考虑风光出力不确定性的风光储微电网系统智能协调控制策略

操凌皓,魏立明

吉林建筑大学电气与计算机学院,吉林 长春 130118

0 引言

风力发电和光伏发电是基于太阳能和风能的自然特性,使得互补发电可实现更稳定的电力输出。风光互补发电作为清洁能源发电方式,减少了对化石能源的依赖,降低了资源消耗和环境污染。而储蓄电池能够将生产的多余的风力和太阳能储存起来,当电力需求高峰时释放储存的能量,从而实现能源的调节和调峰。应对电力系统的变化和需求波动有效增强了灵活性。

近年来,国内外学者对单一光伏发电及风力发电方面最大功率点追踪技术(MPPT)均做了大量研究,并对传统MPPT策略进行改进,提出多种优化方案,使风或光单独发电系统在外界环境变化下,针对最大功率点追踪响应速度慢及精度差等问题进行改进,来减少能源浪费[1-4]。而在整体风光互补微电网模型方面的研究,多采用GA-ANFIS控制器[5]、模糊逻辑控制器[6]来提高微电网切换过程稳定性。文献[7]提出了一种基于模糊算法的改进型双闭环控制,解决了并网时有功功率和无功功率输出不稳定的问题。文献[8]将微电网储能部分采用结合U/f控制和功率、电流双环控制策略,保持系统功率和电压的稳定。上述研究表明,目前风光互补微电网模型仍存在风光发电系统跟踪速度慢、电网稳定性较差,对负载需求难以满足等问题。本文研究一种基于新型变步长电导增量法的最大功率点追踪以及基于Ziegler-Nichols法的改进自适应PID算法的微电网模型,依据负载大小在针对微电网所处不同气象条件下研究优化风光发电的最大功率点追踪并协调风光储配合从而提高微电网的稳定性,实现可靠运行。

1 光伏最大功率点追踪策略

1.1 传统电导增量法

光伏MPPT控制器是为了使系统在任何环境下都可以实现最大功率输出,在不同的外界条件下,唯一最大功率点对应的唯一最佳输出电流为I,最佳输出电压为U。通过测量和调控输出电压、输出电流,调节变换器的占空比,从而使得系统始终处于最大功率点工作。

在传统光伏发电板模型中输出功率P为最大值Pmax时,可知Pmax处斜率为0,且P=UI,所以得出下式：

(1)

在单一光照条件下,由于仅存在单一最大功率点Pmax,光伏发电板P-U特性曲线呈倒置字母U形,所以当dP/dU大于0时,光伏发电板输出功率在最大功率点的左侧,此时光伏发电板的电压小于最大功率点电压,则需要增加光伏发电板的参考工作电压;当dP/dU为0时,光伏发电板输出功率正处于最大功率点,无需对光伏发电板的参考工作电压进行调整;当dP/dU小于0时,光伏发电板输出功率在最大功率点的右侧,此时光伏发电板的电压大于最大功率点电压,则需要减少光伏发电板的参考工作电压。在传统方法中通常当光伏电池输出功率与其最大功率点存在差距时,使用固定步长ΔU来进行补偿。

使用定步长的电导增量法存在一些不足之处,其中之一是过冲和震荡的问题。当光照条件接近最大功率点时,固定步长可能导致系统在最大功率点两侧频繁摆动,导致功率输出的不稳定性。另一个定步长的电导增量法缺点是存在过度调整的风险。当步长设置过大时,系统可能无法及时响应光照条件的快速变化,从而导致错过新的最大功率点。本文提出改进型变步长电导增量法对其加以改进。

1.2 改进型变步长电导增量法

使用变步长的方法来克服上述问题,以动态调整步长来适应不同的光照条件,根据功率变化率动态调整步长,以确保系统能够及时、准确地调整工作点,从而更稳定地实现最大功率跟踪,并提高发电效率。这里引入步长动态调整系数为：

(2)

式中：Sk为k时刻步长调整系;Ik为k时刻电流值;Uk为k时刻电压值;dP/dU为功率-电压微分;dI/dU为电流-电压微分;ΔI、ΔU为当前采样和上一次采样所得电流、电压变化量。

根据公式推导,光伏电池的输出电压和电流受光照强度环境影响,进而影响了步长调整系数Sk的取值。当光照强度较低时,步长调整系数Sk的值较大;随着光照强度增加,步长调整系数逐渐减小;在最大功率点附近,步长调整系数趋近于0。通过动态调整步长调整系数,能够提高光伏系统的性能,并使其适应不同光照条件下的运行。改进变步长电导增量法步长更新公式为：

U(k)=U(k-1)±SkΔUref

(3)

式中：ΔUref为扰动定步长;U(k)为k时刻参考电压值;U(k-1)为k-1时刻参考电压值。

控制算法具体流程如图1所示,采用变步长和定步长相结合的方式来判断调整,确保算法在光伏电池的最大功率点附近的收敛性。

图1 改进变步长电导增量法控制流程

2 协调控制系统

当微电网所处风、光发电系统为最大功率点,由于环境风速与光照强度变化仍会导致发电剧烈波动。为减小系统波动,建立了协调控制系统。利用改进PID调节器,采用功率外环、电流内环的双环级联控制,目的在于在不同场景下考虑随机性出力的模型能快速稳定地满足用户需求侧有功功率需求。

2.1 传统PID算法

传统连续型PID控制器为：

(4)

式中：Kp为比例增益;Ki为积分增益;Kd为微分增益;e(t)为当前时刻误差。

传统PID算法存在一些劣势,限制了其在风光储微电网控制中的应用。传统PID算法在面对非线性系统或具有参数变化的系统时表现较差,由于其固定的参数设置,难以适应系统动态变化和复杂的工作环境,与此同时,在消除稳态误差方面存在一定的困难,由于缺乏积分作用的灵活性,无法完全消除长期的偏差,导致系统无法达到理想的稳态性能。此外,传统PID算法对快速变化的参考信号的跟踪能力有限,响应速度较慢。

2.2 基于Ziegler-Nichols法改进自适应PID算法

为改进传统PID算法的劣势,提出了一种基于自适应控制改进的方法。

由自适应算法得：

(5)

式中：ak为k时刻误差值;bk为k时刻积分累积量;ck为k时刻微分项。

自适应参数更新机制,通过误差和参考模型输出的比较,动态地调整控制参数。这使得控制系统能够自适应变化的系统条件,提高了系统的鲁棒性和适应性。该方法利用积分作用,通过连续积分误差来消除稳态误差,通过灵活调节积分增益,控制系统能够快速减小长期偏差,实现更精确的控制性能。此外,该方法还引入了微分项,考虑误差变化率的影响,使控制系统对快速变化的参考信号具有更好的跟踪能力和响应速度。

但由于模型仍可能存在振荡状态,引入振荡检测和 Ziegler-Nichols 方法来优化改进自适应算法。

一般经典Ziegler-Nichols公式认为[9]：

(6)

式中：KPC为系统的临界比例增益;TP为系统的临界周期。然而在实际应用中,由于 Ziegler-Nichols主要是通过观察系统的阶跃响应曲线,根据经验法进行PID参数调整,需要保证过渡时间尽量短,控制系统的响应迅速达到稳定状态。阶跃响应曲线在达到稳定状态时,超过设定值的幅度应尽量小。系统在受到扰动后的振荡次数应减少,以提高稳定性。稳定状态下的响应曲线应尽可能平直,表示系统在设定值附近有较好的稳定性。系统在稳定状态下与设定值之间的偏差应尽量小。

改进的Ziegler-Nichols法通过人为加入阶跃扰动,观察被调量的阶跃响应曲线。为满足上述原则,采用：

(7)

式中：Kp-1为上一时刻比例增益;Ki-1为上一时刻积分增益;Kd-1为上一时刻微分增益。

此方法相较于一般经典法能根据先前的增益来动态调整新的比例、积分、微分增益。经过验证上一时刻的参数值可用来影响新的参数值,以保持系统的稳定性。

根据改进后Ziegler-Nichols算法结合自适应算法可以得出,当目标存在较长时间振荡或震荡幅度较大时,此方法可使模型快速趋于平稳,实际输出精准接近期望的目标值。算法实现流程图如图2所示。

图2 改进Ziegler-Nichols自适应PID控制法流程

3 仿真结果分析

在MATLAB/Simulink下建立仿真电路(见图3),其中,风力发电系统的风机叶轮半径为9 m,桨距角为0°,风机额定转速为12 m/s。此时空气密度系数恒定为1.2,系统模拟风速在0～5 s内发生由7.32 m/s到9.3 m/s的变化。而光伏发电系统是由14个213.15 W的光伏模块并联成5行而组成的光伏矩阵。每个光伏模块在最大功率点的电压为29 V,最大功率点的电流为7.35 A。模拟在0～2.5 s内,光的辐照度为1 000 W/m2,在第2.5秒阶跃到800 W/m2,并一直保持到第5秒。且1～1.2 s内模拟受局部阴影影响,系数为0.3。在蓄电池系统以铅酸电池为模型,额定容量400 Ah,满电电压435.526 3 V,标称电压400 V,截止电压300 V,额定放电电流80 A。

3.1 最大功率点追踪结果

本风力模型最大功率点追踪策略采用最佳叶尖速比法,从图4(a)看出,风力发电模型始终处于最大功率追踪控制状态。图4(b)为光伏发电系统运行结果,可看出该系统在辐照度发生变化,下降的情况下,展现出光伏功率也在第1～1.2 秒发生了功率下降,且在第2.5秒时发生功率阶跃。但在环境变化下,整个过程中能较为快速地搜索到最大功率点。可以看出功率随着辐照度的变化出现了一定程度上的波动,但较快就恢复了平稳;光伏发电模型正处于最大功率追踪控制状态。与传统步长法进行对比(见图5),在光伏板刚开始工作情况下,改进变步长电导增量法能更快地将光伏板的输出电压调节到稳定状态,从而减少了系统启动的时间;且更精确地控制光伏板的输出电压,减小电压波动的幅度。有助于提高光伏板的电压稳定性,使其更适合于应对外部负载变化或系统扰动。

图4 风机及光伏发电系统最大功率控制结果

图5 不同电导增量法运行对比结果

3.2 负载追踪结果

当模拟负载恒功率为50 000 W时,风光储微电网能较好地处于负载功率追踪情况之下。通过仿真结果可以看出通过蓄电池的充放电能较好地解决风光发电不确定性问题。电网有功功率仿真结果如图6(a)所示,无功功率如图6(b)所示。从图6可以看出,有功功率基本保持在设定的指令值50 kW处,而无功功率也基本保持在0处,但因为风机和光伏的功率受环境影响而发生变化,无功功率会出现一定小范围的波动。如图7所示,对比传统PID算法,改进后的自适应PID能根据微电网所处气象环境和负荷情况更加快速地做出反应,达到所需有功功率,且能控制微电网输出的有功功率曲线更加平稳。

图6 电网功率结果图

图7 不同PID算法仿真结果对比图

4 结论

针对传统定步长电导增量法MPPT 控制导致跟踪精度较低、速率较慢以及传统PID算法过充震荡、鲁棒性有限等问题,本文提出采用变步长电导增量法以及基于Ziegler-Nichols法改进自适应PID算法控制方法。通过建立复杂环境下风力及光照强度变化参数模型,进行 MATLAB仿真试验验证。

仿真结果表明：相较于传统模型,改进后的变步长电导增量法更为精准追踪到光伏最大功率点且能大大缩短追踪时间;基于Ziegler-Nichols法自适应PID算法能够更快速地响应系统变化,有着较高稳定性以及更好的适应性,能够快速精准满足负载变化。本试验模型对风光储互补微电网系统模型搭建及性能提升评估有一定参考意义。