劉 姝，付 碩，董鶴楠，馮萬富

（1.沈陽工程學院a.新能源學院；b.研究生部，遼寧 沈陽 110136；2.遼寧省電力科學研究院，遼寧 沈陽 110006）

在微電網中，風能和光伏的隨機性和不確定性使其發(fā)出的電能帶有不穩(wěn)定性，會造成電壓的波動和閃變，對電力系統(tǒng)的穩(wěn)定運行產生很大影響［1-2］。正常情況下，微電網與電網并聯運行；當檢測到電網故障或者微電網電能質量不能滿足要求時，微電網與電網斷開，獨立運行。兩者切換應該平穩(wěn)、快速。

目前，有關國內外電力系統(tǒng)態(tài)勢感知理論的研究尚未成熟，處于起步階段。文獻［3］闡述了配電網態(tài)勢感知和態(tài)勢利導的內涵和架構，同時對其關鍵技術進行了深入的探討分析。文獻［4］提出了低風速工況下，基于模擬算法的風電機組最優(yōu)控制，解決了由于槳距角慣性出現的滯后問題。文獻［5］采用模擬法對風電場數據進行預測，用Newton-Raph‐son 計算微電網潮流預測值，對每個預測時間點進行運算。文獻［6］提出一種采用先進變流器的微電網潮流態(tài)勢感知方法，提前預測，選擇相應模式保持系統(tǒng)穩(wěn)定，實現微電網態(tài)勢感知最優(yōu)運行模式。

本文提出了基于態(tài)勢感知的微電網控制方法，設計了微電網態(tài)勢感知的框架，再對微電網中風力機進行了基于神經網絡態(tài)勢預測仿真模擬，通過實際值與預測值的對比，確定預測的準確性，驗證了微電網中各個部分態(tài)勢預測的可行性。最后建立系統(tǒng)模型，提出了基于態(tài)勢感知的微電網運行控制策略，對其進行仿真模擬。

1 微電網態(tài)勢感知框架

微電網態(tài)勢感知框架如圖1 所示，分為數據源、數據流、超短期場景序列分析、神經網絡訓練、連續(xù)時序超短期場景及運行態(tài)勢評估。數據源包括風力和光伏發(fā)電系統(tǒng)的有功、無功、電壓、頻率，外部天氣情況（如風速、溫度、濕度和光照輻射度等），儲能系統(tǒng)的電壓和頻率，負荷的有功和無功，接入電網端的電壓和頻率。數據流就是將上述數據進行傳輸。超短場景序列分析就是根據歷史數據分析以及相似數據辨識，確定相似場景，再根據BP 神經網絡訓練，進行下一時段的數據預測，完成運行態(tài)勢評估。最終，確定完整時序超短期微電網運行控制模型［7］。

圖1 微電網態(tài)勢預測框架

微電網態(tài)勢感知包括3 個部分：態(tài)勢感知、態(tài)勢分析和態(tài)勢預測。

1.1 微電網態(tài)勢信息采集

對影響微電網運行狀態(tài)的相關因素獲取信息，收集發(fā)電、儲能、天氣情況及用電情況等多個部分相關數據，為下一階段的態(tài)勢分析和預測作準備。智能電網的構建以及測量電子元件的應用使相關信息的獲取更加方便和準確［8］。

1.2 微電網態(tài)勢分析

整合上一階段所采集到的電網數據信息，然后采用相關方法進行微電網態(tài)勢評估。通過對評估結果的綜合分析與判斷，最終獲得微電網運行狀態(tài)的綜合性評價。

1.3 微電網態(tài)勢預測

微電網態(tài)勢預測是對微電網系統(tǒng)中的各種變化因素（氣候、負荷、電源等）進行預測，以及對微電網的運行安全性的評估與預警等，以此來靈活應對未來電網運行狀態(tài)的變化，保證電力系統(tǒng)的穩(wěn)定運行和可靠供電。

微電網態(tài)勢感知就是運用態(tài)勢感知理論對風電、光伏、儲能系統(tǒng)、負荷及天氣等信息進行實時監(jiān)測，并對以往數據進行分析整理，然后根據實時數據的信息對發(fā)電和負荷等情況進行預測，從而更好地保證微電網的運行規(guī)律，并且判斷微電網當前所處狀態(tài)的趨勢，預測未來時刻可能會出現的情況，并對其采取有效的控制策略，使微電網更高效可靠地運行。

微電網的拓撲結構如圖2所示。

圖2 微電網拓撲結構

2 基于神經網絡的微電網態(tài)勢預測

由于BP 神經網絡具有學習功能，可根據某風場的風速序列圖，把風速作為輸入，測風塔測得的數據作為輸出，訓練神經網絡以得到BP 神經網絡的修正模型［9］。選取輸入變量分別為風速、風向正弦、風向余弦、氣溫、氣壓和溫度，隱含層為1 層，節(jié)點數為13個，輸出層節(jié)點為實際風速。輸入1組數據進行測試，得到的結果如表1所示。

表1 實際值與預測值

由表1 可知，預測風速與實際風速相差很小，誤差百分比也保持在一定的范圍內。因此，可以通過BP 神經網絡來預測風速，更好地控制風電場。圖3是實際風速值與預測風速值的對比。

從圖3 中可以看出，預測的風速與實際風速的誤差較小，在風速平穩(wěn)變化階段，預測曲線與實際值比較接近。因此，可以適時更新風機數據，并對誤差進行實時調整，實現神經網絡模型的優(yōu)化。

通過對風力發(fā)電機組的風速進行預測，可以得到下一時間段的預測風速?；跉v史數據，可以對風力發(fā)電機組的有功、無功、電壓等預判，這只是簡單地對風速的態(tài)勢預測。同理，可以得到微電網各個部分的態(tài)勢預測，為微電網的運行控制做好了準備。

3 微電網運行控制

微電網的運行控制主要分為主從控制和對等控制。主從控制一般用于孤島運行狀態(tài)，分為主要部分及從屬部分。主要部分一般由比較穩(wěn)定可靠的大容量蓄電池來充當；從屬部分的要求相對較低。而在對等控制下，微電網內的電源具有同等的地位。微電網系統(tǒng)內的電源根據其本身的特點來選擇對應的工作方式，各電源彼此間不需要聯絡線通信，實現了“即插即用”［10］。

基于態(tài)勢感知的微電網控制就是通過態(tài)勢感知、態(tài)勢分析及態(tài)勢預測得出的結果，確定微電網的運行狀態(tài)，提前對微電網進行調控。

當遇到疾風天氣時，風速逐漸接近額定風速，通過態(tài)勢感知，可以提前判斷風速的情況，在風速達到額定風速前斷開微電網與電網、風機與微電網的聯系。當遇到陰雨天氣，輻照強度低于所進行轉換的值，太陽能光伏系統(tǒng)輸出電能質量較低，通過態(tài)勢感知提前切除光伏。當遇到陰影情況時，產生熱斑效應，光伏電池組件就會被當成負載消耗電量，其本身也會發(fā)熱造成損壞，在態(tài)勢感知下將直接切斷部分光伏組件。當儲能系統(tǒng)能力不足時，在態(tài)勢感知的前提下，提前將微電網的運行控制轉為對等控制，使用下垂控制的模式，根據微電網電源接入點的Q、P、V、f信息，通過對應耦合關系得到其控制狀態(tài)。

4 系統(tǒng)建模與仿真

4.1 風力發(fā)電機組模型

風力發(fā)電機的輸出功率為

式中，Cp為風能利用系數；ρ為空氣密度；R為風輪半徑；V為風速。

葉尖速比λ為

式中，n為風輪轉速；R為風輪半徑；v為風速；ω為風輪旋轉角速度；vt為葉尖線速度。

風力機輸出的機械轉矩為

風能利用系數Cp采用近似公式表示：

式中，β為槳距角。

取槳距角β為0°，空氣密度ρ為1.225 kg/m3，風輪半徑R為35 m，取齒輪箱的傳動比為1:90，輸入風速為第三部分的實際風速，并模擬風況極端情況，即5 min的平均風速達到切出風速25 m/s時，采用Boost變換器來完成風機DC/DC的變化［11］。

圖4 風力發(fā)電機模型

4.2 光伏發(fā)電機模型

光伏發(fā)電受輻照強度和溫度的影響較大。已知標準測試條件下的日照強度為1 000 W/m2，電池溫度為25 ℃，大氣質量為AM1.5。

設置電池組件的參數：短路電流Isc為15 A，最大功率時的電流Im為12 A，開路電壓Uoc為320 V，最大功率時的電壓Um為250 V，系數典型值a取0.002 5，b取0.5，c取0.002 88。

光伏的輸出電壓為Vpv，輸出電流為Ipv，公式如下：

當輻照強度和溫度發(fā)生變化時，需要重新計算：

設定溫度為25 ℃，建立光伏發(fā)電系統(tǒng)模型，如圖5所示。

圖5 光伏發(fā)電機組模型

4.3 微電網建模

對光伏、風電、儲能系統(tǒng)進行建模，如圖6所示。

圖6 微電網系統(tǒng)模型

4.4 仿真分析

由于微電網中的電源受風速、風向、溫度、濕度等多種條件影響，因此進行以下仿真。

1）當光伏和儲能系統(tǒng)情況均不變時，風機的風向、氣壓等情況不變。只有當T=1 s時，風速由10 m/s增加至14 m/s，微電網的輸出功率如圖7所示。

圖7 微電網輸出功率曲線

圖7a 為正常情況下微電網功率輸出曲線，圖7b 為基于態(tài)勢預測的微電網功率輸出曲線。通過對比可知，微電網在正常情況下的輸出功率會由4 800 kW 上升到5 600 kW，上升效果很明顯；基于態(tài)勢預測的微電網的輸出功率將穩(wěn)定在5 000 kW左右，沒有明顯的變化。

2）當風機和儲能情況均不變時，光伏發(fā)電系統(tǒng)的溫度固定在25 ℃。當T=0.9 s 時，輻照強度由806 W/m2增強到1 200 W/m2，又在T=1 s時降低到1 000 W/m2，光伏發(fā)電系統(tǒng)的輸出電壓如圖8所示。

圖8 光伏輸出電壓

圖8a 為正常情況下微電網光伏輸出電壓，圖8b 為基于態(tài)勢預測的微電網光伏輸出電壓。通過對比可知，光伏系統(tǒng)的輸出電壓在正常情況下會有明顯的變化，在T=0.9 s 時，輸出電壓上升到250 V，T=1 s 時電壓又下降到200 V；基于態(tài)勢預測的光伏輸出電壓則比較平穩(wěn)，在輻照強度變化時穩(wěn)定在225 V左右。

5 結論

本文提出了基于態(tài)勢預測的微電網控制方法，此方法有效地改善了微電網系統(tǒng)的穩(wěn)定運行。通過Matlab建模和仿真分析后，得到如下結論：

1）神經網絡態(tài)勢預測可以得到風機風速的預測值，實際值與預測值誤差在5%以內，可以較為準確地預測下一時刻的風速變化，為微電網提供了可以進行態(tài)勢預測控制的可能。

2）在只考慮風速變化的前提下，風速由10 m/s變?yōu)?4 m/s，微電網在正常情況下的輸出功率會由4 800 kW 上升到5 600 kW，而基于態(tài)勢預測的微電網將穩(wěn)定在5 000 kW，使微電網輸出功率更加平穩(wěn)。

3）在只考慮光伏輻照強度變化的前提下，輻照強度由806 W/m2增強到1 200 W/m2，又降低到1 000 W/m2，正常情況下光伏輸出電壓會上升到250 V，再下降到200 V；基于態(tài)勢預測的微電網將穩(wěn)定在225 V左右，使光伏系統(tǒng)輸出電壓更加穩(wěn)定。

綜上所述，基于態(tài)勢預測的微電網控制可以使微電網更加平穩(wěn)地運行，使微電網系統(tǒng)的電壓更加穩(wěn)定。