基于构网型逆变器的虚拟电厂研究：实现电网惯性支撑的新思路

创作时间:

作者:

@小白创作中心

基于构网型逆变器的虚拟电厂研究：实现电网惯性支撑的新思路

引用

来源

http://www.360doc.com/content/24/0611/11/36538220_1125895915.shtml

电力系统正经历着从传统同步发电机为主向可再生能源发电为主的转变。风电和光伏发电等可再生能源通过功率电子设备并网,然而它们不具备同步发电机所固有的惯性和阻尼特性。随着大量同步发电机被退出,电网惯性水平持续下降,可能导致更严重的频率稳定性问题,如频率下降速率加快、频率nadir点降低等。

另一方面,得益于先进的通信和物联网技术,分布式能源资源可聚合为虚拟电厂,参与电网实时平衡。然而,目前虚拟电厂的研究主要集中在稳态运行性能上,如运行模型设计、聚合策略、考虑经济性和碳排放的调度方法等,而很少探讨其动态特性。虚拟电厂能否像传统同步电厂一样,为电网提供惯性支持,这对于未来高渗透率可再生能源电网的安全稳定至关重要。本文针对这一问题,提出了一种新颖的解决方案。

基于构网型逆变器的同步虚拟电厂框架

为了赋予虚拟电厂惯性支持能力,我们提出了一种称为同步虚拟电厂（SVPP）的新型虚拟电厂框架。SVPP的关键在于使用基于构网型逆变器（GFM）的分布式能源,如图3所示。

不同于传统的跟网型（Grid-following, GFL）逆变器,GFM逆变器可以独立控制其输出电压幅值和相位角,在很大程度上类似于同步发电机。GFL逆变器采用恒功率（constant power, PQ）控制,其电压/频率调整环节被参考功率的快速跟踪环节所取代,因此不能主动提供惯性支持。而GFM逆变器采用电压/频率（V/f）控制,当系统频率或电压偏离额定值时,GFM逆变器可自动调整其输出,以减小这种偏差,如图1和图2所示。

此外,虚拟同步发电机（VSG）控制被认为是GFM逆变器提供惯性支持的有效方式。VSG通过模拟同步发电机的转子运动方程,引入了惯性环节,同时保留了频率/功率静差特性,如图4所示。转子运动方程如式(1)-(3)所示。

通过调整转动惯量J和阻尼系数D,可以改变GFM逆变器的惯性响应。通常,频率变化率（RoCoF）和频率nadir点是评估系统惯性水平的常用指标。因此,系统运行人员可以通过限制RoCoF和nadir的允许范围,来确定对惯性的期望需求,而无需给出完整的期望频率响应曲线。

对于由多个GFM逆变器组成的SVPP,可以通过协调各GFM逆变器的VSG控制参数,实现SVPP惯性水平的动态可调,如图5所示。这为满足电网的惯性需求提供了新的途径和灵活性。

基于在线学习的GFM逆变器参数配置方法

本文提出了一种创新的在线学习控制方法,用于自适应优化SVPP内各GFM逆变器的VSG控制参数（J和D）。该方法可根据电网实际频率响应与期望频率响应的差异,自动调整各GFM逆变器的参数。优化目标是使实际RoCoF和频率nadir点尽可能接近期望值。该方法的信息流如图6所示。

具体而言,SVPP运营商周期性地测量系统频率响应特征量（如频率nadir值f_nadir、到达该点的时间T_nadir、平均RoCoF等）,并将其输入在线学习算法。算法通过比较实际响应与期望响应的差异,更新各GFM逆变器的J和D参数。更新过程如算法1所示。

值得一提的是,该方法采用了一种称为 MAB的在线学习框架。MAB非常适合解决复杂关系下的动态不确定决策问题。近年来,MAB在满足电力系统随时间变化的调节需求方面取得了令人鼓舞的效果。

该方法的创新之处在于,无需建立SVPP的精确解析模型,即可实现适应动态环境的自优化控制。这在SVPP内部存在大量不确定性的情况下尤为重要,如可控负荷、电动汽车、分布式储能的行为等。传统的多GFM逆变器系统分析方法,如解析建模、神经网络、深度强化学习等,在实际应用中可能面临模型失配、数据不足等困难。而所提出的MAB方法可有效规避这些问题。

仿真分析

为验证所提出的同步虚拟电厂及其在线学习控制方法的有效性,我们在MATLAB/Simulink中搭建了改进的IEEE 34节点测试系统,如图8所示。该SVPP由6个GFM逆变器组成,其直流侧为蓄电池。此外,系统中还有2个光伏系统通过GFL逆变器并网。

仿真分为3个场景：（1）只有1个GFM逆变器参与SVPP的惯性优化控制；（2）有2个GFM逆变器参与控制；（3）所有6个GFM逆变器均参与控制。初始时刻,6个GFM逆变器的J和D参数并不完全相同。随着优化的进行,相关参数将被自适应调整。仿真中,频率扰动来自于PV1和PV2的功率波动。

仿真结果如图11、13、14所示。可以看出,MAB方法可有效实现SVPP惯性水平的动态优化,使实际频率响应逐渐接近期望响应。优化后,频率nadir偏差缩小到0.003Hz以内,平均RoCoF偏差降低到0.153Hz/s。频率稳定性指标得到显著改善。

通过对比单GFM逆变器和多GFM逆变器情形,可以发现MAB方法在后者情况下的优势更加明显。这是因为,当只优化单个GFM逆变器时,其调节能力是有限的。过度调节反而可能引起新的问题,如频率二次下降等。而MAB方法可以协调多个GFM逆变器的调节能力,在确保不同GFM逆变器适当惯性分配的同时,满足系统总体惯性需求。