新能源光伏发电站大规模并网频率主动控制研究

李福白

（中国电建集团炉霍新能源开发有限公司贡唐岗光伏电站，四川 甘孜州 626500）

新能源光伏发电站的电力输出与天气、时间等外界因素的变化密切相关，其电力输出波动会给电网带来负面影响，影响电网的稳定性和安全性。为了平稳地将光伏发电站的电力输出并入电网，需要对其进行频率主动控制，相关领域研究已有一定规模。祁晓笑等[1]通过模式分析法探究同步调相机抑制电力系统次同步振荡方法。金欣茹等[2]提出了一种求解分布式光伏并网优化模型的启发式算法。任萱等[3]优化了光储协调并网的模型预测控制策略。颜湘武等[4]探讨了高渗透率光伏并网对系统暂态频率稳定性影响的量化评估。李学庆等[5]设计了一种三相级联H 桥光伏并网系统参与电网频率支撑的控制策略。艾永乐等[6]论述了变论域模糊PID 控制器实现快速电力系统频率控制的策略。宋绍剑等[7]提出了一种考虑频率耦合的组串式光伏逆变并网系统阻抗建模方法。汤代斌等[8]设计并实现了光伏并网逆变器频率跟踪调节和主动支撑。张健等[9]运用智能负载控制策略平抑光伏并网的电压和频率波动。丁明等[10]提出了一种基于采样点相角差预测捕捉合闸点的差频并网算法。

1 新能源光伏发电站发电机组并网频率控制需求分析

在新能源光伏发电站并入电网的过程中，其电力输出波动会影响电网的稳定性，与之相对的是电网中用电需求自身持续变化。大规模电网中的用电需求变化自身有一定随机性因素的彼此补偿，较小规模电网中的用电需求变化则更可能引发安全隐患。

频率主动控制是指通过控制发电站的功率输出来调节电网的频率，以达到电网稳定运行的目的。当电网频率变化较大时，控制系统会通过减少或增加发电站的功率输出来控制发电站的电力输出波动。具体来说，当电网频率比标准频率高时，控制系统会自动减少发电站的输出功率，以降低电网的频率；当电网频率比标准频率低时，控制系统会自动增加发电站的输出功率，以提高电网的频率。此外，通过优化光伏发电站的电路结构和系统控制策略可以有效提高其电流稳定性，减少电能供给波动，减少光伏并网对电网整体稳定性的影响。

2 模型分析

2.1 模型概述

光伏发电作为新能源电力的重要来源之一，其波动性和不可控性对电力系统频率稳定性的影响不容忽视。光伏发电站的功率控制是指通过调节发电系统的电压和电流来达到预设的功率值。在实际应用中，功率控制通常分为2 种方式，即最大功率跟踪和功率限制控制。其中，最大功率跟踪是指通过调节直流输入电压来保持发电系统的最大功率输出，功率限制控制是指通过限制功率来保证发电系统稳定地运行，从而避免过载和损坏设备。

在功率控制的过程中，电流和电压取决于发电系统内的电路结构和参数。因此，为了实现定向控制，需要对发电系统进行建模。光伏发电系统的模型通常采用MATLAB等软件进行建模，通过输入模型参数和控制策略来预测和调节系统的输出功率。

2.2 拓扑结构分析

在建立模型前，需要确定模型的基本结构和参数。模型的结构由各个子模块组成，包括光伏发电模块、逆变器模块、双向变流器模块、交流滤波器模块和负载模块等。这些子模块共同组成了光伏发电系统的电路和控制部分。

因此，在确定参数前，需要对发电系统进行拓扑分析和检测，以明确系统中各种元件的数量、连接方式和工作状态等基本信息。

该拓扑结构包括光伏发电模块、逆变器模块、双向变流器模块、交流滤波器模块和负载模块等结构，能确保系统的基本功能和控制需求。在该拓扑图中，光伏发电模块通过直流输入与逆变器模块连接，将直流信号转换为交流信号；逆变器模块则与双向变流器模块相连，当正常工作时，将生成的交流信号供应给负载模块。同时，双向变流器模块还可以使系统实现功率反馈和调节，实现快速响应和更高效的运行状态。最终，交流滤波器模块对输出信号进行过滤和整流处理，以提高交流信号的质量和稳定性。

2.3 算例设置

基于上述模型，设置系统包括6 组输入直流电，经过逆变器处理后输出3 组交流电信号。根据经验，取其中任意1 组直流端口作为样本数据集，随机选取100 条记录作为训练集，20 条记录作为测试集。同时，当选择模型参数时，也需要考虑典型的外界因素对系统的影响，例如天气状况、气温、风力、日照强度和负荷情况等因素。在保持其他条件不变的情况下，将这些因素都设置为10%的波动范围。根据以上条件，选择的参数见表1。

表1 参数设置

3 模型构建

3.1 符号设置

将电路分为电源、负载和连接段3 个部分，分别衡量电压、电流2 项变量（其构成主要变量），如公式（1）、公式（2）所示。

式中：VT、Vp和Vl分别为电路电压、电源电压和负载电压；IT、Ic分别为电路、连接段的电流。

根据电路基本理论，电路中的电压和电流之间存在一定的关系。具体来说，可以通过电源电压和中间电路中的电流来计算负载的电压，如公式（3）所示。

相应的电流如公式（4）所示。

式中：Rc为电路中的电阻。

接下来，可以将Ic代入公式（5）。

将公式（5）拆分为公式（6）。

对公式（6）进行求导，如公式（7）、公式（8）所示。

此时得到公式（10）。

将V1代回公式（6），如公式（11）所示。

根据公式（11）得到公式（12）。

并联电路后，电阻如公式（13）所示。

式中：Rcn为第n个并联电路的电阻；Vln为第n个并联电路的电压。

该电阻又受到环境温度的直接影响，即随温度上升其指数增长的系统电阻水平。

温度既表现为外部环境中调控光电场站发电能力的重要影响因素，又表现为作用于系统内部输配电网络中电路要素的机制，该文构建的模型也以此为因变量来衡量模型对其的反馈优化能力。

3.2 算法概述

针对光伏发电站大规模并网频率主动控制的研究需要考虑多个因素的复杂交互作用，例如负载变化、温度调节等。而传统的优化方法往往会受局部最优解的影响，不利于提高现有设备设施的利用性能。与传统的优化方法相比，遗传算法是一种基于生物进化原理的全局搜索和优化方法，适用于非线性问题和高维空间的参数设置。与其他早期工程中使用的参数寻优方法相比，遗传算法可以处理较大问题空间，并尝试优化多目标函数而非单独一项指标。它是一种基于生物进化过程的启发式算法，通过模拟自然进化的原理，将可能的最优解的不同量子编码成“个体”，然后通过交叉、变异等操作让它们在群落中不断繁衍进化，以获得新一代更接近最优解的“个体”。

与其他常见优化算法（例如梯度下降算法）相比，遗传算法的特点就是不依赖于输入的初始信息，也不受特定局部极值的限制，从而平衡了局部最优与全局最优的关系。同时，与某些深度学习程序相比，遗传算法的迭代速度相对较慢，无方向性的学习过程影响了模型的优化性能。但是考虑并网频率主动控制分析的实际需求，首选遗传算法的主要原因是其能够创造更稳定且适用于多规模数据集训练的解决方案。

3.3 算法应用

在案例中，主动控制方法可以通过遗传算法来控制光伏发电系统的功率。具体步骤如下：1）初始化种群。随机生成1 组个体的初始种群。每个个体都是1 组参数的集合，代表光伏发电站的主动控制参数。2）评估适应度。将每个个体代入控制模型中进行仿真，计算每个个体对应的目标函数值。目标函数值反映了该个体的结果优良程度，对应个体在种群中的适应度。3）选择。根据个体的适应度，按照一定的选择概率来选择一部分优秀的个体作为父代，在父代中进行交叉、变异等操作，产生新的个体群体，即下一代种群。模型维持1 000 个体的总种群规模，其中交叉概率设置为0.7，变异概率设置为0.1。4）结束条件判断。判断是否满足结束条件即迭代次数限制，该文构建的模型的迭代次数为1 000 次。如果没有达到1 000 次，就回到评估适应度；如果已完成迭代，就输出结果。5）输出结果。最终得到的个体所具有的数据特征就是参数的最优解。

通过以上步骤，可以利用遗传算法快速寻找最优的光伏发电系统控制参数，从而实现对电力系统频率主动控制的应用。此外，还可以通过其他监测手段和算法模型来预测天气状况、负荷变化等外界因素对光伏发电系统的影响，并根据预测结果相应地调整控制策略，提高系统的稳定性和效率。

4 试验结果与分析

为了验证该文提出的频率主动控制算法的有效性，采用MATLAB2019，基于上述算例设置条件、模型构建遗传算法对其进行算例分析。

基于遗传算法的模型优化结果如图1所示。由图1 可知，基于遗传算法的模型求解在前期就获得了显著优化，适应度水平在几次迭代内即得到优化，此后优化水平显著不足，直至800 代～900 代，种群中出现适应度更高的个体，改善了特定局部最优困境，模型优化水平进一步提高。现有模型迭代结果反映其优化速率相对较低，收敛速度较低，因此需要调整现有参数设置。一方面，增加交叉和变异概率会使搜索过程更随机，可能帮助算法逃离困境并找到新的解。尝试增加种群规模能够保证更多的个体参与搜索过程，有利于发现更多的潜在解。另一方面，现有较高的交叉概率可能影响模型的收敛速度，从而制约遗传算法持续寻优过程中稳定在更优解的能力，进而影响整体迭代后优化效果的性能表现。

图1 迭代次数与优化结果

针对最终优化结果，整理其种群中各个体的适应度水平分布情况，如图2所示。由图2 可知，模型中多数个体的优化结果显著较低，少量数值超过20，极少数值达到100。结合迭代次数较长而收敛缓慢等问题，其反映种群总量较少、优化样本规模较小而改进空间显著，提示现有模型变异与交叉仍有所不足。考虑模型优化，提高或降低交叉与变异概率是常见的算法参数调节方式，在实践中也会对模型的表现产生影响。种群大小的设定直接决定了搜索过程的质量和时间成本，在保证有效率的情况下，调整大小能够提高算法的全局寻优和演化动态性。因此，在现有变异系数较高、样本规模较大的基础上，已经难以进一步优化模型，提示充分计算资源的必要性。

图2 优化后种群目标函数结果分布情况

5 结语

综上所述，试验结果说明模型的反馈优化依赖长期迭代中的少量样本突变及突变个体的杂交扩散，从而能够在现有算例中对局部最优进行进一步优化，验证了其在实践层面的应用价值。