太陽能與風力複合發電之最大功率 追蹤控制系統 國立高雄海洋科技大學 輪機工程系專題報告 太陽能與風力複合發電之最大功率 追蹤控制系統 主 講 人：洪 志 明 博士 日 期：2012年12月05日 1

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 2

前言(1/1) 爲了減少燃料成本及石化燃料所造成的污染，因此結合太陽能發電與風力發電，並配合柴油引擎發電，可使複合發電系統具有較完善的電力供應以及提高系統的可靠度。 爲了提高風力發電系統與太陽能發電系統之最大功率輸出，在風力發電系統方面，本文提出智慧型控制器，使風力發電系統皆操作在最佳工作點及太陽能發電系統運轉在最大功率點， 以獲得最大的輸出電功率 。 3

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 4

風力發電系統介紹(1/4) 風渦輪機的電力輸出與風的速度關係密切，葉片由風獲得的能量與風速的三次方成正比，可以將風渦輪擷取之風能如下式(1) ： (1) 其中：Pw：由風所擷取的功率(單位：W)；ρ：空氣密度(單位：kg/m3) ；R：風渦輪機葉片半徑(單位：m) ；Cp：功率係數；λ：尖端速度比；Vw：風速(單位：m/s) ；ωr：渦輪機之轉速；β：葉片旋角的角度(單位：degrees) 5

風力發電系統介紹(2/4) 如圖1所示，為風力發電機之尖端速度比與功率係數特性曲線。如圖2所示，為風渦輪機之轉速與輸出功率特性曲線。 圖1 尖端速度比與功率係速特性曲線 圖2 轉速與輸出功率特性曲線 6

風力發電系統介紹(3/4) 由圖3所示，如果感應電動機由外部的原動機驅動在大於同步轉速下，其感應轉矩的方向會相反使其動作為發電機。在發電機模式運轉下，有一個最大感應轉矩，稱為發電機的俯衝轉矩(Pushover Torque)。若原動機加在感應發電機的轉矩大於俯衝轉矩，發電機就會過速。 圖3 感應電機的轉矩-速度特性曲線

風力發電系統介紹(4/4) 如圖4所示，上圖為獨立型風力發電系統。下圖為市電併聯型風力發電系統。 圖4 獨立型與市電併聯型之風力發電系統 8

太陽能發電系統介紹(1/9) 太陽能電池內部係由一等效電流源，與二極體、電阻所等效而成。其電氣特性受日照度、太陽能電池材料、周遭環境溫度、擺設位置、方向、所應用空間之經緯度均有影響，太陽能板內部等效電路如圖5所示： 圖5 太陽能板等效電路 9

太陽能發電系統介紹(2/9) 等效輸出電壓VPV表示如式(2)及等效輸出電流IPV表示如式(3)： (2) (3) 其中：IPV：太陽能電池輸出端電流；VPV：太陽能電池輸出端電壓；ISC：太陽能電池內部等效電流源；RS：太陽能電池輸出端電壓等效串聯電阻；RSH：太陽能電池端內部PN接面等效電阻；T：太陽能電池之環境溫度 10

太陽能發電系統介紹(3/9) 如圖6所示，為不同日照下之太陽能端電壓與輸出電流特性曲線。如圖7所示，為不同日照下之太陽能端電壓與輸出功率特性曲線。 圖6 太陽能端電壓與輸出電流特性曲線 圖7 太陽能端電壓與輸出功率特性曲線 11

太陽能發電系統介紹(4/9) 太陽能模組等效電路如圖8所示，由數個單一太陽能電池串並聯組合而成，以下為太陽能模組數學方程式： (4) 圖8 由Np(m)Ns(m)的太陽能電池組成的太陽能模組等效電路

太陽能發電系統介紹(5/9) 升壓型直流轉換器的功能是將太陽能輸出之不穩定電壓轉換為穩定的直流電壓源。一般太陽能輸出電壓都偏低，不能直接供給負載使用，必須先經過升壓、整流後才可以提供功率。如圖9所示。 圖9 升壓型直流/直流轉換器電路

太陽能發電系統介紹(6/9) 反流器(inverter)主要作為直流電壓與交流電壓相互轉換之裝置，將升壓式轉換器之直流輸出電壓經由反流器轉換為交流電壓，並控制輸出功率潮流至電網。 本文使用反流器為三相二階層橋接反流器(two-level)，係利用六個IGBT及二極體構成電壓源反流器(VSC)如圖10所示，並使用正弦脈波寬度調變(SPWM)產生六組脈波信號分別觸發六個IGBT開關切換以產生三相電壓及頻率與市電併聯使用。 圖10 三臂橋式(three-arm bridge)反流器

太陽能發電系統介紹(7/9) SPWM產生六個脈波信號，用來控制六個IGBT開關切換，每一臂由一對IGBT組成，由載波信號三角波Vtri與調變信號正弦波Vcontrol比較而產生脈波信號，當調變信號大於載波信號時，輸出為高準位，若調變信號小於載波信號時，輸出為低準位，如圖11所示。 圖11 SPWM產生六個脈波信號

太陽能發電系統介紹(8/9) 本文所使用電流控制法包含兩個控制器，一為內迴路電流控制器(current regulator)用來控制變流器的輸出電流波形，一為外迴路直流電壓控制器(DC voltage regulator)用來控制變流器輸出電壓， 如圖12所示： 圖12 反流器之電流控制法架構 16

太陽能發電系統介紹(9/9) 如圖13所示，上圖為獨立型太陽能發電系統。下圖為市電併聯型太陽能發電系統。 圖13 獨立型與市電併聯型之太陽能發電系統 17

柴油系統動態模型(1/2) 發電機功率由原動機柴油引擎提供，可由柴油引擎調速機控制轉子轉速與發電機的出力以達到實功率潮流的供需平衡。柴油引擎調速模型如圖14所示。 圖14 柴油引擎調速模型 其中：ωref：參考轉速；ω：實際發電機轉速；K：轉移函數的增益；T：時間常數；Pmec：柴油引擎調速系統的輸出功率。 18

柴油系統動態模型(2/2) 激磁系統主要是提供適當的激磁電流給同步機的激磁繞組，發電機之激磁控制系統為IEEE TYPE-1模型，如圖15所示。 圖15 發電機之激磁控制系統 19

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 20

靜態同步補償器之原理與分析(1/3) 如圖16所示，為靜態同步補償器之單線圖與等效電路，電壓源反流器利用脈寬調變技術產生與系統相同頻率的三相電壓源，在交流電源一週期內，使反流器之電力電子開關元件快速切換，構成交流PWM電壓以降低低次諧波含量，藉由改變輸出電壓振幅大小，對系統提供或吸收虛功率，以維持系統電壓之穩定。 圖16 靜態同步補償器之單線圖與等效電路 21

靜態同步補償器之原理與分析(2/3) 靜態同步補償器之功率潮流表示如式(5)： (5) 其中：V1：電網之端電壓；V2：靜態同步補償器產生之端電壓；X：電網與靜態同步補償器之間的等效阻抗； θ ：電網端電壓與靜態同步補償器端電壓之相角差 22

靜態同步補償器之原理與分析(3/3) 諧波抑制 不平衡控制 減少故障電流 能量儲存 靜態同步補償器是目前無效電力補償器中最理想之設備，因靜態同步補償器無電抗器，其損失較低，且其補償能力不受系統電壓變動影響，對於電壓變動與三相不平衡皆有良好的抑制效果。其特性如下： 諧波抑制 不平衡控制 減少故障電流 能量儲存

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 24

徑向基底類神經網路之基礎理論(1/5) 網路架構為一層輸入層、一層隱藏層與一層輸出層， 如圖17所示。 應用於太陽能發電系統之最大功率追蹤，並與擾動觀察法作比較。 圖17 徑向基底類神經網路架構 25

徑向基底類神經網路之基礎理論(2/5) 第一層：輸入層(Input Layer) ：對於輸入層中第i個神經元而言，其輸入與輸出如式(6)： 第二層：隱藏層(Hidden Layer) ：其輸入與輸出如式(7)： 第三層：輸出層(Output Layer)：對於輸出層中的第o個神經元而言，其輸入與輸出如式(8)： (6) (7) (8) 26

徑向基底類神經網路之基礎理論(3/5) 在回饋階段，網路權重值根據梯度下降演算法來進行修正。 首先必須定義一誤差函數E，如式(9)所示： 其中：Vdc：期望的輸出電壓；VMPPT：線上的實際輸出電壓 27

徑向基底類神經網路之基礎理論(4/5) 倒傳遞回來的誤差如式(10)所示： 其輸出層與隱藏層間之連結權重值每次更新疊代如式(11)所示： 輸出層與隱藏層之間連結權重值可根據式(12)來調變： (10) (11) (12) 28

徑向基底類神經網路之基礎理論(5/5) 隱藏層之高斯函數平均值每次更新疊代如式(13)所示： 隱藏層之高斯函數平均值每次修正量如式(14)所示： 隱藏層之高斯函數標準偏差值每次更新疊代如式(15)所示： 隱藏層之高斯函數標準偏差值每次修正量如式(16)所示： (13) (14) (15) (16) 29

Elman類神經網路之基礎理論(1/6) Elman網路架構為一層輸入層、一層隱藏層、一層承接層與輸出層，如圖18所示 。 應用於風力發電機之旋角控制器，並與比例-積分控制法作比較。 圖18 Elman類神經網路架構 30

Elman類神經網路之基礎理論(2/6) 第一層：輸入層(Input Layer)：對於輸入層中第i個神經元而言，其輸入與輸出如式(17)所示 ： (17) 第二層：隱藏層(Hidden Layer) ：其輸入與輸出如式(18) 所示： (18) 31

Elman類神經網路之基礎理論(3/6) 第三層：承接層(Context Layer) ：其輸入與輸出如式(19)所示： (19) 第四層：輸出層(Output Layer)：將所輸入此神經元的訊號做加總之計算，對於輸出層中的第o個神經元而言，其輸入與輸出如(20)所示： (20) 32

Elman類神經網路之基礎理論(4/6) 利用遞迴連鎖律規則來計算每一層之誤差量，再根據所得之誤差量來修正權重值， 。 (21) 其中：Pout：發電機之輸出功率；Pref：發電機之額定參考功率；e：追蹤誤差 33

Elman類神經網路之基礎理論(5/6) 輸出層：倒傳遞回來的誤差如式(22)所示： (22) 其輸出層與隱藏層間之連結權重值每次更新疊代如式(23)所示： 輸出層與隱藏層之間連結權重值可根據式(24)來調變： (22) (23) (24) 34

Elman類神經網路之基礎理論(6/6) 承接層與隱藏層間之連結權重值每次更新疊代如式(25)所示： (25) 承接層與隱藏層之間連結權重值可根據式(26)來調變： 輸入層與隱藏層間之連結權重值每次更新疊代如式(27)所示： 輸入層與隱藏層之間連結權重值可根據式(28)來調變： (25) (26) (27) (28) 35

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 36

風力發電系統之最大功率追蹤(1/3) 為了提高風力發電與太陽能發電之最大功率輸出，其發電系統需配合使用最大功率追蹤之控制器，使得風力發電與太陽能發電均在最大功率輸出下運轉，除了可提高供電效率、系統穩定度外，也可降低環境污染。 由於風速屬於不穩定的能源，將導致輸出的功率亦變得不穩定，為了維持穩定的輸出功率以及避免超出額定輸出，必須做輸出功率控制。傳統的風力最大功率輸出方法有許多種，如擾動觀察法與模糊控制法等，其控制方式是藉由量測風力發電機之各種參數，經由最大功率追蹤控制法得到一訊號，由此訊號來控制發電系統中的升降壓轉換器之開關切換週期，使其為最大功率輸出。

本文所使用之功率控制方法為旋角控制，於高風速時可同時調整多個葉片角度，可減低風的推力，使發電機不至於損壞；於低風速時亦可調整其葉片，增加葉片受風面積，以提高發電機之功率輸出，如圖19所示。 Induction Generator AC/DC Converter MPPT Control + - DC/AC Inverter Wind Grid Coordinate Translator Field-weakening PWM Current Control Current Control Anemometer Operation Battery energy storage 圖19 風力發電機之旋角控制系統

風力發電系統之最大功率追蹤(2/3) 如圖20所示，為旋角控制系統之架構，若發電機輸出功率大於系統要求之參考功率，則啟動旋角控制系統，其控制系統利用比例-積分控制器控制旋角，藉由改變旋角之受風面積，使風力渦輪機輸出功率維持在最大輸出功率。 + - PI Controller Turbine/Generator System 圖20 旋角系統之比例-積分控制器 39

風力發電系統之最大功率追蹤(3/3) 如圖21所示，為本文所設計之旋角控制器，藉由線上學習法則來調整控制器內之權重參數，使其產生最佳βc值，提高旋角控制系統之響應，使得發電機能很快進入最大輸出功率點。 + - ENN Controller Turbine/Generator System 圖21 旋角系統之ENN控制器 40

太陽能發電系統之最大功率追蹤(1/2) 如圖22所示，為傳統擾動觀察法，此法構造簡單，只需量測太陽能電池輸出之電壓與電流，藉由週期性的增加或減少負載的大小，以改變太陽能電池的端電壓與輸出功率，並觀察、比較負載變動前後之輸出電壓及輸出功率的大小，以決定下一次電壓與功率的增加或減少。 圖22 太陽能發電系統最大功率追蹤之擾動觀察法 41

太陽能發電系統之最大功率追蹤(2/2) 如圖23所示，為本文所設計之智慧型最大功率追蹤法，擷取太陽能電池之電壓、電流與溫度之資料作為徑向基底類神經網路的輸入資料，並進行建模與訓練，將類神經網路之輸出電壓訊號與負載端之直流電壓經由比較器來控制轉換器之開關切換週期，使其在不同工作環境下均能運作在最大輸出功率點。 圖23 太陽能發電系統最大功率追蹤之RBFN控制法 42

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 43

獨立型混合發電系統(1/3) 本節模擬架構如圖24所示，為獨立型太陽能-風能-柴油混合發電系統模擬分析。 圖24 獨立型太陽能-風能-柴油混合發電系統架構 44

獨立型混合發電系統(2/3) 固定風速與照度下，總負載量在0.5秒時，由3KW增加至4KW ，且應用傳統控制器與智慧型控制器之比較，如圖25所示。 傳統控制器 智慧型控制器 圖25 傳統控制器與智慧型控制器之比較 45

獨立型混合發電系統(3/3) 固定風速與照度下，總負載量在0.5秒時，由3KW增加至4KW之風力發電輸出功率與太陽能發電輸出功率比較，如圖26所示。 風力發電系統 太陽能發電系統 圖26 風力發電輸出功率與太陽能發電輸出功率比較 46

穩態模擬分析(1/3) 本節模擬架構如圖27所示，為市電併聯型混合發電系統併聯靜態同步補償器之模擬分析。 圖27 電併聯型混合發電系統併聯靜態同步補償器架構 47

穩態模擬分析(2/3) 風速變化從12m/s下降至8m/s模擬分析之旋角與功率係數比較，如圖28所示。最佳旋角角度為零度，功率係數為0.48。 旋角角度 功率係數 圖28 風速下降之旋角角度與功率係數比較 48

穩態模擬分析(3/3) 負載變化下有無併接靜態同步補償器之比較分析，在時間為0.5秒時，負載變化皆從5KW、5KVAR(電容性)再增加1KW、8KVAR(電容性) 如圖29所示，為系統匯流排之電壓，在負載增加瞬間，靜態同步補償器達到補償功用，使電壓穩定在1標么。如圖30所示，為併接靜態同步補償器前後之比較，可知本文設計之靜態同步補償器的確有補償之效果。 圖29 含靜態同步補償器之匯流排電壓 圖30 併接靜態同步補償器之比較

事故模擬分析(1/4) 混合發電系統發生三相短路之比較，如圖31所示。 太陽能發電系統 風力發電系統 圖31 發電系統發生三相短路之比較 50

事故模擬分析(2/4) 負載切換下之混合發電系統比較，如圖32所示。 太陽能發電系統 風力發電系統 圖32 負載切換下之混合發電系統比較 51

事故模擬分析(3/4) 太陽能發電系統跳脫之混合發電系統比較，如圖33所示。 風力發電系統 太陽能發電系統 圖33太陽能發電系統跳脫之混合發電系統比較 52

事故模擬分析(4/4) 風力發電系統跳脫之混合發電系統比較，如圖34所示。 風力發電系統 太陽能發電系統 圖34 風力能發電系統跳脫之混合發電系統比較 53

大綱 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 54

結論(1/1) 將Elman類神經網路成功應用於旋角控制系統，使其在不同風速下，風力發電系統皆操作在最大功率點，以保持最大功率輸出，並可快速達到穩態響應。 將徑向基底類神經網路成功應用於太陽能最大功率追蹤上，使其在不同日照下，太陽能發電系統皆操作在最大功率點，以保持最大功率輸出，並可快速達到穩態響應。 本文模擬了各種突發事件，可藉由模擬圖得出各個事件中之發電機組運轉情形，以便進行各種調度與功率分配。 本文亦模擬了獨立型與市電併聯型兩種混合發電系統，可得知市電併聯型可調度之容量較大，若負載較小，可將過多之功率回饋至市電；若負載較大，可由市電提供不足之功率，應用範圍較獨立型廣泛。 55

敬請指教 Q&A 56