[发明专利]一种光伏发电微型电网系统及最大功率跟踪方法

说明书

技术领域

本发明属于分布式发电和电力网络监控技术领域，尤其涉及一种光伏发电微型电网系统及最大功率跟踪方法。

背景技术

随着全球经济的快速增长，电力需求也逐渐增加，从而引起电网规模的不断扩大。传统超大规模电力系统的弊端日益凸现：一方面，由于规模过于庞大、结构复杂，电网调度运行灵活性差，难以保证经济社会对电网越来越高的安全性、可靠性要求；另一方面，一次能源的衰竭和地球环境的恶化给电力系统的发展提出了挑战，如何保证电力的可持续发展成为了一个亟待解决的问题。

分布式发电一般是指将相对小型的发电装置分散布置在用户附近的供能方式，具有电源位置灵活的特点；同时，它与大电网互为备用也使供电可靠性得以改善。大电网与分布式电源相结合，被广泛认为是高效利用能源、提高电力系统可靠性和灵活性的主要方式。然而，尽管分布式电源优点突出，但相对大电网来说还是一个不可控源，其本身也存在许多问题，如分布式电源单机接入成本高，控制困难等。为协调大电网与分布式电源间的矛盾，充分挖掘其价值和效益，微型电网的应运而生。

微型电网是一种由负荷和微型电源共同组成的系统，由电力电子装置负责能量转换。如何使其在满足用户对电能质量和供电可靠性、安全性要求的基础上，实现微型电网的并网运行或者孤岛运行，成为必须解决的问题。

光伏发电具有无污染、无噪声、取之不尽、用之不竭等优点，且除阳光外无需其它生产材料，是一种具有广阔前景的绿色能源，在未来的供电系统中将占有重要的地位，也是微型电网系统中主要的电源之一。

光伏电池的输出功率与外界环境和负荷情况有关，并且一定的外界环境和负荷情况下存在唯一的最大功率点(MPP)。为了提高发电效率，需要在光伏电池和负荷之间串联最大功率跟踪(MPPT)电路。最常用的MPPT方法为扰动观察法(P&O)和增量电导法(INC)，但是存在稳定性差、功率损失大等缺点。

对基于光伏发电的微型电网系统，如何解决其可靠性问题和发电效率问题，提供安全和高效的电力供应，显得尤为紧迫。

发明内容

针对上述背景技术中提到的基于光伏发电的微型电网系统的可靠性和发电效率的不足，本发明提出了一种光伏发电微型电网系统及最大功率跟踪方法。

本发明的技术方案是，一种光伏发电微型电网系统，其特征是该系统包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心；

所述光伏电池组件和微型逆变器连接；微型逆变器、能量监控中心、负荷和保护隔离装置分别与微网母线连接；保护隔离装置的另一端与外部电网连接；

所述光伏电池组件为该系统提供电力；

所述微型逆变器按照功率调度指令控制其所连接光伏电池组件的直流-交流变换，并采集所连接光伏电池组件的开路电压和电池温度以及所对应的最大功率工作点电压，构成样本发送给能量监控中心；

所述能量监控中心用于对微型逆变器进行功率调度，并根据微型逆变器收集的样本，利用BP神经网络训练最大功率点电压预测模型，发送给微型逆变器用于最大功率跟踪控制。

所述微网母线中的通信协议为LonWorks现场总线协议。

一种根据权利要求1所述的系统进行最大功率跟踪的方法，其特征是该方法包括以下步骤：

步骤1：通过微型逆变器采集光伏电池组件的开路电压和电池温度；

步骤2：将开路电压和电池温度输入到最大功率点电压预测模型，得到光伏电池组件最大功率点电压的预测值；

步骤3：对微型逆变器进行调节，使得光伏电池组件的实际电压跟踪至最大功率点电压的预测值；

步骤4：以最大功率点电压的预测值为初始值，通过指定迭代方法以设定步长跟踪光伏电池组件的最大功率；

步骤5：迭代过程中，比较第k次迭代后的功率值和第k-1次迭代后的功率值，其中，k＝2，…，n，若两者之差大于设定阈值，则返回步骤1。

所述最大功率点电压预测模型为BP神经网络预测模型。

所述BP神经网络预测模型由输入层、隐含层和输出层三层神经元构成。

所述神经元采用S型函数作为转移函数。

所述BP神经网络预测模型采用误差反向传播训练算法作为学习算法。

所述指定迭代方法为电导增量法。

所述对微型逆变器进行调节的公式为：