双馈风力发电机BP神经网络并网策略研究

吕艳玲++冯曦++朱博++卢健强

摘要：针对变速恒频双馈发电并网系统，将传统PID控制与BP神经网络控制相结合，提出了一种BP神经网络PID的空载并网控制策略。在此基础上，利用该控制策略对双馈风力发电系统空载并网过程进行了研究，并与传统PI控制策略进行比较。研究结果表明，并网BP神经网络PID控制策略的动态响应快，并网过渡过程短，稳态精度高，对电网电压的波動具有较强的全局鲁棒性，是一种优良的并网控制策略。

关键词：

风力发电机；双馈发电机；空载并网；BP神经网络PID控制

DOI：1015938/jjhust201705008

中图分类号： TM315

文献标志码： A

文章编号： 1007-2683（2017）05-0040-06

Research on Grid Connection Strategy Based on BP Neural

Network PID Control for the DoublyFed Induction Generator

L Yanling，FENG Xi，ZHU Bo，LU Jianqiang

（School of Electrical and Electronic Engineering， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：Based on the combination of the traditional PID control technique and the BP neural network control technique， a noload grid connected control strategy， BP neural network PID control strategy， was proposed for the variable speed constant frequency windpower system with doublyfed induction generator On the basis， the paper studied the process of noload grid connection for the Double Fed Induction Generator with the control strategy ， and compared PI control strategy with BP neural network PID control strategy The result shows that the dynamic response of the BP neural network PID control strategy is faster，and the transition process of cuttingin is short， steadystate is more accurate， the strategy also provides stronger global robustness against voltage fluctuations， which makes it an excellent grid connection control strategy

Keywords：wind power generator； doublyfed induction generator； noload grid connected control； BP neural network PID control

23双馈发电机空载并网BP神经网络PID控制实现

由于双馈风力发电机在实际运行过程中，其阻抗、磁链等物理量随时间变化的特点，在双馈发电机转子侧采用BP神经网络PID控制器取代传统PI控制器。现以转子电流ird控制环为例，以参考电流，实际电流值和他们的偏差e作为BP神经网络的输入，神经网络的输出为PID控制器的输入。利用BP算法对神经网络各层之间加权系数的不断调整，寻找PID控制器中的最优参数，实现BP神经网络PID最优控制利用BP神经网络PID控制器可实现双馈发电机空载并网时的运行要求。基于BP神经网络PID控制的双馈发电系统框图如图3所示。

3基于BP神经网络PID空载并网仿真分析

根据以上设计分析，本文以MATLAB/simulink搭建了基于BP神经网络PID控制的双馈发电机空载并网仿真模型，并与传统的PI控制结果进行对比分析。

31样机参数

分析过程中所用电机的参数如表1所示。

32建立仿真模型

利用上述分析原理，建立了基于BP神经网络PID控制的双馈发电机并网控制系统仿真模型，系统仿真模型如图4所示。

33仿真结果分析

利用上述仿真模型得出仿真结果，理想状态时，双馈发电系统采用BP神经网络PID并网控制策略仿真波形如图5所示；BP神经网络PID控制策略与PI控制策略比较的波形如图6和图7所示；电网电压发生扰动时的仿真波形如图8所示。

图4基于BP神经网络PID控制的双馈发电机并网控制系统仿真模型

图5为双馈发电机采用BP神经网络PID控制策略并网时，电机的定子电压与电网电压的曲线，从图中可以看出，定子电压经过短暂的过渡过程就能跟随电网电压，即电机定子电压的幅值、相位、频率与电网电压的幅值、相位、频率完全一致。

图6为正常工况下，普通PI控制与BP神经网络PID控制策略下的双馈发电机定子电压与电网电压误差的比较曲线，从图中可以看出，后者误差远远小于前者，稳态精度高。endprint

图7为分别采用传统PI控制和BP神经网络PID控制转子d轴电流分量的波形，由图中可以看出PI控制时转子电流分量在012s时达到稳态而BP神经网络PID控制时转子电流分量在004s时达到稳态，在两者都能满足并网精度的条件下，显然后者能更快达到给定值，提前满足并网条件，减少对电网的冲击，提高了系统运行的稳定性。

图8为电网电压下降90%UN到恢复运行电压UN过程中，BP神经网络PID控制动态调节过程与传统PI控制调节过程仿真分析对比波形。从图中可以看出，PI控制调节误差波动大，调节缓慢，跟踪效果差；而BP神经网络PID控制调节过程快，定子电压完全能够跟踪电网电压波动。

由以上仿真波形分析得出，BP神经网络PID控制具有较高的动态响应和更快的收敛速度，有较好的鲁棒性和抗干扰性。

4结论

本文提出了双馈发电机空载并网的BP神经网络PID控制策略。研究结果表明，在BP神经网络PID控制策略下，双馈发电机定子电压能够快速跟踪电网电压且稳态误差近似为零，系统在响应的全过程对电网电压扰动具有较强的鲁棒性，提高了系统动态性能，控制效果明显优于传统PI控制，是一种高性能的并网控制策略。

参 考 文 献：

[1]MULJADI E，BUTTERFIELD C P，PARSONS B Effect of Variable Speed Wind Turbines Generator on Stability of Weak Grid[J].IEEE Trans on Energy Conversion，2007，22（1）：29-36

[2]赵栋利，许洪华，赵斌，等变速恒频风力双馈发电机并网电压控制研究[J].太阳能学报，2004，25（5）：587-591

[3]FERNANDEZ L M，GARCIA C A，JURADO F Comparative Study on the Performance of Control Systems for Doubly Fed Induction Generator（DFIG） Wind Turbines Operating with Power Regulation[J].Energy，2008，33（9）：1438-1452

[4]李建林，赵栋利，李亚西，等 几种适合变速恒频风力发电机并网方式对比分析[J]电力建设，2006，27（5）：8-10，17

[5]刘其辉，贺益康，卞松江变速恒频风力发电机空载并网控制[J].中国电机工程学报， 2004，24（3）：6-11

[6]刘其辉， 贺益康，张建华交流励磁变速恒频风力发电机的运行控制与建模仿真[J].中国电机工程学报，2006， 26（5）：43-50

[7]付旺保，赵栋利，潘磊，等.基于自抗扰控制器的变速恒频风力发电并网控制[J].中国电机工程学报，2006，26（ 3） ： 13- 18

[8]田永贵，王 奔，李小明，等基于自抗扰的变速恒频双馈风力发电机并网控制研究[J].四川电力技术，2015，38（2）：67-72

[9]TAKAO Kenji，YAMAMOTO Toru，HINAMOTO TakaoA Design of Model Driven Cascade PID Comtrollers Using a Neural Network，IEICE Transactions on Fundamentals of Electronics[J].Communications and Computer Sciences，2004：2322-2330

[10]郑雪梅，郭玲，徐殿国，等.双馈感应发电机空载并网的高阶滑模变结构控制策略[J].电力系统自动化，2012，36（ 7） ： 12 -16.

[11]龚菲， 王永骥 基于神经网络的 PID 参数自整定与实时控制[J]. 华中科技大学学报（自然科学版） ，2002 ，30 （10）：69-71

[12]刘金琨先进PID控制MATAB仿真[M].北京：电子工业出版社（第二版），2006，155-163

[13]杨艺，虎恩典基于S函数的BP神经网络PID控制器及Simulink仿真[J].電子设计工程，2014，22（3）：29-35

[14]杨晓红，葛海涛基于BP神经网络的风力发电机组变桨距控制仿真研究[J].机械设计与制造，2010，47（7）：184-186

[15]徐川川，朱凤武，李铁BP神经网络PID控制器在温室温度控制中的研究[J].中国农机化，2012（2）：151-154

（编辑：温泽宇）endprint