變速恒頻雙饋風力發電系統并網逆變器控制策略研究

張 翠，沈艷霞，紀志成

(江南大學，江蘇無錫214122)

0引 言

風能已成為具有很高發展前景的可再生能源之一。2010年6月24日，在中國北京召開的中國“清潔能源與電力并網論壇”上，中國電力企業聯合會科技開發中心李斌主任表示，目前迫切需要解決風電的并網控制問題。隨著風力發電的裝機容量的增加，風能的并網控制技術越來越引起人們的關注，其中交流勵磁風力發電機系統的并網逆變器控制技術尤為突出。

隨著電力電子技術的發展，不斷有人在逆變器控制方面進行研究，使并網型風力發電系統的性能得到了改善。其中，李明［1］等人提出了一種基于正弦環寬滯環電流控制的新型并網逆變器，該逆變器用雙BUCK拓撲結構代替傳統的橋式電路，解決了橋式電路中存在的直通問題，降低續流二極管的性能差帶來的損耗。趙梅花［2］等人在風力發電網側逆變器動態數學模型基礎上，采用空間矢量脈沖寬度調制(SVPWM)方式和電網電壓合成矢量定向，實現了電流有功分量和無功分量的解耦及功率因數的可調控制。吳春華［3］等人分析了導抗變換器的特性，詳細推導了整個系統各點電壓、電流，提出一種新穎的三角波-三角波調制方法，該控制策略克服了采用傳統正弦波-三角波調制方法帶來的并網電流諧波含量高、功率因數低的弊端。郭小強等人［4］在其文中介紹兩種新型PR控制策略，實現了并網逆變器輸出電流的零穩態誤差，并將數字信號處理中IIR數字濾波器的理論應用到控制器的離散化中，實現了控制器性能的優化。姚志壘［5］等人通過引入整流性負載電流補償的方法，消除了整流性負載和濾波電容對電網電流的影響，提高了電網電流的波形質量，且該方法控制簡單，易于實現。

但以上方法一般都是基于傳統的比例微分(PI)控制方法進行控制補償，而PI控制方法在速度上和控制范圍上都有一定的限制，所以本文將對并網型逆變器控制進行深入的分析和研究，在電網側逆變器動態模型的基礎上提出了基于神經網絡［6］自整定的PI控制方法。它充分利用神經網絡的快速并行處理能力、學習能力，縮短了計算時間，減低了由控制延時引起的諧波成分［7］，相對于傳統的PI控制方法有所改進。仿真結果證明了基于人工神經網絡自整定的逆變器PI控制新算法的可行性。

1雙饋異步發電機模型

雙饋電機定子側、轉子側均采用電動機慣例，在同步旋轉d-q坐標系下的數學模型由下述電壓方程、磁鏈方程、電磁轉矩方程及運動方程組成:

式中:usd、usq、urd、urq分別為定、轉子 d、q 軸電壓;isd、isq、ird、irq分別為定、轉子 d、q 軸電流;Ψsd、Ψsq、Ψrd、Ψrq分別為定、轉子 d、q軸磁鏈;Rs、Ls分別為定子的電阻和電感;Rr、Lr分別為轉子的電阻和電感;Lm為定、轉子間互感;p為電機極對數;ωl、ωm分別為工頻、轉差角速度;TL為風力機提供的拖動轉矩;Jg為發電機的轉動慣量;Dg為與轉速成正比的阻轉矩阻尼系數;Kg為扭轉彈性系數;Te為發電機的電磁轉矩。

2電網側變換器數學建模

電網側逆變器結構［8］如圖1所示。

圖1 電網側變換器拓撲

圖中，usabc為三相電網電壓;iabc為交流側電流;R、L為電阻和電感;C為濾波電容;iL為負載電流，即前級轉子側變換器直流母線電流;idc為直流母線電流。列寫下列方程:

根據三相系統特性，以及3s/2r變換得:

3改進的電壓定向矢量控制技術

由式(7)可得電網側逆變器的數學模型框圖如圖2所示。

圖中，u1d=Sdudc，u1q=Squdc，u1d、u1q為逆變器橋臂的輸入，Sd、Sq為兩相單極性二值邏輯開關函數。

圖2 基于同步旋轉坐標系的電網側逆變器結構框圖

列寫在兩相同步旋轉坐標系下的數學方程:

將電壓定向于d軸上，有:

電網處有功、無功功率可表示:

由上式可知，電網處有功、無功功率分別正比于id和iq。而iq則決定了電網側功率因數，又電網側一般被控制為單位功率因數，即=0。令:

則可得改進的電壓定向控制結構圖如圖3所示。

目前，大多數風力發電系統都是采用電容組來校正功率因數，但電容組的接入以及解除速度很慢，這樣就無法在電網突變時快速動作，甚至會給電網的穩定運行［9］產生影響。本文根據上述電網側逆變器的數學模型以及結構框圖，提出了一種改進的電壓定向矢量控制(VOC)電壓源型逆變器，如圖3所示，它具有很好的動態特性，由其構成的基本控制框圖如圖4所示。

圖3 改進的電壓定向控制結構圖

圖4 改進的電壓定向控制(VOC)框圖

4基于神經網絡自整定的PI控制策略

BP網絡［10］設計時，一般應從網絡的層數、每層中的神經元個數和激活函數、初始值以及學習速率等方面來考慮。本文采用的神經網絡結構，如圖5所示。輸入神經元個數為3，輸出神經元個數為2，隱含層神經元個數為5，即X1～X3為輸入，輸出層的輸出為 o1、o2。

圖5BP神經網絡結構圖

BP神經網絡的輸入變量個數決定于被控系統的復雜程度［11］，可以根據需要求解的問題和數據的表示方式來確定。本文輸入的是電流比較波形，那么可以根據電流比較波形的采樣點數來決定輸入變量的個數。輸出節點對應的就是PI的兩個可調參數。即網絡輸入X1～X3分別為(k)、id(k)和e(k)，輸出層的輸出為 kp、ki。

對于輸出層，有:

對于隱含層，有:

且有:

式中:wij為隱含層加權系數，wjl為輸出層加權系數，輸出節點對應參數kp、ki，輸出層神經元活化函數應當取非負的Sigmoid函數［12］，因 kp、ki不能取負值，即轉移函數 f(x)為單極性Sigmoid函數(雙曲線正切函數)。

f(x)具有連續、可導的特點，且有:

式(14)～(19)共同構成了三層前饋網的數學模型。設采樣時間為T，則控制器輸出:

上式中，kp、ki通過神經網絡進行修正。定義指標函數:

按照E(k)對加權系數搜索調整，以修正網絡的權系數，在此附加一個慣性項:

式中:η為學習速率;α為慣性系數。

由式(27)帶來的計算的不精確，可通過修正學習速率來調整。由式(15)和式(22)可得:

得網絡輸出層權的學習算法:

同理可得隱含層加權系數的學習算法:

5綜合控制策略

將改進的電壓定向矢量控制技術與神經網絡控制策略相結合，得到如圖8所示的總的控制框圖，待網絡結構確定之后，將所提出的神經網絡自整定算法編寫為程序通過S-Function實現，在MATLAB/Simulink環境下進行仿真。綜合控制框圖如圖6所示。

圖6 綜合控制框圖

6仿真結果

在MATLAB/Simulink仿真軟件中搭建雙饋風力發電系統并入電網的整體模型，仿真參數如表1所示。

表1 仿真參數

為了驗證改進的控制方法的優越性，將基于PI控制器的系統仿真結果與基于改進控制器的系統仿真結果進行比較。仿真結果如圖7、圖8所示。

圖7 電網電壓和網側逆變器注入電網電流

圖8 網側逆變器輸出電壓

分析圖7、圖8可知，基于PI控制器的網側逆變器注入電網電流仿真初始階段波動較大，且波動時間較長，而基于改進控制器的網側逆變器注入電網電流波動較小，0．1 s左右便可達到穩定狀態。基于PI控制器的網側逆變器輸出電壓所含諧波也較多，遠沒基于改進控制器的網側逆變器輸出電壓波形圓滑穩定。

在powergui中用FFT Analylsis進行網側逆變器輸出電壓、電流諧波分析，得到仿真結果如圖9、圖10所示。

圖9 基于PI控制器的網側逆變器輸出

圖10 基于改進控制器的網側逆變器輸出

分析圖9、圖10可知，基于改進控制器的網側逆變器輸出電壓諧波總量為0．62%，電流諧波量只有0．04%，要比基于PI控制器的網側逆變器輸出電壓、電流諧波總值小很多。可見，改進的控制算法具有很好的諧波消除功能。

7結 語

通過對內部電流環的控制，電壓定向技術有著很高的動態及靜態性能，近幾年也有所普遍和改進。但這種方法一般都是基于傳統的比例微分(PI)控制方法進行控制補償，而PI控制方法在速度上和控制范圍上都有一定的限制，本文提出了一種改進的電壓定向矢量控制方法，與基于人工神經網絡［13］自整定的逆變器PI控制新算法有機結合，充分地利用神經網絡的快速并行處理能力、學習能力，縮短了計算時間，減少了由控制延時引起的諧波成分。仿真結果證明了基于人工神經網絡自整定的逆變器PI控制與改進的電壓定向矢量控制相結合的新算法的可行性。

［1］ 李明，易靈芝，鄧棟，等．一種新型并網逆變器的控制策略研究［J］．仿真技術2010，26(8-1):152-154．

［2］ 趙梅花，阮毅，楊勇．直驅式風力發電系統并網逆變器控制策略研究［J］．電力電子技術，2010，44(5):4-5，19．

［3］ 吳春華，陳國呈，丁海洋，等．一種新型光伏并網逆變器控制策略［J］．中國電機工程學報，2007，27(33):103-107．

［4］ 郭小強，鄔偉揚，趙清林．新型并網逆變器控制策略比較和數字實現［J］．電工技術學報，2007，22(5):111-116．

［5］ 姚志壘，肖嵐，何流，等．帶整流性負載并網逆變器的控制方法［J］．電力系統自動化，2010，34(22):80-84．

［6］ 龔春英，沈忠亭，李春燕，等．神經網絡在逆變器控制中的應用［J］．電工技術學報，2004，19(2):98-102．

［7］ Amin M M，Mohammed O A．Development of high performance grid connected wind energy conversion system for optimum utilization of variable speed wind turbines［C］．IEEE Trans．Sustain．Energy，2011，2(3):235-245．

［8］ 鄒旭東．變速恒頻交流勵磁雙饋風力發電系統及其控制技術研究［D］．武漢:華中科技大學電氣與電子工程學院，2005．

［9］ Mirafzal B，Saghaleini M，Kaviani A K．An SVPWM-based switching pattern for stand-alone and grid-connected three-phase single-stage boost inverters［C］．IEEE Trans．Power Electron，2011，26(4):1102-1111．

［10］ Vandoorn T L，Meersman B，Degroote L，et al．A control strategy for islanded microgrids with DC-link voltage control［C］．IEEE Trans．Power．Delivery．2011，26(2):703-713．

［11］ 代冀陽，朱麗芳，易宏．基于BP神經網絡的SPWM逆變器控制仿真研究［J］．計算機仿真，2009，27(3):161-165．

［12］ Mohamed Y A-R I，El-Saadany E F．A robust natural-frame-based interfacing scheme for grid-connected distributed generation inverters［C］．IEEE Transactions on Energy Conversion，2011，26(3):728-736．

［13］ 蔡寶平，劉永紅，張海峰，等．基于人工神經網絡的SVPWM技術［J］．電力系統及其自動化學報．2010，22(1):43-47．