湓O(shè)計(jì)改善電能質(zhì)量。文獻(xiàn)[6]提出了基于鋰離子電池組混合風(fēng)力發(fā)電機(jī)組與SAPF結(jié)合的配置方案，該系統(tǒng)控制產(chǎn)生有功功率，通過儲(chǔ)能系統(tǒng)對(duì)直流電壓進(jìn)行調(diào)節(jié)，SAPF補(bǔ)償諧波電流，以最大功率點(diǎn)運(yùn)行將輸出電壓和頻率保持在較為理想的范圍內(nèi)。文獻(xiàn)[7]提出了一種電力濾波器的混合模型：混合有源電力濾波器(hybrid active power filter, HAPF)。HAPF與有源濾波器和無源濾波器相比，提供了更好的性能和更經(jīng)濟(jì)的解決方案。在HAPF中實(shí)現(xiàn)了各種帶有提取和估計(jì)技術(shù)的策略，實(shí)現(xiàn)了基于自適應(yīng)濾波器[8]的諧波分離技術(shù)。三是通過優(yōu)化的PQ緩解策略對(duì)電能質(zhì)量進(jìn)行治理。文獻(xiàn)[9]提出了一種先進(jìn)、多功能的電網(wǎng)側(cè)轉(zhuǎn)換器控制技術(shù)，通過在需要時(shí)注入非對(duì)稱、直流和諧波電流來提高配電網(wǎng)的電能質(zhì)量。將分布式能源的作用多樣化，使電網(wǎng)和消費(fèi)者雙方在電能質(zhì)量上獲益。當(dāng)下的電能質(zhì)量治理研究更傾向于提供一種新穎的PQ緩解策略[10]，從多方面考慮由不同擾動(dòng)所帶來PQ問題的解決方案。文獻(xiàn)[11]首次提出了綜合技術(shù)經(jīng)濟(jì)評(píng)估方法的PQ現(xiàn)象(電壓凹陷、不平衡和諧波)和緩解技術(shù)(基于網(wǎng)絡(luò)和基于緩解解決方案)以及評(píng)估技術(shù)PQ性能的方法在網(wǎng)絡(luò)上對(duì)不同的客戶需求。本文通過考慮技術(shù)和經(jīng)濟(jì)2個(gè)角度來確定PQ的規(guī)劃問題，提出目標(biāo)函數(shù)并將其進(jìn)行優(yōu)化以達(dá)到電能質(zhì)量?jī)?yōu)化的目的。

優(yōu)質(zhì)的電能質(zhì)量對(duì)于配電網(wǎng)的運(yùn)行有著至關(guān)重要的作用[12-14]。針對(duì)含分布式電源的配電網(wǎng)電能質(zhì)量的擾動(dòng)治理，本文提出一種與并聯(lián)有源濾波器相結(jié)合的智能控制混合動(dòng)力系統(tǒng)來解決電能質(zhì)量問題。串聯(lián)動(dòng)態(tài)電壓調(diào)節(jié)器(dynamic voltage restorer，DVR)接入高壓電網(wǎng)，SAPF接入低壓系統(tǒng)，該結(jié)構(gòu)具有串聯(lián)在負(fù)載側(cè)的DVR其通態(tài)電流較小，并聯(lián)在分布式電源側(cè)的SAPF輸出電壓較低，經(jīng)DVR補(bǔ)償過的APF不會(huì)出現(xiàn)過調(diào)制，且可以在包含光伏、風(fēng)機(jī)等分布式電源的混合動(dòng)力系統(tǒng)中完成諧波擾動(dòng)與幅值擾動(dòng)的綜合治理。本文將可再生能源，如風(fēng)能、光伏集成到測(cè)試系統(tǒng)中，并使用人工智能技術(shù)進(jìn)行管理，同時(shí)在光伏和風(fēng)能系統(tǒng)中實(shí)現(xiàn)最大功率點(diǎn)跟蹤(maximum power point tracking, MPPT)。利用模糊邏輯、神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制算法對(duì)SAPF的動(dòng)態(tài)性能進(jìn)行優(yōu)化，優(yōu)化后的SAPF可以在既考慮動(dòng)態(tài)環(huán)境又考慮MPPT的情況下，使最終輸出的總諧波畸變率(total harmonic distortion，THD)最小，且保障直流鏈路電壓平滑。

1 混合動(dòng)力系統(tǒng)建模

本文中的SAPF利用直流側(cè)的電壓測(cè)量傳感器和大電容相組合，從而改變了傳統(tǒng)2個(gè)級(jí)聯(lián)控制回路的組合，在電壓突變或相位不平衡的情況下，由電池供電的SAPF在交流電源電壓下具有更大的自主性，可以滿足更高的輸出電壓要求[15-16]。DVR控制系統(tǒng)通過將計(jì)算出的所需電壓注入配電系統(tǒng)，從而維持敏感的負(fù)載電壓，其幅值和相位角由正弦脈寬調(diào)制技術(shù)來調(diào)節(jié)。DVR在待機(jī)狀態(tài)下既不吸收也不提供實(shí)際的電能。然而，當(dāng)系統(tǒng)發(fā)生電壓波動(dòng)時(shí)，DVR會(huì)將實(shí)際功率瞬間轉(zhuǎn)換或吸收到直流鏈路中?；旌蟿?dòng)力系統(tǒng)模型如圖1所示。

圖1 混合動(dòng)力系統(tǒng)模型Fig.1 Model of the hybrid governance system

圖2給出了該仿真系統(tǒng)運(yùn)行流程，后續(xù)將對(duì)各配置進(jìn)行詳細(xì)介紹。

圖2 仿真系統(tǒng)運(yùn)行流程Fig.2 Operation flow chart of the simulation system

1.1 光伏電池模型

光伏陣列塊由光伏組件構(gòu)成。陣列由串并聯(lián)的模塊組成，單個(gè)二極管光伏電池的電氣模型如圖3所示。電流源Iph表示電池的光生電流，Rsh和rs分別為電池的并聯(lián)電阻和串聯(lián)電阻。

圖3 二級(jí)管光伏電池模型Fig.3 Model of a two-stage photovoltaic cell

在二極管等效模型中，電流和電壓之間的數(shù)學(xué)關(guān)系為：

(1)

式中：I為光生電流源電流，A；I0為二極管飽和電流，A；V為對(duì)外等效電壓，V；a為二極管特性擬合系數(shù)；VT為二極管熱電壓，V。

二極管熱電壓為：

(2)

式中：ns為串聯(lián)模塊個(gè)數(shù)；k為玻爾茲曼常數(shù)，J/K；T為光伏電池工作絕對(duì)溫度值，K；q為電子電量，C。

對(duì)于串聯(lián)的Ns模塊和并聯(lián)Np模塊組成的光伏陣列，光伏電池電流Ipv和電壓Vpv為：

(3)

(4)

式中：Rse和Rpe分別為等效串聯(lián)電阻和并聯(lián)電阻；S為二極管的理想因子。

MPPT是通過將光伏板的終端電壓調(diào)整到最大功率點(diǎn)電壓Vmppt來實(shí)現(xiàn)的，當(dāng)光照強(qiáng)度為200～1 000 W/m2時(shí)，Vmppt的變化范圍為718～733 V。

1.2 風(fēng)電機(jī)組模型

渦輪從風(fēng)力中獲取的機(jī)械功率Pm為：

(5)

式中：ρ為空氣密度，kg/m3；β為螺旋角,(°)；A為覆蓋面積m2；v為風(fēng)速，m/s；Cp(λ,β)為風(fēng)力發(fā)電機(jī)的功率系數(shù)；λ為葉尖速比。

(6)

式中：Ωt為渦輪轉(zhuǎn)速，rad/s；R為渦輪葉片半徑，m。

此外，風(fēng)力發(fā)電機(jī)的功率系數(shù)主要取決于螺旋角β和葉尖速比λ。

(7)

式中：λeq為引入的等效葉尖速比。

為了確保最大功率點(diǎn)的跟蹤控制，渦輪轉(zhuǎn)速必須隨風(fēng)速的變化而變化，使得最佳葉尖速比λopt保持在最佳值，渦輪機(jī)的最大跟蹤功率Pm,max為：

(8)

式中：Cp,max為最大功率系數(shù)；Ωt,opt為最優(yōu)渦輪轉(zhuǎn)速，rad/s。

最大轉(zhuǎn)矩Γm,max為：

(9)

風(fēng)力渦輪機(jī)軸通過變速箱與永磁同步發(fā)電機(jī)(permanent magnet synchronous generator，PMSG)轉(zhuǎn)子相連，變速箱使風(fēng)機(jī)的低轉(zhuǎn)速(Ωt)與PMSG的快速驅(qū)動(dòng)軸(Ωg)相適應(yīng)，變速箱模型為：

Ωg=GΩt

(10)

式中：Ωg為快速驅(qū)動(dòng)軸轉(zhuǎn)速，rad/s；G為齒輪箱的傳動(dòng)比。為了提取最大功率，在可變風(fēng)速的情況下，本文對(duì)發(fā)電機(jī)的轉(zhuǎn)速進(jìn)行調(diào)節(jié)，使葉尖速比始終保持在最佳值(λopt=8.1)，螺旋角β為0°。

1.3 并聯(lián)有源濾波器

圖4 諧波電流控制器Fig.4 Harmonic current controller

為了減少直流環(huán)節(jié)電壓偏差(暫降或暫升)造成的直流環(huán)節(jié)電容損壞，提高過濾瞬態(tài)非線性負(fù)載條件下的性能變化，進(jìn)一步避免使用復(fù)雜的直流電壓控制算法，則需要另一個(gè)大電容和額外的電壓傳感器，故本文提出了一種基于SAPF分離控制策略的新型結(jié)構(gòu)。SAPF相位的控制僅僅是為了減小諧波電流，其直流側(cè)電壓由蓄電池降壓變換器來調(diào)節(jié)。采用單回路控制補(bǔ)償電流，直流側(cè)電壓直接與混合動(dòng)力系統(tǒng)共用直流母線，從而使得補(bǔ)償電流可以準(zhǔn)確地跟蹤參考值。為了提高直流側(cè)電壓的動(dòng)態(tài)響應(yīng)，該直流側(cè)電壓由電池儲(chǔ)能系統(tǒng)通過Buck-Boost變換器與普通直流母線同時(shí)控制，同時(shí)為了提高SAPF的濾波能力，補(bǔ)償電流只通過交流側(cè)。此外，該結(jié)構(gòu)還可以應(yīng)用于風(fēng)力發(fā)電場(chǎng)和光伏電站[17-18]，使用協(xié)調(diào)控制策略將整個(gè)諧波電流分配到整個(gè)系統(tǒng)的不同SAPF之間進(jìn)行濾波。

1.4 動(dòng)態(tài)電壓調(diào)節(jié)器

本節(jié)詳細(xì)闡述風(fēng)力發(fā)電機(jī)組的電力系統(tǒng)穩(wěn)定性及涉及的PQ擾動(dòng)問題。眾所周知，風(fēng)機(jī)發(fā)電具有間歇性、波動(dòng)性等特點(diǎn)，其輸出功率隨風(fēng)速的變化而波動(dòng)，同時(shí)與電壓幅值及頻率的波動(dòng)緊密相關(guān)。利用動(dòng)態(tài)電壓調(diào)節(jié)器可作為一種改善風(fēng)能系統(tǒng)PQ的良好方案。DVR通過建立用戶所期望的合適電壓質(zhì)量水平，為緩解電壓干擾提供最快速、最經(jīng)濟(jì)的解決方案。電網(wǎng)發(fā)生故障后，電壓暫降會(huì)分散在負(fù)荷中，如果DVR固定在敏感負(fù)載處，則電壓幅值可以恢復(fù)到其標(biāo)稱值，而不存在時(shí)間延遲和電源中斷。利用DVR控制系統(tǒng)對(duì)所有的電壓擾動(dòng)進(jìn)行檢測(cè)，從而確定電壓注入策略，產(chǎn)生門控信號(hào)。敏感負(fù)載的類型決定了注入補(bǔ)償電壓的控制策略，DVR邏輯控制如圖5所示。

圖5 DVR邏輯控制Fig.5 Dynamic voltage regulation logic control

DVR是帶儲(chǔ)能裝置的串聯(lián)補(bǔ)償裝置，其大小和相位與線路串聯(lián)，電容器組作為儲(chǔ)能裝置提供直流電壓，在系統(tǒng)正常工作下，DVR注入的電壓非常小，但發(fā)生電壓擾動(dòng)時(shí)，DVR會(huì)在很短的時(shí)間向系統(tǒng)注入所需的電壓，這種擾動(dòng)可能是電壓凹陷或電壓膨脹，不同的擾動(dòng)決定了注入電壓的大小和相位，所有注入電壓的相位均由DVR獨(dú)立控制，DVR從電網(wǎng)中提取有功功率，向負(fù)荷提供所需的無功功率。

當(dāng)系統(tǒng)電壓Vth降低時(shí)，DVR通過反相器加串聯(lián)電壓VDVR，滿足負(fù)載所需的電壓幅值VL。而系統(tǒng)阻抗Zth=Rth+jXth由負(fù)載總線的故障類型決定。

VDVR=VL+ZthIL-Vth

(11)

式中：IL為負(fù)載電流幅值。

PC=IL[VLcosΦ-VScos(Φ-θ)]

(12)

式中：PC為補(bǔ)償?shù)挠泄β?；Ф為?fù)載阻抗角；θ為負(fù)載滯后于電源的相角；VS為電源電壓幅值。由式(12)可以看出，當(dāng)Ф=θ時(shí)，PC取最小值，其極性由VL和VS的值決定。

2 控制策略

2.1 基于人工智能的控制器

控制器可以借助人工智能擁有在線學(xué)習(xí)/自組織的能力，從過程行為中采取適當(dāng)?shù)目刂菩袆?dòng)。此外，人工智能還有著傳統(tǒng)方法的優(yōu)勢(shì)，如統(tǒng)計(jì)分析，特別是在數(shù)據(jù)顯示某種形式的非線性情況下?，F(xiàn)有的空間分析和建模技術(shù)包括基于規(guī)則系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯控制。神經(jīng)網(wǎng)絡(luò)是基于對(duì)大腦功能的松散類比，通常采用多層感知器和徑向基函數(shù)這2種神經(jīng)網(wǎng)絡(luò)來研究電能質(zhì)量問題。

反向傳播算法是最常用的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，是一種監(jiān)督學(xué)習(xí)算法。反向傳播算法憑著易于理解的優(yōu)點(diǎn)，已經(jīng)成功地應(yīng)用于許多領(lǐng)域。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)由輸入、隱藏和輸出3層構(gòu)成。隱藏層為一組函數(shù)的輸入模式提供了一個(gè)任意的基礎(chǔ)。其中，隱藏層中的徑向基函數(shù)在輸入落在一個(gè)小的、局部化的輸入空間區(qū)域時(shí)會(huì)產(chǎn)生一個(gè)顯著的非零響應(yīng)。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)采用監(jiān)督學(xué)習(xí)算法進(jìn)行訓(xùn)練，可以看作是多層前饋傳播網(wǎng)絡(luò)的改進(jìn)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的許多特性類似于前饋神經(jīng)網(wǎng)絡(luò)，因?yàn)槠洳捎镁€性表示和權(quán)值求和。雖然徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)所執(zhí)行的轉(zhuǎn)換是局部的，但訓(xùn)練速度非常快。與標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)相比，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)需要更多的神經(jīng)元，其通常被設(shè)計(jì)為在一小段時(shí)間內(nèi)訓(xùn)練標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)。

在現(xiàn)有的文獻(xiàn)中，已經(jīng)證明了任何函數(shù)都可以用一個(gè)具有隱藏層的徑向基函數(shù)來近似，其被稱為通用逼近器。此外，感知器也具有全局逼近的能力，但只有徑向基函數(shù)具有最優(yōu)逼近能力。徑向基函數(shù)在結(jié)構(gòu)上沒有反向傳播算法那么復(fù)雜，但在只有一個(gè)隱藏層的情況下，徑向基函數(shù)相比反向傳播算法能夠更好地實(shí)現(xiàn)任意函數(shù)逼近。與徑向基函數(shù)策略相比，反向傳播算法在平衡和非線性負(fù)載條件下能夠提供較少的THD。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與多層網(wǎng)絡(luò)的區(qū)別如表1所示。

表1 徑向基函數(shù)網(wǎng)絡(luò)與多層網(wǎng)絡(luò)的區(qū)別Table 1 The difference between radial basis function network and multi-layer network

利用模糊邏輯、神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制算法對(duì)SAPF的動(dòng)態(tài)性能進(jìn)行優(yōu)化。這些控制器提供了平滑的直流鏈路電壓，并對(duì)由平衡/不平衡和非線性負(fù)載產(chǎn)生的總諧波失真進(jìn)行了最小化處理，提供了更快的響應(yīng)速度。

2.2 基于模糊推理系統(tǒng)的控制算法

模糊推理系統(tǒng)控制算法是人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯控制2種語言的混合，其能充分利用這2種語言的優(yōu)點(diǎn)。自適應(yīng)模糊方法是從典型數(shù)學(xué)樣本出發(fā)，改變其模糊關(guān)系的一種方法。另一方面，神經(jīng)網(wǎng)絡(luò)可以從訓(xùn)練數(shù)據(jù)中不規(guī)律地創(chuàng)建和引用模糊規(guī)則。模糊輸入與三角隸屬函數(shù)一起被送入神經(jīng)網(wǎng)絡(luò)塊。神經(jīng)網(wǎng)絡(luò)塊由規(guī)則庫構(gòu)成，規(guī)則庫與模糊推理系統(tǒng)相連。反向傳播算法在這里被用來訓(xùn)練模糊推理系統(tǒng)。采用BP學(xué)習(xí)算法對(duì)前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。使用模糊推理系統(tǒng)控制算法各層結(jié)構(gòu)如圖6所示，第1層為模糊層，第2層中每個(gè)節(jié)點(diǎn)的輸出是所有輸入信號(hào)的乘積，第3層中每個(gè)節(jié)點(diǎn)計(jì)算單個(gè)規(guī)則的邊緣強(qiáng)度與該層中所有規(guī)則的邊緣強(qiáng)度之和的比率，第4層為去模糊層，第5層為輸出層。

圖6 模糊邏輯推理控制器Fig.6 Fuzzy logic inference controller

圖7給出了詳細(xì)的模糊推理控制算法系統(tǒng)訓(xùn)練流程。模糊推理系統(tǒng)控制算法是一種自適應(yīng)前饋網(wǎng)絡(luò)結(jié)構(gòu)。每個(gè)節(jié)點(diǎn)都有一個(gè)特定的功能，一些節(jié)點(diǎn)是自適應(yīng)的，另一些是外匯節(jié)點(diǎn)，各節(jié)點(diǎn)參數(shù)是獨(dú)立的。模糊推理系統(tǒng)控制算法需要一組輸入-輸出數(shù)據(jù)，并使用一組從屬函數(shù)將輸入數(shù)據(jù)映射到輸出。所選從屬函數(shù)應(yīng)盡量減小實(shí)際輸出與輸入之間的誤差。通過執(zhí)行常規(guī)控制，分別收集用于訓(xùn)練SAPF控制器和MPPT操作的模糊推理系統(tǒng)控制算法的不同數(shù)據(jù)集。

圖7 模糊邏輯推理訓(xùn)練流程Fig.7 Training process of fuzzy logic reasoning

本文采用模糊推理系統(tǒng)控制算法對(duì)MPPT進(jìn)行跟蹤，模糊推理系統(tǒng)控制算法的輸入是功率和電壓變化，該算法生成與MPPT相對(duì)應(yīng)的合適占空比。每次增壓都由單獨(dú)的MPPT控制，Boost變換器的輸出連接到公共直流母線。模糊推理系統(tǒng)控制器的輸出是維持直流鏈路電壓所需的源電流。參考補(bǔ)償電流是通過比較參考源電流和實(shí)際負(fù)載電流而產(chǎn)生的，參考電流和實(shí)際補(bǔ)償電流的差值將會(huì)直接反饋給滯環(huán)電流控制器。

SAPF的基本補(bǔ)償原理如圖1所示，當(dāng)SAPF不工作時(shí)，源電流和負(fù)載電流都具有相同的諧波。一旦SAPF在公共連接點(diǎn)(point of common coupling，PCC)上連接，便會(huì)注入控制補(bǔ)償電流，使電源電流不受諧波的影響，而不考慮負(fù)載特性。詳細(xì)的數(shù)學(xué)模型系統(tǒng)如下詳述。

公共電壓為：

vs(t)=vmsinωt

(13)

式中：vs(t)為電壓瞬時(shí)值；vm為電壓峰值；ω為電源角頻率。

PCC處的源電流為：

ia=iL-ic

(14)

式中：ia為源電流；iL為負(fù)載電流瞬時(shí)值，由基本分量和諧波分量組成；ic為補(bǔ)償電流。

(15)

式中：i1為基頻電流幅值；θ1為基頻電流相角；in為n相電流幅值；θn為n相電流相角。

瞬時(shí)負(fù)荷功率P(t)為：

P(t)=vs(t)iL=vmi1sin2ωtcosθ1+

vmi1sinωtcosωtsinθ1+

pP(t)+pQ(t)+ph(t)

(16)

式中：pP(t)為有功功率；pQ(t)為無功功率；ph(t)為諧波功率。

補(bǔ)償后的源電流is(t)為：

i1cosθ1sinωt=ismsinωt

(17)

式中：ism為峰值源電流。SAPF提供無功和諧波功率，因此電流與正弦電網(wǎng)電壓同相。在本系統(tǒng)中，電網(wǎng)提供基礎(chǔ)電流的有功分量，SAPF提供所需注入諧波和負(fù)荷所需的無功電流。

2.3 并聯(lián)有源濾波器的控制策略

諧波補(bǔ)償?shù)姆椒ㄓ兴矔r(shí)無功理論法、同步參考坐標(biāo)法和DC-link電壓調(diào)節(jié)法等，但瞬時(shí)無功理論提供了更快的暫態(tài)響應(yīng)。首先，將負(fù)載電流(iLa、iLb、iLc)檢測(cè)為反饋信號(hào)，通過Park變換，得到式(18)中的dq0參考系，此外，還需要生成與電網(wǎng)電壓同步的純正弦波和余弦波，用以執(zhí)行abc到dq和dq到abc的轉(zhuǎn)換。通過低通濾波器去除d軸和q軸電流的直流部分，如式(19)和(20)所示。

(18)

(19)

(20)

式中：id為直軸總電流；iq為交軸總電流;id-DC、id-AC分別為直軸電流的直流和交流分量;iq-DC、iq-AC分別為交軸電流的直流和交流分量。

用式(21)、(22)、(23)將dq坐標(biāo)轉(zhuǎn)換為abc參考系下，以獲得三相補(bǔ)償電流。

(21)

(22)

(23)

3 仿真驗(yàn)證

本文通過SAPF和DVR設(shè)計(jì)了混合動(dòng)力系統(tǒng)以對(duì)光伏和風(fēng)電產(chǎn)生的擾動(dòng)進(jìn)行治理。當(dāng)系統(tǒng)發(fā)生不同故障時(shí)，采用不同的技術(shù)對(duì)敏感負(fù)載進(jìn)行保護(hù)。電能質(zhì)量和可靠性可以得到較大提高。

為了驗(yàn)證所提設(shè)計(jì)方案的有效性，采用SIMULINK可視化仿真工具實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)建模。將永磁同步發(fā)電機(jī)作為主要?jiǎng)恿υ?，由風(fēng)力發(fā)電機(jī)驅(qū)動(dòng)。最大可產(chǎn)生12 kW的電能，永磁同步發(fā)電機(jī)轉(zhuǎn)速為178 rad/s，額定轉(zhuǎn)矩為67.27 N·m。最大光伏發(fā)電量約為5.3 kW，光伏板最大功率時(shí)的電壓Vmppt為718～733 V，光照強(qiáng)度為200～1 000 W/m2。直流母線電壓為725 V，三相線性負(fù)載及非線性負(fù)載與公共連接點(diǎn)連接，系統(tǒng)參數(shù)設(shè)置如表2所示。

表2 系統(tǒng)參數(shù)配置Table 2 System parameter configuration

混合動(dòng)力系統(tǒng)PQ擾動(dòng)如圖8所示。系統(tǒng)的總仿真時(shí)長(zhǎng)為1.2 s，PQ擾動(dòng)主要是由風(fēng)機(jī)和光伏所帶來的。通過對(duì)PCC處的斷路器進(jìn)行接入和斷開操作，來模擬光伏和風(fēng)機(jī)各自的擾動(dòng)特征，以及應(yīng)用不同的技術(shù)對(duì)不同的故障進(jìn)行診斷和治理。各組件的工作順序?yàn)椋汗夥?.2 s時(shí)并入系統(tǒng)，并聯(lián)有源濾波器在光伏并入系統(tǒng)后立刻進(jìn)入工作；風(fēng)機(jī)在0.7 s時(shí)接入系統(tǒng)，隨后DVR開始工作，仿真總時(shí)長(zhǎng)為1.2 s。通過輸出電能的質(zhì)量來驗(yàn)證本文所提治理策略的有效性。

圖8 PQ擾動(dòng)下的混合動(dòng)力系統(tǒng)Fig.8 Hybrid power system under PQ disturbance

光伏系統(tǒng)通過SAPF與PCC處連接，由于光伏的隨機(jī)性和不穩(wěn)定性，其產(chǎn)生的電能存在諧波問題。光伏接入PQ擾動(dòng)如圖9所示。0.2 s處光伏與系統(tǒng)連接瞬間，電壓發(fā)生抖動(dòng)并伴隨大量諧波，其諧波含量已覆蓋基波含量，通過對(duì)0.3 s時(shí)的波形進(jìn)行快速傅里葉變換(fast Fourier transformation, FFT)，提取電壓幅值及相位的實(shí)測(cè)值，結(jié)果如表3所示。

表3 FFT分析Table 3 Analysis of FFT

圖9 光伏接入PQ擾動(dòng)Fig.9 PQ disturbance in photovoltaic system

其中采樣間隔為5×10-6s，基波為50 Hz，總諧波畸變率為183.23%，主要分布在頻率為25、125、200、225 Hz左右，其中，THD最大的是頻率為125 Hz的間諧波，達(dá)到了144.97%。此外，25 Hz和225 Hz間諧波的THD分別為49.56%、40.79%。這主要是因?yàn)橄到y(tǒng)中設(shè)置的光伏光照強(qiáng)度發(fā)生了顯著的變化，且非線性負(fù)載的波動(dòng)導(dǎo)致系統(tǒng)電壓幅值和頻率波動(dòng)等電能質(zhì)量惡化，此外，非線性負(fù)載產(chǎn)生的電流諧波與光伏產(chǎn)生的諧波可能會(huì)發(fā)生諧振，從而導(dǎo)致電能質(zhì)量進(jìn)一步惡化。在諧波出現(xiàn)瞬間，SAPF馬上進(jìn)入工作，降低了非線性負(fù)載造成的諧波電流，同時(shí)，利用2.2節(jié)中所提模糊推理系統(tǒng)控制算法對(duì)SAPF的動(dòng)態(tài)性能進(jìn)行優(yōu)化，在優(yōu)化時(shí)，將功率和電壓的變化作為模糊推理系統(tǒng)控制算法的輸入，生成與最大功率點(diǎn)相對(duì)應(yīng)的合適占空比，從而達(dá)到對(duì)系統(tǒng)最大功率點(diǎn)的跟蹤控制。每次增壓都由單獨(dú)的MPPT控制，Boost變換器的輸出連接到公共直流母線。通過模糊推理系控制器輸出源電流用以維持直流鏈路電壓。此外，通過比較參考源電流和實(shí)際負(fù)載電流后產(chǎn)生參考電流，然后將參考電流和實(shí)際補(bǔ)償電流的差值反饋給滯環(huán)電流控制器，通過模糊推理系統(tǒng)控制算法將由平衡/不平衡和非線性負(fù)載產(chǎn)生的總諧波畸變率進(jìn)行最小化處理。SAPF在PCC基頻處注入與諧波電流大小相同但相位相反的電流，保證了輸出為三相正弦形式。

動(dòng)態(tài)電壓調(diào)節(jié)器通過向公共連接點(diǎn)處注入功率來提供恒定的電壓和電流，滿足風(fēng)力發(fā)電機(jī)的功率穩(wěn)定。風(fēng)機(jī)在0.7 s時(shí)并入混合動(dòng)力系統(tǒng)，風(fēng)機(jī)與PCC連接瞬間產(chǎn)生三相電壓波動(dòng)并伴隨不平衡。其原因?yàn)橄到y(tǒng)無功功率的需求突然變大。風(fēng)能接入PQ擾動(dòng)如圖10所示，擾動(dòng)持續(xù)時(shí)間為0.7～1.0 s?？梢园l(fā)現(xiàn)，風(fēng)機(jī)接入瞬間電網(wǎng)發(fā)生電壓暫降，A相電壓影響最大降至額定電壓的40%；B相電壓幅值降低約為額定電壓的60%，影響最小；C相電壓的幅值在0.7～0.8 s間下降70%，0.8～1.0 s電壓值略微恢復(fù)，總電壓幅值下降約為25%，且系統(tǒng)中明顯發(fā)生三相不平衡。可以看出風(fēng)能系統(tǒng)的接入給系統(tǒng)帶來的PQ擾動(dòng)很大。面對(duì)不同的PQ擾動(dòng)形式，敏感負(fù)載的相角跳變或幅值變化，都可以通過DVR不斷地對(duì)敏感負(fù)載的電壓暫降進(jìn)行補(bǔ)償。

圖10 風(fēng)能接入PQ擾動(dòng)Fig.10 PQ disturbance caused by wind power access

設(shè)備治理PQ恢復(fù)信號(hào)如圖11所示，從1.0 s后電壓幅值基本恢復(fù)正常水平。最后，提取混合動(dòng)力系統(tǒng)PCC的母線側(cè)信號(hào)驗(yàn)證治理效果，對(duì)線性負(fù)載的電流和非線性負(fù)載電流做傅里葉變換，求其相應(yīng)的電流諧波畸變率。

圖11 設(shè)備治理PQ恢復(fù)信號(hào)Fig.11 PQ recovery signal of equipment governance

非線性負(fù)載和線性負(fù)載側(cè)電流諧波畸變率如圖12、13所示。由圖可知，非線性負(fù)載側(cè)的總電流諧波畸變率為2.05%,線性負(fù)載側(cè)的總電流諧波畸變率為0.20%。

圖12 非線性負(fù)載側(cè)電流諧波畸變率Fig.12 Harmonic distortion rate of the current on nonlinear load side

圖13 線性負(fù)載側(cè)電流諧波畸變率Fig.13 Harmonic distortion rate of the current on linear load side

在PCC處輸出側(cè)總諧波畸變率極低，滿足IEEE-519標(biāo)準(zhǔn)對(duì)于電能質(zhì)量的要求。完全符合電網(wǎng)對(duì)于不同敏感負(fù)荷變化量的需求，并將輸出的電能質(zhì)量保持在期望值。驗(yàn)證了本文提出的混合動(dòng)力系統(tǒng)治理策略的適用性及自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制算法的有效性。

4 結(jié) 論

本文基于含分布式電源的配電網(wǎng)電能質(zhì)量擾動(dòng)治理，針對(duì)混合動(dòng)力系統(tǒng)，在SAPF和DVR的基礎(chǔ)上提出了相應(yīng)的治理策略。該系統(tǒng)與配電網(wǎng)連接，通過電子式互感器將公共電網(wǎng)信號(hào)縮小作為系統(tǒng)基礎(chǔ)輸入信號(hào)。對(duì)混合動(dòng)力治理系統(tǒng)中2種新能源產(chǎn)生的PQ擾動(dòng)進(jìn)行分析及治理。通過對(duì)PCC處的島互連裝置進(jìn)行接入和斷開操作，來模擬光伏和風(fēng)機(jī)各自的擾動(dòng)特征，利用SAPF治理光伏產(chǎn)生的諧波污染，DVR治理風(fēng)機(jī)產(chǎn)生的三相不平衡及電壓波動(dòng)。此外，利用模糊邏輯、神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)控制算法對(duì)SAPF的動(dòng)態(tài)性能進(jìn)行優(yōu)化，在優(yōu)化時(shí)，將功率和電壓的變化作為模糊推理系統(tǒng)控制算法的輸入，生成與最大功率點(diǎn)相對(duì)應(yīng)的合適占空比，從而達(dá)到對(duì)系統(tǒng)最大功率點(diǎn)的跟蹤控制。此外，通過模糊推理系統(tǒng)控制算法將由平衡/不平衡和非線性負(fù)載產(chǎn)生的總諧波失真進(jìn)行最小化處理。結(jié)果表明，在本文仿真條件下，非線性負(fù)載側(cè)的總電流諧波畸變率為2.05%，線性負(fù)載側(cè)的總電流諧波畸變率為0.20%，滿足電網(wǎng)對(duì)于不同的敏感負(fù)荷變化量的需求，并將輸出的電能質(zhì)量保持在期望值，驗(yàn)證了所設(shè)計(jì)的混合動(dòng)力治理系統(tǒng)實(shí)用性和模糊推理系統(tǒng)控制算法的有效性。