双馈发电系统的神经网络逆控制

李岚,王凯

(太原理工大学 电气与动力工程学院,山西 太原 030024)

1 引言

在并网型双馈风力发电系统中,常用的控制方法是通过定子磁场定向矢量控制,进行发电机有功、无功功率的解耦控制。由于风能具有强烈的随机性、时变性,且含有未建模或无法准确建模的动态部分,使双馈发电系统成为一个复杂、多变量非线性系统,因此采用传统PI调节很难达到高性能。

逆控制是解决复杂非线性系统控制的一种有效方法[1]。文献[2]为优化变速变桨距风电系统的高风速区的风能捕获,基于奇异摄动理论和逆系统方法提出一种非线性的桨距角控制器。文献[3]将逆系统理论引入双馈型变速风力发电系统进行有功功率和无功功率的解耦控制。但是逆控制中,要实现解耦线性化,必须已知系统的精确数学模型,使得解析逆系统方法难以在实际中真正应用。神经网络逆控制既具有对非线性系统的逼近及对参数变化的适应能力,又具有逆系统的解耦线性化能力,已成功用于感应电动机的矢量控制调速系统中[4～8],取得了较好的控制效果。

本文将神经网络逆控制方法应用于双馈发电系统,根据双馈发电机特点推导逆系统模型,利用神经网络进行逆控制,确定神经网络逆控制输入、输出变量,离线训练神经网络后得到其输入样本集和期望输出样本集,将训练好的神经网络与被控系统串联,构成以PI调节器作为复合控制器的闭环控制系统。通过系统仿真,可以实现有功功率、无功功率的有效控制。

2 双馈发电机数学模型

根据电机学理论,同步旋转M-T坐标系中双馈发电机数学模型为[9]

式中:Rs,Rr,Ls,Lr为定、转子电阻、电感;Lm为定、转子互感;ω1为同步旋转角速度;ωr为转子旋转角速度;ωs为转差角速度,ωs=ω1-ωr;p为微分算子;np为双馈发电机的极对数;T1为风力机提供的驱动转矩;J为发电机转轴上的系统转动惯量。

发电机定子输出功率为

当忽略发电机定子电阻时,定子磁链矢量 Ψ1领先于定子电压矢量u190°,选择M-T坐标系的M 轴沿 Ψ1定向,则u1正好落在 T轴的负方向上,且有:

式中:u1为电网电压有效值;Ψ1为定子磁链矢量幅值。

将式(5)代入式(4),得定子输出功率为

3 逆系统模型

对于并网型双馈发电系统,可忽略定子电阻的影响。由式(1)～式(3)可得用状态变量方程表示的数学模型:

由式(7)可知,对有功功率的控制就是对状态变量iTs的控制,对无功功率的控制就是对状态变量iMs的控制。设输出变量为i=[iMs,iTs]T,输入变量为u=[uMr,uTr]T,根据 Interactor算法[10]可分析出该系统是可逆的[11],由式(8)即可得双馈发电机逆系统模型:

4 神经网络逆系统实现

利用神经网络实现逆系统控制,神经网络输入个数确定为6个,分别是[i*Ms,i*Ts,i*Ms,i*Ts,ωr,Ψ1],输出个数确定为2个,分别是[uMr,uTr],神经网络逆系统与双馈发电机组成的复合系统结构如图1所示。

图1 复合系统Fig.1 Compound system

神经网络的作用是逼近被控系统(原系统)的逆系统,因此训练神经网络时需要原系统的输入量作为神经网络的期望输出,需要原系统的输出量及输出量的某些阶导数、系统的某些内部状态作为神经网络的输入。双馈发电系统选取的激励信号uMr与uTr是幅值不同的随机方波,如图2所示。

图2 激励信号Fig.2 Excitation signal

当激励信号加于双馈发电机转子侧,发电机运行于发电状态时,对原系统的激励信号、输出响应及系统内部状态进行采样,从而获得原始数据样本。取采样频率 fs=100 Hz,激励信号工作区间为0～20 s,则采样间隔ts=0.01 s,每个变量采样的数据为2 000个。图3给出0～10 s时间内iMs,iTs的原始采样数据。

图3 采样数据Fig.3 Sampling data

采样获得的原始数据和数值计算获得的导数数据组合成神经网络训练样本,即可构成训练神经网络的输入样本集和期望输出样本集{uMr,uTr}。

由于神经网络输入的幅值大小相差悬殊,为了神经网络训练的快速收敛,对训练样本集进行归一化处理,即将神经网络的输入输出信号训练数据转换到一定的数值范围内。归一化计算公式为

式中:Di为训练样本集每一样本归一化值,i=1,2,…,2 000;di为训练样本集每一样本采样值;dM为训练样本集每一样本采样最大值。

将归一化后的训练样本集作为训练数据集,用BP学习算法进行神经网络离线训练,训练100步后,神经网络训练误差精度＜10-3。

训练好的神经网络与被控系统串联,根据神经网络逆系统及双馈发电机特点,选择PI调节器作为复合控制器,再由式(7)将期望电流信号,i*Ts变换为期望功率信号Q*,P*,这样构成的闭环系统如图4所示。

图4 神经网络逆闭环控制结构Fig.4 Closed-loop sy stem of NNIC

5 双馈发电系统仿真

根据图4建立基于神经网络逆控制的双馈发电系统仿真模型。合理选择PI调节器参数,对系统进行仿真:假设给定无功功率Q*=1 kvar,给定有功功率P*阶跃变化,系统仿真结果如图5a所示;假设给定有功功率P*=-1 kW,给定无功功率Q*阶跃变化,系统仿真结果如图5b所示。当给定有功功率P*=-1 kW,给定无功功率Q*=1kvar时,由于扰动的影响,在t=3 s时转速有一个20 rad/s的突变,功率变化波形如图6所示。

图5 功率变化仿真结果Fig.5 Simulated results of power

可以看出,给定有功功率(或无功功率)不变时,调节给定无功功率(或有功功率)的大小,双馈发电机输出无功功率(或有功功率)能够跟随给定值,从而实现了功率的解耦控制;转速突变时,有功功率和无功功率不会发生变化,说明系统有较强的抗干扰能力。

图6 转速扰动时功率变化仿真结果Fig.6 Simulated results of power with speed disturbance

6 结论

逆系统方法作为非线性控制的新理论,具有物理概念清晰、适用面宽的特点,将神经网络与逆系统理论相结合,利用神经网络的非线性逼近能力、学习能力,可以拓宽逆系统方法的应用范围。本文将神经网络逆系统理论用于双馈发电系统中,仿真结果表明,采用神经网络逆系统控制的双馈发电系统具有较好的性能,不仅能够方便地实现有功功率的控制,而且可独立地提供电网所需的无功功率,从而验证了基于神经网络逆系统理论的解耦控制策略的有效性,为多变量、非线性双馈发电系统的功率控制提供了一条新思路。

[1]张兴华,戴先中,陆达君,等.感应电机的逆系统方法解耦控制[J].电气传动,2001,31(2):28-31.

[2]耿华,杨耕.基于逆系统方法的变速变桨距风机的桨距角控制[J].清华大学学报(自然科学版),2008,48(7):1221-1224.

[3]张先勇,吴捷,柳澹,等.基于逆系统理论的风力发电功率解耦控制[J].电力电子技术,2007,41(2):19-21.

[4]张兴华,戴先中.感应电机神经网络逆控制的数字实现[J].仪器仪表学报,2006,27(10):1213-1217.

[5]戴先中,张兴华,刘国海,等.感应电机的神经网络逆系统线性化解耦控制[J].中国电机工程学报,2004,24(1):112-117.

[6]戴先中,刘国海,张兴华.恒压频比变频调速系统的神经网络逆控制[J].中国电机工程学报,2005,25(7):109-114.

[7]张浩,刘国海,尤德同,等.基于神经网络逆系统的感应电机变频系统解耦控制[J].江苏大学学报(自然科学版),2002,23(2):88-91.

[8]王新,戴先中.基于神经网络逆的感应电机矢量控制改进方法[J].电力电子技术,2008,42(1):48-50.

[9]刘其辉.变速恒频风力发电系统运行与控制研究[D].杭州:浙江大学,2005.

[10]戴先中,刘国海,张兴华,等.交流传动神经网络逆控制[M].北京:机械工业出版社,2007.

[11]李岚.变速恒频双馈发电机先进控制策略的研究[D].太原:太原理工大学,2009.