基于神经网络的风力发电并网控制研究

基于神经网络的风力发电并网控制研究

敖林柱

(国华能源投资有限公司呼伦贝尔分公司内蒙古呼伦贝尔市021000)

摘要：随着我国经济的快速发展，社会在不断的进步，针对风力发电并网时所产生的电流冲击与波动过大的问题，文中基于其运行特性与控制原理，提出了一种基于神经网络的风力发电并网控制技术。该技术结合了BP神经网络与PID控制，使得控制器能够对转子电流进行控制，具有独立于被控对象的优点。加之双馈发电机，因而可以实现空载数学模型的并网控制。通过与传统控制技术比较可知，文中所提出的技术算法简单、响应速度快且精度高，能较好地控制电网电压波动，具有一定的有效性。

关键词：风力发电;神经网络;PID控制;双馈发电机

引言

近年来，风力发电技术日趋成熟，风电系统装机容量越来越大，兆瓦级风力发电系统并网时发生的电流冲击和过大的电压波动已不能忽略，实现安全平稳并网是风力发电系统需要解决的首要问题。变速恒频双馈风电系统并网方式有空载并网、负载并网和孤岛并网3种，其中空载并网方式原理清晰，实现简单，应用最广泛。国内外学者对双馈发电机发电空载并网控制展开了相关研究。将矢量变换控制应用于发电机空载并网，并基于PI控制器对并网前后全过程进行了仿真和实验研究。但这种方法对电机参数的依赖性较高，实时性和抗扰动性能都较差。介绍了一种基于自抗扰控制的并网策略，该控制策略不需要精确电机参数就可以实现并网控制，并对参数的摄动以及内外扰动都具有良好的鲁棒性。本文从双馈风力发电机并网过程的运行特性入手，在分析了空载并网控制原理的基础上，设计了转子侧BP神经网络PID控制器实现转子电流控制，该控制器不仅具有非线性映射功能，而且结构和学习算法简单明确，不依赖于被控对象数学模型。进一步提出了基于双馈发电机空载数学模型BP神经网络PID控制的空载并网控制技术，并对DFIG并网过程进行仿真研究，对比仿真结果，验证所提出策略的有效性。随着风力发电技术的不断成熟，系统容量越来越大，从而导致风力发电并网时所产生的电流冲击与波动过大，造成安全问题。双馈风力发电并网方式主要有空载、负载与孤岛并网3种，其中应用最为广泛的是空载并网。传统的并网控制有矢量变换、PI控制等，但存在稳定性与抗扰动性差等缺点。本文在研究风力发电运行特性与控制原理的基础上，提出了一种基于神经网络的风力发电并网控制技术。该技术结合了BP神经网络与PID控制，使得控制器能够对转子电流进行控制，具有独立于被控对象的优点。加之双馈发电机，因而可以实现空载数学模型的并网控制。

1直驱式风力发电机变频器故障

某地区风场气候环境恶略，夏天高温，冬天寒冷，且昼夜温差大;而变频器所处环境更是油污、尘土、高温、电磁干扰、震动干扰等恶劣条件的综合，这些外界条件也会对变频器的性能同时晶闸管的电压上升率是有限的，晶闸管由导通转为关断时，电压突然加在元件的两端，因为P—N结有一定的电容量，如果电压上升率太大，则会产生一定的漏电流，使元件不关断而损坏;晶闸管的电流上升率也是有限的，当元件使用在电流比较大、频率比较高的情况下，由于电流上升率较大，在芯片上电流来不及扩散，产生局部结温过高而损坏。直驱式风力发电机变频器结构如图1所示。变频器的主要故障还有过电压、过电流、变频器误动作、与预期效果误差大、过热、欠电压等。其中变频器过电压主要是指变频器负载突降或向电容器组增能，会使中间直流回路能量增大，短时间内能量增大，若超过直流回路及其能量处理单元的承受能力将会引发过电压故障，从而影响滤波器电容寿命。过电流故障是由于变频器负载发生突变、负荷分配不均，输出短路等原因引起的过载过电流和短路过电流，由于逆变器件的过载能力较差，所以变频器的过电流故障诊断至关重要。当输入电源缺相，整流回路故障会导致欠压故障。这些原因都会导致变频器故障。

图1变频器结构

2BP神经网络PID并网控制

2.1BP神经网络

算法简单，独立于被控对象，且具有非线性映射特性的BP神经网络结构图，如图2所示。BP神经网络包括输入、隐含、输出层，且同层节点间相互独立，是一种单相传播的前向网络。本文采用3－5－3型BP网络结构，并对分别代表运行状态与PID可调参数的输入、输出变量进行了归一化处理。

图1BP神经网络结构

2.2BP神经网络PID控制器的设计

根据BP神经网络控制器的特点和传统PID控制器的特点，设计了基于BP神经网络的PID控制器，其控制结构框图如图3所示，该控制器由两部分组成:一是传统的PID控制，实现直接对转子电流d轴分量闭环控制;二是BP神经网络控制，根据双馈发电系统的运行状态，利用BP神经网络控制算法调节PID控制器的参数，实现定子电压响应快，误差小。神经网络PID控制器以转子d轴电流分量的参考值与反馈电流误差的平方作为目标函数来调节BP神经网络的连接权值，自动调节PID的3个参数，经PID控制器作用于双馈发电机，从而使双馈发电机转子电流分量接近由定子磁链观测器算出的转子电流分量的参考值，进而使定子电压与电网电压接近。

图3基于BP神经网络的PID控制器结构框图

2.3双馈发电机空载并网控制

在双馈发电机中采用结合BP神经网络与PID的控制器，以适应运行过程中发电机随时间变化的阻抗、磁链等物理量。如对转子电流ird进行控制，神经网络的输入为期望电流、实际电流与其的误差。经过各层权值的不断调整，将神经网络的输出作为PID控制器的输入，实现神经网络对PID的最优控制，进而满足双馈发电机空载并网运行要求。基于BP神经网络结合PID的双馈发电机空载并网控制结构图，如图4所示。

图4基于BP神经网络结合PID的双馈发电机空载

2.4基于神经网络的故障诊断结果分析

本文采用112-10-6的神经网络结构对样本数据进行训练和测试，由图5知经过6步的训练后神经网络的训练误差满足误差允许的限值，达到预设的误差限，即可比较准确预测故障出现的位置和数量，但是测试误差曲线和验证误差曲线处于0附近，误差精度较低，且同训练误差曲线递降趋势不一致，从这一点上来看神经网络在预测和验证环节存在一定偏差，这样预测故障的精度就会打折扣。由图6可以看出梯度曲线波动较大，表明训练时神经网络一直处于震荡的学习状态，可能是神经网络输出参数不理想造成的，而参数mu的变化成增加的趋势，有可能是神经网络训练时局部最小造成的。验证环节在第七步是完成了6次验证，但是每次验证失败值逐渐增加，说明简单的神经网络结构容易造成训练与验证的不一致，即神经网络预测精度不理想的表现。

图5BP网络训练误差曲线

图6训练状态曲线

造成整体训练失败等现象，可以考虑通过遗传算法较强的全局寻优能力来优化神经网络的参数结构，从而达到提高神经网络学习效率的目的。通过编程将最优种群返回给神经网络作为神经网络的最优参数，再用优化后的神经网络对仿真所得的样本数据进行训练和测试，得到训练误差曲线如图7所示，由测试误差曲线和验证误差曲线训练过程曲线可以看出，误差精度得到了提高，故障位置的判断更加准确。

图7训练误差曲线

2.5基于BP神经网络的故障诊断器

基于BP神经网络的故障诊断器需要具有两个必备部分，即输入样本和对应的输出样本。很显然，故障特征数据即为训练器的输入样本，而特征数据对应的故障类型即为训练器的输出样本。

2.6遗传算法及其对神经网络的优化

BP神经网络由于初始参数设置不当可能导致训练过程变化较大，甚至因局部不收敛等情况造成整体训练失败等现象，可以考虑通过遗传算法较强的全局寻优能力来优化神经网络的参数结构，从而达到提高神经网络学习效率的目的。

3基于BP神经网络PID空载并网仿真分析

3.1样机参数

基于上述分析，本文在Matlab中对基于BP神经网络结合PID的双馈发电机空载并网控制模型进行搭建与仿真验证，并与传统PI控制器进行对比。表1为分析中的电机参数。

表1电机参数

3.2建立仿真模型

利用上述分析原理，建立了基于BP神经网络PID控制的双馈发电机并网控制系统仿真模型，系统仿真模型如图8所示。

图8基于BP神经网络PID控制的双馈发电机并网控制系统仿真模型

图9为双馈发电机采用BP神经网络PID控制策略并网时，电机的定子电压与电网电压的曲线，从图中可以看出，定子电压经过短暂的过渡过程就能跟随电网电压，即电机定子电压的幅值、相位、频率与电网电压的幅值、相位、频率完全一致。图10为正常工况下，普通PI控制与BP神经网络PID控制策略下的双馈发电机定子电压与电网电压误差的比较曲线，从图中可以看出，后者误差远远小于前者，稳态精度高。

图9定子电压与电网电压曲线

图10电网与定子电网误差比较

图11为分别采用传统PI控制和BP神经网络PID控制转子d轴电流分量的波形，由图中可以看出PI控制时转子电流分量在0.12s时达到稳态而BP神经网络PID控制时转子电流分量在0.04s时达到稳态，在两者都能满足并网精度的条件下，显然后者能更快达到给定值，提前满足并网条件，减少对电网的冲击，提高了系统运行的稳定性。

图11两种控制策略转子电流比较

图12为电网电压下降90%UN到恢复运行电压UN过程中，BP神经网络PID控制动态调节过程与传统PI控制调节过程仿真分析对比波形。从图中可以看出，PI控制调节误差波动大，调节缓慢，跟踪效果差;而BP神经网络PID控制调节过程快，定子电压完全能够跟踪电网电压波动。由以上仿真波形分析得出，BP神经网络PID控制具有较高的动态响应和更快的收敛速度，有较好的鲁棒性和抗干扰性。

图11电网电压波动时误差对比仿真波形

结语

本文提出了双馈发电机空载并网的BP神经网络PID控制策略。针对风力发电并网时所产生的电流冲击与波动过大的问题，本文提出了一种基于神经网络的风力发电并网控制技术。通过建模仿真验证，该控制技术可以使得双馈发电机定子电压跟随速度快、鲁棒性强，大幅提高了系统动态性能。研究结果表明，在BP神经网络PID控制策略下，双馈发电机定子电压能够快速跟踪电网电压且稳态误差近似为零，系统在响应的全过程对电网电压扰动具有较强的鲁棒性，提高了系统动态性能，控制效果明显优于传统PI控制，是一种高性能的并网控制策略。

参考文献:

［1］刘其辉，谢孟丽．双馈式变速恒频风力发电机的空载及负载并网策略［J］．电工技术学报，2012，27(10):60－67．

［2］刘友伟．变速恒频双馈型并网风力发电机励磁控制的研究［D］．南京:南京航空航天大学，2011．

［3］王勇，张纯江，柴秀慧，等．变速恒频风力发电机空载并网控制策略［J］．电网技术，2011，35(9):139－143．

［4］张继红，吴振奎，李含善．交流励磁变速恒频风力发电机并网控制及仿真［J］．辽宁工程技术大学学报:自然科学版，2011，30(4):588－591．

［5］刘静，黄磊，康忠健．基于自抗扰控制技术的双馈型感应发电机功率解耦控制［J］．电机与控制应用，2012，39(1):57－61．

［6］田永贵，王奔，李小明．等．基于自抗扰的变速恒频双馈风力发电机并网控制研究［J］．四川电力技术，2015，38(2):67－72．