一种小型双馈风力发电机并网控制方法与流程

本发明涉及风力发电技术领域，具体涉及一种小型双馈风力发电机并网控制方法。

背景技术：

风力发电机在并网过程中会出现过电压、过电流或转速上升等问题，对电网会造成冲击，这种冲击的严重后果会引起电网电压的降低，还会对发电机和机械部件造成损害，更为严重的是，长时间的并网冲击，还可能使系统瓦解或威胁风力发电机的正常运行，因此，必须通过合理的发电机并网技术来抑制并网冲击电流。

传统的控制方法有PI(Proportional Integral，比例积分)控制和线性滑模控制，但是PI控制具有较大的超调量，系统的响应时间较长，而线性滑模控制虽然相对于PI控制有了一定的改善，但是存在抖振现象。

技术实现要素：

本发明主要解决的技术问题是提供一种小型双馈风力发电机并网控制方法，采用模糊神经PI控制系统结构，将模糊控制、人工神经网络控制应用到经典PI控制中，对传统PI控制器的性能有很大的改善，解决了现有PI控制存在的超调量大、系统响应时间长，以及线性滑模控制存在的抖振现象等问题，能够有效地抑制风力发电机并网冲击电流。

为解决上述技术问题，本发明采用如下技术方案：

一种小型双馈风力发电机并网控制方法，在传统PI控制中加入模糊控制和神经网络控制，所述并网控制方法具体包括如下步骤：

步骤1，获取所述双馈风力发电机输出偏差和偏差变化率，并将所述偏差和偏差变化率按照模糊规则模糊化；

步骤2，将所述模糊化后的偏差和偏差变化率作为模糊神经网络输入并进行处理，获得所述模糊神经网络的输出；

步骤3，将所述模糊神经网络的输出反模糊化处理得到所述PI控制参数；

步骤4，将所述PI控制参数传给所述PI控制器，所述PI控制器对所述双馈风力发电机的并网进行控制。

进一步地，所述步骤1中的所述偏差为所述风力发电机的定子电压与电网电压的差值。

进一步地，所述步骤1中的模糊规则为：

将所述偏差和偏差变化率分为7个模糊子集：负大(NB)，负中(NM)，负小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

论域范围为{-3，+3}；

隶属度函数为三角形隶属度函数。

进一步地，所述步骤2中所述模糊神经网络的输入还包括RBF神经网络输出信息，所述RBF神经网络以所述PI控制器输出和所述双馈风力发电机输出作为输入，所述RBF神经网络对所述PI控制器输出和所述双馈风力发电机输出信息进行处理，获取所述双馈风力发电机控制对象的Jaco-bian(雅科比)信息，将获取的所述Jaco-bian信息作为所述模糊神经网络的输入，为所述模糊神经网络学习算法提供依据。

进一步地，所述神经网络为BP神经网络。

进一步地，所述BP神经网络的各层计算过程如下：

定义所述BP神经网络中表示第k层的第i各输入，表示第k层的第j个节点的净输入，表示第k层的第j个节点的输出，则：

输入层：

隶属度函数层：

其中：所述m为高斯函数均值，所述n为标准差。

规则层：

其中：所述即为第l条规则的激活度。

输出层：

其中：所述n为第三层节点的个数，所述θ为规则表矩阵。

本发明将将模糊控制、人工神经网络控制应用到经典PI控制中，解决了现有PI控制存在的超调量大、系统响应时间长，以及线性滑模控制存在的抖振现象等问题，能够有效地抑制风力发电机并网冲击电流，改善系统性能。

附图说明

图1是小型双馈风力发电机并网控制系统结构图。

图2是本发明一个实施例的小型双馈风力发电机并网控制方法流程示意图。

图3是小型双馈风力发电机在传统PI控制器下的定子电压与电网电压的输出波形(只有电流环)。

图4是小型双馈风力发电机在传统PI控制器下的定子电压与电网电压的差值的输出波形。

图5为本发明一实施例模糊PI神经控制器下的风力发电机定子电压与电网电压的输出波形。

图6为本发明一实施例模糊PI神经控制器下的风力发电机定子电压与电网电压的差值。

具体实施方式

下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

图1是一种小型双馈风力发电机并网控制系统结构图，采用模糊神经PI控制器对风力发电机进行并网控制。其中，模糊神经PI控制器在传统PI控制器中加入模糊控制和神经网络控制，以改善系统性能。该小型双馈风力发电机并网控制方法流程如图2所示，具体步骤如下所述。

步骤1，获取所述双馈风力发电机系统偏差和偏差变化率，并将所述偏差和偏差变化率模糊化。

其中，偏差为所述风力发电机的定子电压与电网电压的差值传统PI控制方法仅包括电流环。与传统PI控制方法相比，可以有效降低定子电压与电网电压的差值。

模糊化规则为：

将所述偏差和偏差变化率分为7个模糊子集：负大(NB)，负中(NM)，负小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

论域范围为{-3，+3}；

隶属度函数为三角形隶属度函数。

步骤2，将所述模糊化后的偏差和偏差变化率作为模糊神经网络输入并进行处理，获得所述模糊神经网络的输出。

模糊神经网络的输入量和输出量都包含7个模糊子集，它们是负大(NB)，负中(NM)，负小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)，论域范围为{-3，+3}，隶属度函数采用三角形隶属度函数。

PI控制器的k_p的模糊规则表为：

PI控制器的k_i的模糊规则表为：

神经网络优选为BP神经网络，BP神经网络的各层计算过程如下：

定义该BP神经网络中表示第k层的第i各输入，表示第k层的第j个节点的净输入，表示第k层的第j个节点的输出，则：

输入层：

隶属度函数层：

其中：m为高斯函数均值，所述n为标准差。

规则层：

其中：即为第l条规则的激活度。

输出层：

其中：n为第三层节点的个数，所述θ为规则表矩阵。

步骤3，将所述模糊神经网络的输出反模糊化处理得到所述PI控制参数；

步骤4，将所述PI控制参数传给所述PI控制器，所述PI控制器对所述双馈风力发电机的并网进行控制。

在本发明另一较佳实施例中，步骤2中的模糊神经网络的输入还包括RBF神经网络输出信息，该RBF神经网络以PI控制器输出和双馈风力发电机输出作为输入，RBF神经网络对PI控制器输出和双馈风力发电机输出信息进行处理，获取所述双馈风力发电机控制对象的Jaco-bian(雅科比)信息，作为所述模糊神经网络的输入，为所述模糊神经网络学习算法提供依据。

通过仿真比较了本实施例公开的双馈风力发电机并网控制方法和传统PI控制方法，在传统PI控制器下的风力发电机定子电压与电网电压的输出波形如图3所示，在传统PI控制器下的风力发电机定子电压与电网电压的差值的输出波形如图4所示，在模糊神经PI控制器下的定子电压与电网电压的输出波形如图5所示，在模糊PI神经控制器下的定子电压与电网电压的差值如图6所示。

通过图3与图5进行比较可以发现，图5在模糊神经PI和双闭环相结合的新型矢量控制策略的作用下，定子电压的幅值、频率、相位比传统PI控制下的单电流环矢量控制作用下的图3更加接近电网电压。同时通过图4与图6进行比较发现也可以更加直观的发现图6中的定子电压与电网电压的差值是非常小的，而图4中的差值相对较大，再次表明了在模糊神经PI控制器与双闭环矢量控制相结合的控制策略下，定子电压的幅值、频率、相位与电网电压是十分接近的。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。