双馈风力发电系统模糊神经网络解耦控制研究

1、双馈风力发电系统模糊神经网络解耦控制研究蒋说东 刘军 唐文鹏（西安理工大学，陕西 西安 710048）The Research of Decoupling Control of Doubly-fed Wind Power Generation System based on Fuzzy Neural NetworkJiang Shuo-dong ，Liu Jun ，Tang Wen-peng(Xi'an University of Technology，Xian 710048，China)ABSTRACT: As Double-fed wind power generator (DFI

2、G) has the features of multi-variable, strong coupling, non-linearity. It is difficult to achieve good performance based on Conventional control methods. Vector control is relay on the parameters of the generator and the control performance may be affected seriously by the variation of the parameter

3、s. In this paper, a multivariable decoupling control strategy based on fuzzy neural network is proposed. By the strategy, decoupling control of active power and reactive power of the generator can be realized, and the effects of the parameters variation can be probably eliminated. The strategy is si

4、mple and the robustness of the system is enhanced. The simulation results presented to validated the effectiveness and the resulting improvements of the strategy.KEY WORDS： Doubly-fed generator; Fuzzy control; Neural network decoupling摘要：由于双馈风力发电机是多变量、非线性、强耦合的机电系统，常规的控制方法难以获得良好的控制性能；矢量控制依赖电机参数，电机参数的

5、变化对其控制效果影响较大。本文提出了多变量模糊神经网络解耦控制策略，该控制策略不依赖电机参数与精确的数学模型，能够实现双馈风力发电及有功功率和无功功率的解耦控制，控制算法简单、系统的鲁棒性强。仿真结果表明该控制策略的有效性和对系统性能的改善。关键词：双馈发电机；模糊控制；神经网络解耦1 引言根据风力发电过程中发电机的运行特征，风力发电系统分为恒速恒频发电系统和变速恒频发电系统【1】。在变速恒频风力发电系统中交流励磁风力发电控制方案最具优势【2】。改变转子励磁电流的频率，可以实现变速恒频；改变转子励磁电流的相位，可改变双馈发电机的功率角，从而调节无功功率和有功功率，综合控制转子励磁电流的相位和幅

6、值，可以实现DFIG输出有功功率和无功功率的解耦控制。由于双馈风力发电机是一个高阶、多变量、非线性、强耦合的机电系统，经典控制难以满足系统控制精度以及动态性能的要求。目前多采用基于矢量控制的双馈风力发电机解耦控制策略，文献3提出了并网型气隙磁场定向控制的双馈发电机数学模型；文献4，20，22提出了并网型定子磁场定向控制的双馈风力发电机数学模型；文献5提出了基于定子电压矢量定向的鲁棒输出反馈系统。总之，矢量控制虽能实现双馈发电机功率解耦，但存在的如下问题：对扰动和参数的变化非常敏感； 空间矢量理论的基础是假设磁动势和磁场在空间按正弦分布，同时还有多项假设作为前提，这些假设与实际电机并不完全相符【

7、12】。 由于模糊控制和神经网络控制不依赖被控对象的精确数学模型,是处理控制系统中不确定性、非线性和强耦合的一种有效方法。针对双馈风力发电机的特点，结合模糊控制不依赖对象模型、控制迅速、鲁棒性好以及神经网络具有自学习能力、泛化能力和非线性映射能力的优点【9】。本文提出一种基于模糊神经网络双馈风力发电机解耦控制策略。2 变速恒频双馈风力发电机的工作原理 图1变速恒频风力发电系统结构图Fig.1 Structure of VSCF wind power system变速恒频风力发电系统结构如图1所示，主要由风力机、双馈风力发电机、控制器和变频器组成。风力机作为原动机带动发电机转子旋转，定子绕组与电

8、网相连，转子绕组通过可逆变频器与电网相连。双馈风力发电机定子输出电压频率为：n为转子转速，为转子电流频率，为双馈风力发电机的极对数。由上式可得，根据转子的转速，通过调整转子侧三相励磁电流的频率、幅值、相位、相序，可保证定子侧恒频恒压输出。当转子转速低于同步速时，取+，即转子电流相序与定子电流相同；当转子转速超同步速时，取-，即转子电流相序与定子电流相序相反；当发电机转子转速等于同步速时，此时变频器向转子提供直流励磁。3 模糊神经网络解耦控制根据双馈发电机的运行特点和控制要求，本文提出一种基于模糊神经网络的解耦控制策略，系统结构如图2所示。该控制系统由自调整的增量式模糊控制器和神经网络解耦控制器

9、串联构成。根据给定量与实际量的偏差，模糊推理得到控制量u0。u0作为神经网络解耦控制器的输入，神经网络将来自其它通道的耦合影响视为可测干扰进行解耦补偿，通过在线修正神经网络的权值，使得神经网络解耦控制器与被控对象构成广义对象成为无耦合或耦合程度较小的系统，从而实现各变量之间解耦控制。 图2 多变量模糊神经网络解耦控制系统结构Fig.2 The structure of Multivariable decoupling control system based on fuzzy neural network3.1 自调整的增量式模糊控制器的设计为了消除稳态偏差，本文采用一种自调整的增量式模糊控制

10、器，其结构框图如图3所示。 图3 增量式模糊控制器结构Fig.3 The structure of fuzzy controller取偏差及偏差的变化率（E,Ec）为模糊控制器的输入，其论域均为-10,10，取控制量的增量为模糊控制器的输出，其论域为-0.1,0.1, 输入输出的模糊子集均为NB，NS，ZR，PS，PB，如图4所示。(a) E, Ec 的隶属度函数 (b) 的隶属度函数 图4 模糊控制器输入/输出变量隶属度函数Fig.4 the membership function of inputs and outputs of fuzzy controller模糊控制规则如表1所示。表1

11、模糊控制规则表Table.1 the rule base of fuzzy controller为了获得良好的控制性能，根据系统偏差的变化，调节比例因子。使控制作用在误差较大时，增大误差在控制规则中的权重；当误差较小时，系统已接近稳态，增加误差的变化率在控制作用中的权重。文献14，15采用模糊推理的方法在线调整修正因子改变控制规则，通过对模糊规则的优化调整，提高模糊控制器的性能，但需增加一个用于调节模糊控制器，控制器更加复杂。本文采用Sigmoid函数（k>0,>0,为误差界定值）为目标函数来调整修正因子，Sigmoid函数曲线特征如图5所示。图5 Sigmoid函数特征曲线Fig

12、.5 The characteristic curve of sigmoid function图5反映如下特征：偏差大时，较大，误差调节起主要作用，从而使系统能尽快消除偏差；偏差小时，较大，误差变化调节起主要作用，从而使系统尽快趋于稳态。根据目标函数调整，达到调整控制规则的目的。3.2 神经网络解耦控制器的设计神经网络解耦控制器结构如图6所示图6 神经网络解耦控制器结构Fig.6 The structure of neural network decoupling controller 其中为多个增量式模糊控制器的输出；为神经网络连接权系数；为解耦控制器的输出，由图6可得线性神经网络解耦控制器

13、在k时刻的输出：。将神经网络和被控对象看成一个整体，采用期望输出与实际输出之差的平方和作为系统性能评价函数,即：。根据梯度法，可得神经网络解耦控制器权系数在第k+1时刻的迭代公式为:式中，为学习速率，表示第j个输入作用于控制对象时相对于输出的变化率，其实质上代表了第j个输入对第i个输出的动态耦合程度。对于被控对象特性未知时，可用下式计算动态耦合特性矩阵，即：式中，sgn()为符号函数。4 双馈风力发电机系统的模糊神经网络解耦控制4.1 双馈发电机数学模型仿真实验中双馈发电机主要参数：额定功率15Kw，380V/50Hz，P=3，Rs=0.379，Ls=0.0438H，Rr=0.314，Lr=0

14、.0449H，Lm=0.0427H，J=0.39kg·m2；定转子均采用Y型接。根据双馈发电机在d-q坐标系下的数学方程，以定子电流、转子电流及转速为状态变量，建立状态方程： 其中 4.2 双馈风力发电机模糊神经网络解耦控制系统设计选取双馈发电机转子转速(Wm)、定子输出无功功率Q1作为被控变量,将双馈发电机励磁电压在同步轴系下的分量Urd、Urq作为整个发电系统的控制变量，基于上述的模糊神经网络解耦控制结构，可得二输入二输出的双馈发电机系统的模糊神经网络解耦控制系统结构如图7所示。 图7 双馈风力发电系统模糊神经网络解耦控制结构Fig.7 The structure of fuzz

15、y neural network decoupling control system of doubly-fed wind generator 图中模糊控制器结构如图3所示。神经网络解耦控制器输出Urd、Urq作为转子侧变频器的控制信号，实现双馈风力发电机的励磁调节，神经网络解耦控制器学习的性能指标函数为： 4.3 仿真结果对比与分析本文将基于磁场定向的双闭环矢量控制结果与模糊神经网络解耦控制结果进行对比，设t=1s时风速从8m/s跃升为15m/s，无功功率给定取0。图8(a)为双闭环矢量控制最优角速度跟踪曲线，图8(b)为模糊神经网络解耦控制最优角速度跟踪曲线。可以看出模糊神经网络解耦控制不

16、仅实现了最优角速度跟踪而且具有相应速度快，超调小，调节时间短的特点。 图8(a) 图8(b)图8 (a) 图双闭环矢量控制最优角速度跟踪曲线 (b) 图模糊神经网络解耦控制最优角速度跟踪曲线Fig.8 (a) Double closed loop vector control optimal angle velocity tracking curve; (b) Fuzzy neural network decoupling control optimal angle velocity tracking curve图9(a)为双闭环矢量控制定子端有功功率和无功功率曲线，图9(b)为模糊神经网络解

17、耦控制定子端有功功率和无功功率曲线。从图中可以看出风速变化对模糊神经网络解耦控制发电机无功功率影响很小，而且有功功率能快速收敛到新的稳定值。 图9(a) 图9(b)图9 (a) 图双闭环矢量控制定子端有功，无功功率变化曲线;(b) 图模糊神经网络解耦控制定子端有功，无功功率变化曲线Fig.9 (a) Vector control of stator-side active power, reactive power curve; (b) Fuzzy neural network decoupling control of stator-side active power, reactive p

18、ower curve5 结论本文提出了一种不依赖对象精确数学模型的多变量模糊神经网络解耦控制策略，系统由自调整增量式模糊控制器和神经网络解耦控制器串联构成，构建了一个基于模糊神经网络解耦控制的双馈风力发电系统模型并进行仿真研究。仿真结果表明通过自调整增量式模糊控制和神经网络的在线调整，能较好地实现系统定子有功、无功功率的解耦控制，系统结构简单、所需检测参数少、动态性能好、易于实现等优点。6 参考文献1 高景德，王祥珩，李发海.交流电机及其系统的分析M.北京：清华大学出版社,1993.2 林成武，王凤翔，姚兴佳变速恒频双馈风力发电机励磁控制技术研究J中国电机工程学报，2003，23(11)3 M

19、itsuloshi Yamamot. Aetive and Reactive power Control for Doubly-fed Wound Rotor Induction Generator IEEE Trans.On Power Electronics，1991，6(4):624一625.4 Pena R，Clare J C，Asher G MDoubly fed induction generator using back-to-back PWM converters and its application to variable-speed wind-energy generat

20、ionJElectric Power Applications，IEEE Proceedings，1996，143(3)5 Sergei Peresada Robust Active-Reactive Power Control of a Doubly-Fed Induction GeneratorJ 1998 IEEE6 Rongxi Wang, Fei Lin. VSCF Doubly-Fed Induction Generator Control Strategy and Simulation ResearchJ 2008 IEEE7 Boldea 1。Tutelea L，Serban I“Variable speed electric generators and their control：an emerging