一種小型雙饋風力發電機併網控制方法與流程

2023-06-02 21:05:07 1

本發明涉及風力發電技術領域，具體涉及一種小型雙饋風力發電機併網控制方法。

背景技術：

風力發電機在併網過程中會出現過電壓、過電流或轉速上升等問題，對電網會造成衝擊，這種衝擊的嚴重後果會引起電網電壓的降低，還會對發電機和機械部件造成損害，更為嚴重的是，長時間的併網衝擊，還可能使系統瓦解或威脅風力發電機的正常運行，因此，必須通過合理的發電機併網技術來抑制併網衝擊電流。

傳統的控制方法有PI(Proportional Integral，比例積分)控制和線性滑模控制，但是PI控制具有較大的超調量，系統的響應時間較長，而線性滑模控制雖然相對於PI控制有了一定的改善，但是存在抖振現象。

技術實現要素：

本發明主要解決的技術問題是提供一種小型雙饋風力發電機併網控制方法，採用模糊神經PI控制系統結構，將模糊控制、人工神經網絡控制應用到經典PI控制中，對傳統PI控制器的性能有很大的改善，解決了現有PI控制存在的超調量大、系統響應時間長，以及線性滑模控制存在的抖振現象等問題，能夠有效地抑制風力發電機併網衝擊電流。

為解決上述技術問題，本發明採用如下技術方案：

一種小型雙饋風力發電機併網控制方法，在傳統PI控制中加入模糊控制和神經網絡控制，所述併網控制方法具體包括如下步驟：

步驟1，獲取所述雙饋風力發電機輸出偏差和偏差變化率，並將所述偏差和偏差變化率按照模糊規則模糊化；

步驟2，將所述模糊化後的偏差和偏差變化率作為模糊神經網絡輸入並進行處理，獲得所述模糊神經網絡的輸出；

步驟3，將所述模糊神經網絡的輸出反模糊化處理得到所述PI控制參數；

步驟4，將所述PI控制參數傳給所述PI控制器，所述PI控制器對所述雙饋風力發電機的併網進行控制。

進一步地，所述步驟1中的所述偏差為所述風力發電機的定子電壓與電網電壓的差值。

進一步地，所述步驟1中的模糊規則為：

將所述偏差和偏差變化率分為7個模糊子集：負大(NB)，負中(NM)，負小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

論域範圍為{-3，+3}；

隸屬度函數為三角形隸屬度函數。

進一步地，所述步驟2中所述模糊神經網絡的輸入還包括RBF神經網絡輸出信息，所述RBF神經網絡以所述PI控制器輸出和所述雙饋風力發電機輸出作為輸入，所述RBF神經網絡對所述PI控制器輸出和所述雙饋風力發電機輸出信息進行處理，獲取所述雙饋風力發電機控制對象的Jaco-bian(雅科比)信息，將獲取的所述Jaco-bian信息作為所述模糊神經網絡的輸入，為所述模糊神經網絡學習算法提供依據。

進一步地，所述神經網絡為BP神經網絡。

進一步地，所述BP神經網絡的各層計算過程如下：

定義所述BP神經網絡中表示第k層的第i各輸入，表示第k層的第j個節點的淨輸入，表示第k層的第j個節點的輸出，則：

輸入層：

隸屬度函數層：

其中：所述m為高斯函數均值，所述n為標準差。

規則層：

其中：所述即為第l條規則的激活度。

輸出層：

其中：所述n為第三層節點的個數，所述θ為規則表矩陣。

本發明將將模糊控制、人工神經網絡控制應用到經典PI控制中，解決了現有PI控制存在的超調量大、系統響應時間長，以及線性滑模控制存在的抖振現象等問題，能夠有效地抑制風力發電機併網衝擊電流，改善系統性能。

附圖說明

圖1是小型雙饋風力發電機併網控制系統結構圖。

圖2是本發明一個實施例的小型雙饋風力發電機併網控制方法流程示意圖。

圖3是小型雙饋風力發電機在傳統PI控制器下的定子電壓與電網電壓的輸出波形(只有電流環)。

圖4是小型雙饋風力發電機在傳統PI控制器下的定子電壓與電網電壓的差值的輸出波形。

圖5為本發明一實施例模糊PI神經控制器下的風力發電機定子電壓與電網電壓的輸出波形。

圖6為本發明一實施例模糊PI神經控制器下的風力發電機定子電壓與電網電壓的差值。

具體實施方式

下面對本發明的較佳實施例進行詳細闡述，以使本發明的優點和特徵能更易於被本領域技術人員理解，從而對本發明的保護範圍做出更為清楚明確的界定。

圖1是一種小型雙饋風力發電機併網控制系統結構圖，採用模糊神經PI控制器對風力發電機進行併網控制。其中，模糊神經PI控制器在傳統PI控制器中加入模糊控制和神經網絡控制，以改善系統性能。該小型雙饋風力發電機併網控制方法流程如圖2所示，具體步驟如下所述。

步驟1，獲取所述雙饋風力發電機系統偏差和偏差變化率，並將所述偏差和偏差變化率模糊化。

其中，偏差為所述風力發電機的定子電壓與電網電壓的差值傳統PI控制方法僅包括電流環。與傳統PI控制方法相比，可以有效降低定子電壓與電網電壓的差值。

模糊化規則為：

將所述偏差和偏差變化率分為7個模糊子集：負大(NB)，負中(NM)，負小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

論域範圍為{-3，+3}；

隸屬度函數為三角形隸屬度函數。

步驟2，將所述模糊化後的偏差和偏差變化率作為模糊神經網絡輸入並進行處理，獲得所述模糊神經網絡的輸出。

模糊神經網絡的輸入量和輸出量都包含7個模糊子集，它們是負大(NB)，負中(NM)，負小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)，論域範圍為{-3，+3}，隸屬度函數採用三角形隸屬度函數。

PI控制器的kp的模糊規則表為：

PI控制器的ki的模糊規則表為：

神經網絡優選為BP神經網絡，BP神經網絡的各層計算過程如下：

定義該BP神經網絡中表示第k層的第i各輸入，表示第k層的第j個節點的淨輸入，表示第k層的第j個節點的輸出，則：

輸入層：

隸屬度函數層：

其中：m為高斯函數均值，所述n為標準差。

規則層：

其中：即為第l條規則的激活度。

輸出層：

其中：n為第三層節點的個數，所述θ為規則表矩陣。

步驟3，將所述模糊神經網絡的輸出反模糊化處理得到所述PI控制參數；

步驟4，將所述PI控制參數傳給所述PI控制器，所述PI控制器對所述雙饋風力發電機的併網進行控制。

在本發明另一較佳實施例中，步驟2中的模糊神經網絡的輸入還包括RBF神經網絡輸出信息，該RBF神經網絡以PI控制器輸出和雙饋風力發電機輸出作為輸入，RBF神經網絡對PI控制器輸出和雙饋風力發電機輸出信息進行處理，獲取所述雙饋風力發電機控制對象的Jaco-bian(雅科比)信息，作為所述模糊神經網絡的輸入，為所述模糊神經網絡學習算法提供依據。

通過仿真比較了本實施例公開的雙饋風力發電機併網控制方法和傳統PI控制方法，在傳統PI控制器下的風力發電機定子電壓與電網電壓的輸出波形如圖3所示，在傳統PI控制器下的風力發電機定子電壓與電網電壓的差值的輸出波形如圖4所示，在模糊神經PI控制器下的定子電壓與電網電壓的輸出波形如圖5所示，在模糊PI神經控制器下的定子電壓與電網電壓的差值如圖6所示。

通過圖3與圖5進行比較可以發現，圖5在模糊神經PI和雙閉環相結合的新型矢量控制策略的作用下，定子電壓的幅值、頻率、相位比傳統PI控制下的單電流環矢量控制作用下的圖3更加接近電網電壓。同時通過圖4與圖6進行比較發現也可以更加直觀的發現圖6中的定子電壓與電網電壓的差值是非常小的，而圖4中的差值相對較大，再次表明了在模糊神經PI控制器與雙閉環矢量控制相結合的控制策略下，定子電壓的幅值、頻率、相位與電網電壓是十分接近的。

以上所述僅為本發明的實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明的專利保護範圍內。