变速恒频双馈风力发电机的功率控制_图文

1、第26卷第3期湖北工业大学学报2011年06月V ol.26N o.3Journal of H ubei U niversity of T echnology Jun.2011收稿日期2010-11-25作者简介王粟(1964-,女,湖北松滋人,湖北工业大学副教授,研究方向为自动化技术,计算机控制理论文章编号1003-4684(20110320080203变速恒频双馈风力发电机的功率控制王粟,雷秋菊(湖北工业大学电气与电子工程学院,湖北武汉430068摘要针对双馈风力发电系统中功率控制的时变性、随机性、复杂性以及非线性的特点,提出了一种基于模糊神经网络的功率解耦控制方法.该控制方法不依赖电机参

2、数和精确的数学模型,能够实现双馈风力发电机有功、无功功率的解耦控制,具有控制简单、灵活、方便、有效的特点,系统鲁棒性强,适用于双馈风力发电机的功率控制.关键词双馈风力发电机;变速恒频;模糊;神经网络;功率控制中图分类号TM315文献标识码:A现代的电力系统不仅消耗有功功率,还要消耗一定的无功功率1.双馈风力发电系统中,能否对风力发电机的有功功率和无功功率进行有效的控制是影响其在变速恒频风力发电中应用的关键.在双馈风力发电系统中,由于能突破对风力发电机转速的限制,变速恒频发电系统比恒速恒频发电系统更能最大限度的捕获风能以提高功率因数、风力发电效率以及对电网进行有效的无功补偿,从而成为目前风力发电

3、的主要研究方向.在现代的变速恒频风力发电机中,新安装的双馈风力发电机占有比较大的分量.目前该双馈风力发电机一般采用定子磁场定向矢量控制的功率解耦控制策略.双馈风力发电系统由于风能所具有的随机性、时变性、复杂性特点以及无法精确建模的动态部分,成为一个多变量、复杂的非线性系统.采用传统的定子磁场定向矢量控制方法,性能指标很难令人满意.本文提出了一种具备较强抗干扰性能的有功、无功功率解耦控制策略,即将定子磁场定向矢量控制与模糊神经网络结合起来.通过理论分析和准确建模,证明可以实现有功功率和无功功率的有效控制.1变速恒频双馈发电机运行原理由图1,DFIG 为三相绕线式异步电动机,定子绕组并网,转子绕组

4、外接三相转差频率变频器实现交流励磁.对于双馈电机有:np60±f 2=f 1.(1式中:f 1为定子绕组电流频率(即电网频率;f 2为转子绕组电流频率;n 为转子旋转的转速;P 为电机的极对数.其中,“+”表示系统工作于亚同步状态,“”表示工作于超同步状态.根据式(1可知,当转子转速n 变化时,可通过调节转子励磁绕组的供电频率f 2,以保证定子绕组电流频率f 1恒定,即定子馈电频率与电网频率保持一致.图1双馈型风力发电机系统的基本结构2双馈发电机数学模型根据电机学理论可知风力发电机输出功率的表达式为:P m =12A C p (,3.式中,C p 为风机的风能利用系数;为浆距角;为叶

5、尖速比(=R w/v ;A 为风能扫掠面积;为空气密度;v 为风速.m -t 坐标系下,定子侧与转子侧分别基于发电机与电动机惯例的双馈发电机数学模型如下所示2.1定、转子电压方程:u ms=-R s i ms-Dms+ts1,u ts=-R s i ts-Dts-ms1,u mr=R r i mr+Dmr-trs,u tr=R r i tr+Dtr+mrs.2定、转子磁链方程:ms=L s i ms-L m i mr,ts=L s i ts-L m i tr,mr=L r i mr-L m i ms,tr=L r i tr-L m i ts.3转矩方程:T em=32N p L m i ts

6、i mr-i ms i tr.以上各式中,u ms,u ts,u mr,u tr分别为定、转子电压的m、t轴分量;i ms,i ts,i mr,i tr分别为定、转子电流的m、t 轴分量;ms,r s,mr,tr分别为定、转子磁链的m、t轴分量;L s,L r,L m分别为m、t坐标系中定、转子等效自感及互感;R s,R r分别为定、转子电阻;1,r,s分别为同步角速度、转子角速度、转差角速度,其中s=1-r;D为微分算子;T em为发电机电磁转矩.发电机定子输出有功功率和无功功率为:P s=32u ms i ms+u ts i ts,Q s=32u ts i ms-u ms i ts.对于风

7、力发电系统,采用定子磁场定向矢量控制,当定子直接与电网相连,定子电阻可以忽略不计,那么定子电压矢量u a与感应电动势矢量E近似相等,相位上滞后于定子磁链矢量a90°,将m轴定向于定子磁链矢量方向上,则u a位于t轴负方向上.对于这些假设3,有:u ms=0,u ts=-u a;ms=a,ts=0.式中,u a,a分别为u a,a矢量的幅值.综合以上式子得定子输出功率为P s=32u a i ts,Q s =32u a i ms.3基于模糊神经网络的功率解耦控制本文基于模糊神经网络的双馈风力发电机实现有功功率和无功功率解耦控制的基本思路是:通过综合控制转子励磁电流的幅值和相位可以实现双

8、馈发电机的功率解耦控制,即通过控制转子励磁电流的幅值可以实现有功功率和无功功率控制;通过改变励磁电流的相位可实现双馈发电机功率角的改变,从而实现有功功率和无功功率的比例调节.双馈发电机基于模糊神经网络的闭环控制系统原理框图见图2.通过检测所得有功功率P和无功功率Q分别与期望功率P3、Q3比较得出期望功率偏差信号e P和e Q,该偏差信号经两个模糊控制器推理得期望电流信号i3ts、i3ms ,该信号经神经网络单元计算输出u3ar、u3br,再经电压空间矢量SV PWM 调制转换控制三相转子励磁电流,就可以控制双馈发电机定子输出的有功电流和无功电流,进而控制定子输出的有功和无功功率.图2模糊神经网

9、络闭环控制结构图3.1模糊控制器的设计从图2可以看出,本文采用的两个模糊控制器结构相同,以第一个模糊控制器为例进行分析和说明,其基本结构如图3所示,它将e P、d(e P/dt作为输入变量,然后经过模糊化、模糊推理以及去清晰化从而得到输出变量i3ts,其中K e、K c、K o按照实际要求进行选择4.图3模糊控制器结构图3.2神经网络控制器的设计双馈风力发电机采用的神经网络控制器是具有两个输入和两个输出的单层结构,其结构见图4.图4神经网络控制器结构图而神经网络控制器的输入量就是上述模糊控制器的两个输出量i3ts、i3ms,基本思路是:该控制器采用18第26卷第3期王粟等变速恒频双馈风力发电机

10、的功率控制目前引用最广泛的B T算法对双馈发电机的有功和无功电流分量实现线性逼近,而要找到神经网络单元的最优权值,就需要训练有功误差量和无功误差量的目标函数最小项,然后对神经网络的控制器输入量与最有权值进行线性组合,最终得到转子电压励磁控制分量u3ar和u3br5.神经网络在训练当中的样本集输入值和期望输出值是由经过采样所获得的原始数据和通过数值计算所获得的导数数据组成,对该样本集采用归一化的处理方法6,再通过B P学习算法对神经网络进行离线训练,通过计算训练100步后,可以使神经网络的训练误差精度小于10-3.4结论有功功率、无功功率的解耦控制是变速恒频风力发电系统的关键技术.本文基于模糊神

11、经网络控制器对有功、无功功率进行控制,相比矢量控制在功率控制中对数学模型的依赖性,模糊控制的优点是:模糊控制器不需要精确的数学模型就可以对功率进行解耦控制,由于双馈发电机本身是一个比较复杂的时变、非线性系统,采用模糊控制策略可以提高控制效率和性能.同时由于神经网络控制具有的极强的自适应能力、非线性能力、学习能力和鲁棒性,使得它在功率控制应用中具有很强的适用性.参考文献1刘远涛,杨俊华,谢景凤.双馈风力发电机有功功率和无功功率的滑模解耦控制J.电机与控制应用,2010,37(4:39-40.2李岚,曹天明.变速恒频双馈风力发电机的功率控制J.太原理工大学学报,2010,41(3:291-292.

12、3赵栋利,郭金东,许洪华.变速恒频双馈风力发电机有功、无功解耦控制研究与实现J.太阳能学报,2006,27(2:174-179.4IonB,L ucian T,Ioan S.Variable speed electric genera2tors and their control:an emerging technologyJ.Journal of Electrical Engineering,2002(3:20-28. 5孙林,余新栓.基于模糊神经网络的双馈风力发电机功率控制J.电测与仪表,2010,47(533:36-38. 6吴佳佳,卫志农,韩连山.采用智能控制的DFIG风力发电系统J.

13、电力系统及其自动化学报,2009,21(6:41-44.Pow er Control of VSCF Doubly2fed Wind Pow er G eneratorWAN G Su,L EI Qiu2ju(S chool of Elect ri nical&Elect ronic Engi n.,H ubei U ni v.of Tech.,W uhan430068,Chi naAbstract:This paper advances a met hod of power co nt rol based on f uzzy neural network according to t he time2varying,randomness,complexity and nonlinear characteristic of doubly2fed induction generator(DFIG in power cont rol.The new control met hod decoupling active and reactive power cont rol of t he DFIG does not rely on t he motor parameter and precise mat hematical model,having t