王娟平，程書華

（山西電力職業(yè)技術(shù)學(xué)院，山西 太原 030021）

變速恒頻風力發(fā)電系統(tǒng)，是一個復(fù)雜、不穩(wěn)定、強耦合、多變量的非線性系統(tǒng)，其系統(tǒng)參數(shù)具有很強的不確定性，很難建立精確的數(shù)學(xué)模型。在很多研究中，人們將矢量控制應(yīng)用于雙饋風力發(fā)電系統(tǒng)中，實現(xiàn)了發(fā)電機輸出頻率不再影響原動機轉(zhuǎn)速，發(fā)電機輸出電壓（或電流）的頻率、幅值、相位也不受轉(zhuǎn)子轉(zhuǎn)速和轉(zhuǎn)子瞬時位置的影響[1]，基本完成了風力發(fā)電這一非線性系統(tǒng)的解耦控制。

然而，傳統(tǒng)的矢量控制技術(shù)，大多采用位置傳感器來檢測轉(zhuǎn)子轉(zhuǎn)速，給風力發(fā)電系統(tǒng)帶來了較大的維護工作量，降低了風力發(fā)電機的可靠性和適應(yīng)性。為此，近年來雙饋發(fā)電機的無速度傳感器矢量控制方法，成為研究風電系統(tǒng)的熱門課題。

文獻[2]提出一種基于轉(zhuǎn)子電流的模型，參考自適應(yīng)系統(tǒng)（MRAS）的雙饋感應(yīng)電機（DFIM）無速度傳感器控制方法；

文獻[3]通過采用PI自適應(yīng)算法，構(gòu)造了一種新型轉(zhuǎn)速辨識的無速度傳感器風電矢量控制方法；

本文在文獻[3]的基礎(chǔ)上，設(shè)計出一種基于神經(jīng)網(wǎng)絡(luò)的雙饋風力發(fā)電機的轉(zhuǎn)速估計方法，并在MATLAB/Simulink環(huán)境下，對該系統(tǒng)進行動態(tài)仿真研究，研究結(jié)果表明，該轉(zhuǎn)速估計方法具有良好的快速逼近性。

1 無速度傳感器雙饋風電矢量控制系統(tǒng)原理

圖1 基于PI自適應(yīng)轉(zhuǎn)速估計的無傳感器矢量控制系統(tǒng)框圖

圖1 為基于PI自適應(yīng)法進行轉(zhuǎn)速估計的無傳感器風電矢量控制系統(tǒng)轉(zhuǎn)子側(cè)模型。從圖中可以看出，轉(zhuǎn)子側(cè)系統(tǒng)采用轉(zhuǎn)子電流、轉(zhuǎn)子轉(zhuǎn)速雙閉環(huán)控制。其中，內(nèi)環(huán)為轉(zhuǎn)子電流控制環(huán)，通過檢測轉(zhuǎn)子相電流，經(jīng)過3s/2s和2s/2r兩步變換，得到同步旋轉(zhuǎn)坐標系下的irM、irT兩個控制通道，通道中轉(zhuǎn)子電流的給定值與irM、irT比較后的誤差，經(jīng)帶積分和輸出限幅的PI型電流調(diào)節(jié)器調(diào)節(jié)后輸出電壓控制量，該電壓控制量分別疊加前饋電壓補償量△urM、△urT后，得到轉(zhuǎn)子電壓控制量，轉(zhuǎn)子電壓控制量再經(jīng)2r/2s變換、SVPWM調(diào)制后產(chǎn)生發(fā)電機轉(zhuǎn)子側(cè)實際所需的勵磁電壓和勵磁電流，實現(xiàn)雙饋風力發(fā)電矢量控制系統(tǒng)轉(zhuǎn)子側(cè)的解耦控制。

圖1矢量控制系統(tǒng)的外環(huán)為轉(zhuǎn)子轉(zhuǎn)速控制環(huán)，與電流內(nèi)環(huán)類似，轉(zhuǎn)速的給定值與轉(zhuǎn)速的反饋值比較后所得的差值，經(jīng)PI調(diào)節(jié)器調(diào)節(jié)后，得到發(fā)電機的輸出轉(zhuǎn)矩，輸出轉(zhuǎn)矩再經(jīng)轉(zhuǎn)矩電流計算，得到轉(zhuǎn)子電流有功分量的給定值。而轉(zhuǎn)子電流無功分量的給定值，通常是按照電網(wǎng)對風力發(fā)電矢量控制系統(tǒng)的無功要求計算得到的。該系統(tǒng)中，電機轉(zhuǎn)速反饋值的檢測，是通過PI自適應(yīng)速度辨識方法來估計的，利用自適應(yīng)控制原理，使系統(tǒng)對轉(zhuǎn)子參數(shù)的魯棒性大大提高，但同時仍然引入了PI調(diào)節(jié)器，使得系統(tǒng)動態(tài)估計精度受到影響[3]。

2 神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速辨識

神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速辨識的基本原理，如圖2所示，采用離線訓(xùn)練、在線運行的方法，對原系統(tǒng)的輸入、輸出數(shù)據(jù)直接學(xué)習，通過調(diào)節(jié)其權(quán)值來映射原非線性系統(tǒng)，實現(xiàn)以任意精度逼近該非線性系統(tǒng)，從而進行參數(shù)估計和轉(zhuǎn)速辨識。這種控制理論的自適應(yīng)自組織能力、泛化能力和非線性映射能力很強，與傳統(tǒng)的PI調(diào)節(jié)自適應(yīng)控制相比，可彌補其不足，使其對參數(shù)的變化和系統(tǒng)的噪聲具有很強的魯棒性[4]。

圖2 神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速辨識的基本原理

圖2 中，“系統(tǒng)”是由PI自適應(yīng)算法所建立的非線性模型，其非線性關(guān)系經(jīng)過離散化后如下式所示：

這一非線性關(guān)系，可以由神經(jīng)網(wǎng)絡(luò)來映射[4]，只需提供足夠多的輸入、輸出樣本數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)進行嚴格的學(xué)習訓(xùn)練，使該神經(jīng)網(wǎng)絡(luò)逼近原PI自適應(yīng)算法所建立的系統(tǒng)，進而映射原PI自適應(yīng)算法所建立系統(tǒng)的非線性關(guān)系，實現(xiàn)用神經(jīng)網(wǎng)絡(luò)模型對風力發(fā)電系統(tǒng)的控制。

在眾多的神經(jīng)網(wǎng)絡(luò)模型中，基于BP算法的神經(jīng)網(wǎng)絡(luò)（即BP網(wǎng)絡(luò)）發(fā)展最為成熟。在使用BP網(wǎng)絡(luò)時，關(guān)鍵問題在于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計上，即如何選擇網(wǎng)絡(luò)的層數(shù)和每層節(jié)點數(shù)。

本文使用的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速辨識模型，是對PI自適應(yīng)算法的輸入、輸出樣本數(shù)據(jù)進行反復(fù)訓(xùn)練改進后所確定的，其結(jié)構(gòu)如圖3所示。

圖中，x1、x2和 x3為系統(tǒng)輸入，分別代表

ωr為辨識對象的輸出，ωr*為神經(jīng)網(wǎng)絡(luò)模型的輸出，選擇tan-sigmoid函數(shù)作為隱含層的激活函數(shù)，purelin函數(shù)作為輸出層的激活函數(shù)，可得網(wǎng)絡(luò)的訓(xùn)練樣本集。

圖3 神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速辨識結(jié)構(gòu)模型

3 BP神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)仿真

以PI自適應(yīng)速度估計為基礎(chǔ)，對基于PI自適應(yīng)速度估計的無傳感器矢量控制系統(tǒng)中的PI調(diào)節(jié)器，用BP神經(jīng)網(wǎng)絡(luò)來代替，對轉(zhuǎn)速進行辨識，得到了BP神經(jīng)網(wǎng)絡(luò)速度辨識系統(tǒng)。圖4給出了MATLAB/Simulink環(huán)境下搭建的基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速辨識模型。

圖4 基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速辨識模型

圖5 為利用Matlab中的nntool工具箱建立的BP網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)部分。

圖5 BP網(wǎng)絡(luò)模型

為驗證應(yīng)用BP神經(jīng)網(wǎng)絡(luò)估計發(fā)電機轉(zhuǎn)速的實際效果，對該系統(tǒng)作了仿真。

當發(fā)電機工作在亞同步速（ω=135 rad/s）和超同步速（ω=152 rad/s）時，其系統(tǒng)轉(zhuǎn)速的變化曲線分別如圖6和圖7所示。而當發(fā)電機的工作狀態(tài)從亞同步速（ω=135 rad/s）狀態(tài)切換到超同步速（ω=152 rad/s）狀態(tài)時，其系統(tǒng)轉(zhuǎn)速的變化曲線如圖8所示。圖中標有線標1的曲線為實際轉(zhuǎn)速曲線，標有線標2的曲線為PI自適應(yīng)辨識轉(zhuǎn)速曲線，標有線標3的曲線為神經(jīng)網(wǎng)絡(luò)辨識轉(zhuǎn)速曲線。

圖6 給定轉(zhuǎn)速ω=135 rad/s時發(fā)電機轉(zhuǎn)速變化波形

圖7 給定轉(zhuǎn)速ω=152 rad/s時發(fā)電機轉(zhuǎn)速變化波形

圖8 發(fā)電機從亞同步狀態(tài)切換到超同步狀態(tài)時的轉(zhuǎn)速變化波形

從圖6、圖7和圖8的轉(zhuǎn)速變化曲線可知，無論發(fā)電機工作于亞同步狀態(tài)、超同步狀態(tài)還是從亞同步狀態(tài)過渡到超同步狀態(tài)，采用PI自適應(yīng)和神經(jīng)網(wǎng)絡(luò)兩種方法對速度進行辨識的結(jié)果都優(yōu)于實際轉(zhuǎn)速，表現(xiàn)在兩種方法的響應(yīng)速度較快、抗外界干擾能力較靈敏、過渡過程中轉(zhuǎn)速的超調(diào)量較小。但三種轉(zhuǎn)速均能跟蹤轉(zhuǎn)速給定，且神經(jīng)網(wǎng)絡(luò)對速度的辨識，很接近PI自適應(yīng)法對速度的辨識。

4 結(jié)束語

神經(jīng)網(wǎng)絡(luò)作為智能控制的一種，對于不能精確確定數(shù)學(xué)模型的非線性系統(tǒng)，具有良好的辨識能力和動態(tài)性能，采用該理論進行速度辨識，非常適用于雙饋風力發(fā)電矢量控制系統(tǒng)中發(fā)電機轉(zhuǎn)速的在線動態(tài)檢測。且該方法自學(xué)習、自適應(yīng)能力很強，一旦經(jīng)過嚴格訓(xùn)練，便能以任意精度逼近原非線性系統(tǒng)，為非線性系統(tǒng)辨識提供了一個強有力的工具。

[1]劉寶英.并網(wǎng)型風力發(fā)電機組控制技術(shù)綜述[J].機電信息，2009，（36）：66-68.

[2]高 樂，周有慶，徐隆亞，等.基于轉(zhuǎn)子電流的雙饋感應(yīng)電機無速度傳感器控制[J].電力系統(tǒng)自動化，2010，34(13)：61-65.

[3]李 嵐，王 穎.雙饋風力發(fā)電系統(tǒng)PI自適應(yīng)速度估計[J].微特電機，2007，（3）：8-10.

[4]雷 華.感應(yīng)電動機的神經(jīng)網(wǎng)絡(luò)速度估計方法研究[D].重慶：重慶大學(xué)，2003.