本发明属于风力发电技术领域，尤其涉及一种双馈风电机组的神经网络保性能虚拟同步控制方法。
背景技术：
随着经济的快速发展，全球的能源需求日益增长，风电、光伏等可再生能源机组的大量接入会对电网的稳定运行造成危害。目前大量风电机组使用双馈感应异步电机(dfig)，采用变速恒频矢量控制，机端频率被动跟随电网频率。这样，风机在电网端不能表现出任何惯性，不能为电网提供频率支撑。当风电渗透率较高时，电网的频率稳定性将受到损害。
为赋予可再生能源机组调频能力，一些学者提出了虚拟同步电机的控制策略。通过对变流器的控制，可以模拟同步电机的惯量，使可再生能源机组能够参与电网频率支撑。而且实现了对同步电机同步机制的模拟，取消了传统矢量控制中的频率测量环节，提高了vsg的稳定性。
然而，dfig本身的物理特性限制了虚拟同步技术的广泛应用。本质上，dfig的转子使用转子侧变流器(rsc)与电网连接，而rsc受制于成本约束，其容量通常不会过大，难以应对虚拟同步化后的调频过程与故障穿越等应用场景。因此，在虚拟同步控制中必须考虑rsc的容量限制。
保性能控制是一种新兴的控制器设计方法，能够良好应对状态受限、输出受限的非线性系统控制问题。保性能控制已被应用于dfig矢量控制、不间断电源系统控制等多个电力场景中。但是传统保性能控制器的设计需要系统参数的精确值。在实际中，大型dfig风电机组的精确参数通常无法测量，而且会受到温湿度等环境因素影响产生偏移。在这样的场景下，保性能控制的控制效果会发生劣化。
技术实现要素：
本发明要解决的技术问题是：提供一种双馈风电机组的神经网络保性能虚拟同步控制方法，以解决现有技术的保性能控制器的设计需要系统参数的精确值。在实际中，大型dfig风电机组的精确参数通常无法测量，而且会受到温湿度等环境因素影响产生偏移。在这样的场景下，保性能控制的控制效果会发生劣化等技术问题。
本发明的技术方案是：
一种双馈风电机组的神经网络保性能虚拟同步控制方法，其特征在于，包括下列步骤：
1)控制器采用串级结构，虚拟同步控制器作为外环，包含有功环路的虚拟同步控制与无功/电压环路的pi控制，有功环路的输出为电压的频率和相角，无功环路的输出为电压的幅值，当采用电压-电流串级结构时，两个环路的输出相应地调整为转子励磁电流参考值的频率ωex、相角θex，以及转子励磁电流参考值的幅值ir,ref；保性能控制作为内环，给出控制输入urd,urq，其中的神经网络自适应律负责应对未知的dfig参数；
2)针对虚拟同步控制转子侧变流器电流越限问题，采用了保性能控制方法，使转子侧变流器电流保持在限定范围之内；
3)针对传统保性能控制器依赖于精确参数的问题，采用了神经网络自适应控制方法，使得dfig真实参数未知时，依然能够获得满意的控制跟踪性能。
所述保性能控制方法，包括：
1)引入一个误差映射函数sd，将受限的跟踪误差映射为不受限的中间变量，函数形式为：
式中：
ed＝ird-ird,ref为d轴转子电流跟踪误差；
eq＝irq-irq,ref为q轴转子电流跟踪误差；
sd，sq为不受限的中间变量；
控制器设计为如下形式：
式中，
所述神经网络自适应控制方法包括：
1)首先定义保性能控制器中含有dfig参数的未知动态性能为
式中xd＝[ird,pd,rd,usd,isq,ωr]t；
2)使用一个单隐层神经网络进行逼近：
式中：
vnn,d——神经网络权值矩阵，各元素为固定产生的随机数；
wd——神经网络权值矩阵，需要通过设计自适应律来实时更新；
εd——神经网络的重建误差；
φ——激活函数；
利用神经网络逼近，控制律改写为：
式中：
式中：
γd——增益矩阵；
本发明有益效果：
本发明提出了一种面向双馈风电机组的保性能自适应虚拟同步控制策略。通过融合虚拟同步控制与保性能控制策略，不仅使风机具有了主动调频、支撑电网的能力，能够支持高渗透率的风电接入，而且能够保证转子电流时刻处于人工设定的界限之内，对rsc提供了额外的保护。此外，使用反步法设计非线性控制器，解决高阶系统带来的控制挑战，并利用神经网络自适应方法应对未知dfig参数和外界干扰带来的不确定性，防止保性能控制效果的劣化；与现有技术相比，本发明的有益效果是：
1.保持双馈风力发电机转子侧变流器电流在设定范围内，为转子侧变流器提供了额外的保护。
2.在dfig真实参数未知时，利用神经网络的自适应能力，获得满意的跟踪控制效果。
附图说明
图1为本发明的控制器的整体结构；
图2为本发明的虚拟同步控制器有功环结构；
图3为本发明的并网仿真系统模型；
图4为本发明仿真例中负载突增后的输出有功功率与转子转速；
图5为本发明仿真例中负载突增后电流控制效果；
图6为本发明仿真例中两控制器电流跟踪误差对比。
具体实施方式
下面结合附图对本发明进一步说明。
本发明的原理如下：
为了发挥虚拟同步控制结构简单，不需要锁相环的优势，借助恒速dq坐标系下双馈风力发电机模型，建立转子的电流控制模型。
双馈风力发电机的数学模型如下：
1)电压方程：
2)磁链方程：
ψsd＝lsisd+lmird(20)
ψsq＝lsisq+lmirq(21)
ψrd＝lrird+lmisd(22)
ψrq＝lrirq+lmisq(23)
3)转矩方程：
4)运动方程：
式中：
ψ——磁链；
u——电压；
i——电流；
r——电阻；
lr,ls,lm——转子自感、定子自感、互感；
ωr——转子转速；
te,tl——电磁转矩、机械转矩；
j——桨叶与转子的惯量；
下标r,s,d,q——转子侧、定子侧、d轴分量、q轴分量。
通过对磁链方程进行求导，并结合电压方程，即可得到d,q轴转子电流的动态模型：
式中：
需要指出的是，转子电流ird,irq是被控变量，转子励磁电压urd,urq是控制输入，其他量均为参数或可测量的干扰变量。
以上各式中，所有变量均采用标幺制，采用电动机惯例。机端频率ω1被替换为了额定频率1。这是因为，虚拟同步控制需要dfig主动支撑电网频率，而非被动跟随，不能将电网频率测量引入被控对象的数学模型中；考虑到正常运行的电网，其频率会围绕额定频率上下波动，因此选取额定频率1。
本发明主要针对双馈风电机组在低风速段工作区间的变速控制问题，因此不考虑过渡段和高风速段的变桨控制问题。因此，期望达到的控制目标如下：
1)虚拟同步性能：dfig需要模拟同步发电机的惯性与阻尼特性。在功率平衡时，有功功率输出需跟随其设定值；当因负载或其他机组出力变化而产生功率不平衡时，能够利用转子的动能，动态地调整自身输出有功功率与机端频率，为电网提供必要的频率支撑。同时，机端电压或无功功率应良好地跟踪设定值。
2)保性能自适应性能：转子电流应快速跟随设定值，其跟踪误差在任何时刻不得超出人为设定的误差上下界；在dfig参数真实值未知时，依然能够获得满意的控制跟踪性能。
本发明所设计的控制器由两部分构成：虚拟同步控制和保性能神经网络自适应控制。控制器的整体框架如附图1所示。控制器采用串级结构。虚拟同步控制器作为外环，给出内环控制器的参考值；保性能控制作为内环，给出控制输入urd,urq，其中的神经网络自适应律负责应对未知的dfig参数。
外环虚拟同步控制器的具体的控制过程设计包括如下三个部分：
1)有功环路控制
有功环路的控制器需要模仿同步电机的惯量与阻尼特性(即摇摆方程)。环路的输入为定子电磁功率的跟踪误差。同步电机的摇摆方程可以写为：
其中，ω1是电网实际频率，pm是轴上输入的机械功率。依据这个方程，虚拟同步控制器可以设计为：
其中，下标v表示“虚拟量”，下标ref表示“设定值”。可以看到，在控制律中，定子电磁频率的设定值ps,ref起到了机械功率的作用，而电网实际频率ω1被额定值1p.u.取代。控制律的方框图如附图2所示，其中s是拉普拉斯算子。
2)无功环路控制
无功环路采用pi控制，其控制输入为机端电压的跟踪误差或定子无功功率的跟踪误差。控制输入的选取原则如下：当接入点短路比较小，dfig需要支撑电网的电压时，应选取机端电压跟踪误差；否则宜选取定子无功功率跟踪误差。
在将误差信号送入pi控制器前，需要经过一个低通滤波器以滤除因风速等原因产生的噪声。滤波器的传递函数为g(p)＝1/(p+1)。
需要注意的是，无功环路参数的整定应尽可能减小环路输出(即转子电流设定值的幅值)的超调量。若环路输出的超调很大，甚至轻易超出rsc的电流限制，则保性能控制将失去意义。
3)合成变换
两个环路的输出分别是转子电流设定值的幅值和相角，而保性能控制器的输入是转子电流d,q轴分量的跟踪误差。因此，在将虚拟同步控制器的输出送入保性能控制器前，需要将其进行合成变换，将其输出变换为转子电流设定值的d,q轴分量。
内环保性能控制器检测输入信号的偏差，并依据设定的偏差上下界，将其转化为不受限的中间变量；然后通过所设计的控制策略控制该中间变量达到有界稳定，从而保证动态过程中转子电流与设定值的偏差始终处于设定的上下界之内。下文以d轴电流为例详述内环控制器的设计过程。具体步骤包括如下三部分：
1)误差映射与系统转化(为简洁起见，这里仅给出d轴参数推导过程，q轴同理)
为了处理误差的上下界约束，引入一个误差映射函数，将受限的跟踪误差映射为不受限的中间变量。函数的形式为：
式中：
ed＝ird-ird,ref——d轴转子电流跟踪误差；
易得，当误差ed达到任一界限时，中间变量sd将趋向于无穷。因此，若能通过控制器设计使sd有界稳定，则相应地ed必将处于设定的界限之内。
保性能控制器的设计要求系统模型含有sd的动态。因此，对sd求导，可得如下动态过程：
式中：
以上三式即为转化后的不受限系统模型，将替代模型用于保性能控制器的设计。
2)保性能控制
针对控制系统模型，利用李雅普诺夫方法设计控制器。首先，设计李雅普诺夫函数:
对其求导可得：
设计控制规律为
其中，kd为控制器参数，取大于0的常数，则有：
依据式(34)，有rd>0,因此
类似地，q轴控制电压为：
3)神经网络自适应
进一步地，如果考虑现实应用中dfig参数的不确定性，将在控制器中引入神经网络单元以逼近含有dfig参数的动态性能，从而补偿未知系统带来的性能下降，达到自适应的目的。
首先定义上述含有dfig参数的未知动态性能为
式中xd＝[ird,pd,rd,usd,isq,ωr]t。使用一个单隐层神经网络对其逼近：
式中：
vnn,d——神经网络权值矩阵，各元素为固定产生的随机数；
wd——神经网络权值矩阵，需要通过设计自适应律来实时更新；
εd——神经网络的重建误差；
φ——激活函数。
这样，利用神经网络逼近，控制律可以改写为：
其中，
式中：
γd——增益矩阵；
至此，构成了保性能自适应控制律的完整形式。
实施例：
以单机接入大电网场景(如图3)为例，以单机无穷大系统进行离线仿真。
虚拟同步控制器的电压/无功环采用无功控制。仿真过程中，令负载在t＝0s发生突增。图4给出了负载突增后，dfig输出有功功率和转子转速的变化过程。输出功率首先经历一个由突降到突增的过程，然后逐渐恢复至负载变化前的值；相应地，转子转速首先降低，以释放桨叶和转子的动能以供输出功率的瞬时增加，然后逐渐恢复至原值。
功率的突降是由于负载接入后的瞬间，电网电压降低所导致；此后，虚拟同步控制发挥作用，使得输出功率快速增加，以试图提供负载所需功率。一段时间后，功率恢复原值。
图5给出了负载突增后的转子电流幅值设定值、幅值真实值及d,q分量。幅值设定值呈现轻微波动，而真实值能够良好跟踪设定值。
图6给出了在dfig参数出现严重偏差的情况下，本文控制器与非自适应的保性能虚拟同步控制器的d轴电流跟踪误差对比图。这个仿真中，dfig的定子自感、转子自感、互感均较标称值增加1p.u.，出现了严重的参数偏差；电网频率设定为59.9hz。可见，本文控制器能将误差时刻限制在界限内，达到了保性能的目的；神经网络自适应方法显著降低了电流跟踪误差，降低了转子电流的波动幅度，起到了防止保性能控制效果劣化的作用。
本发明提出了一种应用于双馈风机的神经网络自适应保性能虚拟同步控制策略，并通过仿真对所提控制算法进行了验证。虚拟同步控制赋予了风机主动参与有功和频率调节的能力，能够有力地支持高渗透率风电接入；保性能控制能够有效控制转子电流跟踪误差不出界，保护转子侧变流器并提供良好的电流控制性能；神经网络自适应策略能够良好地应对实际运行环境中风机参数的不准确问题，防止保性能控制效果的劣化。本发明提供的控制策略具有显著的技术效果。
根据保性能自适应控制的原理，本发明的控制策略还可以与高风速段的变桨控制、风机的启停控制相结合。