论文部分内容阅读
由于风光互补发电系统会受到海拔、风速、空气湿度、光照强度等自然条件的制约和影响,所以系统的输出功率会不稳定。当自然条件变化时,风光互补发电系统的输出功率也会随之变化。本文根据风光互补发电系统的输出特性,研究了基于几何平均数的同时跟踪控制策略和基于BP神经网络预测值的分时跟踪控制策略。这两种控制策略都可以实现用一个DC-DC电路跟踪控制风力和光伏发电系统的输出功率,较传统的独立控制策略,可以省去若干变流器。简化结构,降低成本。首先,介绍了风力发电系统、光伏发电系统、风光互补发电系统及DC-DC电路的拓扑结构和各个系统的主要组成单元。搭建了上述各系统的仿真模型并分析了各系统的输出特性。给出了逆变器在风光互补发电系统中需要达到的基本要求和主要参数。然后,采用模糊控制法跟踪控制风力和光伏发电系统的输出功率。通过采集相邻时刻风力和光伏发电系统的输出功率及占空比变化,计算出下一时刻的电压占空比。再利用几何平均数求出两个占空比的平均值,用此平均数调整风光互补发电系统的输出电压,从而保证风光互补发电系统工作在最大功率点。该控制策略在单个发电系统输出功率发生变化时的控制效果并不理想,功率损失较大;但在风力和光伏发电系统的输出功率同时变化时,该策略所造成的功率损失较小。接着,通过BP神经网络对风速和光照强度的变化进行预测。以预测值为依据,对风力发电系统和光伏发电系统进行分时跟踪。通过分析风力和光伏发电系统的仿真结果,给出了风光互补发电系统切换跟踪目标的最小判定值。从而降低了系统切换跟踪目标的频率,减少了功率损失,保证系统的稳定输出。该控制策略在只有单个发电系统输出功率发生变化时的控制效果较好;而在风力和光伏发电系统的输出功率同时变化时,分时跟踪控制策略所造成的功率损失较大。通过对比上述两种方法的优缺点,给出了一种将上述两种策略相结合的控制方法,该方法可以在不同的天气条件下改变控制策略或切换跟踪对象。有效地提高了发电效率,降低功率损耗。最后,建立了风光互补发电系统的Matlab/Simulink仿真模型。通过对仿真结果的分析可知,在风速和光照强度的正常变化范围内,所设计的控制策略可以使风光互补发电系统快速作出相应,切换跟踪目标,实现了对风力和光伏发电系统的功率跟踪控制,从而保证风光互补发电系统工作在最大功率点。