新能源光伏發(fā)電站大規(guī)模并網頻率主動控制研究

李福白

（中國電建集團爐霍新能源開發(fā)有限公司貢唐崗光伏電站，四川 甘孜州 626500）

新能源光伏發(fā)電站的電力輸出與天氣、時間等外界因素的變化密切相關，其電力輸出波動會給電網帶來負面影響，影響電網的穩(wěn)定性和安全性。為了平穩(wěn)地將光伏發(fā)電站的電力輸出并入電網，需要對其進行頻率主動控制，相關領域研究已有一定規(guī)模。祁曉笑等[1]通過模式分析法探究同步調相機抑制電力系統(tǒng)次同步振蕩方法。金欣茹等[2]提出了一種求解分布式光伏并網優(yōu)化模型的啟發(fā)式算法。任萱等[3]優(yōu)化了光儲協(xié)調并網的模型預測控制策略。顏湘武等[4]探討了高滲透率光伏并網對系統(tǒng)暫態(tài)頻率穩(wěn)定性影響的量化評估。李學慶等[5]設計了一種三相級聯(lián)H 橋光伏并網系統(tǒng)參與電網頻率支撐的控制策略。艾永樂等[6]論述了變論域模糊PID 控制器實現(xiàn)快速電力系統(tǒng)頻率控制的策略。宋紹劍等[7]提出了一種考慮頻率耦合的組串式光伏逆變并網系統(tǒng)阻抗建模方法。湯代斌等[8]設計并實現(xiàn)了光伏并網逆變器頻率跟蹤調節(jié)和主動支撐。張健等[9]運用智能負載控制策略平抑光伏并網的電壓和頻率波動。丁明等[10]提出了一種基于采樣點相角差預測捕捉合閘點的差頻并網算法。

1 新能源光伏發(fā)電站發(fā)電機組并網頻率控制需求分析

在新能源光伏發(fā)電站并入電網的過程中，其電力輸出波動會影響電網的穩(wěn)定性，與之相對的是電網中用電需求自身持續(xù)變化。大規(guī)模電網中的用電需求變化自身有一定隨機性因素的彼此補償，較小規(guī)模電網中的用電需求變化則更可能引發(fā)安全隱患。

頻率主動控制是指通過控制發(fā)電站的功率輸出來調節(jié)電網的頻率，以達到電網穩(wěn)定運行的目的。當電網頻率變化較大時，控制系統(tǒng)會通過減少或增加發(fā)電站的功率輸出來控制發(fā)電站的電力輸出波動。具體來說，當電網頻率比標準頻率高時，控制系統(tǒng)會自動減少發(fā)電站的輸出功率，以降低電網的頻率；當電網頻率比標準頻率低時，控制系統(tǒng)會自動增加發(fā)電站的輸出功率，以提高電網的頻率。此外，通過優(yōu)化光伏發(fā)電站的電路結構和系統(tǒng)控制策略可以有效提高其電流穩(wěn)定性，減少電能供給波動，減少光伏并網對電網整體穩(wěn)定性的影響。

2 模型分析

2.1 模型概述

光伏發(fā)電作為新能源電力的重要來源之一，其波動性和不可控性對電力系統(tǒng)頻率穩(wěn)定性的影響不容忽視。光伏發(fā)電站的功率控制是指通過調節(jié)發(fā)電系統(tǒng)的電壓和電流來達到預設的功率值。在實際應用中，功率控制通常分為2 種方式，即最大功率跟蹤和功率限制控制。其中，最大功率跟蹤是指通過調節(jié)直流輸入電壓來保持發(fā)電系統(tǒng)的最大功率輸出，功率限制控制是指通過限制功率來保證發(fā)電系統(tǒng)穩(wěn)定地運行，從而避免過載和損壞設備。

在功率控制的過程中，電流和電壓取決于發(fā)電系統(tǒng)內的電路結構和參數(shù)。因此，為了實現(xiàn)定向控制，需要對發(fā)電系統(tǒng)進行建模。光伏發(fā)電系統(tǒng)的模型通常采用MATLAB等軟件進行建模，通過輸入模型參數(shù)和控制策略來預測和調節(jié)系統(tǒng)的輸出功率。

2.2 拓撲結構分析

在建立模型前，需要確定模型的基本結構和參數(shù)。模型的結構由各個子模塊組成，包括光伏發(fā)電模塊、逆變器模塊、雙向變流器模塊、交流濾波器模塊和負載模塊等。這些子模塊共同組成了光伏發(fā)電系統(tǒng)的電路和控制部分。

因此，在確定參數(shù)前，需要對發(fā)電系統(tǒng)進行拓撲分析和檢測，以明確系統(tǒng)中各種元件的數(shù)量、連接方式和工作狀態(tài)等基本信息。

該拓撲結構包括光伏發(fā)電模塊、逆變器模塊、雙向變流器模塊、交流濾波器模塊和負載模塊等結構，能確保系統(tǒng)的基本功能和控制需求。在該拓撲圖中，光伏發(fā)電模塊通過直流輸入與逆變器模塊連接，將直流信號轉換為交流信號；逆變器模塊則與雙向變流器模塊相連，當正常工作時，將生成的交流信號供應給負載模塊。同時，雙向變流器模塊還可以使系統(tǒng)實現(xiàn)功率反饋和調節(jié)，實現(xiàn)快速響應和更高效的運行狀態(tài)。最終，交流濾波器模塊對輸出信號進行過濾和整流處理，以提高交流信號的質量和穩(wěn)定性。

2.3 算例設置

基于上述模型，設置系統(tǒng)包括6 組輸入直流電，經過逆變器處理后輸出3 組交流電信號。根據(jù)經驗，取其中任意1 組直流端口作為樣本數(shù)據(jù)集，隨機選取100 條記錄作為訓練集，20 條記錄作為測試集。同時，當選擇模型參數(shù)時，也需要考慮典型的外界因素對系統(tǒng)的影響，例如天氣狀況、氣溫、風力、日照強度和負荷情況等因素。在保持其他條件不變的情況下，將這些因素都設置為10%的波動范圍。根據(jù)以上條件，選擇的參數(shù)見表1。

表1 參數(shù)設置

3 模型構建

3.1 符號設置

將電路分為電源、負載和連接段3 個部分，分別衡量電壓、電流2 項變量（其構成主要變量），如公式（1）、公式（2）所示。

式中：VT、Vp和Vl分別為電路電壓、電源電壓和負載電壓；IT、Ic分別為電路、連接段的電流。

根據(jù)電路基本理論，電路中的電壓和電流之間存在一定的關系。具體來說，可以通過電源電壓和中間電路中的電流來計算負載的電壓，如公式（3）所示。

相應的電流如公式（4）所示。

式中：Rc為電路中的電阻。

接下來，可以將Ic代入公式（5）。

將公式（5）拆分為公式（6）。

對公式（6）進行求導，如公式（7）、公式（8）所示。

此時得到公式（10）。

將V1代回公式（6），如公式（11）所示。

根據(jù)公式（11）得到公式（12）。

并聯(lián)電路后，電阻如公式（13）所示。

式中：Rcn為第n個并聯(lián)電路的電阻；Vln為第n個并聯(lián)電路的電壓。

該電阻又受到環(huán)境溫度的直接影響，即隨溫度上升其指數(shù)增長的系統(tǒng)電阻水平。

溫度既表現(xiàn)為外部環(huán)境中調控光電場站發(fā)電能力的重要影響因素，又表現(xiàn)為作用于系統(tǒng)內部輸配電網絡中電路要素的機制，該文構建的模型也以此為因變量來衡量模型對其的反饋優(yōu)化能力。

3.2 算法概述

針對光伏發(fā)電站大規(guī)模并網頻率主動控制的研究需要考慮多個因素的復雜交互作用，例如負載變化、溫度調節(jié)等。而傳統(tǒng)的優(yōu)化方法往往會受局部最優(yōu)解的影響，不利于提高現(xiàn)有設備設施的利用性能。與傳統(tǒng)的優(yōu)化方法相比，遺傳算法是一種基于生物進化原理的全局搜索和優(yōu)化方法，適用于非線性問題和高維空間的參數(shù)設置。與其他早期工程中使用的參數(shù)尋優(yōu)方法相比，遺傳算法可以處理較大問題空間，并嘗試優(yōu)化多目標函數(shù)而非單獨一項指標。它是一種基于生物進化過程的啟發(fā)式算法，通過模擬自然進化的原理，將可能的最優(yōu)解的不同量子編碼成“個體”，然后通過交叉、變異等操作讓它們在群落中不斷繁衍進化，以獲得新一代更接近最優(yōu)解的“個體”。

與其他常見優(yōu)化算法（例如梯度下降算法）相比，遺傳算法的特點就是不依賴于輸入的初始信息，也不受特定局部極值的限制，從而平衡了局部最優(yōu)與全局最優(yōu)的關系。同時，與某些深度學習程序相比，遺傳算法的迭代速度相對較慢，無方向性的學習過程影響了模型的優(yōu)化性能。但是考慮并網頻率主動控制分析的實際需求，首選遺傳算法的主要原因是其能夠創(chuàng)造更穩(wěn)定且適用于多規(guī)模數(shù)據(jù)集訓練的解決方案。

3.3 算法應用

在案例中，主動控制方法可以通過遺傳算法來控制光伏發(fā)電系統(tǒng)的功率。具體步驟如下：1）初始化種群。隨機生成1 組個體的初始種群。每個個體都是1 組參數(shù)的集合，代表光伏發(fā)電站的主動控制參數(shù)。2）評估適應度。將每個個體代入控制模型中進行仿真，計算每個個體對應的目標函數(shù)值。目標函數(shù)值反映了該個體的結果優(yōu)良程度，對應個體在種群中的適應度。3）選擇。根據(jù)個體的適應度，按照一定的選擇概率來選擇一部分優(yōu)秀的個體作為父代，在父代中進行交叉、變異等操作，產生新的個體群體，即下一代種群。模型維持1 000 個體的總種群規(guī)模，其中交叉概率設置為0.7，變異概率設置為0.1。4）結束條件判斷。判斷是否滿足結束條件即迭代次數(shù)限制，該文構建的模型的迭代次數(shù)為1 000 次。如果沒有達到1 000 次，就回到評估適應度；如果已完成迭代，就輸出結果。5）輸出結果。最終得到的個體所具有的數(shù)據(jù)特征就是參數(shù)的最優(yōu)解。

通過以上步驟，可以利用遺傳算法快速尋找最優(yōu)的光伏發(fā)電系統(tǒng)控制參數(shù)，從而實現(xiàn)對電力系統(tǒng)頻率主動控制的應用。此外，還可以通過其他監(jiān)測手段和算法模型來預測天氣狀況、負荷變化等外界因素對光伏發(fā)電系統(tǒng)的影響，并根據(jù)預測結果相應地調整控制策略，提高系統(tǒng)的穩(wěn)定性和效率。

4 試驗結果與分析

為了驗證該文提出的頻率主動控制算法的有效性，采用MATLAB2019，基于上述算例設置條件、模型構建遺傳算法對其進行算例分析。

基于遺傳算法的模型優(yōu)化結果如圖1所示。由圖1 可知，基于遺傳算法的模型求解在前期就獲得了顯著優(yōu)化，適應度水平在幾次迭代內即得到優(yōu)化，此后優(yōu)化水平顯著不足，直至800 代～900 代，種群中出現(xiàn)適應度更高的個體，改善了特定局部最優(yōu)困境，模型優(yōu)化水平進一步提高。現(xiàn)有模型迭代結果反映其優(yōu)化速率相對較低，收斂速度較低，因此需要調整現(xiàn)有參數(shù)設置。一方面，增加交叉和變異概率會使搜索過程更隨機，可能幫助算法逃離困境并找到新的解。嘗試增加種群規(guī)模能夠保證更多的個體參與搜索過程，有利于發(fā)現(xiàn)更多的潛在解。另一方面，現(xiàn)有較高的交叉概率可能影響模型的收斂速度，從而制約遺傳算法持續(xù)尋優(yōu)過程中穩(wěn)定在更優(yōu)解的能力，進而影響整體迭代后優(yōu)化效果的性能表現(xiàn)。

圖1 迭代次數(shù)與優(yōu)化結果

針對最終優(yōu)化結果，整理其種群中各個體的適應度水平分布情況，如圖2所示。由圖2 可知，模型中多數(shù)個體的優(yōu)化結果顯著較低，少量數(shù)值超過20，極少數(shù)值達到100。結合迭代次數(shù)較長而收斂緩慢等問題，其反映種群總量較少、優(yōu)化樣本規(guī)模較小而改進空間顯著，提示現(xiàn)有模型變異與交叉仍有所不足?？紤]模型優(yōu)化，提高或降低交叉與變異概率是常見的算法參數(shù)調節(jié)方式，在實踐中也會對模型的表現(xiàn)產生影響。種群大小的設定直接決定了搜索過程的質量和時間成本，在保證有效率的情況下，調整大小能夠提高算法的全局尋優(yōu)和演化動態(tài)性。因此，在現(xiàn)有變異系數(shù)較高、樣本規(guī)模較大的基礎上，已經難以進一步優(yōu)化模型，提示充分計算資源的必要性。

圖2 優(yōu)化后種群目標函數(shù)結果分布情況

5 結語

綜上所述，試驗結果說明模型的反饋優(yōu)化依賴長期迭代中的少量樣本突變及突變個體的雜交擴散，從而能夠在現(xiàn)有算例中對局部最優(yōu)進行進一步優(yōu)化，驗證了其在實踐層面的應用價值。