✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
随着全球能源结构的转型和对可再生能源需求的日益增长,风力发电作为一种重要的清洁能源,其大规模并网对电网的稳定性和运行可靠性提出了新的挑战。风电固有的间歇性、波动性和随机性特征,导致其在并网运行时容易引发电网频率和电压的波动,甚至影响电网的暂态稳定。为解决这些问题,将储能系统与风力发电相结合,形成风储系统,已成为提高风电并网性能的有效途径。本文深入研究了基于虚拟同步发电机(Virtual Synchronous Generator, VSG)控制技术的风储并网系统。通过将风电机组和储能系统模拟成同步发电机,VSG技术能够赋予风储系统惯量支撑和阻尼特性,有效提升其对电网频率和电压波动的抑制能力,从而改善风储系统的并网性能。本文将详细探讨VSG控制策略的原理、风储VSG系统的架构设计、关键控制环节以及其在电网频率调节、电压支持和功率平抑方面的应用效果,旨在为风储系统的高效稳定并网提供理论基础和技术支撑。
关键词
风储并网;虚拟同步发电机;VSG;惯量支撑;频率调节;储能系统
1. 引言
全球气候变化和能源危机促使各国积极发展可再生能源,其中风力发电因其资源丰富、清洁环保等优势而备受青睐。近年来,风力发电技术取得了显著进展,装机容量持续增长,其在电力系统中的渗透率不断提高。然而,风电的间歇性、随机性和波动性特点,给电力系统的稳定运行带来了诸多挑战。传统同步发电机具有的转子惯量可以提供惯量支撑,平抑电网频率波动,而目前主流的风力发电机组(如双馈感应发电机和永磁同步发电机)通常通过电力电子变换器并网,其转子与电网是解耦的,缺乏惯量响应,导致电网惯量水平下降,频率稳定性降低。
为了缓解风电高渗透率带来的电网稳定性问题,储能系统被广泛应用于风电并网中。储能系统能够有效地平抑风电功率波动,提供有功功率和无功功率支撑,从而改善风电场的并网特性。然而,简单的风储并网系统仍然无法完全模拟传统同步发电机在电网中提供的惯量和阻尼作用。
虚拟同步发电机(VSG)技术应运而生,它通过在电力电子变换器的控制环中引入同步发电机(Synchronous Generator, SG)的数学模型,使得电力电子并网设备具备模拟同步发电机动态特性的能力。VSG技术能够使逆变器对外表现出与同步发电机相似的惯量、阻尼和调差特性,从而提高电网的稳定性、改善电能质量,并支持电网的频率和电压调节。将VSG技术应用于风储系统,构建基于虚拟同步发电机的风储并网系统(Wind and Storage Virtual Synchronous Generator, WS-VSG),有望充分发挥风储系统的优势,同时克服传统风电并网的不足,实现风储系统更友好、更稳定的并网运行。
2. 虚拟同步发电机(VSG)基本原理
虚拟同步发电机(VSG)的核心思想是模拟同步发电机的动态方程,将其控制策略融入到电力电子逆变器的控制环中,使得逆变器对外呈现出与真实同步发电机相似的电气特性。同步发电机的关键动态方程主要包括机械方程(转子运动方程)和电磁方程。
2.1 机械方程
同步发电机的转子运动方程描述了转子角频率(或角速度)的变化与机械功率和电磁功率之间的关系:


2.2 电磁方程
VSG还需模拟同步发电机在定子绕组中感应电动势与输出电压、电流之间的关系。对于VSG而言,其输出电压和电流由逆变器控制产生。通过控制逆变器的输出电压相位和幅值,可以模拟同步发电机的电磁特性,从而实现对无功功率的调节和电压的支撑。
2.3 VSG控制框架
典型的VSG控制框架通常包括以下几个主要环节:
- 有功功率控制模块:
模拟同步发电机的转子运动方程,通过比较有功功率指令(虚拟机械功率)与逆变器输出有功功率(虚拟电磁功率)之间的偏差,并考虑虚拟惯量和阻尼作用,计算出虚拟转子角频率。该角频率用于生成输出电压的相位。
- 无功功率控制模块:
模拟同步发电机的励磁调节器特性,通过比较无功功率指令与逆变器输出无功功率之间的偏差,调节虚拟电动势的幅值,进而控制逆变器的输出电压幅值。
- 内环电流/电压控制:
在VSG外环控制输出电压和频率指令后,逆变器内部通常会采用传统的电压电流双闭环控制,以实现对输出电压和电流的精确跟踪。
通过上述控制环节,VSG能够提供类似于同步发电机的惯量支撑和阻尼作用,主动参与电网频率调节;同时,也能提供无功功率支撑,参与电网电压调节。
3. 风储VSG系统架构设计
基于虚拟同步发电机的风储并网系统,其核心是将风力发电机组和储能系统与VSG控制技术相结合,形成一个具有惯量、阻尼和频率/电压调节能力的整体。
系统主要组成部分包括:
- 风力发电机组:
通常采用双馈感应发电机或永磁同步发电机。为了实现最大风能捕获,风力机组通常配备全功率变流器或部分功率变流器,其输出通过AC/DC整流器连接到直流母线。
- 储能系统:
通常采用电池储能系统,通过双向DC/DC变换器连接到直流母线。储能系统能够快速响应功率指令,进行充放电,从而平抑风电功率波动,并为VSG提供能量支撑。
- 直流母线:
连接风机变流器、储能变流器和并网逆变器,是能量转换的枢纽。
- 并网逆变器(VSG逆变器):
这是整个风储VSG系统的核心。该逆变器通过VSG控制算法,将直流母线上的能量转换为交流电,并以同步发电机特性并入电网。
- 控制系统:
负责整个风储VSG系统的协调控制,包括最大功率点跟踪(MPPT)、VSG控制、储能管理系统(BMS)以及与电网的通信等。
在风储VSG系统中,VSG控制算法通常集成在并网逆变器中。储能系统可以作为VSG的“燃料”,在风电功率不足时向电网供电,在风电功率过剩时吸收多余能量。储能系统与VSG控制的结合,使得风储系统能够更加灵活地响应电网需求,提供惯量支撑、频率调节和电压支持。
4. 风储VSG关键控制环节
风储VSG系统的关键在于其协同控制策略,以实现风能的高效利用、储能的合理调度以及VSG的稳定运行。
4.1 风电机组控制策略
风电机组的控制目标是实现最大风能捕获和输出功率的平稳性。通常采用最大功率点跟踪(MPPT)控制策略,根据实时风速调节桨距角或发电机转速,以获取最大风能。在风储VSG系统中,风机的输出功率也可以作为VSG的虚拟机械功率的一部分,但需要储能系统进行平抑。
4.2 储能系统控制策略
储能系统的控制是风储VSG系统成功的关键。储能系统需要根据VSG的功率指令,以及风电预测和电网需求,进行充放电管理。其主要控制策略包括:
- 功率平抑控制:
储能系统通过吸收风电功率波动,向电网输出平稳的功率。
- 频率支撑控制:
当电网频率偏离额定值时,VSG会发出有功功率调节指令,储能系统需要快速响应,提供功率支撑。
- 电压支撑控制:
储能系统也可以通过提供无功功率,参与电网电压的调节。
- 荷电状态(SOC)管理:
为保证储能系统的长期健康运行,需要对电池的荷电状态进行有效管理,避免过充过放。
4.3 VSG控制策略
VSG控制是风储VSG系统的核心,其目标是模拟同步发电机的惯量和阻尼特性,参与电网频率和电压调节。



5. 风储VSG系统的优势与应用
5.1 优势
- 提升电网频率稳定性:
VSG能够为电网提供虚拟惯量和阻尼,主动参与频率调节,有效抑制风电波动引起的频率下降,提高电网的频率稳定性。
- 增强电网电压支撑能力:
VSG能够通过无功功率控制,为电网提供电压支持,改善电网电压质量。
- 平抑风电功率波动:
储能系统与VSG协同,能够有效平抑风电的间歇性和波动性,使风电出力更加平稳,减少对电网的冲击。
- 实现并网友好性:
通过模拟同步发电机的行为,风储VSG系统对电网更加友好,能够更好地与传统发电机组协调运行。
- 提高系统可靠性:
在风电出力不足或电网故障时,储能系统可以通过VSG向电网供电,提高系统的可靠性。
5.2 应用
风储VSG系统在电力系统中有广泛的应用前景:
- 高比例风电并网:
尤其适用于高比例风电渗透率的区域电网或微电网,解决风电并网带来的稳定性问题。
- 微电网:
在微电网中,风储VSG可以作为重要的电源,提供惯量支撑和频率/电压调节,提高微电网的独立运行能力和稳定性。
- 黑启动:
具备VSG功能的风储系统在电网大面积停电时,能够提供黑启动能力,帮助电网快速恢复。
- 电网辅助服务:
风储VSG系统可以参与电网的辅助服务市场,如提供调频、调压服务,获取额外收益。
- 海上风电:
海上风电场通常距离大陆较远,电网惯量支撑不足,风储VSG技术可以有效提升海上风电的并网性能。
6. 挑战与展望
尽管风储VSG系统具有显著优势,但在实际应用中仍面临一些挑战:
- VSG参数优化:
虚拟惯量和阻尼系数的选择需要综合考虑系统稳定性、动态响应和鲁棒性,优化算法的研究仍需深入。
- 储能寿命与成本:
储能电池的寿命、成本和循环次数是制约风储系统大规模应用的重要因素。
- 协调控制复杂性:
风电机组、储能系统和VSG之间的协调控制,涉及多目标优化和多时间尺度控制,控制策略的鲁棒性和自适应性有待提高。
- 故障穿越能力:
在电网故障(如短路)情况下,VSG能否稳定运行并提供支撑,以及其故障穿越策略的研究仍需加强。
- 标准化与规范:
针对风储VSG并网系统的标准和规范仍需完善,以指导其设计和运行。
未来研究方向可以包括:
- 自适应VSG控制:
根据电网运行状态和风储系统内部参数变化,动态调整VSG控制参数,提高系统的自适应能力。
- 多VSG系统协调控制:
研究多个风储VSG系统并联运行时的相互影响和协调控制策略。
- 储能与VSG深度融合:
探索将储能系统本身的特性(如快速响应能力)更紧密地融入到VSG控制中,形成更高效的控制一体化方案。
- 基于人工智能的VSG控制:
利用机器学习等人工智能技术,优化VSG控制参数,实现更智能化的控制。
- 电网支持能力的量化评估:
对风储VSG系统提供的惯量支撑、频率调节等电网支持能力进行更精确的量化评估。
7. 结论
基于虚拟同步发电机的风储并网系统是解决高比例风电并网挑战的有效技术方案。通过赋予风储系统模拟同步发电机动态特性的能力,VSG技术能够显著提升风储系统的并网性能,包括提供惯量支撑、参与频率和电压调节,并有效平抑风电功率波动。本文详细阐述了VSG的基本原理、风储VSG系统架构、关键控制环节及其应用优势。尽管仍面临一些挑战,但随着控制技术、储能技术和人工智能的不断发展,风储VSG系统有望在未来的电力系统中发挥越来越重要的作用,为构建清洁、稳定、高效的现代电力系统贡献力量。
⛳️ 运行结果



🔗 参考文献
[1] 张冠锋,杨俊友,王海鑫,等.基于虚拟同步机技术的风储系统协调调频控制策略[J].电工技术学报, 2022, 37(S01):10.
[2] 陈文倩,辛小南,程志平.基于虚拟同步发电机的光储并网发电控制技术[J].电工技术学报, 2018, 33(A02):8.DOI:CNKI:SUN:DGJS.0.2018-S2-034.
[3] 白望望,方颖颖,李晓英,等.基于VSG的风储并网系统电池储能附加自抗扰阻尼控制策略[J].电气自动化, 2024, 46(6):29-35.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
1042

被折叠的 条评论
为什么被折叠?



