CN102237691A - 一种风能、太阳能并网发电系统及其控制方法 - Google Patents

Abstract

本发明提供一种风能、太阳能并网发电系统及其控制方法，包括发电单元、逆变单元、并网单元、主控单元和检测单元，采用DSP构成的集成一体化控制单元，对各单元进行有效控制，采用神经网络对系统运行的状态参数进行预测，克服了控制指令执行滞后并网系统变化的缺点，提高了系统运行的稳定性。孤岛检测采用主动、被动结合的检测方式，提高了系统的防孤岛运行的能力。本发明不仅是将逆变电能送入电网，还能将电能就近供给本地的交、直流负载，减轻了电网的负荷压力，有利于提高电网的稳定运行的能力。当系统的输出电能小于本地负荷，电网还可向系统的本地负载供电，使得本地负载由系统电源和电网电源双重电源供电，提高了电源不间断供电的时间。

Description

一种风能、太阳能并网发电系统及其控制方法

技术领域：

本发明属于新能源发电与电气技术领域，具体涉及一种风能、太阳能并网发电系统及其控制方法。

背景技术：

采用煤炭燃料发电已经有两个多世纪。近年来，关于全球变暖和碳排量造成的环境间题的关注日益增加，清洁、可持续的新能源供电形式应运而生，比如风力、海洋、太阳能、生物和地热发电。其中，风力和太阳能发电在过去的10年中已有了非常快速的发展。两者均为无污染的丰富能源，而且可以在负载中心就近发电，因此无需架设穿越乡村和市区地表的高压输电线路。

具有关资料显示，2009年一次能源年消耗总量为60亿亿Btu，而且家居和办公所用的能源中近70％是电力。全球预计一次能源的消耗总量会从2005年的15万亿kWh增长到2015年的19万亿kWh，这相当于全球平均年增长的2.6％。发展中国家的增长率预计为5％，几乎是世界水平的两倍。中国是继美国之后的世界第二大电力消费国，中国发展新能源供电大势所趋。庞大的人口基数造就了国家快速增长的电力市场，然而新能源发电在电力市场中尤为重要。

新能源并网运行的实质是具有固定输出电压的电流源。如何有效控制输出电流以及在尽量减小对电网的谐波污染的前提下，满足并网电压与电网同压、同频、同相，逆变效率的最优化，并网与孤岛运行间的有效切换和本地负载配电的最优化控制，这些都是新能源并网的难题和关键点。目前的研究主要针对于太阳能和风能独立发电系统独立运行发电的逆变、最大功率跟踪以及孤岛检测控制策略上，并未将其有效的组织成一个具有便于调度的并网逆变系统。即使近年来做了一些发电-逆变-并网系统构建的尝试，但是所构建的并网系统存在输出功率波动大、并网的电能质量差等间题。

发明内容：

针对现有技术存在的不足，本发明提供了一种风能、太阳能并网发电系统及其控制方法。

本发明的技术方案是：一种风能、太阳能并网发电系统包括发电单元、逆变单元、并网单元、主控单元和检测单元。

发电单元包括风能、太阳能发电机组，蓄电池和蓄电池控制器；

所述风能、太阳能发电机组中，风能发电机采用直流发电机，太阳能发电机组采用光伏发电阵列，外围电路包括直流升压电路和最大功率跟踪控制器。风能、太阳能发电机组发出的电能首先进入直流升压电路，机组输出的电能进行升压，升压后的电能分别接入逆变器和本地直流负载，逆变器对电能逆变处理，逆变后的电能再接入线路滤波器，滤除逆变电能中的高次谐波。所述最大功率跟踪控制器包括可控整流电路；

所述蓄电池和蓄电池控制器，蓄电池采用铅酸蓄电池，各蓄电池之间并联。蓄电池主要是将风能太阳能发电机组发出的多余电能进行储存，在电能紧缺的时候充当补充电源，平衡逆变器与发电机组的功率差。蓄电池控制器是对蓄电池状态进行控制。

风能、太阳能发电机组输出端分别连接直流升压电路输入端，直流升压电路输出端连接逆变器的输入端和本地直流负载；发电机组的机械机构输入端与最大功率跟踪器输出端相连，蓄电池控制器的输出端与控制器开关相连，蓄电池通过控制开关连接至直流升压电路的输出端。

为实现系统不间断的、稳定的向本地负载和电网供电，风能、太阳能并网发电系统应该满足白天、黑夜阵列输出的功率比近似为1的要求。太阳能发电机组与风能发电机组的装机容量比k应该满足关系式：

$k=\frac{U_0\×v}{U_0^{,}\×T\×S\×\sin (\mathrm{\α}+\mathrm{\β})}\sin (\frac{T\×S\×\sin (\mathrm{\α}+\mathrm{\β})}{v\×I}\×\frac{180}{\mathrm{\π}})---\left(1\right)$

式中：

v-当地平均风速，

T-当地平均气温，

α-当地中午时的太阳高度角，

β-光伏阵列的倾角，

S-水平面太阳直接辐射量，

U₀风机最大功率电压，光伏阵列最大功率电压，

I光伏阵列短路电流，

U’₀光伏阵列最大功率电压。

逆变单元包括逆变单元包括逆变器、线路滤波器和电压前置补偿装置，逆变器采用三相逆变器，三相逆变器的输入端与风能、太阳能发电机组的直流升压电路的输出端连接，三相逆变器的输出端连接线路滤波器的输入端，线路滤波器的输出端分别连接电压前置补偿装置的输入端和本地交流负载，电压前置补偿装置包括PID控制器和电压前置补偿装置，PID控制器的输出端与前置补偿装置输入端相连。

并网单元包括并网控制器和断路器，所述并网控制器是由接入电网的三个断路器和可控整流电路组成；断路器的输入端与电压前置补偿装置的输出端相连，断路器的输出端连至电网，并网控制器的输出端连至断路器的输入端。并网单元对孤岛状态进行准确快速的检测，并快速、有效的执行切除并网单元，实现对本地负载实现不间断供电和对电网冲击最小的目标。

所述电压前置补偿装置的原理是：电网线电流i_L与参考电流i_ref作差，信号Δi送入PID控制器产生补偿控制信号U_N，U_N驱动前置补偿可装置，产生补偿信号ΔU，实现逆变器输出电流i_ab与电网电流i_L同相位、同幅值，提高并网电能质量。

主控单元包括DSP处理器及其外围模块，DSP外围模块包括电压和电流采样转换模块、信号调制电路、三角波扰动信号产生电路、寄存模块、通讯模块和DSP电源模块，电压和电流采样转换模块包括电压传感器和电流传感器。通过DSP进行集成一体化控制，并带有通讯功能，可实现远程控制，DSP主要是对接收到的数据进行运算和处理，产生PWM波对风能、太阳能发电机组的最大功率跟踪控制器、逆变器的控制器、蓄电池控制器和孤岛检测执行机构进行驱动控制。

电压和电流采样转换模块的输入端分别连至风能、太阳能发电机组的输出端，直流升压电路的输出端和电网与系统公共耦合节点，电压和电流采样转换模块的输出端与信号调制电路的输入端相连，信号调制电路输出端连至DSP的A/D转换接口，最大功率跟踪控制器的输入端连接至DSP的PWM接口，蓄电池控制器的输入端连至DSP的PWM接口，并网控制器的输入端连至DSP的PWM接口，三角波扰动信号产生电路的输出端连接DSP的A/D转换接口，寄存模块的输出端与DSP的地址端相连，通讯模块的输入端与DSP的数据端相连，DSP电源模块输出端与DSP电源接口相连。

检测单元是一个一体化负载模拟箱，包括静态负载模拟和动态负载模拟，通过实际测量两种状态下的发电系统运行的状态，判断发电系统是否能正常工作，为系统提供不同的工作模式和工作参数。检测单元的检测方法是通过模拟理想的环境，检测发电系统是否正常的工作在标准范围内来判定是否可以将发电装置投入使用，并且可以通过测试时发电系统运行的状态判断系统在哪一部分除了问题。通过实际测量动态和静态下的发电系统运行的状态，判断发电系统是否能正常工作，为系统提供不同的工作模式和工作参数。

检测单元的检测流程为：

第1步：将发电系统发出的A，B，C三相输出端，分别连接在动态负载的3相输入端；

第2步：当电动机母线电压U等于额定电压U_r时，滑差

X_r是转子感抗，X_s是定子感抗，X_m是励磁漏感抗，r_r是转子电阻。如果所得的滑差S_m超过S_crmin～S_crmax的范围，S_crmax＝1，S_crmin＝0.9S_crmax；则系统在动态负载运行状况下稳定性不好，需要修正；

第3步：如果发电系统通过了动态模拟，便可进入静态负载模拟测试。将发电系统发出的A，B，C三相输出端与动态负载输入端断开，重新接入静态负载的3相输入端；

第4步：利用电能质量分析仪测量A，B，C三相电压、电流、频率的情况，并记录为U_A，U_B，U_C；通过断路器，分别切除电阻，电容和电感模块，测量各模块的三相输出端的电压情况并记录。并记为U_C1，U_C2，U_C3，U_L1，U_L2，U_L3，U_R1，U_R2和U_R3。并计算总电压的谐波畸变率 $\mathrm{THDU}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{U_h}{U_I}\right)}^2}\×100\%$ 和总电流的谐波畸变 $\mathrm{THDI}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{I_h}{I_I}\right)}^2}\×100\%,$ U_h为h次电压谐波幅值，U_I为基波电压幅值，I_h为h次电流谐波幅值，I_I为基波电流幅值。

第5步：根据上步计算结果，如电压和电流的总畸变率不超过95％，则系统通过了动态、静态负载模拟，可以使用。

本发明风能、太阳能并网发电系统具体电路连接是：风能、太阳能发电机组的输出端与直流升压电路的输入端连接，直流升压电路的输出端连接三相逆变器的输入端和本地直流负载，三相逆变器的输出端与线路滤波器的输入端连接，线路滤波器的输出端连接电压前置补偿装置的输入端和本地交流负载，电压前置补偿装置的输出端经断路器与电网相连，三相逆变器、并网单元、蓄电池控制器和最大跟踪控制器均通过输出引脚与DSP相连，最大功率跟踪控制器输出的直流电压加在控制电机两端，蓄电池控制器输出的直流电压控制开关的状态。进行负载检测时，负载的输入端分别与系统的A、B、C三相连接，动态负载的转子、定子两端的电压输出端与电能质量分析仪连接，静态负载的A、B、C三相的相电压输出端与电能质量分析仪连接，检测接入负载时系统的运行状态。

发电单元中的最大功率跟踪控制器接收DSP发出的PMW波，经可控整流电路将PWM波转换为机械机构能够执行的电流信号；蓄电池控制器通过接收DSP发出的PWM波，经过蓄电池控制器中可控整流电路产生控制电压，通过改变蓄电池的开关线圈中的电流，实现对蓄电池开关状态的控制，实现蓄电池充、放电状态的转换控制；并网单元中的可控整流电路将DSP输出的PWM波转换为相应的直流控制电压，整流电路的输出与断路器连接，直流控制电压产生的电流信号流经断路器的线圈，通过电磁力来改变断路器的状态，实现并网系统在孤岛运行和并网运行状态间的切换。

本发明的风能、太阳能并网发电系统的控制方法包括如下步骤：

步骤1：风能、太阳能发电机组、直流升压电路及并网公共耦合节点输出的电压和电流经过采样转换模块后，进入信号调制电路，调理电压和电流；

步骤2：DSP的A/D转换接口接收信号调制电路调制输出的信号，进行A/D转换；

步骤3：DSP对A/D转换后的信号进行归一化处理，并将数据存储到寄存模块；

步骤4：DSP采用神经网络算法进行网络学习，对下一时刻的线电压和电流进行预测；

神经网络通过学习(改变各神经元的连接权值)，从而具有预测的功能，神经网络学习规则是：

Δw_ij＝ηr[w_ij(t)，X(t)，d_j(t)]X(t)    (2)

式中：X(t)——是t时刻的输入数组；

η——是网络的学习速率；

r——是学习信号；

d——是网络的期望值；

其中，学习信号：

$r=(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right),$

因此，网络的权值改变函数是：

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

则：

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)+\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

综上：神经网络的预测输出函数为：

神经网络的网络学习按如下步骤进行：

步骤4.1：将归一化处理后的数据按一定比例的划分，一部分作为神经网络学习样本数据，另一部分作为检验网络准确性的检验样本数据；

步骤4.2：将检验通过的网络结构导入DSP，对并网结构的线电压、线电流和频率进行预测。

由于DSP控制时钟周期的限制，在执行下一周期控制之前，系统无法对运行方式进行调整，因而控制的执行具有延迟性，这样会对电网带来巨大冲击，严重时会影响局部电网的稳定性，引发重大事故，造成巨大经济损失。因此，本发明在DSP对系统控制时采用神经网络算法，根据寄存模块中的数据对电网下一时刻的线电压、电流和频率进行预测，对发电系统实现提前发现、提前控制、提前切除孤岛，使得整个电网安全稳定的运行。

神经网络对下一时刻的电压、电流进行预测的原理是：传感器采集各节点的线电压、线电流：u_a  u_b  u_c和i_a、i_b、i_c，作为神经网络的输入，输入的u_a  u_b  u_c和i_a、i_b、i_c是一个一维数组。如：u_a＝[u_a，t-4，u_a，t-3，u_a，t-2，u_a，t-1，u_a]，数组中，u_a，t-i表示线电压a在t时刻前的第i时刻的线电压值。

w_ij(i＝1，2，...，n，j＝1，2，...，k)为神经元之间连接的权重；

为阀值函数，

是双极性S函数。

步骤5：最大功率跟踪；

发电机组输出的直流电压和线电流经过采样模块转换后，送入信号调制电路，三角波扰动信号送入DSP，分别对A/D转换后的电压、电流信号的幅值和扰动信号逻辑计算分析，产生相应的PWM波分别送入最大功率跟踪控制器的可控整流电路，输出的直流电压加在控制电机两端，完成最大功率跟踪控制。具体按如下步骤进行：

步骤5.1：在电压、电流的预测结果上加一个小的扰动信号，依据功率计算公式：P＝U×I，计算扰动后发电机组的输出功率P_t+1，将扰动前功率P_t与扰动后功率P_t+1做差比较，差值为ΔP；

步骤5.2：若ΔP＞0，通过DSP发出PWM波使下一时刻发电机组的输出值为扰动值与预测值的和，即U’_t+1＝u_t+1+Δu，I’_t+1＝i_t+1+Δi；否则，发电机组的工作状态不变。

步骤6：判断逆变器的输入功率是否等于发电机组的输出功率，如果二者不相等，则执行步骤7，否则直接执行步骤8；

步骤7：蓄电池控制，实现系统能源利用最大化；

蓄电池的控制具体过程如下：

发电机组的输出功率和逆变器的输入功率做差，差值记为Δp，若果若Δp＞0，通过DSP发出PWM波使得充电开关闭合，蓄电池充当直流负载，吸收多余的电能并储存；否则，放电开关闭合，蓄电池充当发电机组向逆变器输出功率。

步骤8：逆变控制，根据电能质量分析结果，对逆变器工作状态进行控制；

逆变器控制采用基于神经网络的对电网电流的预测的三相解耦算法，逆变控制按如下步骤进行：

步骤8.1：计算三相线电压和三相线电流的瞬时值和电压有效值；

步骤8.2：计算并网总功率p，总瞬时无功功率q、总瞬时视在功率s和总瞬时功率因数cosθ；

p＝u_ai_a+u_bi_b+u_ci_c

$q=\frac{1}{\sqrt{3}}[(u_b-u_c)i_a+(u_c-u_a)i_b+(u_a-u_b)i_c]$

$s=\sqrt{p^2+q^2}$

$\cos \mathrm{\θ}=\frac{p}{s}$

步骤8.3：计算各次谐波电压的幅值U_u，k和相位β_u，k，电压谐波含量HRU_k，u，电压谐波失真度THD_u；

$U_{u,k}=\sqrt{a_{u,k}^2-b_{u,k}^2}$

${\mathrm{\β}}_{u,k}=\arctan \left(\frac{b_{u,k}^2}{a_{u,k}^2}\right)$

${\mathrm{THD}}_u=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{U}_k^2}}{U_1}\×100\%$

${\mathrm{HRU}}_{k,u}=\frac{U_h}{U_1}\×100\%$

电压U_u，k为神经网络预测值，k为谐波的阶次数。

步骤8.4：计算各次谐波电流的幅值I_i，k和相位β_i，k，电压谐波含量HRU_i，u，电压谐波失真度THD_i；

$I_{i,k}=\sqrt{a_{i,k}^2-b_{i,k}^2},$

${\mathrm{\β}}_{i,k}=\arctan \left(\frac{b_{i,k}^2}{a_{i,k}^2}\right)$

${\mathrm{THD}}_i=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{I}_k^2}}{I_1}\×100\%$

${\mathrm{HRU}}_{k,i}=\frac{I_h}{I_1}\×100\%$

电压I_i，k为神经网络预测值。

步骤8.5：根据电能质量的分析结果，DSP产生相应的PWM波，对三相逆变器的6个IGBT功率管的开断频率进行控制。

步骤9：孤岛检测。为提高系统送入电网的电能质量，减少系统对电网的冲击，对系统进行孤岛检测，孤岛检测按如下步骤进行：

步骤9.1：根据步骤8得出的电能质量分析结果，判断三相逆变器输出的电能质量是否符合并网运行条件。如果不满足，则执行步骤9.8，，如果满足，则执行步骤9.2；

并网时应满足以下3个条件：

(1)并网装置逆变输出电压和市电压接近相等，压差应在10％以内；

(2)逆变输出频率应该接近市电压，频率差不超过0.4Hz；

(3)逆变输出电压和市电压同相，此相位差不超过10°。

步骤9.2：计算逆变器输出电能的线电压、线电流与电网线电压、线电流差值，记为ΔU，ΔI；

步骤9.3：判断ΔU，ΔI是否均在安全裕度内。如果不是，执行步骤9.8；否则，执行步骤9.4；

步骤9.4：采用P-V检测法，进行被动孤岛检测；

步骤9.5：判断被动孤岛检测结果。如果检测结果不满足并网条件，执行第5.6步；如果满足，则执行步骤9.2；

步骤9.6：采用输出功率扰动法，进行主动孤岛检测；

步骤9.7：判断主动孤岛检测结果。如果检测结果不满足并网条件，执行步骤9.8；如果满足，则执行步骤9.2；

步骤9.8：向并网控制器发出切换指令。

步骤10：通过DSP外围接入的通讯模块向上位机上传系统运行的状态参数；包括：各检测点的线电压，线电流，神经网络预测的线电压、线电流，三相逆变器的输出电能质量参数，各个开关、控制器的状态，同时通过DSP外围接入的寄存器将状态参数送入寄存器储存，作为历史记录；

步骤11：系统操作人员通过上传的系统状态参数，可对系统进行实时控制，如：当系统达到重新并网运行时，操作人员可通过上位机向DSP发出重新并网运行的指令；

有益效果：

本发明的风能、太阳能并网发电系统具有能源利用效率高、逆变电能质量好、系统运行稳定的特点。与传统的发电-逆变-并网系统相比，该系统的能源利用率高于传统系统10％左右，系统逆变电能的谐波含量低，相位、频率和线电压、线电流幅值与电网电能的相位、频率和线电压、线电流幅值同步性好。系统采用DSP构成的集成一体化控制单元，对各个单元进行有效控制，采用神经网络对系统运行的状态参数进行预测，克服了控制指令执行滞后并网系统变化的缺点，大大提高了系统运行的稳定性。孤岛检测采用主动、被动结合的检测方式，系统的防孤岛运行的能力有了大大的提高。本发明不仅是将逆变电能送入电网，还能将电能就近供给本地的交、直流负载，减轻了电网的负荷压力，有利于提高电网的稳定运行的能力。当系统的输出电能小于本地负荷，电网还可向系统的本地负载供电，使得本地负载由系统电源和电网电源双重电源供电，提高了电源不间断供电的时间。

附图说明：

图1本发明发电系统总体结构示意图；

图2本发明实施例发电机组结构示意图；

图3本发明实施例蓄电池控制原理图；

图4本发明实施例逆变器控制线路连接图；

图5本发明实施例可控整流电路原理图；

图6本发明实施例并网单元连接图；

图7本发明实施例电压前置补偿装置原理图；

图8本发明实施例神经网络结构图；

图9本发明实施例的总体控制流程图；

图10本发明实施例最大功率跟踪控制流程图；

图11本发明实施例蓄电池控制流程图；

图12本发明实施例孤岛检测控制流程图；

图13本发明实施例检测单元动态负载连接图；

图14本发明实施例检测单元静态负载连接图；

图15本发明实施例信号调制电路原理图；

图16本发明实施例锁相环电路原理图；

图17本发明实施例DSP电源模块电路连接图；

图18本发明实施例三角波扰动信号发生电路原理图；

图19本发明实施例寄存模块电路连接图；

图20本发明实施例通讯模块电路连接图。

具体实施方式：

下面结合附图对本发明说进一步说明。

一种风能、太阳能并网发电系统包括发电单元、逆变单元、并网单元、主控单元和检测单元，系统结构如图1所示。

发电单元包括风能、太阳能发电机组、蓄电池和蓄电池控制器；

所述风能、太阳能发电机组中，风能发电机组采用SN-400W直流发电机，太阳能发电机组采用SN-S120W，所述风能、太阳能发电机组中，风能发电机采用直流发电机，太阳能发电机组采用光伏发电阵列，外围电路包括直流升压电路和最大功率跟踪控制器，发电机组结构如图2所示，风能、太阳能发电机组发出的电能首先进入Boost直流升压电路，机组输出的电能进行升压，所述最大功率跟踪控制器包括可控整流电路，可控整流电路如图5所示；

所述蓄电池和蓄电池控制器，蓄电池采用铅酸蓄电池，蓄电池采用6-GFM-200Ah，各蓄电池之间并联。蓄电池主要是将风能、太阳能发电机组发出的多余电能进行储存，在电能紧缺的时候充当补充电源，平衡逆变器与发电机组的功率差。蓄电池控制器是对蓄电池状态进行控制，蓄电池控制原理如图3所示。

风能、太阳能发电机组输出端分别连接直流升压电路输入端，直流升压电路输出端连接逆变器的输入端和本地直流负载；发电机组的机械机构输入端与最大功率跟踪器输出端相连，蓄电池控制器的输出端与控制器开关相连，蓄电池通过控制开关连接至直流升压电路的输出端。

为实现系统不间断的、稳定的向本地负载和电网供电，风能、太阳能并网发电系统应该满足白天、黑夜阵列输出的功率比近似为1的要求。太阳能发电机组与风能发电机组的装机容量比k应该满足关系式：

$k=\frac{U_0\×v}{U_0^{,}\×T\×S\×\sin (\mathrm{\α}+\mathrm{\β})}\sin (\frac{T\×S\×\sin (\mathrm{\α}+\mathrm{\β})}{v\×I}\×\frac{180}{\mathrm{\π}})---\left(1\right)$

式中：

v-当地平均风速，

T-当地平均气温，

α-当地中午时的太阳高度角，

β-光伏阵列的倾角，

S-水平面太阳直接辐射量，

U₀风机最大功率电压，光伏阵列最大功率电压，

I光伏阵列短路电流，

U’₀光伏阵列最大功率电压。

逆变单元包括逆变单元包括逆变器、线路滤波器和电压前置补偿装置，逆变器采用三相逆变器YTP-1000-I，三相逆变器的输入端与风能、太阳能发电机组的直流稳压电路的输出端连接，三相逆变器的输出端连接线路滤波器的输入端，线路滤波器的输出端分别连接电压前置补偿装置的输入端和连接本地交流负载，电压前置补偿装置包括PID控制器和电压前置补偿装置。

并网单元包括并网控制器和断路器，并网单元连接如图6所示；所述并网控制器是由接入电网的三个断路器和可控整流电路组成；断路器的输入端与电压前置补偿装置的输出端相连，断路器的输出端连至电网，并网控制器的输出端连至断路器的输入端。并网单元对孤岛状态进行准确快速的检测，并快速、有效的执行切除并网单元，实现对本地负载实现不间断供电和对电网冲击最小的目标。

所述并网控制器是由接入电网的三个断路器和可控整流电路组成；可控整流电路将DSP输出的PWM波转换为相应的直流控制电压，可控整流电路的输出端与断路器连接，直流控制电压产生的电流信号流经断路器的线圈，通过电磁力来改变断路器的状态，实现并网系统在孤岛运行和并网运行状态间的切换。

电压前置补偿装置的原理是：电网线电流i_L与参考电流i_ref作差，信号Δi送入PID控制器产生补偿控制信号U_N，U_N驱动前置补偿装置，产生补偿信号ΔU，实现逆变器输出电流i_ab与电网电流i_L同相位、同幅值，提高并网电能质量。电压前置补偿装置电路如图7所示。

主控单元包括DSP处理器及其外围模块，DSP采用型号为TMS320LF2407A，DSP外围模块包括电压和电流采样转换模块、信号调制电路、三角波扰动信号产生电路、寄存模块、通讯模块和DSP电源模块，电压和电流采样转换模块包括电压传感器和电流传感器。寄存模块主要储存系统运行状态参数，它与DSP的具体连接方式如图19所示，选用IS61LV16416型号存储器，电路输出端41、17、6号引脚连接DSP芯片的42、84、33号引脚。通讯模块采用MAX485芯片，主要负责DSP与上位机之间的通讯，该芯片采用RS485协议建立DSP与上位机之间的通讯协议，具体的连接如图20所示，上位机通过通信模块MAX485的引脚RO、RE、DI与TMS320F2407A芯片SCI/RXD、PC2、SCI/TXD引脚相连，MAX485插口通过电缆与上位机串口相连，通过DSP进行集成一体化控制，并带有通讯功能，可实现远程控制；DSP电源模块电路如图17所示，型号为TPS767D301。DSP主要是对接收到的数据进行运算和处理，产生PWM波对风能、太阳能发电机组的最大功率跟踪控制器、逆变器的控制器、蓄电池控制器和孤岛检测执行机构进行驱动控制。

由于本发电系统处理的信号路数过多，为了保证芯片工作状态在其负载能力允许范围内，本实施例采用两片DSP组成的控制网络。主控单元的控制功能包括发电单元控制、蓄电池控制、逆变控制和并网控制。

最大功率跟踪控制过程是：风能、太阳能发电机组输出的直流电压和电流经过霍尔电压传感器和霍尔电流传感器变换后，经信号调制电路，调理成0～+5V范围的电压、电流信号输入第一片TMS320F2407A的ADCIN00～07接口通过对传感器采集获得的模拟信号进行模数转换；三角波扰动信号从第一片TMS320F2407A的ADCIN08接口送入，进行模数转换，对这两路转换后的电压、电流信号的幅值进行逻辑计算分析，输出引脚PWM1～8产生相应的PWM波分别送入最大功率跟踪控制器的可控整流电路中可控硅的门极端，输出相应的直流电压U_d，电压U_d加在控制电机两端，完成最大功率跟踪控制。

蓄电池控制的过程是：直流升压电路输出的电压和电流经过霍尔电压传感器和霍尔电流传感器变换后，经信号调制电路，调理成0～+5V范围的电压、电流信号输入第一片TMS320F2407A的ADCIN09～14接口，对发电机组的输出功率和逆变器的输入功率做差，判断计算结果，输出引脚PWM9～14产生相应的PWM波，带有可控整流电路的蓄电池控制器输出控制直流电压Ud，控制开关K1、K2的状态。当发电机组输出功率＞三相逆变器输入功率，闭合开关K1，对蓄电池进行充电；当发电机组输出功率＜三相逆变器输入功率，闭合开关K2，蓄电池进行放电。

逆变控制过程是：霍尔电压传感器和霍尔电流传感器采集三相逆变器输出端的线电压、线电流。采集的线电压先经过锁相环电路，具体连接如图16所示，锁相后的线电压信号和线电流信号经信号调制电路，调理成0～+5V范围的电压、电流信号输入第二片TMS320F2407A的ADCIN00～05接口，DSP内部对送入的数据执行电能质量分析，根据分析结果，输出引脚PWM1～6产生相应的PWM波，控制三相逆变器的6个IGBT功率管的开断频率进行控制，使得逆变器的输出电能质量高，逆变器的运行效率大。

并网控制过程是：电网的三相线电压和线电流经过霍尔电压传感器和霍尔电流传感器采集后，经信号调制处理电路，调理成0～+5V范围的电压、调理后的信号输入第二片TMS320F2407A的ADCIN06～11接口，DSP对送入的数据执行孤岛检测，依据执行结果输出引脚PWM7～12产生相应的PWM波，带有可控整流电路的蓄电池控制器输出控制直流电压U_d，控制断路器的状态，实现系统运行状态的切换。

检测单元是一个一体化负载模拟箱，包括静态模拟负载和动态模拟负载，是通过实际测量两种状态下的发电系统运行的状态，判断发电系统是否能正常工作，为系统提供不同的工作模式和工作参数，检测发电系统电压的失稳状态，可以提前检测出对发电系统的设定是否合理。检测单元动态负载连接如图13所示，静态负载连接如图14所示。动态负载是感应电动机，在电机外围新增了受控整流器、反向二极管和电容C_s，使得模拟电路更接近于现实情况运行的状态。静态负载包括电阻、电感、电容和主负载，连接方式为三相三线制，主负载Z_A、Z_B、Z_C采用星型连接方式，电阻、电感和电容通过继电器RS分别与主负载Z_A、Z_B、Z_C并联，通过改变继电器的通断状态来改变主负载的性质。进行负载检测时，负载的输入端分别与系统的A、B、C三相连接，动态负载的转子、定子两端的电压输出端与电能质量分析仪连接，静态负载的A、B、C三相的相电压输出端与电能质量分析仪连接，检测接入负载时系统的运行状态。

检测单元的检测方法是通过模拟理想的环境，检测发电系统是否正常的工作在标准范围内来判定是否可以将发电装置投入使用，并且可以通过测试时发电系统运行的状态判断系统在哪一部分除了问题。通过实际测量动态和静态下的发电系统运行的状态，判断发电系统是否能正常工作，为系统提供不同的工作模式和工作参数。

检测单元的检测流程为：

第1步：将发电系统发出的A，B，C三相输出端，分别连接在动态负载的3相输入端；

第2步：当电动机母线电压U等于额定电压U_r时，滑差

X_r是转子感抗，X_s是定子感抗，X_m是励磁漏感抗，r_r是转子电阻。如果所得的滑差S_m超过S_crmin～S_crmax的范围，S_crmax＝1，S_crmin＝0.9S_crmax；则系统在动态负载运行状况下稳定性不好，需要修正；

第3步：如果发电系统通过了动态模拟，便可进入静态负载模拟测试。将发电系统发出的A，B，C三相输出端与动态负载输入端断开，重新接入静态负载的3相输入端；

第4步：利用电能质量分析仪测量A，B，C三相电压、电流、频率的情况，并记录为U_A，U_B，U_C；通过断路器，分别切除电阻，电容和电感模块，测量各模块的三相输出端的电压情况并记录。并记为U_C1，U_C2，U_C3，U_L1，U_L2，U_L3，U_R1，U_R2和U_R3。并计算总电压的谐波畸变率 $\mathrm{THDU}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{U_h}{U_I}\right)}^2}\×100\%$ 和总电流的谐波畸变 $\mathrm{THDI}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{I_h}{I_I}\right)}^2}\×100\%,$ U_h为h次电压谐波幅值，U_I为基波电压幅值，I_h为h次电流谐波幅值，I_I为基波电流幅值。

第5步：根据上步计算结果，如电压和电流的总畸变率不超过95％，则系统通过了动态、静态负载模拟，可以使用。

本发明总体控制流程如图9所示，风能、太阳能并网发电系统的控制方法具体流程是：

步骤1：风能、太阳能发电机组、直流升压电路及并网公共耦合节点输出的电压和电流经过采样转换模块后，进入信号调制电路，调理电压和电流；

步骤2：DSP的A/D转换接口接收信号调制电路调制输出的信号，进行A/D转换；

步骤3：DSP对A/D转换后的信号进行归一化处理，并将数据存储到寄存模块；

步骤4：DSP采用BP神经网络算法进行网络学习，对下一时刻的线电压和电流进行预测；

BP神经网络通过学习(改变各神经元的连接权值)，从而具有预测的功能，BP神经网络学习规则是：

Δw_ij＝ηr[w_ij(t)，X(t)，d_j(t)]X(t)    (2)

式中：X(t)——是t时刻的输入数组；

η——是网络的学习速率；

r——是学习信号；

d——是网络的期望值；

其中，学习信号：

$r=(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right),$

因此，网络的权值改变函数是：

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

则：

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)+\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

综上：神经网络的预测输出函数为：

BP神经网络结构如图8所示，BP神经网络的网络学习按如下步骤进行：

步骤4.1：将归一化处理后的数据按3∶1的比例划分，75％作为神经网络学习样本数据，25％作为检验网络准确性的检验样本数据；

步骤4.2：将检验通过的网络结构导入DSP，对并网结构的线电压、线电流和频率进行预测。

由于DSP控制时钟周期的限制，在执行下一周期控制之前，系统无法对运行方式进行调整，因而控制的执行具有延迟性，这样会对电网带来巨大冲击，严重时会影响局部电网的稳定性，引发重大事故，造成巨大经济损失。因此，本发明在DSP对系统控制时采用BP神经网络算法，根据寄存模块中的数据对电网下一时刻的线电压、电流和频率进行预测，对发电系统实现提前发现、提前控制、提前切除孤岛，使得整个电网安全稳定的运行。

BP神经网络对下一时刻的电压、电流进行预测的原理是：传感器采集各节点的线电压、线电流：u_a、u_b、u_c和i_a、i_b、i_c，作为神经网络的输入，输入的u_a、u_b、u_c和i_a、i_b、i_c是一个一维数组。如：u_a＝[u_a，t-4，u_a，t-3，u_a，t-2，u_a，t-1，u_a]，数组中，u_a，t-i表示线电压a在t时刻前的第i时刻的线电压值。

w_ij(i＝1，2，...，n，j＝1，2，...，k)为神经元之间连接的权重；

为阀值函数，

是双极性S函数。

步骤5：最大功率跟踪；

最大功率跟踪控制流程如图10所示，具体按如下步骤进行：

步骤5.1：在电压、电流的预测结果上加一个小的扰动信号，依据功率计算公式：P＝U×I，计算扰动后发电机组的输出功率P_t+1，将扰动前功率P_t与扰动后功率P_t+1做差比较，差值为ΔP；

步骤5.2：若ΔP＞0，通过DSP发出PWM波使下一时刻发电机组的输出值为扰动值与预测值的和，即U’_t+1＝u_t+1+Δu，I’_t+1＝i_t+1+Δi；否则，发电机组的工作状态不变。

步骤6：判断逆变器的输入功率是否等于发电机组的输出功率，如果二者不相等，则执行步骤7，否则直接执行步骤8；

步骤7：蓄电池控制，实现系统能源利用最大化；

蓄电池控制流程如图11所示，蓄电池的控制具体过程如下：

发电机组的输出功率和逆变器的输入功率做差，差值记为Δp，若果若Δp＞0，通过DSP发出PWM波使得充电开关K1闭合，蓄电池充当直流负载，吸收多余的电能并储存；否则，放电开关K2闭合，蓄电池充当发电机组向逆变器输出功率。

步骤8：逆变控制，根据电能质量分析结果，对逆变器工作状态进行控制，逆变器控制连接如图4所示；

逆变器控制采用基于神经网络的预测，对系统的电能质量进行分析，依据分析结果，产生PWM波来控制功率管的通断频率，逆变控制具体按如下步骤进行：

步骤8.1：计算三相线电压和三相线电流的瞬时值和电压有效值；

步骤8.2：计算并网总功率p，总瞬时无功功率q、总瞬时视在功率s和总瞬时功率因数cosθ；

p＝u_ai_a+u_bi_b+u_ci_c

$q=\frac{1}{\sqrt{3}}[(u_b-u_c)i_a+(u_c-u_a)i_b+(u_a-u_b)i_c]$

$s=\sqrt{p^2+q^2}$

$\cos \mathrm{\θ}=\frac{p}{s}$

步骤8.3：计算各次谐波电压的幅值U_u，k和相位β_u，k，电压谐波含量HRU_k，u，电压谐波失真度THD_u；

$U_{u,k}=\sqrt{a_{u,k}^2-b_{u,k}^2}$

${\mathrm{\β}}_{u,k}=\arctan \left(\frac{b_{u,k}^2}{a_{u,k}^2}\right)$

${\mathrm{THD}}_u=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{U}_k^2}}{U_1}\×100\%$

${\mathrm{HRU}}_{k,u}=\frac{U_h}{U_1}\×100\%$

电压U_u，k为神经网络预测值，k为谐波的阶次数。

步骤8.4：计算各次谐波电流的幅值I_i，k和相位β_i，k，电压谐波含量HRU_i，u，电压谐波失真度THD_i；

$I_{i,k}=\sqrt{a_{i,k}^2-b_{i,k}^2},$

${\mathrm{\β}}_{i,k}=\arctan \left(\frac{b_{i,k}^2}{a_{i,k}^2}\right)$

${\mathrm{THD}}_i=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{I}_k^2}}{I_1}\×100\%$

${\mathrm{HRU}}_{k,i}=\frac{I_h}{I_1}\×100\%$

电压I_i，k为神经网络预测值。

步骤8.5：根据电能质量的分析结果，DSP产生相应的PWM波，对三相逆变器的6个IGBT功率管的开断频率进行控制。

步骤9：孤岛检测。为提高系统送入电网的电能质量，减少系统对电网的冲击，对系统进行孤岛检测。

孤岛检测控制流程如图12所示，孤岛检测按如下步骤执行：

步骤9.1：根据步骤8得出的电能质量分析结果，判断三相逆变器输出的电能质量是否符合并网运行条件。如果不满足，则执行步骤9.8，，如果满足，则执行步骤9.2；

并网时应满足以下3个条件：

(1)并网装置逆变输出电压和市电压接近相等，压差应在10％以内；

(2)逆变输出频率应该接近市电压，频率差不超过0.4Hz；

(3)逆变输出电压和市电压同相，此相位差不超过10°。

步骤9.2：计算逆变器输出电能的线电压、线电流与电网线电压、线电流差值，记为ΔU，ΔI；

步骤9.3：判断ΔU，ΔI是否均在安全裕度内。如果不是，执行步骤9.8；否则，执行步骤9.4；

步骤9.4：采用P-V检测法，进行被动孤岛检测；

步骤9.5：判断被动孤岛检测结果。如果检测结果不满足并网条件，执行第5.6步；如果满足，则执行步骤9.2；

步骤9.6：采用输出功率扰动法，进行主动孤岛检测；

步骤9.7：判断主动孤岛检测结果。如果检测结果不满足并网条件，执行步骤9.8；如果满足，则执行步骤9.2；

步骤9.8：向并网控制器发出切换指令。

步骤10：通过DSP外围接入的通讯模块向上位机上传系统运行的状态参数；包括：各检测点的线电压，线电流，神经网络预测的线电压、线电流，三相逆变器的输出电能质量参数，各个开关、控制器的状态，同时通过DSP外围接入的寄存器将状态参数送入寄存器储存，作为历史记录；

步骤11：系统操作人员通过上传的系统状态参数，可对系统进行实时控制，如：当系统达到重新并网运行时，操作人员可通过上位机向DSP发出重新并网运行的指令。

Claims (9)

1.一种风能、太阳能并网发电系统，其特征在于：包括发电单元、逆变单元、并网单元、主控单元和检测单元，

所述发电单元包括风能、太阳能发电机组，蓄电池和蓄电池控制器，风能发电机采用直流发电机，太阳能发电机组采用光伏发电阵列，各蓄电池之间并联，风能、太阳能发电机组的外围电路包括直流升压电路和最大功率跟踪控制器；

所述逆变单元包括逆变器、线路滤波器和电压前置补偿装置，逆变器采用三相逆变器，电压前置补偿装置包括PID控制器和前置补偿装置；

所述并网单元包括并网控制器和断路器；

所述主控单元包括DSP处理器及其外围模块，DSP外围模块包括电压和电流采样转换模块、信号调制电路、三角波扰动信号产生电路、寄存模块、通讯模块和DSP电源模块，电压和电流采样转换模块包括电压传感器和电流传感器；

所述检测单元是一个一体化负载模拟箱，包括静态负载模拟和动态负载模拟；

所述风能、太阳能并网发电系统具体连接如下：风能、太阳能发电机组的输出端与直流升压电路的输入端连接，直流升压电路的输出端连接逆变器的输入端，逆变器的输出端与线路滤波器的输入端连接，线路滤波器的输出端连接电压前置补偿装置的输入端和本地交流负载，电压前置补偿装置的输出端经断路器与电网相连，逆变器、并网单元、蓄电池控制器和最大跟踪控制器均通过输出引脚与DSP相连，最大功率跟踪控制器输出的直流电压加在控制电机两端，蓄电池控制器输出的直流电压控制开关的状态；进行负载检测时，负载的输入端分别与系统的A、B、C三相连接，动态负载的转子、定子两端的电压输出端与电能质量分析仪连接，静态负载的A、B、C三相的相电压输出端与电能质量分析仪连接。

2.根据权利要求1所述的风能、太阳能并网发电系统，其特征在于：

所述发电单元的具体连接如下：风能、太阳能发电机组输出端分别连接直流升压电路输入端，直流升压电路输出端连接逆变器的输入端和本地直流负载；发电机组的机械机构输入端与最大功率跟踪器输出端相连，蓄电池控制器的输出端与控制器开关相连，蓄电池通过控制开关连接至直流升压电路的输出端；

所述逆变单元的具体连接如下：三相逆变器的输入端与风能、太阳能发电机组的直流稳压电路的输出端连接，三相逆变器的输出端分别连接本地交流和直流负载、线路滤波器，线路滤波器的输出端连接电压前置补偿装置的输入端和本地交流负载，，PID控制器的输出端与前置补偿装置的输入端相连；

所述并网单元的并网控制器由接入电网的三个断路器和可控整流电路组成，并网单元的具体连接如下：断路器的输入端与电压前置补偿装置的输出端相连，断路器的输出端连至电网，并网控制器的输出端连至断路器的输入端；

所述主控单元的具体连接如下：电压和电流采样转换模块的输入端分别连至风能、太阳能发电机组的输出端，直流升压电路的输出端和电网与系统公共耦合节点，电压和电流采样转换模块的输出端与信号调制电路的输入端相连，信号调制电路输出端连至DSP的A/D转换接口，最大功率跟踪控制器的输入端连接至DSP的PWM接口，蓄电池控制器的输入端连至DSP的PWM接口，并网控制器的输入端连至DSP的PWM接口，三角波扰动信号产生电路的输出端连接DSP的A/D转换接口，寄存模块的输出端与DSP的地址端相连，通讯模块的输入端与DSP的数据端相连，DSP电源模块输出端与DSP电源接口相连。

3.根据权利要求1所述的风能、太阳能并网发电系统，其特征在于：所述检测单元的检测流程为：

第1步：将发电系统发出的A，B，C三相输出端，分别连接在动态负载的3相输入端；

第2步：当电动机母线电压U等于额定电压U_r时，滑差X_r是转子感抗，X_s是定子感抗，X_m是励磁漏感抗，r_r是转子电阻，如果所得的滑差S_m超过S_crmin～S_crmax的范围，S_crmax＝1，S_crmin＝0.9S_crmax；则系统在动态负载运行状况下稳定性不好，需要修正；

第3步：如果发电系统通过了动态模拟，便可进入静态负载模拟测试，将发电系统发出的A，B，C三相输出端与动态负载输入端断开，重新接入静态负载的3相输入端；

第4步：利用电能质量分析仪测量A，B，C三相电压、电流、频率的情况，并记录为U_A，U_B，U_C；通过断路器，分别切除电阻，电容和电感模块，测量各模块的三相输出端的电压情况并记录，并记为U_C1，U_C2，U_C3，U_L1，U_L2，U_L3，U_R1，U_R2和U_R3，并计算总电压的谐波畸变率 $\mathrm{THDU}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{U_h}{U_I}\right)}^2}\×100\%$ 和总电流的谐波畸变 $\mathrm{THDI}=\sqrt{\underset{i=2}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{I_h}{I_I}\right)}^2}\×100\%,$ U_h为h次电压谐波幅值，U_I为基波电压幅值，I_h为h次电流谐波幅值，I_I为基波电流幅值；

第5步：根据上述计算结果，如电压和电流的总畸变率不超过95％，则系统通过了动态、静态负载模拟，可以使用。

4.根据权利要求1所述的风能、太阳能并网发电系统的控制方法，其特征在于：具体按如下步骤进行：

步骤1：风能、太阳能发电机组、直流升压电路及并网公共耦合节点输出的电压和电流经过采样转换模块后，进入信号调制电路，调理电压和电流；

步骤2：DSP的A/D转换接口接收信号调制电路调制输出的信号，进行A/D转换；

步骤3：DSP对A/D转换后的信号进行归一化处理，并将数据存储到寄存模块；

步骤4：DSP采用神经网络算法进行网络学习，对下一时刻的线电压和电流进行预测；

步骤5：最大功率跟踪；

步骤6：判断逆变器的输入功率是否等于发电机组的输出功率，如果二者不相等，则执行步骤7，否则直接执行步骤8；

步骤7：蓄电池控制；

步骤8：逆变控制，根据电能质量分析结果，对逆变器工作状态进行控制；

步骤9：孤岛检测；

步骤10：通过DSP外围接入的通讯模块向上位机上传系统运行的状态参数，包括：各检测点的线电压，线电流，神经网络预测的线电压、线电流，三相逆变器的输出电能质量参数，各个开关和控制器的状态，同时通过DSP外围接入的寄存器将状态参数送入寄存器储存，作为历史记录；

步骤11：系统操作人员通过上传的系统状态参数，可对系统进行实时控制，如：当系统达到重新并网运行时，操作人员可通过上位机向DSP发出重新并网运行的指令。

5.根据权利要求4所述的风能、太阳能并网发电系统的控制方法，其特征在于：所述步骤4中神经网络学习规则是：

Δw_ij＝ηr[w_ij(t)，X(t)，d_j(t)]X(t)    (2)

式中：X(t)——是t时刻的输入数组；

η——是网络的学习速率；

r——是学习信号；

d——是网络的期望值；

其中，学习信号：

$r=(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right),$

因此，网络的权值改变函数是：

${\mathrm{\Δw}}_{\mathrm{ij}}=\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

则：

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)+\mathrm{\η}(d-w_{\mathrm{ij}}X)f^{\′}\left(w_{\mathrm{ij}}^T{w}_{\mathrm{ij}}\right)X\left(t\right)$

综上：神经网络的预测输出函数为：

DSP采用神经网络算法进行网络学习按如下步骤进行：

步骤4.1：将归一化处理后的数据按一定比例的划分，一部分作为神经网络学习样本数据，另一部分作为检验网络准确性的检验样本数据；

步骤4.2：将检验通过的网络结构导入DSP，对并网结构的线电压、线电流和频率进行预测；

神经网络对下一时刻的电压、电流进行预测的原理是：传感器采集各节点的线电压、线电流：u_a、u_b、u_c和i_a、i_b、i_c，作为神经网络的输入，输入的u_a、u_b、u_c和i_a、i_b、i_c是一个一维数组，如：u_a＝[u_a，t-4，u_a，t-3，u_a，t-2，u_a，t-1，u_a]，数组中，u_a，t-i表示线电压a在t时刻前的第i时刻的线电压值，

w_ij(i＝1，2，...，n，j＝1，2，...，k)为神经元之间连接的权重；

为阀值函数，

是双极性S函数。

6.根据权利要求4所述的风能、太阳能并网发电系统的控制方法，其特征在于：所述步骤5最大功率跟踪，具体按如下步骤进行：

步骤5.1：在电压、电流的预测结果上加一个小的扰动信号，依据功率计算公式：P＝U×I，计算扰动后发电机组的输出功率P_t+1，将扰动前功率P_t与扰动后功率P_t+1做差比较，差值为ΔP；

步骤5.2：若ΔP＞0，通过DSP发出PWM波使下一时刻发电机组的输出值为扰动值与预测值的和，即U’_t+1＝u_t+1+Δu，I’_t+1＝i_t+1+Δi；否则，发电机组的工作状态不变。

7.根据权利要求4所述的风能、太阳能并网发电系统的控制方法，其特征在于：所述步骤7蓄电池控制具体过程如下：

发电机组的输出功率和逆变器的输入功率做差，差值记为Δp，若果若Δp＞0，通过DSP发出PWM波使得充电开关闭合，蓄电池充当直流负载，吸收多余的电能并储存；否则，放电开关闭合，蓄电池充当发电机组向逆变器输出功率。

8.根据权利要求4所述的风能、太阳能并网发电系统的控制方法，其特征在于：所述步骤8逆变器控制，根据电能质量分析结果，对逆变器工作状态进行控制，具体按如下步骤进行：

步骤8.1：计算三相线电压和三相线电流的瞬时值和电压有效值；

步骤8.2：计算并网总功率p，总瞬时无功功率q、总瞬时视在功率s和总瞬时功率因数cosθ；

p＝u_ai_a+u_bi_b+u_ci_c

$q=\frac{1}{\sqrt{3}}[(u_b-u_c)i_a+(u_c-u_a)i_b+(u_a-u_b)i_c]$

$s=\sqrt{p^2+q^2}$

$\cos \mathrm{\θ}=\frac{p}{s}$

步骤8.3：计算各次谐波电压的幅值U_u，k和相位β_u，k，电压谐波含量HRU_k，u，电压谐波失真度THD_u，

$U_{u,k}=\sqrt{a_{u,k}^2-b_{u,k}^2}$

${\mathrm{\β}}_{u,k}=\arctan \left(\frac{b_{u,k}^2}{a_{u,k}^2}\right)$

${\mathrm{THD}}_u=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{U}_k^2}}{U_1}\×100\%$

${\mathrm{HRU}}_{k,u}=\frac{U_h}{U_1}\×100\%$

电压U_u，k为神经网络预测值，k为谐波的阶次数；

步骤8.4：计算各次谐波电流的幅值I_i，k和相位β_i，k，电压谐波含量HRU_i，u，电压谐波失真度THD_i，

$I_{i,k}=\sqrt{a_{i,k}^2-b_{i,k}^2},$

${\mathrm{\β}}_{i,k}=\arctan \left(\frac{b_{i,k}^2}{a_{i,k}^2}\right)$

${\mathrm{THD}}_i=\frac{\sqrt{\underset{k=2}{\overset{M}{\mathrm{\Σ}}}{I}_k^2}}{I_1}\×100\%$

${\mathrm{HRU}}_{k,i}=\frac{I_h}{I_1}\×100\%$

电压I_i，k为神经网络预测值；

步骤8.5：根据电能质量的分析结果，DSP产生相应的PWM波，对三相逆变器的6个IGBT功率管的开断频率进行控制。

9.根据权利要求4所述的风能、太阳能并网发电系统的控制方法，其特征在于：所述步骤9孤岛检测按如下步骤进行：

步骤9.1：根据步骤8得出的电能质量分析结果，判断三相逆变器输出的电能质量是否符合并网运行条件，如果不满足，则执行步骤9.8，如果满足，则执行步骤9.2；

并网时应满足以下3个条件：

(1)并网装置逆变输出电压和市电压接近相等，压差应在10％以内；

(2)逆变输出频率应该接近市电压，频率差不超过0.4Hz；

(3)逆变输出电压和市电压同相，此相位差不超过10°；

步骤9.2：计算逆变器输出电能的线电压、线电流与电网线电压、线电流差值，记为ΔU，ΔI；

步骤9.3：判断ΔU，ΔI是否均在安全裕度内，如果不是，执行步骤9.8；否则，执行步骤9.4；

步骤9.4：采用P-V检测法，进行被动孤岛检测；

步骤9.5：判断被动孤岛检测结果，如果检测结果不满足并网条件，执行第5.6步；如果满足，则执行步骤9.2；

步骤9.6：采用输出功率扰动法，进行主动孤岛检测；

步骤9.7：判断主动孤岛检测结果，如果检测结果不满足并网条件，执行步骤9.8；如果满足，则执行步骤9.2；

步骤9.8：向并网控制器发出切换指令。

Images