CN113691176A - 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 - Google Patents
一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 Download PDFInfo
- Publication number
- CN113691176A CN113691176A CN202110913472.6A CN202110913472A CN113691176A CN 113691176 A CN113691176 A CN 113691176A CN 202110913472 A CN202110913472 A CN 202110913472A CN 113691176 A CN113691176 A CN 113691176A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- stator
- magnet direct
- driven generator
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/22—Current control, e.g. using a current control loop
-
- 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
- H02P2101/15—Special adaptation of control arrangements for generators for wind-driven turbines
-
- 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
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,属电气工程技术领域。该方法采用神经网络直接转矩控制策略,通过离线训练定子磁链神经网络,逼近定子磁链参考值与电磁转矩的关系曲线,实现变定子磁链参考值控制,控制永磁直驱型风力发电机的定子电流d轴分量ids保持为零;通过将永磁直驱型风力发电机的定子电压计算式进行离散化处理,计算得到定子电压的α轴、β轴分量的参考值u* sα和u* sβ,将此参考值经SVPWM模块调制后产生驱动信号,驱动所述机侧变流器的功率开关管,控制所述永磁直驱型风力发电机工作。本发明可降低发电机定子侧电流谐波畸变和机侧变流器能耗,确保整个风电机组***性能最优。
Description
技术领域
本发明涉及一种控制方法,尤其是一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,属于风电技术领域。
背景技术
永磁直驱型风电机组通常采用背靠背结构的变流器,它包括机侧变流器和网侧变流器,其中机侧变流器一般采用电压源变流器VSC。为了提高***响应的快速性,永磁直驱型风电机组的机侧变流器通常采用直接转矩控制(DTC)方法控制发电机的电磁转矩。传统的直接转矩控制采用乒乓控制方案,简单易行,但该方法使用滞环控制器,使得定子磁链和电磁转矩的控制始终存在一个误差带,导致永磁同步发电机定子侧产生大量谐波。定子电流中的谐波使得发电机电磁转矩脉动较大,将使风电机组产生额外的机械振动和扭振。此外,传统的直接转矩控制无法维持定子侧交流电流的d轴分量为零,这不仅可能导致永磁体产生退磁现象,还会增加风电机组机侧变流器本身的功率损耗。
发明内容
本发明的主要目的在于:针对上述现有技术存在的不足,本发明提供一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,通过采用基于BP神经网络的直接转矩控制策略,降低定子侧电流的谐波含量,减小机侧变流器本身的功率损耗。
为了达到以上目的,本发明永磁直驱风电机组包括永磁直驱型风力发电机、机侧变流器、直流环节、网侧变流器,所述机侧变流器一端与所述永磁直驱型风力发电机的定子相连,另一端与所述直流环节相连;所述直流环节的另一端与所述网侧变流器相连;所述网侧变流器通过工频变压器与交流电网相连。
本发明一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,包括以下步骤:
步骤1,采用BP神经网络—PID控制策略设计转速跟踪控制器:
11)确定所述BP神经网络的层数:所述神经网络包括1个输入层、1个隐含层、1个输出层,其中,所述输入层有3个输入向量xj(k),j=1,2,3,分别是所述永磁直驱型风力发电机的当前时刻转速参考值当前时刻转速测量值ωr(k)以及它们之间的偏差值 即令x2(k)=ωr(k),x3(k)=e(k),k为当前时刻;所述隐含层有5个神经元;所述输出层有3个神经元;
12)进行所述BP神经网络的前馈计算,获得所述隐含层的输出和所述输出层的输出:
所述隐含层的第i个神经元(i=1,2,3,4,5)当前时刻的输入si、输出Oi 2(k)分别为:
式中,wij 2(k)是当前时刻所述输入层的第j个神经元与所述隐含层的第i个神经元之间的连接权重系数,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
所述输出层的第l个神经元(l=1,2,3)当前时刻的输入sl、输出Ol 3(k)分别为:
式中,wli 3(k)是当前时刻所述隐含层的第i个神经元和所述输出层的第l个神经元之间的连接权重系数,f2(·)为所述输出层的激励函数,采用Sigmoid函数;
令:
13)将步骤12)得到的三个输出Kp、Ki、Kd输入PID控制器,得到当前时刻所述转速跟踪控制器的输出y(k)为:
步骤2,将所述永磁直驱型风力发电机的定子电压us和定子电流is经abc/αβ坐标变换分别得到αβ静止坐标系下的定子电压α轴分量usα、β轴分量usβ和定子电流α轴分量isα、β轴分量isβ;同时将所述永磁直驱型风力发电机的定子电流is经abc/dq坐标变换得到dq旋转坐标系下的定子电流d轴分量isd和q轴分量isq;
由此计算得到所述永磁直驱型风力发电机的定子磁链矢量ψs的α轴分量ψsα和β轴分量ψsβ:
式中,Rs为所述永磁直驱型风力发电机的定子绕组的等效电阻,t为时间;
同时计算得到所述永磁直驱型风力发电机的电磁转矩Te:
式中,P为所述永磁直驱型风力发电机的极对数;
步骤3,将步骤1得到的y(k)作为当前时刻所述永磁直驱型风力发电机的电磁转矩参考值然后将此与步骤2得到的电磁转矩Te作差,进行比较后输入PI控制器,得到转矩角δ,即所述永磁直驱型风力发电机的定子磁链矢量ψs与转子磁链矢量ψr之间的夹角;r
式中,Lq为所述永磁直驱型风力发电机的定子侧电感q轴分量,P为所述永磁直驱型风力发电机的极对数,ψr为所述永磁直驱型风力发电机的转子磁链;
42)构建所述定子磁链神经网络模型,该模型由输入层、1个隐含层、输出层组成;
输入层有1个神经元:当前时刻的电磁转矩Te(k),令x=Te(k);
隐含层有10个神经元,第j个神经元输入sj为:
sj=ω1jx-θj,j=1,2,…,10
式中,ω1j是当前时刻所述输入层神经元与所述隐含层的第j个神经元之间的连接权重系数,θj为所述隐含层的第j个神经元的阈值;
隐含层第j个神经元输出yj为:
yj=f1(sj)=f1(ω1jx-θj)=tanh(ω1jx-θj)
式中,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
输出层有1个神经元,其输入s为:
式中,ωj是当前时刻所述隐含层的第j个神经元与所述输出层神经元之间的连接权重系数,θ为所述输出层的阈值;
输出层神经元输出y为:
其中,f2(·)为输出层的激励函数,采用线性函数;
43)取若干个电磁转矩Te的值,取值范围为0~TeN,其中,TeN为电磁转矩Te的额定值,按式(3)对上述定子磁链神经网络模型进行离线训练,使其以足够的精度逼近式(3);
步骤5,计算定子磁链矢量ψs的幅值|ψs|及其位置角θs:
式中,ψsα和ψsβ由步骤2计算得到;
步骤6,将步骤2计算得到的电磁转矩Te经步骤4构建并训练好的所述定子磁链神经网络模型,得到当前时刻所述永磁直驱型风力发电机的定子磁链幅值参考值结合式(4)、式(5),按式(6)分别计算定子磁链偏差矢量Δψs的α轴分量Δψsα和β轴分量Δψsβ:
式中,δ为步骤3得到的转矩角;
步骤7,将所述永磁直驱型风力发电机的定子电压us的α轴分量usα和β轴分量usβ计算公式
进行离散化处理,结合式(6),计算得到usα、usβ的参考值u* sα和u* sβ:
式中,T为采样周期;
步骤8,将u* sα和u* sβ经SVPWM模块调制后产生驱动信号,驱动所述机侧变流器的功率开关管,控制所述永磁直驱型风力发电机工作。
与现有技术相比,本发明的有益效果是:本发明采用基于BP神经网络的直接转矩控制策略,通过离线训练定子磁链神经网络,逼近定子磁链参考值与电磁转矩的关系曲线,实现变定子磁链参考值控制,控制永磁直驱型风力发电机的定子电流的d轴分量isd保持为零,可以减小机侧变流器的功率损耗,避免永磁直驱型风力发电机永磁体退磁现象的产生;同时使用空间矢量调制(SVPWM)方案改善了传统的直接转矩控制效果,抑制了发电机定子侧交流电流的谐波畸变。此外,通过采用BP-PID控制器,实现PID控制参数的自整定,减小了电磁转矩和转速的超调。
附图说明
图1为本发明永磁直驱风电机组拓扑结构示意图。
图2为本发明采用基于神经网络的直接转矩控制策略的机侧变流器控制框图。
图3为本发明转速神经网络模型结构图。
图4为本发明定子磁链神经网络模型结构图。
图5为直接转矩控制***的矢量示意图。
图6为采用传统的直接转矩控制策略的机侧变流器控制框图。
图7为本发明与传统的直接转矩控制策略下的定子侧交流电流谐波对比图。
图8为本发明与传统的直接转矩控制策略下的电磁转矩对比仿真曲线图。
图9为本发明与传统的直接转矩控制策略下的转速对比仿真曲线图。
图10为永磁直驱型风力发电机输出功率Pout曲线图。
图11为本发明与传统的直接转矩控制策略下发电机输出功率Pout相同时,机侧变流器直流侧功率Pdc对比仿真曲线图。
其中,1-永磁直驱型风力发电机,2-机侧变流器,3-直流环节;4-网侧变流器,5-转速神经网络模型,6-定子磁链神经网络模型。
具体实施方式
下面结合附图,对本发明作进一步详细说明。
如图1所示,本发明永磁直驱风电机组包括永磁直驱型风力发电机1、机侧变流器2、直流环节3、网侧变流器4,机侧变流器2的一端与永磁直驱型风力发电机1的定子相连,另一端与直流环节3相连;直流环节3的另一端与网侧变流器4相连;网侧变流器4通过工频变压器与交流电网相连。
本发明一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,包括以下步骤:
步骤1,构建转速神经网络模型5,采用BP神经网络—PID控制策略设计外环转速跟踪控制器。具体方法为:
11)如图3所示,首先确定转速神经网络模型5的BP神经网络层数:该神经网络包括1个输入层、1个隐含层、1个输出层,其中,输入层有3个神经元,即:3个输入向量xj(k),j=1,2,3,分别是永磁直驱型风力发电机1的当前时刻转速参考值当前时刻转速测量值ωr(k)以及它们之间的偏差值即令x2(k)=ωr(k),x3(k)=e(k),k为当前时刻;隐含层有5个神经元;输出层有3个神经元,它们的输出分别为当前时刻的Kp、Ki、Kd。
12)进行前馈计算,获得BP神经网络的隐含层的输出和输出层的输出:
隐含层的第i个神经元(i=1,2,3,4,5)当前时刻的输入si、输出Oi 2(k)分别为:
式中,wij 2(k)是当前时刻输入层的第j个神经元与隐含层的第i个神经元之间的连接权重系数,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
输出层的第l个神经元(l=1,2,3)当前时刻的输入sl、输出Ol 3(k)分别为::
式中,wli 3(k)是当前时刻隐含层的第i个神经元和输出层的第l个神经元之间的连接权重系数,f2(·)为输出层的激励函数,采用Sigmoid函数;
则有:
13)求出当前时刻外环转速跟踪控制器的输出y(k)为:
步骤2,将永磁直驱型风力发电机1的定子电压us、定子电流is分别经abc/αβ坐标变换得到usα、usβ和isα和isβ;同时将永磁直驱型风力发电机1的定子电流is经abc/dq坐标变换得到dq坐标系下的定子电流d轴、q轴分量isd、isq;
由此计算得到定子磁链矢量ψs的α、β分量ψsα和ψsβ:
式中,Rs为永磁直驱型风力发电机1的定子绕组的等效电阻,t为时间;
由此计算得到永磁直驱型风力发电机1的当前时刻的电磁转矩Te:
式中,P为永磁直驱型风力发电机1的极对数。
步骤3,将步骤1得到的y(k)作为当前时刻永磁直驱型风力发电机1的电磁转矩参考值然后将此与步骤2得到的当前时刻的电磁转矩Te作差,进行比较后输入PI控制器,得到转矩角δ,即定子磁链矢量ψs与转子磁链矢量ψr之间的夹角(参见图5)。r
式中,Lq为永磁直驱型风力发电机1的定子侧电感q轴分量,ψr为永磁直驱型风力发电机1的转子磁链。
式(3)推导过程如下:
以隐极式永磁同步发电机为例,其定子磁链和电流的关系为:
电磁转矩Te也可按下式计算:
因此,将当前时刻的实际电磁转矩Te代入式(3),就能计算出使isd=0的定子磁链幅值|ψs|的值。可见,如果能把定子磁链幅值|ψs|控制成式(3)计算的值,当前时刻的isd必定为0,因而此时对应的定子磁链幅值|ψs|就作为当前时刻的定子磁链幅值参考值
42)构建定子磁链神经网络模型。如图4所示,该模型由1个输入层、1个隐含层、1个输出层组成;
输入层有1个神经元,即1个输入向量:当前时刻的电磁转矩Te(k),令x=Te(k);
隐含层有10个神经元,其第j个神经元输入sj为:
sj=ω1jx-θj,j=1,2,…,10
式中,ω1j是当前时刻输入层神经元与隐含层的第j个神经元之间的连接权重系数,θj为隐含层的第j个神经元的阈值;
隐含层第j个神经元输出yj为:
yj=f1(sj)=f1(ω1jx-θj)=tanh(ω1jx-θj)
式中,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
输出层有1个神经元,其输入s为:
式中,ωj是当前时刻隐含层的第j个神经元与输出层神经元之间的连接权重系数,θ为输出层的阈值;
输出层神经元输出y为:
其中,f2(·)为输出层的激励函数,采用线性函数;
43)取若干个电磁转矩Te的值,取值范围为0~TeN,其中,TeN为电磁转矩Te的额定值,按式(3)对上述定子磁链神经网络模型进行离线训练,使其以足够的精度逼近式(3),期望误差最小值设为2e-10。
步骤5,计算定子磁链矢量ψs的幅值|ψs|及其位置角θs:
式中,ψsα和ψsβ由步骤2计算得到;
图5为任意时刻在两相静止坐标系下,直接转矩控制***中各矢量示意图。如图5所示,θs为定子磁链当前位置的角度;θr为永磁体磁链位置的角度,也就是参考定子磁链矢量的位置角大小;δ为转矩角;Δψs是定子磁链的偏差矢量;u1、u2、u3、u4、u5、u6为非零基本空间电压矢量。在此时刻,选择施加u2和u3矢量,其作用效果是能获得定子磁链误差矢量Δψs,并使当前的定子磁链叠加这个偏差矢量,从而使定子磁链的幅值达到参考值以进一步控制电磁转矩。
根据图5,结合式(4)、式(5),可分别计算得到定子磁链偏差矢量Δψs的α轴和β轴分量Δψsα和Δψsβ:
式中,δ为步骤3得到的转矩角;
步骤7,将永磁直驱型风力发电机1的定子电压us的α轴分量usα和β轴分量usβ计算公式:
进行离散化处理,有:
式中,T为采样周期。
步骤8,如图2所示,将u* sα和u* sβ经SVPWM模块调制后产生驱动信号,驱动机侧变流器2的功率开关管,控制永磁直驱型风力发电机1工作。
为了验证本发明基于BP神经网络的直接转矩控制策略的有效性,对永磁直驱型风力发电机1的机侧变流器2分别采用本发明的基于BP神经网络的直接转矩控制策略和传统的直接转矩控制策略进行对比仿真分析。
如图6所示,传统的直接转矩控制策略主要思路是:将永磁直驱型风力发电机1的定子电压usa、usb、usc和定子电流isa、isb、isc经abc/αβ坐标变换分别得到usα、usβ和isα、isβ,利用式(1)求得定子磁链矢量ψs在α、β轴的分量ψsα和ψsβ,然后利用式(4)求得定子磁链矢量ψs的幅值|ψs|,并将参考定子磁链矢量的幅值与|ψs|作差,送入磁链滞环比较器;
根据测量到的实时风速vw经最大功率跟踪控制(MPPT)得到参考转速将与实际转速ωr作差,经PID控制器得到电磁转矩参考值,将与由式(2)计算得到的实时电磁转矩Te作差,送入转矩滞环比较器;综合磁链滞环比较器的输出、转矩滞环比较器的输出以及由式(5)计算得到的定子磁链的位置角θs通过开关表查询后选择出相应的电压矢量,产生驱动信号去驱动机侧变流器2的功率开关管,控制永磁直驱型风力发电机1工作。
具体仿真参数如表1、表2所示。
表1风力机相关参数
参数 | 数值 |
额定功率P<sub>N</sub> | 1kW |
额定风速v<sub>N</sub> | 10m/s |
启动风速v<sub>0</sub> | 2.5m/s |
风轮半径R | 2m |
空气密度ρ | 1.225kg/m<sup>3</sup> |
桨距角β | 0° |
表2永磁同步发电机相关参数
参数 | 数值 |
额定功率P<sub>N</sub> | 1kW |
额定转速n<sub>N</sub> | 150r/min |
额定机械转矩T<sub>m</sub> | -63.67N*m |
极对数P | 20 |
定子侧d轴电感L<sub>d</sub> | 9mH |
定子侧q轴电感L<sub>q</sub> | 9mH |
永磁体磁链幅值|ψ<sub>r</sub>| | 0.7Wb |
直流侧电压U<sub>dc</sub> | 650V |
定子侧额定磁链幅值|ψ<sup>*</sup><sub>s</sub>| | 0.7Wb |
设置仿真时间为0.4s,初始风速为6m/s,0.2s时风速上升至额定风速10m/s。
如图7所示,图7a、图7b分别为采用传统直接转矩控制方法和采用本发明基于BP神经网络的直接转矩控制方法时的永磁直驱型风力发电机1的定子侧交流电流谐波畸变率情况。由图7可知,定子侧交流电流主要存在奇次谐波,本发明基于BP神经网络的直接转矩控制相比于传统直接转矩控制使发电机定子侧交流电流谐波畸变率减小了2.7%。
如图8所示,图8a、图8b分别为采用传统直接转矩控制方法和采用本发明基于BP神经网络的直接转矩控制方法时的永磁直驱型风力发电机1的电磁转矩变化情况。由图8可知,采用传统直接转矩控制方法时,***达到稳定时,电磁转矩波动约为10N·m,而采用本发明基于BP神经网络的直接转矩控制时,电磁转矩波动不到5N·m,电磁转矩脉动至少减小了50%。
如图9所示,图9a、图9b分别为采用传统直接转矩控制方法和采用本发明基于BP神经网络的直接转矩控制方法时的永磁直驱型风力发电机1的转速变化情况。由图9可知,采用传统直接转矩控制方法时,在***启动和风速变化阶段,转速存在较大的超调,而采用本发明基于BP神经网络的直接转矩控制时,转速具有更快的动态响应,能够在短时间内达到稳定状态。
图10为永磁直驱型风力发电机1的输出功率变化情况,由图10可知,当风速达到额定风速10m/s时,发电机1的输出功率Pout达到额定功率1000W。如图11所示,图11a、图11b分别为采用传统直接转矩控制方法和采用本发明基于BP神经网络的直接转矩控制方法时机侧变流器2的直流侧功率变化情况。由图11可知,采用传统直接转矩控制时,机侧变流器2的直流侧输出功率为800W,采用本发明基于BP神经网络的直接转矩控制时,机侧变流器2的直流侧输出功率为910W。由此可见,本发明基于BP神经网络的直接转矩控制方法可以降低机侧变流器2的功率损耗。
总之,本发明基于BP神经网络的直接转矩控制方法可以抑制发电机定子侧交流电流谐波畸变,减小电磁转矩和转速的脉动,降低机侧变流器的功率损耗。
Claims (1)
1.一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法,包括以下步骤:
步骤1,采用BP神经网络—PID控制策略设计转速跟踪控制器:
11)确定所述BP神经网络的层数:所述神经网络包括1个输入层、1个隐含层、1个输出层,其中,所述输入层有3个输入向量xj(k),j=1,2,3,分别是所述永磁直驱型风力发电机的当前时刻转速参考值当前时刻转速测量值ωr(k)以及它们之间的偏差值 即令x2(k)=ωr(k),x3(k)=e(k),k为当前时刻;所述隐含层有5个神经元;所述输出层有3个神经元;
12)进行所述BP神经网络的前馈计算,获得所述隐含层的输出和所述输出层的输出:
所述隐含层的第i个神经元(i=1,2,3,4,5)当前时刻的输入si、输出Oi 2(k)分别为:
式中,wij 2(k)是当前时刻所述输入层的第j个神经元与所述隐含层的第i个神经元之间的连接权重系数,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
所述输出层的第l个神经元(l=1,2,3)当前时刻的输入sl、输出Ol 3(k)分别为:
式中,wli 3(k)是当前时刻所述隐含层的第i个神经元和所述输出层的第l个神经元之间的连接权重系数,f2(·)为所述输出层的激励函数,采用Sigmoid函数;
令:
13)将步骤12)得到的三个输出Kp、Ki、Kd输入PID控制器,得到当前时刻所述转速跟踪控制器的输出y(k)为:
步骤2,将所述永磁直驱型风力发电机的定子电压us、定子电流is经abc/αβ坐标变换分别得到αβ静止坐标系下的定子电压α轴分量usα、β轴分量usβ和定子电流α轴分量isα、β轴分量isβ;同时将所述永磁直驱型风力发电机的定子电流经abc/dq坐标变换得到dq旋转坐标系下的定子电流d轴分量isd和q轴分量isq;
由此计算得到所述永磁直驱型风力发电机的定子磁链矢量ψs的α轴分量ψsα和β轴分量ψsβ:
式中,Rs为所述永磁直驱型风力发电机的定子绕组的等效电阻,t为时间;
同时计算得到所述永磁直驱型风力发电机的电磁转矩Te:
式中,P为所述永磁直驱型风力发电机的极对数;
步骤3,将步骤1得到的y(k)作为当前时刻所述永磁直驱型风力发电机的电磁转矩参考值然后将此与步骤2得到的电磁转矩Te作差,进行比较后输入PI控制器,得到转矩角δ,即所述永磁直驱型风力发电机的定子磁链矢量ψs与转子磁链矢量之间的夹角;
式中,Lq为所述永磁直驱型风力发电机的定子侧电感q轴分量,P为所述永磁直驱型风力发电机的极对数,ψr为所述永磁直驱型风力发电机的转子磁链;
42)构建所述定子磁链神经网络模型,该模型由输入层、1个隐含层、输出层组成;
输入层有1个神经元:当前时刻的电磁转矩Te(k),令x=Te(k);
隐含层有10个神经元,第j个神经元输入sj为:
sj=ω1jx-θj,j=1,2,…,10
式中,ω1j是当前时刻所述输入层神经元与所述隐含层的第j个神经元之间的连接权重系数,θj为所述隐含层的第j个神经元的阈值;
隐含层第j个神经元输出yj为:
yj=f1(sj)=f1(ω1jx-θj)=tanh(ω1jx-θj)
式中,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
输出层有1个神经元,其输入s为:
式中,ωj是当前时刻所述隐含层的第j个神经元与所述输出层神经元之间的连接权重系数,θ为所述输出层的阈值;
输出层神经元输出y为:
其中,f2(·)为输出层的激励函数,采用线性函数;
43)取若干个电磁转矩Te的值,取值范围为0~TeN,其中,TeN为电磁转矩Te的额定值,按式(3)对上述定子磁链神经网络模型进行离线训练,使其以足够的精度逼近式(3);
步骤5,计算定子磁链矢量ψs的幅值|ψs|及其位置角θs:
式中,ψsα和ψsβ由步骤2计算得到;
步骤6,将步骤2计算得到的电磁转矩Te经步骤4构建并训练好的所述定子磁链神经网络模型,得到当前时刻所述永磁直驱型风力发电机的定子磁链幅值参考值结合式(4)、式(5),按式(6)分别计算定子磁链偏差矢量Δψs的α轴分量Δψsα和β轴分量Δψsβ:
式中,δ为步骤3得到的转矩角;
步骤7,将所述永磁直驱型风力发电机的定子电压us的α轴分量usα和β轴分量usβ计算公式
进行离散化处理,结合式(6),计算得到usα、usβ的参考值u* sα和u* sβ:
式中,T为采样周期;
步骤8,将u* sα和u* sβ经SVPWM模块调制后产生驱动信号,驱动所述机侧变流器的功率开关管,控制所述永磁直驱型风力发电机工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913472.6A CN113691176B (zh) | 2021-08-10 | 2021-08-10 | 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913472.6A CN113691176B (zh) | 2021-08-10 | 2021-08-10 | 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113691176A true CN113691176A (zh) | 2021-11-23 |
CN113691176B CN113691176B (zh) | 2023-08-18 |
Family
ID=78579306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110913472.6A Active CN113691176B (zh) | 2021-08-10 | 2021-08-10 | 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113691176B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638161A (zh) * | 2022-03-18 | 2022-06-17 | 四川大学 | 一种基于模块化数据驱动的直驱风机控制方法 |
US11588426B2 (en) * | 2020-01-17 | 2023-02-21 | Infineon Technologies Ag | Rotor angle error compensation for motors |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007049412A1 (ja) * | 2005-10-27 | 2007-05-03 | Yamaguchi University | 超音波モータの制御方法、超音波モータ制御装置及び超音波モータを制御するためのプログラム |
US20120056602A1 (en) * | 2010-08-25 | 2012-03-08 | Shuhui Li | Control of a permanent magnet synchronous generator wind turbine |
CN110518860A (zh) * | 2019-08-30 | 2019-11-29 | 长安大学 | 基于bp神经网络和开关表的永磁同步电机模型预测控制方法 |
CN112196732A (zh) * | 2020-08-31 | 2021-01-08 | 中国东方电气集团有限公司 | 一种风机主控桨距及转矩指令处理*** |
-
2021
- 2021-08-10 CN CN202110913472.6A patent/CN113691176B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007049412A1 (ja) * | 2005-10-27 | 2007-05-03 | Yamaguchi University | 超音波モータの制御方法、超音波モータ制御装置及び超音波モータを制御するためのプログラム |
US20120056602A1 (en) * | 2010-08-25 | 2012-03-08 | Shuhui Li | Control of a permanent magnet synchronous generator wind turbine |
CN110518860A (zh) * | 2019-08-30 | 2019-11-29 | 长安大学 | 基于bp神经网络和开关表的永磁同步电机模型预测控制方法 |
CN112196732A (zh) * | 2020-08-31 | 2021-01-08 | 中国东方电气集团有限公司 | 一种风机主控桨距及转矩指令处理*** |
Non-Patent Citations (1)
Title |
---|
蔡健;: "基于神经网络的开关磁阻电机直接瞬时转矩控制", 变频器世界, no. 06 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11588426B2 (en) * | 2020-01-17 | 2023-02-21 | Infineon Technologies Ag | Rotor angle error compensation for motors |
CN114638161A (zh) * | 2022-03-18 | 2022-06-17 | 四川大学 | 一种基于模块化数据驱动的直驱风机控制方法 |
CN114638161B (zh) * | 2022-03-18 | 2022-11-01 | 四川大学 | 一种基于模块化数据驱动的直驱风机控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113691176B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhen et al. | Fuzzy learning enhanced speed control of an indirect field-oriented induction machine drive | |
CN113691176B (zh) | 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 | |
Belmokhtar et al. | Modelling and fuzzy logic control of DFIG based wind energy conversion systems | |
CN110345013B (zh) | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 | |
CN104481803A (zh) | 一种风力发电***追踪最大输出功率控制方法 | |
CN109599889B (zh) | 基于模糊自抗扰的不平衡电压下的穿越控制方法、*** | |
CN108919029B (zh) | 一种计及rsc控制的双馈风机三相短路电流的解析方法 | |
CN102148603B (zh) | 双馈发电机转子初始位置零位偏差的辨识方法及控制装置 | |
Zhang et al. | Based on brushless DC motor of fuzzy and PID control system | |
Djeriri et al. | Artificial neural network based direct torque control of doubly fed induction generator | |
Li et al. | Wind power extraction from DFIG wind turbines using stator-voltage and stator-flux oriented frames | |
CN104767452B (zh) | 基于非线性滤波器的无轴承异步电机自适应逆解耦控制方法 | |
Xing-jia et al. | Decoupling control of doubly-fed induction generator based on fuzzy-PI controller | |
Karami et al. | High-order sliding mode control of rotor-side converter in doubly-fed wind power generation system | |
He et al. | Grey prediction pi control of direct drive permanent magnet synchronous wind turbine | |
Sun et al. | Design and optimization of control parameters based on direct-drive permanent magnet synchronous generator for wind power system | |
CN115903457A (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 | |
Lftisi et al. | Implementing fuzzy logic controller techniques for indirect vector control induction motor drives | |
Noussi et al. | Towards a global nonlinear control strategy for DFIG-based wind turbine in a high wind energy penetrated system | |
CN111541410B (zh) | 一种开绕组无刷双馈发电机直接功率控制的方法 | |
Chiu et al. | Maximum power point tracking of wind power systems via fast terminal sliding mode control | |
Khettache et al. | A New Speed Control Approach of Linear Induction Motor Based on Robust RST Controller and Model Reference Adaptive System Estimator | |
Tian et al. | Research on BPNN-Based SVM-DTC for Direct Drive PMSG Wind Turbine | |
Bin et al. | The maximum power control of direct-drive wind turbine | |
Belgacem et al. | Fuzzy logic control of double-fed induction generator wind turbine |
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 |