CN113623126B - 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质 - Google Patents

一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质 Download PDF

Info

Publication number
CN113623126B
CN113623126B CN202110699171.8A CN202110699171A CN113623126B CN 113623126 B CN113623126 B CN 113623126B CN 202110699171 A CN202110699171 A CN 202110699171A CN 113623126 B CN113623126 B CN 113623126B
Authority
CN
China
Prior art keywords
power
rotating speed
variation
fuzzy
water turbine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110699171.8A
Other languages
English (en)
Other versions
CN113623126A (zh
Inventor
罗德荣
周强
李孟秋
吴比
谭志红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202110699171.8A priority Critical patent/CN113623126B/zh
Publication of CN113623126A publication Critical patent/CN113623126A/zh
Application granted granted Critical
Publication of CN113623126B publication Critical patent/CN113623126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B15/00—Controlling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P2101/00—Special adaptation of control arrangements for generators
    • H02P2101/10—Special adaptation of control arrangements for generators for water-driven turbines
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P2103/00—Controlling arrangements characterised by the type of generator
    • H02P2103/20—Controlling arrangements characterised by the type of generator of the synchronous type
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Eletrric Generators (AREA)
  • Control Of Water Turbines (AREA)

Abstract

本发明公开了一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质，所述控制方法针对水轮机在常规的最大功率跟踪控制过程存在：追踪速度慢和稳态精度低，追踪过程中容易损失大量的能量使其效率降低的问题，使用水轮机综合特性曲线提取功率P、转速n、流量Q数据，将功率P、转速n、流量Q数据进行BP神经网络的训练，得到神经网络离线模型。利用神经网络离线模型进行初始转速评估，再用模糊控制MPPT进行最大功率的跟踪，实现了神经网络与模糊控制器的结合，另外还考虑到了流量Q变化的影响，快速的追踪到新的最大功率点，减少了功率的损耗和能源的浪费，提高了水轮机的效率。

Description

一种基于模糊控制的直驱永磁水力发电***控制方法、***、 终端及可读存储介质
技术领域
本发明属于水力发电技术领域，具体涉及一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质。
背景技术
水电作为世界公认的无污染和可再生能源，与其它的传统化石能源相比，水能在转换为电能的过程中不发生化学变化，不排出有害物质，对空气和水体不产生污染，是一种优质的可再生能源。其中，恒速恒频***受电网频率的限制，极大的限制了水轮机的出力，于是变速恒频水力发电技术得到了发展。其中，直驱永磁水力发电***通过背靠背三相桥式电路先整流后逆变实现变速恒频发电，永磁同步发电机仍以同步的方式运行，并且能在全功率与速度范围内实现无极调速，在小型水电中得到了很好的应用。
变速恒频水力发电能提高水轮机效率使发电机组转速能够根据进水流量的变化而变化，能有效保证水轮机在运行区间内均保持最佳水能捕获效率从而增加***发电量。
在直驱永磁水力发电***中，对于永磁同步发电机的控制一般采用转速控制，转矩由转速环自动调节。水轮机的输出功率由水电站实际工作水头、流量以及水轮机水能转换效率来决定，根据水轮机转速特性曲线可知，改变水轮机转速可以改变水轮机工作效率，进而控制输出功率，因此，对于永磁直驱水力发电***，为实现其高效运行，可采用转速控制，通过一定的寻优算法使水轮机转速工作在最大功率输出点，转速环自动调节发电机输出转矩，使发电机输出最大功率。
目前常用的控制方法有：1.根据水电站水头、流量、导叶开度等存储数据库，查表得到当前流量下的最优转速，存在准确性以及繁琐的问题；2.使用数据拟合方法建立水轮机效率模型求解最优转速，其缺点在于模型求解过于复杂，并且随时间推移效率模型存在误差。3.利用观察扰动法，给永磁同步发电机施加一定的扰动，观察功率反馈情况，再进一步调节转速，至到搜索到最佳转速，缺点在于容易步长设置过大容易导致稳态时间长，步长小导致寻优时间长，并且一旦受到天气或季节影响所导致的流量变化，难以快速寻找新的工作点，动态性能较差。
由此可见，现有控制方法中存在难以准确追踪到最优转速，使得水轮机的输出功率最大的技术缺陷，其在靠近最大功率点时容易出现精度不够或者在最高点附近不断出现震荡。
发明内容
本发明的目的是针对现有控制方法中难以准确追踪到最优转速，提供一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质，所述控制方法采用模糊控制提高跟踪进度，避免在最大功率点附近出现震荡的情况，准确跟踪到最优转速，提高水轮机的输出功率。
一方面，本发明提供的一种基于模糊控制的直驱永磁水力发电***控制方法，包括：
步骤1：构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
步骤2：利用所述模糊控制器进行最大功率跟踪；
其中，首先施加转速扰动，并记录水轮机的功率变化量和转速变化量，再输入所述模糊控制器得到当前时刻的转速变化量；
其次，叠加所述转速变化量后控制水轮机达到对应转速，记录水轮机的功率变化量；
然后，将功率变化量以及上一时刻的转速变化量输入所述模糊控制器得到下一时刻的转速变化量，循环上述过程，直至功率变化量小于预设功率阈值Pc；
其中，所述转速变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率。
第二方面，本发明提供的一种基于模糊控制的直驱永磁水力发电***控制方法，应用于水轮机流量恒定的工况下，所述控制方法包括：
S1-1：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，其中，所述神经网络是以水轮机的综合特性曲线功率P、流量Q作为训练输入数据，转速n作为训练输出数据并进行网络训练得到；
S1-2：控制所述水轮机的转速达到所述初始转速，再基于模糊控制器进行最大功率跟踪控制，其中，基于所述模糊控制器进行最大功率跟踪控制过程为步骤2的实现过程。
本发明将神经网络与模糊控制相结合，利用神经网络评估初始转速，减少模糊控制的追踪时间，再利用模糊控制提高跟踪精度，避免在靠近最大功率点时出现精度不够或者在最高点附近出现不断震荡的情况。
第三方面，本发明提供的一种基于模糊控制的直驱永磁水力发电***控制方法，应用于水轮机变流量的工况下，所述控制方法包括：
S2-1：采集功率变化量Pe，若Pm>Pe>Ps，执行步骤S2-2；若Pc<Pe<Ps，执行步骤S2-3；若Pe>Pm，执行步骤S2-4，Pm为设定的功率变化阈值，Ps为设定的功率阈值上限；
S2-2：基于模糊控制器进行最大功率跟踪控制；
S2-3：保持当前控制状态；
S2-4：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，再控制所述水轮机的转速达到所述初始转速，然后，基于模糊控制器进行最大功率跟踪控制。
现有控制方法中流量Q一般视为固定的，然而，实际应用过程中，其受到天气或季节影响所导致的流量变化，难以快速寻找新的工作点，动态性能较差。针对该问题，本发明将神经网络与模糊控制相结合，同时还考虑到了流量Q的变化影响。在流量变化的同时，也能快速的追踪到最高点，其收敛速度快，精度高，减少追踪过程中的能量损耗。
可选地，所述功率变化量的模糊子集表示为：{NB,NM,NS,ZO,PO,PS,PM,PB}，论域范围为[-8,8]，NB,NM,NS,ZO,PO,PS,PM,PB分别表示：负大、负中、负小、负零、正零、正小、正中、正大，{NM,NS,ZO,PO,PS,PM}、{NM,NS,PS,PM}均选用三角形隶属函数，{NB,PB}选用梯形隶属函数；
所述上一时刻的转速变化量和当前时刻的转速变量的模糊子集均表示为：{NB,NM,NS,PS,PM,PB}，所述上一时刻的转速变化量对应的论域范围为[-6,6]，所述当前时刻的转速变化量对应的论域范围为[-4,4]；
所述模糊控制器中的模糊规则如下表：
Figure GDA0003798006570000031
其中，Pe为所述功率变化量的模糊子集，Sn-1为所述上一时刻的转速变化量的模糊子集，Sn为所述当前时刻的转速变化量的模糊子集。
可选地，所述神经网络训练之前，将功率P、转速n以及流量Q的数据进行归一化转换，并采用MAD值表示神经网络的性能。
第四方面，本发明提供一种基于模糊控制的直驱永磁水力发电***控制***，包括：
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机。
第五方面，本发明提供的一种基于模糊控制的直驱永磁水力发电***控制***，其包括：
神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机以及用于控制所述水轮机的转速达到所述初始转速。
第六方面，本发明提供一种基于模糊控制的直驱永磁水力发电***控制***，其包括：
功率鉴别模块，用于获取功率变化量Pe，并判断所述功率变化量Pe与功率变化阈值Pm、功率阈值上限Ps、功率阈值Pc的大小；
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，用于当Pm>Pe>Ps时，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于当Pe>Pm时，将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；模糊跟踪模块再利用所述模糊控制器进行最大功率跟踪。
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机以及用于控制所述水轮机的转速达到所述初始转速。
第七方面，本发明提供一种终端，其包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以实现：
一种基于模糊控制的直驱永磁水力发电***控制方法的步骤。
第八方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于模糊控制的直驱永磁水力发电***控制方法的步骤。
有益效果
1.本发明提供的一种基于模糊控制的直驱永磁水力发电***控制方法，其构建了模糊控制器，利用模糊控制器的特性，提高跟踪精度，避免在靠近最大功率点时出现精度不够或者在最高点附近不断出现震荡的情况。
2.本发明进一步提供的控制方法，其将神经网络与模糊控制器相结合，一方面利用神经网络评估初始转速，减少模糊控制的追踪时间，另一方面利用模糊控制提高跟踪精度。此外，还考虑到流量Q存在变化的情况，在流量变化的同时，也能快速的追踪到最高点，其收敛速度快，精度高，减少追踪过程中的能量损耗。
附图说明
图1为发明实施例2中所述控制方法的控制流程图；
图2为发明实施例3中所述控制方法的控制流程图；
图3为本发明实施例的水轮机流量转速功率曲线；
图4为采用本发明实施例的控制***原理图；
图5为采用本发明实施例的BP神经网络结构图。
具体实施方式
本发明提供一种基于模糊控制的直驱永磁水力发电***控制方法的目的在于实现水轮机最优转速跟踪，保证水轮机保持最大功率，下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例的重点在于利用模糊控制器实现最大功率跟踪。下述将阐述本实施例构建的模糊控制器。
针对某一流量，水轮机的转速-功率曲线为一条近似抛物线，通过不断改变水轮机转速来追踪到唯一的最大功率点。因此，本实施例中构建的模糊控制器为二维模糊控制器，模糊控制器的输入数据为采样时间T内功率变化量Pe和上一时刻转速变化量Sn-1，模糊控制的输出数据为当前时刻转速变化量Sn。与扰动观测法相比，利用模糊控制器能够实时改变转速步长，并能在非最佳运行区域时，加快跟踪速度、减少最大功率点处的稳态振荡。
本发明定义模糊子集Pe为{NB,NM,NS,ZO,PO,PS,PM,PB}，分别表示为负大、负中、负小、负零、正零、正小、正中、正大。模糊子集Sn-1、Sn定义为{NB,NM,NS,PS,PM,PB}，分别表示为负大、负中、负小、正小、正中、正大。功率变化量Pe的论域范围为[-8,8]，
上一时刻转速变化量Sn-1的论域范围为[-6,6]，当前时刻转速变化量Sn为[-4,4]。其中，模糊控制器输入变量隶属函数分成两类，其中{NM,NS,ZO,PO,PS,PM}、{NM,NS,PS,PM}用三角形隶属函数，{NB,PB}用梯形隶属函数。
本发明基于控制原理设定了下述的模糊规则，如下表1：
表1
Figure GDA0003798006570000061
应当理解，模糊控制器的逆变换过程采用现有技术来实现，本发明对此不进行具体的限定。
基于上述模糊控制器，本发明实施例1提供的一种基于模糊控制的直驱永磁水力发电***控制方法，包括：
步骤1：构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
步骤2：利用所述模糊控制器进行最大功率跟踪；
其中，首先施加转速扰动，并记录水轮机的功率变化量和转速变化量，再输入所述模糊控制器得到当前时刻的转速变化量；
其次，叠加所述转速变化量后控制水轮机达到对应转速，记录水轮机的功率变化量；
然后，将功率变化量以及上一时刻的转速变化量输入所述模糊控制器得到下一时刻的转速变化量。应当理解，越靠近最大功率点时，其转速变化所引起的功率变化量越小。循环上述过程，直至功率变化量Pe小于预设功率阈值Pc，认为追踪到水轮机的最大功率，本发明的Pc值为水轮机流量-转速曲线的最大功率点处的一个较小范围内的功率变化值，其可以根据实际精度需求以及经验进行设定，当Pe小于Pc，视为转速变化所引起的功率变化量极小，即当前越加靠近最大功率点。本实施例中，将功率阈值Pc设定为50-100W，其他可行的实施例中，可以根据实际工况进行适应性调整。
实施例2：
如图1所示，本实施例中将神经网络与模糊控制相结合，提高追踪效率以及精度。本实施例2提供的一种基于模糊控制的直驱永磁水力发电***控制方法，包括：
S1-1：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，其中，所述神经网络是以水轮机的综合特性曲线功率P、流量Q作为训练输入数据，转速n作为训练输出数据并进行网络训练得到。由于将水轮机的综合特性曲线数据作为训练数据，其训练好的模型可以近似作为当前水轮机的转速-功率曲线，因此其神经网络的输出转速n不一定为实际水轮机运行的最佳转速，但在最佳转速附近范围内，将此转速作为水轮机的初始转速(能够节省传统方式下进行最大功率追踪到此初始转速的时间)。如图5所示的BP神经网络架构，其训练过程如下：
1)提取水轮机的综合特性曲线功率P、转速n、流量Q数据；其中，功率P、流量Q作为BP神经网络的输入，转速n作为神经网络的输出。
2)将功率P、转速n、流量Q数据进行归一化转换处理，公式为：
Figure GDA0003798006570000071
式中，a为原始数据，
Figure GDA0003798006570000072
为标准化后的数据，amax为样本数据中的最大值，amin为最小值。
3)BP神经网络的性能用MAD表示，为模型预测的数值结果和实际结果之间绝对误差的平均值，MAD的值越小，BP神经网络越好，公式表示为：
Figure GDA0003798006570000073
μi为当前模型下的转速的输出值，Xi为真实数据转速输出值，n代表数据量。
4)将归一化后的数据作为样本数据，训练BP神经网络，采用逆向反馈方式反向逐层调整权重和阈值，不断更新当前权值和阈值，再带入平均绝对误差函数求MAD，MAD小于0.0001时停止训练模型，得到最优权值和阈值，并且认为此模型为最佳的BP神经网络模型。
S1-2：控制所述水轮机的转速达到所述初始转速，再基于模糊控制器进行最大功率跟踪控制。其中，构建模糊控制器以及利用模糊控制器进行控制的过程均请参照实施例1的相关陈述，在此不再赘述。
需要说明的是，本实施例2中的流量Q视为定值。如图4所示，本实施例运行直驱永磁水力并网发电***，机侧采用单位功率因素矢量控制方式，对机侧采集的三相电流进行CLARKE和PARK变换得到等效的直流电流id和iq，id为转矩电流分量，iq为弱磁电流分量，采用转速、电流双闭环控制策略，调制算法采用SVPWM；网侧采用有功、无功分解矢量控制方式，对网侧采集的三相电流进行CLARKE和PARK变换得到等效的直流电流id和iq，d轴与电网电动势矢量重合，id为有功电流分量，iq为无功电流分量，采用电压、电流双闭环控制策略，调制算法采用SVPWM。
实施例3：
如图2所示，本实施例中考虑到了实际工况中，随着天气或季节影响，容易导致的流量发生变化，因此，本实施例3提供的一种基于模糊控制的直驱永磁水力发电***控制方法，应用于水轮机变流量的工况下，所述控制方法包括：
S2-1：采集功率并计算变化量Pe，若Pm>Pe>Ps，说明受天气或季节影响，流量Q发生较大变化使水轮机偏离最佳转速较远，执行步骤S2-2；若Pc<Pe<Ps，说明流量Q变化小导致水轮机偏离最佳转速较小，执行步骤S2-3；若Pe>Pm，流量Q变化很大，当前转速距离最优转速远，执行步骤S2-4。其中，Pm、Ps都是针对流量发生改变而转速不变时所产生的功率差值而设定的变量阈值，Pm的含义视为：流量发生较大变化将导致水轮机偏离最佳转速较远，即基于该工况而设定的功率变化阈值，即Pe>Pm，视为流量Q变换很大且将导致当前转速便宜最优转速。Ps的含义视为：流量发生较小变化将导致水轮机偏离最佳转速较小，即基于该工况而设定的功率阈值上限，即Pe<Ps，视为流量Q变化很小，影响有限。
本实施例中，将设定功率阈值上限Ps为200W，设定流量变化下的功率变化阈值Pm为400W。应当理解，其他可行的实施例中可以对其进行适应性调整。
S2-2：基于模糊控制器进行最大功率跟踪控制。其中，构建模糊控制器以及利用模糊控制器进行控制的过程均请参照实施例1的相关陈述，在此不再赘述。
S2-3：保持当前控制状态，此时，流量Q变化较小或受到轻微扰动，功率变化较小，可认为追踪到最大功率，减少不必要的能量损耗；
S2-4：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，再控制所述水轮机的转速达到所述初始转速，再基于模糊控制器进行最大功率跟踪控制。其中，神经网络的训练过程以及模糊控制器的构建过程、利用模糊控制器进行控制的过程均请参照实施例1和实施例2的相关陈述，在此不再赘述。
实施例4：
本实施例是针对实施例1提供的一种基于模糊控制的直驱永磁水力发电***控制***，其包括：模糊控制器构建模块和模糊跟踪模块。具体是利用模糊控制器实现最大功率跟踪。
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪；其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例5：
本实施例是针对实施例2提供的一种基于模糊控制的直驱永磁水力发电***控制***，其包括：神经网络构建模块、初始转速预测模块、模糊控制器构建模块、模糊跟踪模块。
其中，神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪；其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例6：
本实施例是针对实施例3提供的一种基于模糊控制的直驱永磁水力发电***控制***，其包括：功率鉴别模块、模糊控制器构建模块、模糊跟踪模块、神经网络构建模块以及初始转速预测模块。
其中，功率鉴别模块，用于获取功率变化量Pe，并判断所述功率变化量Pe与功率变化阈值Pm、功率阈值上限Ps、功率阈值Pc的大小；
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T为正整数；
模糊跟踪模块，用于当Pm>Pe>Ps时，利用所述模糊控制器进行最大功率跟踪；其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机；
神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于当Pe>Pm时，将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；模糊跟踪模块再利用所述模糊控制器进行最大功率跟踪。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例7：
本实施例提供一种终端，其包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以实现：一种基于模糊控制的直驱永磁水力发电***控制方法的步骤。
其中，一种基于模糊控制的直驱永磁水力发电***控制方法的实现过程可以参照实施例1-3的相关陈述。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例8：
本实施例提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：一种基于模糊控制的直驱永磁水力发电***控制方法的步骤。
其中，一种基于模糊控制的直驱永磁水力发电***控制方法的实现过程可以参照实施例1-3的相关陈述。
各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种基于模糊控制的直驱永磁水力发电***控制方法，其特征在于：包括：
步骤1：构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T的数值部分为正整数；
步骤2：利用所述模糊控制器进行最大功率跟踪；
其中，首先施加转速扰动，并记录水轮机的功率变化量和转速变化量，再输入所述模糊控制器得到当前时刻的转速变化量；
其次，叠加所述转速变化量后控制水轮机达到对应转速，记录水轮机的功率变化量；
然后，将功率变化量以及上一时刻的转速变化量输入所述模糊控制器得到下一时刻的转速变化量，循环上述步骤，直至功率变化量小于预设功率阈值Pc；
其中，所述功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率。
2.一种基于模糊控制的直驱永磁水力发电***控制方法，其特征在于：应用于水轮机流量恒定的工况下，所述控制方法包括：
S1-1：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，其中，所述神经网络是以水轮机的综合特性曲线功率P、流量Q作为训练输入数据，转速n作为训练输出数据并进行网络训练得到；
S1-2：控制所述水轮机的转速达到所述初始转速，再基于模糊控制器进行最大功率跟踪控制，其中，基于所述模糊控制器进行最大功率跟踪控制过程为权利要求1中步骤2的实现过程。
3.一种基于模糊控制的直驱永磁水力发电***控制方法，其特征在于：应用于水轮机变流量的工况下，所述控制方法包括：
S2-1：采集功率变化量Pe，若Pm>Pe>Ps，执行步骤S2-2；若Pc<Pe<Ps，执行步骤S2-3；若Pe>Pm，执行步骤S2-4，Pm为设定的功率变化阈值，Ps为设定的功率阈值上限；
S2-2：基于模糊控制器进行最大功率跟踪控制，其中，基于所述模糊控制器进行最大功率跟踪控制过程为权利要求1中步骤2的实现过程；
S2-3：保持当前控制状态；
S2-4：将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速，再控制所述水轮机的转速达到所述初始转速，然后，基于模糊控制器进行最大功率跟踪控制。
4.根据权利要求1-3任一项所述的方法，其特征在于：所述功率变化量的模糊子集表示为：{NB,NM,NS,ZO,PO,PS,PM,PB}，论域范围为[-8,8]，NB,NM,NS,ZO,PO,PS,PM,PB分别表示：负大、负中、负小、负零、正零、正小、正中、正大，{NM,NS,ZO,PO,PS,PM}、{NM,NS,PS,PM}均选用三角形隶属函数，{NB,PB}选用梯形隶属函数；
所述上一时刻的转速变化量和当前时刻的转速变化量的模糊子集均表示为：{NB,NM,NS,PS,PM,PB}，所述上一时刻的转速变化量对应的论域范围为[-6,6]，所述当前时刻的转速变化量对应的论域范围为[-4,4]；
所述模糊控制器中的模糊规则如下表：
Figure FDA0003798006560000021
其中，Pe为所述功率变化量的模糊子集，Sn-1为所述上一时刻的转速变化量的模糊子集，Sn为所述当前时刻的转速变化量的模糊子集。
5.根据权利要求2-3任一项所述的方法，其特征在于：所述神经网络训练之前，将功率P、转速n以及流量Q的数据进行归一化转换，并采用MAD值表示神经网络的性能。
6.一种基于权利要求1所述基于模糊控制的直驱永磁水力发电***控制方法的控制***，其特征在于：包括：
模糊控制器构建模块，用于构建模糊控制器，其中，所述模糊控制器的输入为功率变化量和上一时刻的转速变化量，输出为当前时刻的转速变化量；所述功率变化量的采样时长设定为T，T的数值部分为正整数；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机。
7.一种基于权利要求2所述基于模糊控制的直驱永磁水力发电***控制方法的控制***，其特征在于：包括：
神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；
模糊跟踪模块，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机以及用于控制所述水轮机的转速达到所述初始转速。
8.一种基于权利要求3所述基于模糊控制的直驱永磁水力发电***控制方法的控制***，其特征在于：包括：
功率鉴别模块，用于获取功率变化量Pe，并判断所述功率变化量Pe与功率变化阈值Pm、功率阈值上限Ps、功率阈值Pc的大小；
模糊跟踪模块，用于当Pm>Pe>Ps时，利用所述模糊控制器进行最大功率跟踪，直至功率变化量小于所述预设功率阈值Pc时，视水轮机对应的功率处于最大功率；
神经网络构建模块，用于训练神经网络；
初始转速预测模块，用于当Pe>Pm时，将水轮机的流量Q和功率P输入神经网络预测水轮机的初始转速；模糊跟踪模块再利用所述模糊控制器进行最大功率跟踪；
其中，所述模糊跟踪模块包括：采集单元和控制单元，所述采集单元用于记录水轮机的功率变化量和转速变化量，并输入至模糊控制器，所述控制单元用于将从模糊控制器得到的转速变化量进行叠加，并依据叠加后的转速控制水轮机以及用于控制所述水轮机的转速达到所述初始转速。
9.一种终端，其特征在于：包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以实现：
权利要求1-5任一项所述方法的步骤。
10.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：
权利要求1-5任一项所述方法的步骤。
CN202110699171.8A 2021-06-23 2021-06-23 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质 Active CN113623126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110699171.8A CN113623126B (zh) 2021-06-23 2021-06-23 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110699171.8A CN113623126B (zh) 2021-06-23 2021-06-23 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN113623126A CN113623126A (zh) 2021-11-09
CN113623126B true CN113623126B (zh) 2022-12-06

Family

ID=78378244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110699171.8A Active CN113623126B (zh) 2021-06-23 2021-06-23 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN113623126B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114448306B (zh) * 2022-01-24 2023-10-20 湖南大学 一种恒流源励磁的变速恒频水力发电***及其应用方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04314975A (ja) * 1991-04-11 1992-11-06 Fuji Electric Co Ltd ガバナレス水車の起動制御装置
US20030218338A1 (en) * 2002-05-23 2003-11-27 O'sullivan George A. Apparatus and method for extracting maximum power from flowing water
CN103281022B (zh) * 2013-05-29 2015-04-01 重庆交通大学 双馈风力发电机双重效率模糊优化的控制方法
CN108803771A (zh) * 2017-05-02 2018-11-13 南京理工大学 基于自适应模糊控制的最大功率点跟踪方法
CN109308005B (zh) * 2018-09-10 2022-01-28 东方电气自动控制工程有限公司 一种基于工况寻优的变转速抽水蓄能机组协调控制方法
CN109756162A (zh) * 2019-03-26 2019-05-14 无锡商业职业技术学院 一种永磁直驱风电***模糊mppt控制方法及其控制装置
CN110454328A (zh) * 2019-08-12 2019-11-15 长沙理工大学 一种无风速传感器下的风力发电***功率追踪方法

Also Published As

Publication number Publication date
CN113623126A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
Pan et al. Variable pitch control on direct-driven PMSG for offshore wind turbine using Repetitive-TS fuzzy PID control
Beddar et al. Experimental enhancement of fuzzy fractional order PI+ I controller of grid connected variable speed wind energy conversion system
Mahmoud et al. A combination of an OTC based MPPT and fuzzy logic current control for a wind-driven PMSG under variability of wind speed
Sabzevari et al. MPPT control of wind turbines by direct adaptive fuzzy-PI controller and using ANN-PSO wind speed estimator
Hu et al. Multi‐objective model predictive control of doubly‐fed induction generators for wind energy conversion
Zhang et al. Control optimisation for pumped storage unit in micro‐grid with wind power penetration using improved grey wolf optimiser
Rezaei et al. A model-based implementation of an MPPT technique and a control system for a variable speed wind turbine PMSG
Kassem Modelling and robust control design of a standalone wind‐based energy storage generation unit powering an induction motor‐variable‐displacement pressure‐compensated pump
Jabal Laafou et al. Dynamic Modeling and Improved Control of a Grid‐Connected DFIG Used in Wind Energy Conversion Systems
Nag et al. DFIM-based variable speed operation of pump-turbines for efficiency improvement
CN113623126B (zh) 一种基于模糊控制的直驱永磁水力发电***控制方法、***、终端及可读存储介质
Babu et al. Fuzzy logic based optimal tip speed ratio MPPT controller for grid connected WECS
Hemeyine et al. Robust takagi sugeno fuzzy models control for a variable speed wind turbine based a DFI-generator
Zhu et al. An improved fuzzy logic based DC-link voltage control strategy for smoothing output power of the PMSG-WECS
CN113224776A (zh) 一种主动配电网三相不平衡治理方法及***
Zhang et al. Application of fuzzy logic control for grid-connected wind energy conversion system
CN115903457B (zh) 一种基于深度强化学习的低风速永磁同步风力发电机控制方法
Elnaghi et al. Adaptation of PI controller used with combination of perturbation and observation method and feedback method for DFIG
Sun et al. Design and optimization of control parameters based on direct-drive permanent magnet synchronous generator for wind power system
Parida et al. A new self-adjusting PI controller for power control in a wind turbine generator
Shen et al. HOSMD and neural network based adaptive super-twisting sliding mode control for permanent magnet synchronous generators
Lei et al. Active disturbance rejection based MPPT control for wind energy conversion system under uncertain wind velocity changes
Ullah et al. Variable gain high order sliding mode control approaches for PMSG basedvariable speed wind energy conversion system
Amini et al. Control co-design of a hydrokinetic turbine: a comparative study of open-loop optimal control and feedback control
Zhi-nong et al. The intelligent control of DFIG-based wind generation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant