基于神经网络的风电并网线性自抗扰控制系统的制作方法

文档序号:26645703发布日期:2021-09-15 03:09
基于神经网络的风电并网线性自抗扰控制系统的制作方法

1.本发明具体涉及一种基于神经网络的风电并网线性自抗扰控制系统。


背景技术:

2.为了满足全球日益增长的能源需求,减轻由于使用化石燃料发电对环境的影响,必须设计、开发和部署可再生能源转换系统。由于风能具有无污染、可再生、安全可靠等优势,在过去的十几年中,全球可再生能源转换系统的开发主要由风能转换系统带动。其中,永磁直驱同步发电机通过全功率变流器并入电网,具有发电机与电网完全解耦、故障率低和控制方法简单等众多优点,已广泛用于风力发电。
3.风力发电系统实际运行中,电网电压的故障会导致电网侧变流器输出功率与发电机侧变流器输出功率不相等,多余的功率会在直流母线电容上堆积,引起流过直流母线电容和网侧变流器的电流快速增大,如果处理不当,过高的电压和电流会损坏电容器和功率器件,影响供电质量。为了保证风能转换系统能向电网提供稳定、可靠的电能和运行的安全性,就要求在电网故障期间,风力发电机必须保持与电网系统的连接。而稳定直流母线电压是电网发生故障期间风力发电机不脱网运行的关键。


技术实现要素:

4.针对现有技术存在的不足,本发明的目的在于提供一种基于神经网络的风电并网线性自抗扰控制系统。
5.为实现上述目的,本发明提供了如下技术方案:
6.一种基于神经网络的风电并网线性自抗扰控制系统,其应用在风电系统的电压外环,其包括:
7.跟踪微分器,用于微分信号获取和过渡过程配置;
8.线性扩张状态观测器,用于总扰动的观测,并分别输出输出量的观测值z1,输出量的微分的观测值z2及总扰动的观测值z3;
9.线性状态误差反馈控制律,用于控制信号生成,其控制品质为 u0=k
p
(r

z1)

k
d
z2,其中r为直流母线电压参考值,k
p
、k
d
为控制参数;
10.被控系统,传递函数为:其中k
c
为并网直轴电流i
d
和直流母线电容电流i
dc
的转换系数,c是滤波电容,t是pwm装置延时时间,s为复数频率;
11.bp神经网络,线性状态误差反馈控制率的控制参数k
p
、k
d
经由bp神经网络在线调整生成,所述bp神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数k
p
、k
d
进行在线调整,
12.所述直流母线电压参考值作为bp神经网络的第一输入信号,所述线性扩张状态观测器生成的输出量的观测值z1与直流母线电压参考值r做减法比较之后产生的误差e分别作为bp神经网络的第二输入信号及线性状态误差反馈控制律的k
p
端的输入信号,所述输出
量的观测值z1作为bp神经网络的第三输入信号,所述输出量的微分的观测值z2作为线性状态误差反馈控制律的k
d
端的输入信号,线性状态误差反馈控制律的k
p
端的输出信号与线性状态误差反馈控制律的k
d
端的输出信号及总扰动的观测值z3依次做减法比较之后经由1/b0增益后得到被控系统的输入量u,且该被控系统的输入量u作为线性扩张状态观测器第一输入信号,被控系统的输出量y作为线性扩张状态观测器的第二输入信号,b0为自抗扰控制器假定参数。
13.所述bp神经网络的输入层节点的输入输出为其中上标代表不同的神经元层,当上标为(0)代表输入层,(1)代表隐含层,(2) 代表输出层,所述bp神经网络的输入层具有三个输入其中e(n)为被控系统的误差,e(n)=r(n)

z1(n),n为迭代次数,bp神经网络的输出为
14.所述被控系统的状态空间表达式为
[0015][0016]
其中,f

为实际未知总扰动,
[0017][0018]
c=[1 0 0]
[0019]
f

=w+(b

b0)u,w为外部扰动b为是一个假定参数。
[0020]
所述线性扩张状态观测器为u
c
=[u y]
t
为leso的组合输入,l为需要配置的观测器增益矩阵,ω0为观测器带宽,
[0021]
经过参数化,可得l=[β
1 β
2 β3]
t

[0022]
其中
[0023]
所述线性扩张状态观测器的状态方程为其中β1、β2和β3为需
要配置的观测器增益,u为ladrc的控制品质,
[0024]
所述线性状态误差反馈控制律的控制参数k
p
、k
d
:k
d
=2ω
c

[0025]
被控系统的输出量y与输出量的观测值z1经由减法运算后分成三路,第一路经由β3倍增益及1/s倍增益后输出总扰动的观测值z3,第二路经由β2倍增益后与经由b0倍增益后的被控系统的输入量u及总扰动的观测值z3做加法运算后,再通过1/s倍增益后输出输出量的微分的观测值z2,第三路经由β1倍增益后与输出量的微分的观测值z2做加法运算后经由1/s倍增益后输出输出量的观测值z1。
[0026]
本发明的有益效果:将bp神经网络与ladrc的lsef相结合,具有自学习与参数在线调整特性的bp神经网络根据母线电压的参考值与实际值之间的偏差,不断调整k
p
和k
d
参数,进而实现k
p
和k
d
参数的最佳组合,从而使母线电压快速稳定。
附图说明
[0027]
图1为风能转换系统结构图。
[0028]
图2为风能转换系统网侧拓扑结构图。
[0029]
图3为功率平衡图。
[0030]
图4为二阶线性自抗扰控制基本结构。
[0031]
图5为电压外环控制框图。
[0032]
图6为基于神经网络的线性自抗扰控制结构图。
[0033]
图7为控制系统的结构示意图。
具体实施方式
[0034]
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0035]
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
) 仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
[0036]
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
[0037]
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保
护范围之内。
[0038]
在永磁直驱风力发电系统中,风力涡轮机将捕获的风能转换为机械能以驱动pmsg运转,并通过全功率转换器连接到电网。机侧变流器主要控制发电机转速或转矩,以实现风能的最大功率跟踪;网侧变流器主要用于稳定直流侧母线电压、控制并网功率因数和电能质量。风能转换系统结构如图1所示。
[0039]
风能转换系统网侧的电路拓扑结构如图2所示。其采用全桥式逆变电路。其中e
a
、e
b
、e
c
——三相电网电压,v;r
g
、l
g
——网侧滤波器电阻和电感,ω、μf;i
a
、i
b
、i
c
——三相电网电流,a;u
a
、u
b
、u
c
——网侧变流器输出三相电压,v;u
dc
——直流母线电压,v;i
dc
——直流母线电容电流,a;r——卸荷电阻;c——直流母线电容。
[0040]
在三相静止坐标系下可以建立并网逆变器的数学表达式:
[0041][0042]
s
a
、s
b
、s
c
——a、b、c相开关函数;为了方便控制,用park变换将三相静止坐标系变为两相旋转坐标系,得到直流量。park等功率变换公式如下:
[0043][0044]
将公式(1)左右进行park变换得:
[0045][0046]
式中,u
d
、u
q
——网侧变流器输出电压d、q轴分量,v;e
d
、e
q
——三相电网电压d、q轴分量,v;i
d
、i
q
——网侧变流器三相电流d、q轴分量,a;ω——锁相环输出的电网角频率;s
d
、s
q
——开关函数d、q轴分量。从上式可以看出, d、q轴含有交叉耦合项。
[0047]
在两相旋转坐标系下,依据瞬时功率理论,网侧变流器相对于电网的瞬时功率为:
[0048][0049]
p大于零,表示网侧变流器工作于逆变状态,有功功率从直流母线输送到电网;p小于零,表示网侧变流器工作于整流状态,有功功率从电网输送到直流母线。
[0050]
采用电网电压定向矢量控制,即e
q
=0,得:
[0051][0052]
若电网电压不变,则可以通过i
d
、i
q
间接控制并网的有功功率和无功功率。如图3所示,描绘了电网电压跌落期间pmsg与电网间的功率平衡关系。p
s
——发电机组通过机侧变流器输出到直流母线电容的功率,mw;p
g
——直流母线电容通过网侧变流器输出的功率,mw;δp——功率差值,mw;i
s
——机侧变流器输出电流,a;i
g
——网侧变流器输入电流,a。
[0053]
忽略变流器损耗,当系统稳定运行时,p
s
=p
g
,直流母线电容电压保持恒定值。即
[0054][0055]
当电网发生故障造成电压跌落的时候,网侧变流器会增加输出电流,但当变流器输出电流达到最大值时,会导致p
g
减少。并且由于全功率变流器的隔离作用,电网故障对机侧影响较小,可以假设p
s
保持恒定,那么多余的能量会在直流母线电容上累积,从而造成直流母线电容过电压。如不能及时向电网传输多余的能量则可能造成器件的损坏。电网发生低电压时功率平衡方程为:
[0056][0057]
由电工理论可知,直流母线电容储存的能量为:
[0058][0059]
由于发电机侧和电网侧通过直流电容相耦合,因此在电网侧发生故障时,保持直流侧母线的电压稳定性是风能转换系统不脱网运行的关键。
[0060]
针对具有多变量、强耦合、非线性、变参数特性的风能转换系统,提出了一种基于神经网络的风电并网线性自抗扰控制系统。由于很多时候风能转换系统的数学模型无法精确建立而且在实际运行过程中常出现参数漂移等现象,传统的pid控制难以实现精准控制。将系统不能精确建模、运行过程中出现的参数飘移现象的部分和受到的外部扰动作为总扰动,用线性扩张状态观测器进行观测并且补偿到系统中。为了解决线性自抗扰控制中leso的观测误差带来的参数整定问题,将bp神经网络与ladrc的lsef相结合,具有自学习与参数在线调整特性的bp神经网络根据母线电压的参考值与实际值之间的偏差,不断调整k
p
和k
d
参数,进而实现k
p
和k
d
参数的最佳组合,从而使母线电压快速稳定。
[0061]
一种基于神经网络的风电并网线性自抗扰控制系统,其应用在风电系统的电压外环,其包括:
[0062]
跟踪微分器(tracking differentiator,td),用于微分信号获取和过渡过程配置;
[0063]
线性状态误差反馈控制律(lsef),用于控制信号生成,其控制品质为 u0=k
p
(r

z1)

k
d
z2,其中r为直流母线电压参考值,k
p
、k
d
为控制参数;
[0064]
对于二阶系统:
[0065][0066]
式(9)的状态方程可以写为:
[0067][0068]
式(10)对应的leso状态方程为:
[0069][0070]
其中β1、β2和β3为需要配置的观测器增益。取ladrc的控制品质:
[0071][0072]
忽略z3对扰动f的观测误差。将式(12)代入式(9)可得:
[0073][0074]
lsef的控制品质为:
[0075]
u0=k
p
(r

z1)

k
d
z2ꢀꢀ
(14)
[0076]
二阶线性自抗扰控制基本结构框图如图4所示。
[0077]
忽略z1和z2对各被观测量的观测误差,将式(14)代入式(13)得:
[0078][0079]
对式(15)两侧进行拉式变换可得:
[0080]
s2y=k
p
(r

y)

sk
d
y
ꢀꢀ
(16)
[0081]
可得系统的传递函数为:
[0082][0083]
为了使系统快速且无超调,选择控制器参数为:
[0084][0085]
如上的控制器参数配置方法可以将采用ladrc的系统配置为二阶临界阻尼系统,系统响应无快速性和超调之间的矛盾,这是ladrc相较于pi的优势。但这是在忽略leso对各被观测量的观测误差上实现的。事实上leso总存在观测误差。为了解决由于观测器观测误差带来的lsef中的参数整定问题,本文引入神经网络。利用神经网络的参数自整定特性,根据系统的误差调整lsef 中的增益参数。
[0086]
对电压外环控制器来说,输入为直流母线电容电压参考值u
*dc
,输出为直轴电流的参考值i
*d
。可将电流内环等效为一阶惯性环节1/(ts+1),k
c
为并网直轴电流i
d
和直流母线电容电流i
dc
的转换系数。那么电压外环采用ladrc的控制框图如图5所示。
[0087]
被控系统,传递函数为:其中k
c
为并网直轴电流i
d
和直流母线电容电流i
dc
的转换系数,c是滤波电容,t是pwm装置延时时间;
[0088]
被控系统的传递函数为:
[0089][0090]
将(9)式进行反拉式变换,得输出与输入间的微分方程为:
[0091][0092]
选取状态变量
[0093][0094]
其中f为总扰动(内扰和外扰)。由于控制对象的部分模型信息已知,所以采用模型辅助的线性扩张状态观测器设计,令实际未知总扰动为
[0095]
f

=w+(b

b0)u
ꢀꢀ
(22)
[0096]
w为外部扰动。则被控系统的状态空间表达式为:
[0097][0098]
其中:
[0099][0100]
线性扩张状态观测器(leso),用于总扰动的观测,并分别输出输出量的观测值z1,输出量的微分的观测值z2及总扰动的观测值z3,该输出量为母线电压。
[0101]
由公式(20)可知,已知的模型信息为:
[0102][0103]
与公式(23)对应的模型辅助的leso表达式为:
[0104][0105]
其中u
c
=[u y]
t
为leso的组合输入,a、b、c与式(24)相同,l为需要配置的观测器增益矩阵。经过参数化,将观测器特征方程的极点放在同一位置
ꢀ‑
ω0处,ω0为观测器带宽。经
过参数化可得:
[0106]
l=[β
1 β
2 β3]
t
ꢀꢀ
(27)
[0107]
其中:
[0108][0109]
bp神经网络,线性状态误差反馈控制率的控制参数k
p
、k
d
经由bp神经网络在线调整生成,所述bp神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数k
p
、k
d
进行在线调整,
[0110]
神经网络具有自学习和自整定的优势。bp神经网络学习自身的偏差并调整输出层和隐含层的权重,从而实现k
p
和k
d
参数的在线调整。基于神经网络的线性自抗扰控制结构如图6所示。
[0111]
其中r为直流母线电压参考值,u为被控对象的输入,y为被控对象的输出, z1为输出量的观测值,z2为输出量的微分的观测值,z3为总扰动的观测值。将直流母线电压的参考值u
*dc
(r)、母线电压实际值u
dc
(y)的观测值z1和误差e 作为神经网络控制算法的输入。
[0112]
神经网络输入层节点的输入输出可以表示为:
[0113][0114]
其中上标代表不同的神经元层,当上标为(0)代表输入层,(1)代表隐含层, (2)代表输出层。bp神经网络的输入层有三个输入:
[0115][0116]
其中e(n)为控制系统的误差,即:
[0117]
e(n)=r(n)

z1(n)
ꢀꢀ
(31)
[0118]
定义系统的代价函数为:
[0119][0120]
神经网络的输出为:
[0121][0122]
神经网络模型中各种参数及其数值如表1所示。
[0123]
表1神经网络参数
[0124]
[0125][0126]
以代价函数为目标函数,直流母线电压的参考值u
*dc
(r)、母线电压实际值u
dc
(y)的观测值z1和误差e作为神经网络控制算法的输入。经过多次动态迭代,当代价函数最优时,按照输出关系式可以得到最优的k
p
和k
d

[0127]
所述直流母线电压参考值作为bp神经网络的第一输入信号,所述线性扩张状态观测器生成的输出量的观测值z1与直流母线电压参考值r做减法比较之后产生的误差e分别作为bp神经网络的第二输入信号及线性状态误差反馈控制律的k
p
端的输入信号,所述输出量的观测值z1作为bp神经网络的第三输入信号,所述输出量的微分的观测值z2作为线性状态误差反馈控制律的k
d
端的输入信号,线性状态误差反馈控制律的k
p
端的输出信号与线性状态误差反馈控制律的k
d
端的输出信号及总扰动的观测值z3依次做减法比较之后经由1/b0增益后得到被控系统的输入量u,且该被控系统的输入量u作为线性扩张状态观测器第一输入信号,被控系统的输出量y作为线性扩张状态观测器的第二输入信号,b0为自抗扰控制器假定参数。
[0128]
风电系统的并网控制常采用双闭环pi控制,文中在双闭环pi控制结构的基础上,将基于神经网络的线性自抗扰控制应用于电压外环,如图7所示。
[0129]
实施例不应视为对本发明的限制,但任何基于本发明的精神所作的改进,都应在本发明的保护范围之内。
再多了解一些
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1