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

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i_ds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

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

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x_j(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ω_r(k)以及它们之间的偏差值

即令

x₂(k)＝ω_r(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s_i、输出O_i ²(k)分别为：

式中，w_ij 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s_l、输出O_l ³(k)分别为：

式中，w_li 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K_p、K_i、K_d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u_s和定子电流i_s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u_sα、β轴分量u_sβ和定子电流α轴分量i_sα、β轴分量i_sβ；同时将所述永磁直驱型风力发电机的定子电流i_s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i_sd和q轴分量i_sq；

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ψ_s的α轴分量ψ_sα和β轴分量ψ_sβ：

式中，R_s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T_e：

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T_e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ψ_s与转子磁链矢量ψ_r之间的夹角；r

步骤4，构建定子磁链神经网络模型，通过离线训练，使其逼近所述永磁直驱型风力发电机的定子磁链幅值参考值

与电磁转矩T_e的关系曲线，实现零d轴电流控制，具体步骤为：

41)令步骤2得到的所述永磁直驱型风力发电机的定子电流d轴分量i_sd＝0，则

与电磁转矩T_e的关系式为：

式中，L_q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，ψ_r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T_e(k)，令x＝T_e(k)；

隐含层有10个神经元，第j个神经元输入s_j为：

s_j＝ω_1jx-θ_j，j＝1,2,…,10

式中，ω_1j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，θ_j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y_j为：

y_j＝f₁(s_j)＝f₁(ω_1jx-θ_j)＝tanh(ω_1jx-θ_j)

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，ω_j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；

令：输出层神经元输出y为当前时刻的定子磁链幅值参考值

即：

43)取若干个电磁转矩T_e的值，取值范围为0～T_eN，其中，T_eN为电磁转矩T_e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ψ_s的幅值|ψ_s|及其位置角θ_s：

式中，ψ_sα和ψ_sβ由步骤2计算得到；

步骤6，将步骤2计算得到的电磁转矩T_e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Δψ_s的α轴分量Δψ_sα和β轴分量Δψ_sβ：

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u_s的α轴分量u_sα和β轴分量u_sβ计算公式

进行离散化处理，结合式(6)，计算得到u_sα、u_sβ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i_sd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P_out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P_out相同时，机侧变流器直流侧功率P_dc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：

如图2所示，外环转速跟踪控制器由转速神经网络模型5、PID控制器组成，转速神经网络模型5输出PID控制器的三个参数PID控制器，外环转速跟踪控制器的输出即为永磁直驱型风力发电机1的电磁转矩参考值

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x_j(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ω_r(k)以及它们之间的偏差值

即令

x₂(k)＝ω_r(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K_p、K_i、K_d。

如图2所示，当前时刻转速参考值

可按如下方式之一确定：

①根据当前风速v_w，由永磁直驱型风力发电机1的风速-功率曲线及转速-功率曲线或最佳叶尖速比确定当前时刻转速参考值

实现最大功率点跟踪(MPPT)控制；

②根据电网公司出力调度指令确定永磁直驱型风力发电机1的输出功率，再由永磁直驱型风力发电机1的转速-功率曲线确定当前转速参考值

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s_i、输出O_i ²(k)分别为：

式中，w_ij 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s_l、输出O_l ³(k)分别为：：

式中，w_li 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u_s、定子电流i_s分别经abc/αβ坐标变换得到u_sα、u_sβ和i_sα和i_sβ；同时将永磁直驱型风力发电机1的定子电流i_s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i_sd、i_sq；

由此计算得到定子磁链矢量ψ_s的α、β分量ψ_sα和ψ_sβ：

式中，R_s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T_e：

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T_e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ψ_s与转子磁链矢量ψ_r之间的夹角(参见图5)。r

步骤4，构建定子磁链神经网络模型，通过离线训练，使其逼近永磁直驱型风力发电机1的定子磁链幅值参考值

与电磁转矩T_e的关系曲线，实现零d轴电流控制，具体步骤为：

41)令步骤2得到的永磁直驱型风力发电机1的定子电流d轴分量i_sd＝0，则

与电磁转矩T_e的关系式为：

式中，L_q为永磁直驱型风力发电机1的定子侧电感q轴分量，ψ_r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T_e也可按下式计算：

令i_sd＝0，代入式(9)、式(10)，并将式(9)中的|ψ_s|改为

整理可得：

因此，将当前时刻的实际电磁转矩T_e代入式(3)，就能计算出使i_sd＝0的定子磁链幅值|ψ_s|的值。可见，如果能把定子磁链幅值|ψ_s|控制成式(3)计算的值，当前时刻的i_sd必定为0，因而此时对应的定子磁链幅值|ψ_s|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T_e(k)，令x＝T_e(k)；

隐含层有10个神经元，其第j个神经元输入s_j为：

s_j＝ω_1jx-θ_j，j＝1,2，…，10

式中，ω_1j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，θ_j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y_j为：

y_j＝f₁(s_j)＝f₁(ω_1jx-θ_j)＝tanh(ω_1jx-θ_j)

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，ω_j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；

令：输出层神经元输出y为当前时刻的定子磁链幅值参考值

即：

43)取若干个电磁转矩T_e的值，取值范围为0～T_eN，其中，T_eN为电磁转矩T_e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ψ_s的幅值|ψ_s|及其位置角θ_s：

式中，ψ_sα和ψ_sβ由步骤2计算得到；

步骤6，如图2所示，将步骤2计算得到的实时电磁转矩T_e经步骤4构建并训练好的定子磁链神经网络模型，得到当前时刻永磁直驱型风力发电机1的定子磁链幅值参考值

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，θ_s为定子磁链当前位置的角度；θ_r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；Δψ_s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Δψ_s，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Δψ_s的α轴和β轴分量Δψ_sα和Δψ_sβ：

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u_s的α轴分量u_sα和β轴分量u_sβ计算公式：

进行离散化处理，有：

式中，T为采样周期。

结合式(6)，可计算得到定子电压u_sα、u_sβ的参考值

和

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u_sa、u_sb、u_sc和定子电流i_sa、i_sb、i_sc经abc/αβ坐标变换分别得到u_sα、u_sβ和i_sα、i_sβ，利用式(1)求得定子磁链矢量ψ_s在α、β轴的分量ψ_sα和ψ_sβ，然后利用式(4)求得定子磁链矢量ψ_s的幅值|ψ_s|，并将参考定子磁链矢量的幅值

与|ψ_s|作差，送入磁链滞环比较器；

根据测量到的实时风速v_w经最大功率跟踪控制(MPPT)得到参考转速

将

与实际转速ω_r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T_e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θ_s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P_out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x_j(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ω_r(k)以及它们之间的偏差值

即令

x₂(k)＝ω_r(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s_i、输出O_i ²(k)分别为：

式中，w_ij 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s_l、输出O_l ³(k)分别为：

式中，w_li 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K_p、K_i、K_d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u_s、定子电流i_s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u_sα、β轴分量u_sβ和定子电流α轴分量i_sα、β轴分量i_sβ；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i_sd和q轴分量i_sq；

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ψ_s的α轴分量ψ_sα和β轴分量ψ_sβ：

式中，R_s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T_e：

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T_e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ψ_s与转子磁链矢量

之间的夹角；

步骤4，构建定子磁链神经网络模型，通过离线训练，使其逼近所述永磁直驱型风力发电机的定子磁链幅值参考值

与电磁转矩T_e的关系曲线，实现零d轴电流控制，具体步骤为：

41)令步骤2得到的所述永磁直驱型风力发电机的定子电流d轴分量i_sd＝0，则

与电磁转矩T_e的关系式为：

式中，L_q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，ψ_r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T_e(k)，令x＝T_e(k)；

隐含层有10个神经元，第j个神经元输入s_j为：

s_j＝ω_1jx-θ_j，j＝1,2,…,10

式中，ω_1j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，θ_j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y_j为：

y_j＝f₁(s_j)＝f₁(ω_1jx-θ_j)＝tanh(ω_1jx-θ_j)

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，ω_j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；

令：输出层神经元输出y为当前时刻的定子磁链幅值参考值

即：

43)取若干个电磁转矩T_e的值，取值范围为0～T_eN，其中，T_eN为电磁转矩T_e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ψ_s的幅值|ψ_s|及其位置角θ_s：

式中，ψ_sα和ψ_sβ由步骤2计算得到；

步骤6，将步骤2计算得到的电磁转矩T_e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Δψ_s的α轴分量Δψ_sα和β轴分量Δψ_sβ：

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u_s的α轴分量u_sα和β轴分量u_sβ计算公式

进行离散化处理，结合式(6)，计算得到u_sα、u_sβ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。

Images