作者：张天海 杨小龙 周帅 汤可怡 刘鑫
单位：江苏方天电力技术有限公司
引用本文：张天海, 杨小龙, 周帅, 等. 考虑储能SOC的分布式光伏一次调频优化控制方法[J]. 储能科学与技术, 2025, 14(10): 3796-3807.
DOI：10.19799/j.cnki.2095-4239.2025.0295
本文亮点：所提控制有效平抑了负荷扰动带来的暂态频率波动，并缩短了调节时间，具备更好的频率控制性能。 所提控制在延迟以及连续扰动场景下能够实现对频率偏差的精准调节，具备更强的鲁棒性和抗干扰能力，确保了电力供应的可靠性和质量。
摘 要 随着分布式光伏等可再生能源的并网，传统调频资源已无法满足日益增长的调频需求。为更好地改善电网频率特性，发挥分布式光伏的调频潜力，提出了考虑储能SOC的分布式光伏一次调频优化控制方法。首先，根据分布式光伏以及储能设备的频率响应特性，建立了并网频率控制模型；然后，结合冠豪猪优化算法(CPO)对模型预测控制(MPC)的关键参数进行自适应调整，在此基础上考虑分布式光伏的容量限制以及储能SOC特征，构建了一次调频参数优化模型并实时更新状态空间方程，以此实现对分布式光伏频率支撑能力的精确控制；最后，通过Matlab/Simulink仿真算例对比不同控制策略下的调频性能。结果表明，该算法相比于优化前的控制策略具有更高的控制精度和更快的响应速度，且在延时和连续扰动场景下仍能表现出较好的控制性能，具有较强的鲁棒性和抗干扰能力。
关键词 储能荷电状态；分布式光伏；模型预测控制；参数优化
在“双碳”目标下，我国正积极推进能源结构转型。然而，随着分布式光伏规模的不断扩大，其发电的间歇性和不确定性导致并网后系统频率波动加剧，在电力需求较大的负荷高峰期，光伏出力因光照减弱或天气变化的影响可能出现下降趋势，导致电网出现不同程度的功率缺额，进而引起系统频率的降低。因此，需要深入挖掘分布式光伏的频率支撑能力，建立适用于新型电力系统的频率控制策略，以保障电网的供电可靠性并促进高比例可再生能源的消纳。
目前已针对分布式光伏的频率控制展开多方位的研究。文献[4]为提高分布式光伏的并网性能和频率稳定性，建立含预测模型、滚动优化、反馈校正等步骤的模型预测控制，并采用麻雀搜索算法(SSA)优化目标函数的权重系数与控制步长参数，具有较高的控制精度和稳定性。文献[5]针对高比例分布式光伏接入的配网场景，考虑光伏与ZIP负荷之间的动态特性，将逆变器的输出作为控制目标，建立了基于源-荷协调的控制策略，提高了系统的频率控制性能。文献[6]针对微网互联的频率波动问题，构建了含光伏的微电网互联系统，在此基础上基于模糊逻辑建立了频率优化控制模型以求解最优的控制器参数，维持新能源系统的频率稳定。但上述文献中分布式光伏系统的一次调频控制参数设置往往基于经验值，未能充分考虑储能荷电状态(state of charge，SOC)以及容量限制，将影响分布式光伏系统在频率波动时的调节效果。因此，需要针对分布式光伏的一次调频控制参数进行精细化管理，以提高其在不同工况下的响应性能。
在调频策略方面，模型预测控制(model predictive control，MPC)通过系统模型预测未来频率变化，实时优化控制策略，确保电网稳定。此外，其能够处理多变量目标约束，提高调频的控制性能以适应场景的不确定性。文献[7]为处理光伏出力的不确定性，利用卡尔曼滤波对扰动进行状态估计，以此改进MPC控制并建立含光伏的微网频率控制策略，有效地缓解了新能源波动带来的频率问题。文献[8]采用纳什均衡将系统二次调频控制分解为各区域系统的分布式滚动优化问题，以此构建基于分布式模型预测控制的互联电网频率控制策略，提高了新能源系统的调频性能和动态适应能力。文献[9]为提高风储系统的调频性能，采用MPC对桨距角控制参考值进行预测并进行滚动优化，实现对控制指令的实时修正，提高了风机的风能利用效率与控制精度。但现有的频率控制策略往往针对特定场景设计，缺乏对不同运行条件的自适应能力，难以应对复杂多变的分布式光伏并网场景。
针对上述问题，本工作提出了考虑储能SOC的分布式光伏一次调频优化控制方法。首先基于分布式光伏和储能设备的频率响应特性和动态调节能力，建立了含新能源的并网频率控制模型，为频率控制提供了理论基础。然后，采用冠豪猪优化算法(crested porcupine optimizer，CPO)对MPC控制中的关键参数进行自适应调整。CPO算法通过模拟冠豪猪的社会行为和觅食策略，能够在复杂的参数空间中快速找到最优解，从而提高MPC的控制效果。在此基础上，考虑了分布式光伏的容量限制和储能系统的SOC特征，构建了一次调频参数优化模型。该模型通过实时更新状态空间方程，动态调整控制参数，以实现对分布式光伏频率的精确控制。最后，通过Matlab/Simulink仿真算例对比不同控制策略下的调频性能，验证所提控制策略的有效性。
1 分布式光伏及储能联合调频原理
分布式光伏和分布式储能系统在低压侧并网时引起的频率波动，主要是系统的功率输出特性以及电网的动态响应等因素相互作用的结果。受天气条件、温度、光照强度等因素的影响，分布式光伏的输出功率会频繁波动并直接影响到电网的实时供需平衡，需要迅速调整其他电源的输出以维持频率稳定。同时，分布式储能系统在充放电过程中，其功率的快速变化会导致电网负载的瞬时波动，尤其是在储能系统响应电网需求进行快速放电时，可能会引起电网频率的瞬时下降。此外，低压侧电网的惯性较小，其接入负载特性复杂，抗干扰能力弱。当分布式光伏和储能系统并网时，电网无法有效地吸收功率波动，从而导致频率的快速变化。因此，分布式光伏和分布式储能在低压侧并网引起的频率波动是一个多因素耦合的复杂问题，涉及电源的波动性、储能系统的动态响应、电网的惯性以及调频控制参数等多个方面。为了确保电网的稳定运行，需要对上述因素进行综合分析和优化控制。
在具体的调频过程中，如图1所示，O点代表了机组与负荷之间的频率调节平衡状态。当电网频率由于负荷的随机波动或发电量的变化而偏离额定值时，系统中的调节资源能够自动地进行频率调整。分布式光伏系统通过调整控制策略来调整功率输出，以减轻频率波动。如果光伏功率的调整不足以恢复频率，分布式储能系统将根据频率偏差大小，进行相应的充放电操作，以提供或吸收额外的有功功率。通过光储的协同一次调频控制，电网频率快速恢复，最终达到一个新的平衡点O'。但新的平衡点频率低于原始的平衡点O，因此一次调频被称为有差调频，即在调频过程中，系统的频率会有所下降，但能够在一个新的稳定水平上维持运行，由此形成的调频机制是光储系统保持稳定运行和电力供应连续性的重要保障。
图1 一次调频原理图
根据上述分析可知，在一次调频过程中，上调频率需要快速增加发电功率，而下调频率则需要快速减少发电功率。然而分布式光伏作为一种间歇性可再生能源，其输出功率受光照条件影响较大，可能无法满足系统所需的调频支撑能力。为解决上述问题，本工作通过对光伏调频控制的参数进行优化，在光照充足时最大化光伏发电系统的输出功率，从而提高对上调频率的支撑能力；在光照不足时，通过合理配置储能系统，实现对下调频率的稳定支撑。
为量化分布式光伏的频率支撑能力，设置频率最大波动范围分别为10%、20%、30%，所能抵御的最大负荷扰动与光伏调频增益系数之间的函数关系如图2所示，可以看出，两者呈现出正比关系，这表明光伏增益系数越大，其所能提供的频率支撑能力越强，从而能容忍更大的负荷扰动。
2 含分布式光伏和储能的一次调频控制模型
2.1频率控制框架
本工作以含分布式光伏、分布式储能的并网系统作为分析场景，对系统的功频特性进行分析，其表达式为：
 | (1) |
式中，HG为同步机时间惯性常数；D为阻尼系数；Δf为频率波动；ΔPM为常规机组的功率调整；ΔPPV为分布式光伏机组的功率调整；ΔPE为储能机组的功率调整；ΔPL为系统的负荷扰动。
根据式(1)构建的频率控制模型由分布式光伏机组、分布式储能机组、同步机及负荷，以及MPC控制器等多个等效模块构成，各模块相互连接，如图3所示。
由于分布式光伏机组的输出功率具有明显的波动性和不确定性，其通过MPC控制器与电网相连，控制器根据光伏机组的输出功率和电网频率的变化，实时调整控制策略，以维持电网频率在合理范围内；分布式储能机组通过快速吸收或释放能量，以应对光伏机组的功率波动和负荷的变化，其同样通过MPC控制器与电网相连，确保其动作与光伏机组和负荷的变化相协调。同步机及负荷模块代表电网中的传统发电机组和用电负荷，MPC控制器通过预测负荷的变化趋势，提前调整光伏机组和储能机组的输出功率，以减少负荷波动对频率的影响。MPC控制器作为整个频率控制模型的核心，负责协调各模块之间的相互作用，其通过滚动优化和反馈校正机制有效处理系统动态过程中的各种约束条件，以此调整光伏机组和储能机组的输出功率，最终实现对电网频率的精确控制。
2.2分布式光伏频率响应模型
在分布式光伏系统参与一次调频的过程中，需要考虑到两个特定的时延因素影响，分别涉及从功率控制指令发出到逆变器接收的传递时延，以及逆变器开始执行指令的响应时延。采用惯性环节模型进行等效处理，该模型通过简化的数学形式，有效保留了时延对系统频率调节影响的关键动态特性，并简化了分析和计算的复杂度，如下式所示。
 | (2) |
式中，kPV为分布式光伏的一次调频控制增益；TPV1为调频控制指令下发到逆变器的时间常数；TPV2为逆变器的执行时间常数。
2.3分布式储能机组频率响应模型
考虑储能系统以直流形式进行充放电，通过换流器实现与交流电网之间的能量交换，从而参与有功功率的调节，系统的频率变化量经过比例系数的调制，可作为内环控制的重要输入信号并转化为功率变化量，以实现快速和有效的有功功率调节。通过比例系数调制频率变化量，能够直接反映系统频率的实时波动，确保了控制信号的及时性和准确性。同时，采用惯性环节的等效处理简化了控制系统的复杂度，提高了控制的响应速度和效率，其表达式如下。
 | (3) |
式中，kE为储能机组的调频增益系数；TE为储能机组的惯性响应系数。
3 基于CPO优化的模型预测控制算法
3.1算法原理及改进思想
模型预测控制提供了一种预测系统未来行为来规划控制动作的方法，其工作原理包括预测系统未来状态、构建优化问题、求解以得到一系列未来控制输入，使得控制信号沿期望轨迹运行，如图4所示。图中，yd为参考信号，yr(k+p)为最佳参考值，yc(k+p)为校正后输出，η(k)为控制输入，ym(k+p)为预测值，y(k)为系统的输出，k为采样时间，p为预测步长。然而，在实际应用中，系统可能会因为非线性、参数变化、未建模动态和外部干扰等因素而与模型存在差异，影响预测的未来状态和据此计算出的控制输入信号，从而导致控制性能下降。
在高比例可再生能源场景下，风能、太阳能具有显著的随机性和波动性，给电力系统的频率稳定带来了挑战。冠豪猪优化算法(CPO)是一种基于自然界中豪猪行为模式的元启发式算法，其独特的搜索机制在处理高维、非线性、多模态的优化问题时表现出色。同时，CPO算法不依赖于问题的具体特性，如连续性、可导性等，能够适应各种不同的控制场景和模型不确定性。因此，本工作通过CPO算法自适应地调整MPC的控制参数，以应对高比例可再生能源场景下的频率波动问题。经由参数优化后的控制器能更精准地预测可再生能源出力变化，从而提前调整发电机组出力，抑制频率波动。同时，在应对突发事件时，控制器能够更快速、平滑地调整控制策略，从而维持系统频率稳定。如图5所示，经由CPO算法优化后输出控制器的最优参数集Δuout，增强了系统应对环境变化的能力。此外，经过优化后的MPC控制器能显著提升系统性能，并下发各机组的调频控制指令ΔuPV、ΔuE，提高了分布式光伏频率控制的稳定性和鲁棒性。
图中，ΔPF+Load为并网系统的功率扰动；ΔPFM为调频机组的功率调节。
3.2CPO算法流程
与大部分智能优化算法类似，CPO算法首先要确定种群数量N、最大迭代次数Tmax、解空间的下界L、解空间的上界U、解的维数dim。CPO算法的初始个体集如下。
 | (4) |
式中，N表示个体数量；
是搜索空间中的第i个候选解；r是在0~1之间的随机数。
种群通过对解空间的搜索，更新种群中每个个体的位置。具体的搜索过程可分为2个部分：全局探索(exploration)与局部开发(exploitation)。在全局探索阶段，算法模拟冠豪猪的视觉恐吓快速扫描解空间，寻找潜在优势区域；通过声音恐吓进一步试探和评估区域，避免陷入局部最优。进入局部开发阶段后，算法借鉴气味攻击在优势区域内精细搜索，逐步缩小范围逼近最优解。物理攻击在极小范围内深度挖掘，精确调整和优化候选解，确保有效提炼和利用搜索信息，最终提高求解精度和效率。全局探索与局部开发通过比较2个随机生成的随机数τ8与τ9的大小来确定，当τ8<τ9时，执行全局探索，进一步通过比较2个随机数τ6、τ7来确定第一防御策略与第二防御策略；当τ8>τ9时，执行局部开发，进一步通过比较2个随机生成的随机数τ10、Tf来确定第三防御策略与第四防御策略，其更新公式具体如下：
 | (5) |
 | (6) |
 | (7) |
 | (8) |
式中，t是当前迭代的次数；
是第i个个体迭代t次时的位置；
是当前的全局最优解；
表示捕食者的位置；τ1是基于正态分布的随机数；τ2、τ3、τ4、τ5是区间[0,1]内的随机数；r1、r2、r3是[1,N]之间的随机数；
是二元向量；
是气味扩散因子；
、δ是用于控制搜索方向的参数；
是个体攻击捕食者时产生的非弹性碰撞力；γt是防御因子；α是收敛速度因子。
为加快算法的收敛速度并避免陷入局部极小值，CPO引入了循环种群减少(CPR)技术，只激活受威胁的个体防御机制。该循环基于循环变量T，以确定优化过程中执行该过程的次数，如下式所示：
 | (9) |
式中，%表示余数或模运算符；Nmin是新生成的种群中个体的最小数量。
3.3含分布式光伏及储能的MPC控制策略
基于上述时域控制模型，其状态空间方程如下所示：
 | (10) |
式中，u、x、y、ω分别为系统的输入量、状态量、输出量、干扰量；A、B、C、D为系数矩阵，由电网的实际工况决定。
其中：
 | (11) |
 | (12) |
 | (13) |
 | (14) |
式中，ΔuPV、ΔuE分别为分布式光伏、储能设备的控制信号；Δf为并网系统的频率偏差量；ΔPF为新能源机组中的随机扰动；ΔPload为负荷扰动。
为降低扰动及新能源波动导致的暂态频率偏差，设置相应的频率目标函数，并进一步以最小化目标函数的上限作为系统的最终控制目标，其表达式如下所示。
 | (15) |
 | (16) |
其中：
 | (17) |
式中，np为预测长度；x′和u′分别为状态量、输入量的预测值；Qx和Qu为权重矩阵，且前者对优化效果有较大的影响；qf、qpv、qe为组成权重矩阵的控制参数。其中，qf取决于电网本身，可设置为固定参数；而qpv、qe则是决定各调频机组的调频性能，本工作将其设置为实时更新的参数，以满足分布式光伏并网复杂场景下的控制需求。
本工作利用CPO算法对MPC输出权重矩阵中的控制参数
进行自适应更新，以提高系统的控制精度和稳定性。如图6所示，在监测到频率波动后，经优化后的MPC控制器针对不同的场景信息，进一步下发各调频机组的功率控制指令，从而确保并网系统的功率平衡并维持频率稳定。
4 考虑储能SOC的分布式光伏一次调频参数优化策略
4.1分布式光伏一次调频参数边界估计
设置较大的控制参数会使分布式光伏具备更好的频率支撑效果，但也可能导致调频过程中机组功率超出限制。因此，需要对光伏一次调频控制参数进行优化，使得变流器在运行过程中充分发挥其性能并兼顾功率容量限制。同时，为兼顾调频的稳定性和经济性，将分布式光伏装机在电网中总调节电源的占比设置为0.6，在保证容量不越限的条件下，变流器可增发的有功功率Paddm为：
 | (18) |
式中，P0为变流器有功功率的设定值；Pmax为变流器的最大有功出力。
类似地，考虑储能单元充放电功率限制，储能可以增发的有功功率PESSm为
 | (19) |
式中，PESSmax为储能单元有功功率的上限；PESS0为储能单元有功功率的设定值；Ppv0为光伏在MPPT点的有功出力。
光储系统最大可增发的有功功率是指系统在当前运行状态下能够额外提供的最大有功功率，由于光储系统的整体输出能力受限于上述分析中两个组件中的较弱环节，本工作将其定义为变流器和储能可增发的有功功率中的较小值，其表达式为：
 | (20) |
当频率跌落至最低点时，频率偏差最大，此时频率变化率为零，系统用于惯量支撑的功率也为零。光储系统提供的功率支撑应小于其剩余容量，由此可得：
 | (21) |
其中：
 | (22) |
式中，KD为系统的等效一次调频系数。
根据电网运行规程要求，暂态最大频率偏差通常在0.8 Hz以内，故有：
 | (23) |
结合式(21)可得：
 | (24) |
由此可推导出分布式光伏调频增益系数最大值为：
 | (25) |
4.2分布式光伏一次调频参数优化模型
考虑系统的频率变化主要由负荷扰动和机组调节作用共同影响，采用一次调频响应模型描述系统的频率动态为：
 | (26) |
储能SOC是衡量储能装置剩余电量的重要参数，直接反映了储能装置的电量状态，为系统运行提供了实时数据支持，其具体表达式如下式所示。
 | (27) |
式中，SOC0为储能的初始荷电状态；En为储能的额定容量。
为更准确地反映储能系统的动态行为，在频率模型中引入了实时变量SOC的计算，如图7所示。
进一步得到系统的动态方程为：
 | (28) |
采用欧拉法将上式转化为离散形式，可得：
 | (29) |
离散化后的模型可以记为
 | (30) |
式中，x= [Δf, ΔPm, ΔPPV1, ΔPPV2, ΔPE, SOC]T；u= [ΔPL]。
根据上述状态空间方程，将频率偏差作为目标优化函数，结合光伏变流器容量、功率限制约束以及储能SOC限制，建立优化模型以求解最优的调频增益系数，如下式所示。
 | (31) |
粒子群优化(particle swarm optimization, PSO)算法通过个体之间的信息共享和协同搜索，能够在多维参数空间中高效地定位最优解，具备较快的迭代速度。同时，其算法的结构简单并且易于实现，可以根据具体的优化问题灵活调整，以适应不同的优化需求。此外，PSO算法具有较强的全局搜索能力，能够在整个搜索空间内进行探索，有效避免陷入局部最优解。因此，本工作采用PSO算法对上述优化问题进行求解。
4.3考虑参数优化的光储控制策略
本工作提出了一种考虑参数优化的光储控制策略，如图8所示，基于求解的最优光伏一次调频控制参数实时更新系统的状态方程，将其输入至优化后的MPC策略中，调整各机组的输出功率以响应频率的动态变化。该策略主要分为以下步骤：
步骤1：基于构建的含分布式光伏和储能单元的频率响应模型，设置初始参数以维持系统的功率平衡，包括调频机组的控制系数、储能SOC状态以及系统的惯性常数。将系统的初始状态空间方程作为后续优化和控制的基础。
步骤2：以储能单元的SOC和容量限制为约束条件，以频率偏差作为优化目标函数构建参数优化模型，通过粒子群优化求解最优的光伏一次调频控制参数，充分发挥光伏发电单元在电网频率波动时的功率支撑能力，从而保障电网的稳定运行和电能质量。
步骤3：采用优化后的控制参数更新系统的状态方程，从而调整分布式光伏和储能单元的工作模式，以适应电网的调频需求，并确保系统运行在最优状态。
步骤4：将更新后的状态方程输入至MPC控制器，控制器通过预测模型、滚动优化、反馈校正等环节最小化预定义的频率波动函数，实时输出分布式光伏和储能单元的控制信号。
5 算例分析
为验证本工作所提参数优化方法的有效性，搭建如图3所示的共计75 MW分布式光伏接入50 MW同步机系统的并网仿真模型。其中，仿真系统中接入100 MW负荷，设置储能容量为光伏系统额定容量的30%，参与一次调频的时间为30 s。对上述频率响应简化模型进行分析并展示频率波动的趋势，仿真系统参数如表1所示。
表1 仿真系统参数
5.1负荷扰动下的控制策略验证
为验证本工作所提分布式光伏调频参数优化控制策略的有效性，将采用3种不同控制场景进行仿真对比，具体如下：
场景一：基于传统MPC控制策略对光储系统进行调频控制；
场景二：经由CPO优化后的改进MPC控制策略对光储系统进行调频控制；
场景三：在场景二的基础上加入分布式光伏参数优化模型，实时对状态方程进行更新，即本工作所提控制策略。
设置CPO算法的参数，选取种群大小为40，惯性权重为0.9以保持较好的全局搜索能力，个体学习因子和社会学习因子均设为2.0以平衡粒子自身的经验与其他粒子的信息，最大速度设为每维变量范围的10%，最大迭代次数设为10。为验证所提CPO算法的收敛性能，将其与粒子群优化(PSO)和模拟退火算法(GA)进行对比，其迭代过程如图9所示。
由图9可以看出，所提CPO算法具有最快的收敛速度，在第9次迭代时，目标函数已收敛到0，迭代优化得到分布式光伏的调频控制参数kPV为24。
当出现负荷扰动时，将储能的初始SOC设置为0.5，从储能系统的性能角度来看，此时电池拥有足够的上下调节空间，既能够吸收多余的光伏发电量，也能在光伏出力不足时释放电能以支持频率调节，避免在仿真初期就出现过充或过放的情况。上述3种场景下的储能功率出力、SOC以及分布式光伏功率出力变化，如图10~图12所示。
从图中的对比曲线可知，在面对负荷扰动时，为平抑频率波动，场景一、二、三的储能SOC分别从初始状态0.5下降至0.485、0.48、0.475，同时对应的光储暂态功率出力分别为0.007 p.u.、0.009 p.u.、0.014 p.u.。上述结果表明，传统MPC控制策略(场景一)虽然能够应对负荷扰动，但SOC的下降幅度相对较大，未能充分利用分布式光伏的调频潜力，需要储能深度参与调频以维持频率的稳定；场景二在调频效果上有所提升，减少了储能的部分能量消耗；本工作所提控制策略(场景三)在维持系统频率稳定的同时，实现了最小的SOC下降幅度，最大限度地提高了光储系统运行的稳定裕度。
3种场景在负荷扰动下的频率响应如图13所示。调频控制性能对比见表2。从表2中的对比数据可知，在传统MPC控制策略下(场景一)，光储系统在调频控制中能够应对一定频率波动，但最大频率波动达到0.374 Hz，调节时间为7.42 s，其响应速度和调节效果有待提高。相比之下，经由CPO优化后的改进MPC控制策略(场景二)提高了部分调频性能，最大频率波动降至0.298 Hz，调节时间缩短至6.53 s。进一步地，通过加入分布式光伏参数优化模型并实时更新状态方程，本工作所提控制策略(场景三)实现了更优的调频效果，最大频率波动仅为0.221 Hz，调节时间缩短至5.21 s。由此可见，本工作所提参数优化的控制策略在应对负荷扰动时，通过对光储系统的运行参数的调整，能够更快速、更有效地抑制频率波动，从而提升了光储系统在调频控制中的性能。
表2 调频控制性能对比
5.2延时场景下的控制策略验证
为验证延时场景下的频率控制性能，在指令传输过程中设置0.2 s的延时，将3种场景下的控制策略进行对比，系统的频率响应如图14所示。
从表3中的对比数据可知，在传统MPC控制策略下(场景一)，光储系统在调频控制中的表现受指令下发延时影响较大，最大频率波动达到了0.408 Hz，调节时间长达11.51 s，这表明系统在快速响应和频率恢复方面存在不足。相比之下，采用经由CPO优化后的改进MPC控制策略(场景二)，系统的调频性能有所提高，最大频率波动降低至0.342 Hz，调节时间缩短至8.47 s。进一步地，本工作所提策略(场景三)在最大频率波动和调节时间上均表现出最佳性能，分别为0.253 Hz和5.92 s，验证了所提控制策略在应对指令延时方面的有效性。
表3 延迟场景下调频控制性能对比
5.3连续扰动场景下的控制策略验证
为进一步验证所提方法的稳定性及抗干扰能力，设置输入信号为1000 s内的连续扰动，将场景二和场景三的控制策略进行对比，系统的频率响应如图15所示。
从图15中的对比曲线可知，相较于参数优化前的控制方法，本工作所提策略充分发挥了分布式光伏的调频潜力，从而有效降低了频率偏差。具体表现为：一是具备更快的响应速度，当电网频率出现波动时调频机组能够迅速做出反应并及时调整储能系统的充放电状态，以抑制频率的进一步偏移；二是具备更高的调节精度，优化后的控制策略能够更精确地控制分布式光伏机组的功率输出，从而实现对频率偏差的精细调节，提高了调频服务的质量；三是具备更强的鲁棒性和抗干扰能力，在面临各种不确定因素和连续干扰的影响下，本工作所提控制策略能够有效地维持系统的频率稳定，确保电力供应的可靠性和质量。
6 结论
针对含分布式光伏和储能的并网系统频率控制问题，提出了考虑储能SOC的分布式光伏一次调频优化控制方法，通过仿真验证得出以下结论：
（1）相比于优化前的控制策略，本工作所提控制策略有效平抑了负荷扰动带来的暂态频率波动，并缩短了调节时间，具备更好的频率控制性能。
（2）相比于优化前的控制策略，本工作所提控制策略在延迟以及连续扰动场景下能够实现对频率偏差的精准调节，具备更强的鲁棒性和抗干扰能力，确保了电力供应的可靠性和质量。
通讯作者：张天海（1989—），男，硕士，高级工程师，主要从事电力系统网源协调及热工自动化技术的研究。
第一作者：张天海（1989—），男，硕士，高级工程师，主要从事电力系统网源协调及热工自动化技术的研究。
发表评论