光伏组件逆变器控制系统设计

第 28 卷第 3 期2012 年 3 月电 力 科 学 与 工 程Electric Power Science and EngineeringVol. 28， No.3Mar． ， 2012 17光伏组件逆变器控制系统设计武卫革 1 ， 翟志强 1， 赵志强 1， 徐 璞 2（ 1. 保定天威集团有限公司 电工技术研究所 ， 河北 保定 071056；2． 保定天威北方电气自动化有限公司 ， 河北 保定 071051）摘要 ： 设计了一种光伏组件逆变器控制系统 ， 控制系统由最大功率点追踪 、 孤岛检测 、 数字锁相环 、 电流控制环等构成 ， 实验样机测试表明 ， 该控制系统控制性能良好 ， 逆变器能够成功并网运行 。关键词 ： 光伏组件逆变器 ； 流程图 ； 最大功率点追踪中图分类号 ： TM615 文献标识码 ： A收稿日期 ： 2011 － 12 － 26。作者简介 ： 武卫革 （ 1975-） ， 男 ， 工程师 ， 从事光伏逆变器工作 ， E-mail： Wuweige@btw． cn。0 引言太阳能是人类可利用的最直接的清洁能源之一 ，也是未来能源结构的基础 。 逆变器是光伏并网发电系统中的重要环节 ， 与集中式逆变器不同 ， 光伏组件逆变器直接安装在每块电池板上 ， 针对每个光伏组件进行精确 MPPT 控制 ， 即使在周围树 、 烟囱 、建筑等阴影遮挡 、 云雾变化 、 污垢积累和组件效率衰减不均等不理想条件下 ， 也能保证每个光伏组件以最大功率输出 ， 从而提高了光伏系统的整体效率 。另外光伏组件逆变器具有体积小 、 安装方便 、 可靠性高 、 适合规模化生产 、 成本低等优点 。 ［ 1， 2］本文设计了一种数字控制的光伏组件逆变器的控制系统 ， 控制系统由数字锁相环 、 电流控制环 、 最大功率点追踪 、 孤岛检测等构成 。 通过在实验样机中测试 ， 该控制系统性能良好 ， 逆变器能够成功并网运行 。1 光伏组件逆变器系统如图 1 所示 ， 光伏组件逆变器系统由晶硅电池组件接口电路 、 DC /DC 升压电路 、 DC /AC 工频换向电路 、 滤波器电路 、 微处理器电路组成 。晶硅电池组件的直流电压加在 DC /DC 升压电路 ，在反激输出的电容上产生整流的正弦输出电压 ，DC /AC 工频换向电路以工频进行开关工作 ， 将整流输出电压转换成正弦电压 。 滤波器电路滤除高频开关谐波 ， 保证并网电流的质量 。 微处理器电路通过对电池组件电压 、 电流采样 ， 使电池组件以最大功率方式输出 ， 数字锁相环使得逆变器的输出电流与电网同步 。 ［ 3］图 1 光伏组件逆变器系统构成Fig ． 1 Block diagram of micro- inverter2 光伏组件逆变器控制系统设计控制 器 基 于 DSPIC33FJ16GS504 开 发 ， 该 控制器提供专为功率转换应用而设计的功率外设 ，包括高速 PWM 模块 、 高速 10 位 ADC 模块和高速模拟比较器模块 。 控制系统的功能如下 ：（ 1 ） 最大功率点追踪 （ MPPT ） 。 为了保证光伏组件以最大功率输出 ， 通常情况下逆变器采用观测扰动法来进行 MPPT 。 MPP 追踪器通过将太阳能电池的电压定期增大或减小来工作 ， 如果给定扰动导致电池板输出功率增大 （ 减小 ） ， 则会在 相 同 （ 反 ） 方 向 上 产 生 后 续 扰 动 。 传 统 的MPPT 控制算法虽然能够 快 速 追 踪 最 大 功 率 点 ，但无法最终稳定在最大功率点 ， 光伏组件的输出电压和功率也处于反复震荡中 ， 其与理想的最大功率存在一定的偏差 ， 为此本文采样变步长观测扰动法来实现最大功率点追踪控制算法 ， 其流程专栏 · 新能源技术NEW ENERGY TECHNOLOGY18 电 力 科 学 与 工 程 2012 年图如图 2 所示 ［ 4］ 。 U PV （ k ） 、 I PV （ k） 、 P （ k） 分别表示光伏组件第 k 次采样的电压 、 电流和功率 。（ 2 ） 孤岛检测功能 。 孤岛会威胁电网维修人员的安全 ， 会影响配电系统的保护开关动作程序 ，在重合闸时可能对用电设备造成损坏等 。 本系统采用被动式检测方法与主动相结合的方法 ， 减小了检测盲区 ， 提高了孤岛检测的效果 。 ［ 5］图 2 MPPT 流程图Fig ． 2 Flow chart of MPPT（ 3） 不同工作模式逆变器状态机 。 光伏组件逆变器软件用状态机来确定系统的工作模式 。 当系统刚开启时 ， 状态机会检查输入和输出条件以及故障 ， 如果输入和输出在指定范围内且没有故障 ， 系统状态机进入启动模式 。 然后状态机会在启动模式下再次检查系统条件 ， 并将所有必须变量和外设初始化进入白天模式 。 若电网出现故障 ，系统就会进入错误模式 。 如果电网正常但电池板电压没有在正常范围内 ， 系统进入夜间模式 。 各个工作模式状态之间的转换如图 3 所示 。图 3 状态机Fig ． 3 State machine block diagram（ 4 ） 数字锁相环 （ PLL ）PLL 是光伏组件逆变器重要组成部分 ， 产生电网电压的频率和相位角以便控制输出与电网同步 。 PLL 产生的电网电压频率和相位角不仅用于控制信号的生成 ， 还用于孤岛模式检测等功能 。（ 5 ） 电流控制环电流控制环是一个比例积分控制器 ， 是控制系统的核心 。 此控制环可以校正参考电流和输出电流之间的误差 。 确保输出电流跟随参考电流变化 。 如图 4 所示 。 有 MPPT 模块和 PLL 模块共同形成电流的参考值 ， 然后与反馈电流相减 ， 两者的误差通过 PI 调节器 ， 其输出结果去控制 PWM占空比 ， 从而实现逆变器并网发电 。图 4 控制环框图Fig ． 4 Control loop block diagram光伏组件逆变器控制系统采用中断的方式进行 ， 包括 ADC 中断和定时器中断 。 ADC 中断和定时中断流程见图 5 和图 6 。图 5 ADC 中断流程图Fig ． 5 Flow chart of ADC interrupt专栏 · 新能源技术NEW ENERGY TECHNOLOGY第 3 期 武卫革 ， 等 光伏组件逆变器控制系统设计 19图 6 定时器中断流程图Fig ． 6 Flow chart of timer interrupt图 7 实验数据Fig ． 7 Experimental data3 控制系统验证该控制系统运用于 220 W 光伏组件逆变器系统中 ， 用 TOPCON 可编程高精度直流电源模拟光伏组件的输出 ， 用 WT3000 高精度功率分析测试逆变器的输入 、 输出功率 、 效率及并网电流波形 。从图 7 可以看出 ， TOPCON 模拟电源的输出功率是 211. 083 W， 输出功率是 191. 402 W ， 逆变器的效率是 90. 676% 。 图 8 中 ， U 1， I 1 分别是模拟电源输出电压和电流 ， U 2 是电网电压 ， I 2 是逆变器的并网电流 ， 可以看出并网电流能够跟随电网电压 ， 能够并网工作 。图 8 实验波形Fig ． 8 Experimental waveforms4 结论本文设计了一种数字控制的光伏组件逆变器的控制系统 ， 控制系统由数字锁相环 、 电流控制环 、 最大功率点追踪 、 孤岛检测等模块构成 。 通过 220 W 实验样机中测试表明 ， 该控制系统控制性能良好 ， 逆变器能够成功并网运行 。参考文献 ：［ 1］ G R Walker， P C Sernia ．Cascaded DC-DC converter ofphotovoltaic modules ［ J］ ． IEEE Trans Power Electron ．，2004， 19 （ 4） ： 1130-1139．［ 2］ E Roman， R Alonso， P Ibanez， et al ． Intelligent PV modulefor grid-connectedPV systems［ J］ ． IEEE Trans Ind Elec-tron， 2006， 53 （ 4） ： 1066-1073．［ 3］ 舒杰 ， 傅诚 ， 陈德明 ， 等 ． 高频并网光伏逆变器的主电路 拓 扑 技 术 ［ J］ ． 电 力 电 子 技 术 ， 2008， 42（ 7） ： 79-82．Shu Jie， Fu Cheng， Chen Deming， et al ． A review ofmain circuit topology for high-frequency grid connected PVInverters ［ J］ ． Power Electronics， 2008， 42 （ 7 ） ：专栏 · 新能源技术NEW ENERGY TECHNOLOGY20 电 力 科 学 与 工 程 2012 年79-82 ．［ 4］ 张建坡 ， 张红艳 ， 马朝晖 ． 光伏系统变步长最大功率跟踪策略仿 真 研 究 ［ J］ ． 可 再 生 能 源 ， 2009， 27 （ 5） ：10-14 ．Zhang Jianpo， Zhang Hongyan， Ma Zhaohui ． Studies onthe variable step MPPT control algorithms of solar energysystem ［ J］ ． Renewable Energy Resources， 2009， 27（ 5） ： 10-14．［ 5］ 廖红伟 ， 林永君 ． 光伏发电系统孤岛的检测 ［ J］ ． 电力科学与工程 ， 2010， 26 （ 11） ： 1-4．Liao Hongwei， Lin Yongjun ． Islanding detection based onphotovoltaic power generationsystem［ J ］ ． Electric PowerScienceand Engineering， 2010， 26 （ 11） ： 1-4．Control System Design of PV Cells InverterWu Weige 1， Zhai Zhiqiang 1， Zhao Zhiqiang 1 ， Xu Pu2（ 1． Institute of Electrotechnology， Baoding Tianwei Group Co. Ltd， Baoding071056， China2． Baoding Tianwei Beifang Electric Automation Co. ， Ltd， ， Baoding 071056， China）Abstract ： This paper introduces a design of PV cells inverter control system， the control system is composedofmaximumpowerpoint tracking， islanding detection， digital phase-locked loop， current control loop ． Experimentaltest results showthat， the control system has good control performancein the inverter ．Key words ： PV cells inverter； flow chart ；檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮檮MPPT（ 上接第 16 页 ）［ 8］ 傅荟璇 ， 赵红 ． MATLAB 神经网络应用设计 ［ M］ ． 北京 ：机械工业出版社 ， 2010 ．［ 9］ 张国强 ， 张伯明 ． 基于组合预测的风电场风速及风电机功 率 预 测 ［ J］ ． 电 力 系 统 自 动 化 ， 2009， 33 （ 18） ：92-95 ．Zhang Guoqiang， Zhang Boming． Wind speedand wind tur-bine output forecastbased on combination method［ J］ ． Au-tomation of Electric Power Systems， 2009， 33 （ 18 ） ：92-95 ．Application of Combination Model in the Short- term Predicitionof Wind Farm Generation PowerNiu Chenguang 1， You Xiaoke 1 ， Liu Guanqi 1， Zhao Zhenyun 2（ 1． School of Electrical and Electronic Engineering， North China Electric Power University Baoding071003，Hebei Province， China； 2． Hebei Electric Corporation Shijiazhuang050000， Hebei Province， China）Abstract ： With the continuousdevelopmentof wind power and the construction of large scale wind farms， the pow-er grid of every country （ area） pay moreattention to wind power． The short-term prediction of wind power genera-tion power for the developmentof wind power plays a vital role ． The paperpresents the RBF neural network powerprediction model based on the theory of phase sapacereconstruction ．Firstly ， By juding chaos attribute of powertime series， restoresits regularity and thereby improvesthe prediction accuracy requirements ．Secondly， Combiningsupport vector machine （ SVM） model， the paper establishes the combination forecast model． Finally ， throughcomparativeanalysis of the results ， combination model can get a higher short-term power generationpower predic-tion accuracy， and better meetsthe actual needs．Key words ： short-term wind powerprediction； neural network ； support vector machine ； combined forecasting专栏 · 新能源技术NEW ENERGY TECHNOLOGY