雙饋發電系統的神經網絡逆控制

李嵐,王凱

(太原理工大學 電氣與動力工程學院,山西 太原 030024)

1 引言

在并網型雙饋風力發電系統中,常用的控制方法是通過定子磁場定向矢量控制,進行發電機有功、無功功率的解耦控制。由于風能具有強烈的隨機性、時變性,且含有未建模或無法準確建模的動態部分,使雙饋發電系統成為一個復雜、多變量非線性系統,因此采用傳統PI調節很難達到高性能。

逆控制是解決復雜非線性系統控制的一種有效方法[1]。文獻[2]為優化變速變槳距風電系統的高風速區的風能捕獲,基于奇異攝動理論和逆系統方法提出一種非線性的槳距角控制器。文獻[3]將逆系統理論引入雙饋型變速風力發電系統進行有功功率和無功功率的解耦控制。但是逆控制中,要實現解耦線性化,必須已知系統的精確數學模型,使得解析逆系統方法難以在實際中真正應用。神經網絡逆控制既具有對非線性系統的逼近及對參數變化的適應能力,又具有逆系統的解耦線性化能力,已成功用于感應電動機的矢量控制調速系統中[4～8],取得了較好的控制效果。

本文將神經網絡逆控制方法應用于雙饋發電系統,根據雙饋發電機特點推導逆系統模型,利用神經網絡進行逆控制,確定神經網絡逆控制輸入、輸出變量,離線訓練神經網絡后得到其輸入樣本集和期望輸出樣本集,將訓練好的神經網絡與被控系統串聯,構成以PI調節器作為復合控制器的閉環控制系統。通過系統仿真,可以實現有功功率、無功功率的有效控制。

2 雙饋發電機數學模型

根據電機學理論,同步旋轉M-T坐標系中雙饋發電機數學模型為[9]

式中:Rs,Rr,Ls,Lr為定、轉子電阻、電感;Lm為定、轉子互感;ω1為同步旋轉角速度;ωr為轉子旋轉角速度;ωs為轉差角速度,ωs=ω1-ωr;p為微分算子;np為雙饋發電機的極對數;T1為風力機提供的驅動轉矩;J為發電機轉軸上的系統轉動慣量。

發電機定子輸出功率為

當忽略發電機定子電阻時,定子磁鏈矢量 Ψ1領先于定子電壓矢量u190°,選擇M-T坐標系的M 軸沿 Ψ1定向,則u1正好落在 T軸的負方向上,且有:

式中:u1為電網電壓有效值;Ψ1為定子磁鏈矢量幅值。

將式(5)代入式(4),得定子輸出功率為

3 逆系統模型

對于并網型雙饋發電系統,可忽略定子電阻的影響。由式(1)～式(3)可得用狀態變量方程表示的數學模型:

由式(7)可知,對有功功率的控制就是對狀態變量iTs的控制,對無功功率的控制就是對狀態變量iMs的控制。設輸出變量為i=[iMs,iTs]T,輸入變量為u=[uMr,uTr]T,根據 Interactor算法[10]可分析出該系統是可逆的[11],由式(8)即可得雙饋發電機逆系統模型:

4 神經網絡逆系統實現

利用神經網絡實現逆系統控制,神經網絡輸入個數確定為6個,分別是[i*Ms,i*Ts,i*Ms,i*Ts,ωr,Ψ1],輸出個數確定為2個,分別是[uMr,uTr],神經網絡逆系統與雙饋發電機組成的復合系統結構如圖1所示。

圖1 復合系統Fig.1 Compound system

神經網絡的作用是逼近被控系統(原系統)的逆系統,因此訓練神經網絡時需要原系統的輸入量作為神經網絡的期望輸出,需要原系統的輸出量及輸出量的某些階導數、系統的某些內部狀態作為神經網絡的輸入。雙饋發電系統選取的激勵信號uMr與uTr是幅值不同的隨機方波,如圖2所示。

圖2 激勵信號Fig.2 Excitation signal

當激勵信號加于雙饋發電機轉子側,發電機運行于發電狀態時,對原系統的激勵信號、輸出響應及系統內部狀態進行采樣,從而獲得原始數據樣本。取采樣頻率 fs=100 Hz,激勵信號工作區間為0～20 s,則采樣間隔ts=0.01 s,每個變量采樣的數據為2 000個。圖3給出0～10 s時間內iMs,iTs的原始采樣數據。

圖3 采樣數據Fig.3 Sampling data

采樣獲得的原始數據和數值計算獲得的導數數據組合成神經網絡訓練樣本,即可構成訓練神經網絡的輸入樣本集和期望輸出樣本集{uMr,uTr}。

由于神經網絡輸入的幅值大小相差懸殊,為了神經網絡訓練的快速收斂,對訓練樣本集進行歸一化處理,即將神經網絡的輸入輸出信號訓練數據轉換到一定的數值范圍內。歸一化計算公式為

式中:Di為訓練樣本集每一樣本歸一化值,i=1,2,…,2 000;di為訓練樣本集每一樣本采樣值;dM為訓練樣本集每一樣本采樣最大值。

將歸一化后的訓練樣本集作為訓練數據集,用BP學習算法進行神經網絡離線訓練,訓練100步后,神經網絡訓練誤差精度＜10-3。

訓練好的神經網絡與被控系統串聯,根據神經網絡逆系統及雙饋發電機特點,選擇PI調節器作為復合控制器,再由式(7)將期望電流信號,i*Ts變換為期望功率信號Q*,P*,這樣構成的閉環系統如圖4所示。

圖4 神經網絡逆閉環控制結構Fig.4 Closed-loop sy stem of NNIC

5 雙饋發電系統仿真

根據圖4建立基于神經網絡逆控制的雙饋發電系統仿真模型。合理選擇PI調節器參數,對系統進行仿真:假設給定無功功率Q*=1 kvar,給定有功功率P*階躍變化,系統仿真結果如圖5a所示;假設給定有功功率P*=-1 kW,給定無功功率Q*階躍變化,系統仿真結果如圖5b所示。當給定有功功率P*=-1 kW,給定無功功率Q*=1kvar時,由于擾動的影響,在t=3 s時轉速有一個20 rad/s的突變,功率變化波形如圖6所示。

圖5 功率變化仿真結果Fig.5 Simulated results of power

可以看出,給定有功功率(或無功功率)不變時,調節給定無功功率(或有功功率)的大小,雙饋發電機輸出無功功率(或有功功率)能夠跟隨給定值,從而實現了功率的解耦控制;轉速突變時,有功功率和無功功率不會發生變化,說明系統有較強的抗干擾能力。

圖6 轉速擾動時功率變化仿真結果Fig.6 Simulated results of power with speed disturbance

6 結論

逆系統方法作為非線性控制的新理論,具有物理概念清晰、適用面寬的特點,將神經網絡與逆系統理論相結合,利用神經網絡的非線性逼近能力、學習能力,可以拓寬逆系統方法的應用范圍。本文將神經網絡逆系統理論用于雙饋發電系統中,仿真結果表明,采用神經網絡逆系統控制的雙饋發電系統具有較好的性能,不僅能夠方便地實現有功功率的控制,而且可獨立地提供電網所需的無功功率,從而驗證了基于神經網絡逆系統理論的解耦控制策略的有效性,為多變量、非線性雙饋發電系統的功率控制提供了一條新思路。

[1]張興華,戴先中,陸達君,等.感應電機的逆系統方法解耦控制[J].電氣傳動,2001,31(2):28-31.

[2]耿華,楊耕.基于逆系統方法的變速變槳距風機的槳距角控制[J].清華大學學報(自然科學版),2008,48(7):1221-1224.

[3]張先勇,吳捷,柳澹,等.基于逆系統理論的風力發電功率解耦控制[J].電力電子技術,2007,41(2):19-21.

[4]張興華,戴先中.感應電機神經網絡逆控制的數字實現[J].儀器儀表學報,2006,27(10):1213-1217.

[5]戴先中,張興華,劉國海,等.感應電機的神經網絡逆系統線性化解耦控制[J].中國電機工程學報,2004,24(1):112-117.

[6]戴先中,劉國海,張興華.恒壓頻比變頻調速系統的神經網絡逆控制[J].中國電機工程學報,2005,25(7):109-114.

[7]張浩,劉國海,尤德同,等.基于神經網絡逆系統的感應電機變頻系統解耦控制[J].江蘇大學學報(自然科學版),2002,23(2):88-91.

[8]王新,戴先中.基于神經網絡逆的感應電機矢量控制改進方法[J].電力電子技術,2008,42(1):48-50.

[9]劉其輝.變速恒頻風力發電系統運行與控制研究[D].杭州:浙江大學,2005.

[10]戴先中,劉國海,張興華,等.交流傳動神經網絡逆控制[M].北京:機械工業出版社,2007.

[11]李嵐.變速恒頻雙饋發電機先進控制策略的研究[D].太原:太原理工大學,2009.