本發(fā)明涉及風(fēng)力發(fā)電技術(shù)領(lǐng)域，具體涉及一種小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法。

背景技術(shù)：

風(fēng)力發(fā)電機(jī)在并網(wǎng)過程中會(huì)出現(xiàn)過電壓、過電流或轉(zhuǎn)速上升等問題，對(duì)電網(wǎng)會(huì)造成沖擊，這種沖擊的嚴(yán)重后果會(huì)引起電網(wǎng)電壓的降低，還會(huì)對(duì)發(fā)電機(jī)和機(jī)械部件造成損害，更為嚴(yán)重的是，長時(shí)間的并網(wǎng)沖擊，還可能使系統(tǒng)瓦解或威脅風(fēng)力發(fā)電機(jī)的正常運(yùn)行，因此，必須通過合理的發(fā)電機(jī)并網(wǎng)技術(shù)來抑制并網(wǎng)沖擊電流。

傳統(tǒng)的控制方法有PI(Proportional Integral，比例積分)控制和線性滑?？刂疲荘I控制具有較大的超調(diào)量，系統(tǒng)的響應(yīng)時(shí)間較長，而線性滑模控制雖然相對(duì)于PI控制有了一定的改善，但是存在抖振現(xiàn)象。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明主要解決的技術(shù)問題是提供一種小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法，采用模糊神經(jīng)PI控制系統(tǒng)結(jié)構(gòu)，將模糊控制、人工神經(jīng)網(wǎng)絡(luò)控制應(yīng)用到經(jīng)典PI控制中，對(duì)傳統(tǒng)PI控制器的性能有很大的改善，解決了現(xiàn)有PI控制存在的超調(diào)量大、系統(tǒng)響應(yīng)時(shí)間長，以及線性滑?？刂拼嬖诘亩墩瘳F(xiàn)象等問題，能夠有效地抑制風(fēng)力發(fā)電機(jī)并網(wǎng)沖擊電流。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

一種小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法，在傳統(tǒng)PI控制中加入模糊控制和神經(jīng)網(wǎng)絡(luò)控制，所述并網(wǎng)控制方法具體包括如下步驟：

步驟1，獲取所述雙饋風(fēng)力發(fā)電機(jī)輸出偏差和偏差變化率，并將所述偏差和偏差變化率按照模糊規(guī)則模糊化；

步驟2，將所述模糊化后的偏差和偏差變化率作為模糊神經(jīng)網(wǎng)絡(luò)輸入并進(jìn)行處理，獲得所述模糊神經(jīng)網(wǎng)絡(luò)的輸出；

步驟3，將所述模糊神經(jīng)網(wǎng)絡(luò)的輸出反模糊化處理得到所述PI控制參數(shù)；

步驟4，將所述PI控制參數(shù)傳給所述PI控制器，所述PI控制器對(duì)所述雙饋風(fēng)力發(fā)電機(jī)的并網(wǎng)進(jìn)行控制。

進(jìn)一步地，所述步驟1中的所述偏差為所述風(fēng)力發(fā)電機(jī)的定子電壓與電網(wǎng)電壓的差值。

進(jìn)一步地，所述步驟1中的模糊規(guī)則為：

將所述偏差和偏差變化率分為7個(gè)模糊子集：負(fù)大(NB)，負(fù)中(NM)，負(fù)小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

論域范圍為{-3，+3}；

隸屬度函數(shù)為三角形隸屬度函數(shù)。

進(jìn)一步地，所述步驟2中所述模糊神經(jīng)網(wǎng)絡(luò)的輸入還包括RBF神經(jīng)網(wǎng)絡(luò)輸出信息，所述RBF神經(jīng)網(wǎng)絡(luò)以所述PI控制器輸出和所述雙饋風(fēng)力發(fā)電機(jī)輸出作為輸入，所述RBF神經(jīng)網(wǎng)絡(luò)對(duì)所述PI控制器輸出和所述雙饋風(fēng)力發(fā)電機(jī)輸出信息進(jìn)行處理，獲取所述雙饋風(fēng)力發(fā)電機(jī)控制對(duì)象的Jaco-bian(雅科比)信息，將獲取的所述Jaco-bian信息作為所述模糊神經(jīng)網(wǎng)絡(luò)的輸入，為所述模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法提供依據(jù)。

進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步地，所述BP神經(jīng)網(wǎng)絡(luò)的各層計(jì)算過程如下：

定義所述BP神經(jīng)網(wǎng)絡(luò)中表示第k層的第i各輸入，表示第k層的第j個(gè)節(jié)點(diǎn)的凈輸入，表示第k層的第j個(gè)節(jié)點(diǎn)的輸出，則：

輸入層：

隸屬度函數(shù)層：

其中：所述m為高斯函數(shù)均值，所述n為標(biāo)準(zhǔn)差。

規(guī)則層：

其中：所述即為第l條規(guī)則的激活度。

輸出層：

其中：所述n為第三層節(jié)點(diǎn)的個(gè)數(shù)，所述θ為規(guī)則表矩陣。

本發(fā)明將將模糊控制、人工神經(jīng)網(wǎng)絡(luò)控制應(yīng)用到經(jīng)典PI控制中，解決了現(xiàn)有PI控制存在的超調(diào)量大、系統(tǒng)響應(yīng)時(shí)間長，以及線性滑?？刂拼嬖诘亩墩瘳F(xiàn)象等問題，能夠有效地抑制風(fēng)力發(fā)電機(jī)并網(wǎng)沖擊電流，改善系統(tǒng)性能。

附圖說明

圖1是小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制系統(tǒng)結(jié)構(gòu)圖。

圖2是本發(fā)明一個(gè)實(shí)施例的小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法流程示意圖。

圖3是小型雙饋風(fēng)力發(fā)電機(jī)在傳統(tǒng)PI控制器下的定子電壓與電網(wǎng)電壓的輸出波形(只有電流環(huán))。

圖4是小型雙饋風(fēng)力發(fā)電機(jī)在傳統(tǒng)PI控制器下的定子電壓與電網(wǎng)電壓的差值的輸出波形。

圖5為本發(fā)明一實(shí)施例模糊PI神經(jīng)控制器下的風(fēng)力發(fā)電機(jī)定子電壓與電網(wǎng)電壓的輸出波形。

圖6為本發(fā)明一實(shí)施例模糊PI神經(jīng)控制器下的風(fēng)力發(fā)電機(jī)定子電壓與電網(wǎng)電壓的差值。

具體實(shí)施方式

下面對(duì)本發(fā)明的較佳實(shí)施例進(jìn)行詳細(xì)闡述，以使本發(fā)明的優(yōu)點(diǎn)和特征能更易于被本領(lǐng)域技術(shù)人員理解，從而對(duì)本發(fā)明的保護(hù)范圍做出更為清楚明確的界定。

圖1是一種小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制系統(tǒng)結(jié)構(gòu)圖，采用模糊神經(jīng)PI控制器對(duì)風(fēng)力發(fā)電機(jī)進(jìn)行并網(wǎng)控制。其中，模糊神經(jīng)PI控制器在傳統(tǒng)PI控制器中加入模糊控制和神經(jīng)網(wǎng)絡(luò)控制，以改善系統(tǒng)性能。該小型雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法流程如圖2所示，具體步驟如下所述。

步驟1，獲取所述雙饋風(fēng)力發(fā)電機(jī)系統(tǒng)偏差和偏差變化率，并將所述偏差和偏差變化率模糊化。

其中，偏差為所述風(fēng)力發(fā)電機(jī)的定子電壓與電網(wǎng)電壓的差值傳統(tǒng)PI控制方法僅包括電流環(huán)。與傳統(tǒng)PI控制方法相比，可以有效降低定子電壓與電網(wǎng)電壓的差值。

模糊化規(guī)則為：

將所述偏差和偏差變化率分為7個(gè)模糊子集：負(fù)大(NB)，負(fù)中(NM)，負(fù)小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)；

論域范圍為{-3，+3}；

隸屬度函數(shù)為三角形隸屬度函數(shù)。

步驟2，將所述模糊化后的偏差和偏差變化率作為模糊神經(jīng)網(wǎng)絡(luò)輸入并進(jìn)行處理，獲得所述模糊神經(jīng)網(wǎng)絡(luò)的輸出。

模糊神經(jīng)網(wǎng)絡(luò)的輸入量和輸出量都包含7個(gè)模糊子集，它們是負(fù)大(NB)，負(fù)中(NM)，負(fù)小(NS)，零(ZO)，正小(PS)，正中(PM)，正大(PB)，論域范圍為{-3，+3}，隸屬度函數(shù)采用三角形隸屬度函數(shù)。

PI控制器的k_p的模糊規(guī)則表為：

PI控制器的k_i的模糊規(guī)則表為：

神經(jīng)網(wǎng)絡(luò)優(yōu)選為BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的各層計(jì)算過程如下：

定義該BP神經(jīng)網(wǎng)絡(luò)中表示第k層的第i各輸入，表示第k層的第j個(gè)節(jié)點(diǎn)的凈輸入，表示第k層的第j個(gè)節(jié)點(diǎn)的輸出，則：

輸入層：

隸屬度函數(shù)層：

其中：m為高斯函數(shù)均值，所述n為標(biāo)準(zhǔn)差。

規(guī)則層：

其中：即為第l條規(guī)則的激活度。

輸出層：

其中：n為第三層節(jié)點(diǎn)的個(gè)數(shù)，所述θ為規(guī)則表矩陣。

步驟3，將所述模糊神經(jīng)網(wǎng)絡(luò)的輸出反模糊化處理得到所述PI控制參數(shù)；

步驟4，將所述PI控制參數(shù)傳給所述PI控制器，所述PI控制器對(duì)所述雙饋風(fēng)力發(fā)電機(jī)的并網(wǎng)進(jìn)行控制。

在本發(fā)明另一較佳實(shí)施例中，步驟2中的模糊神經(jīng)網(wǎng)絡(luò)的輸入還包括RBF神經(jīng)網(wǎng)絡(luò)輸出信息，該RBF神經(jīng)網(wǎng)絡(luò)以PI控制器輸出和雙饋風(fēng)力發(fā)電機(jī)輸出作為輸入，RBF神經(jīng)網(wǎng)絡(luò)對(duì)PI控制器輸出和雙饋風(fēng)力發(fā)電機(jī)輸出信息進(jìn)行處理，獲取所述雙饋風(fēng)力發(fā)電機(jī)控制對(duì)象的Jaco-bian(雅科比)信息，作為所述模糊神經(jīng)網(wǎng)絡(luò)的輸入，為所述模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法提供依據(jù)。

通過仿真比較了本實(shí)施例公開的雙饋風(fēng)力發(fā)電機(jī)并網(wǎng)控制方法和傳統(tǒng)PI控制方法，在傳統(tǒng)PI控制器下的風(fēng)力發(fā)電機(jī)定子電壓與電網(wǎng)電壓的輸出波形如圖3所示，在傳統(tǒng)PI控制器下的風(fēng)力發(fā)電機(jī)定子電壓與電網(wǎng)電壓的差值的輸出波形如圖4所示，在模糊神經(jīng)PI控制器下的定子電壓與電網(wǎng)電壓的輸出波形如圖5所示，在模糊PI神經(jīng)控制器下的定子電壓與電網(wǎng)電壓的差值如圖6所示。

通過圖3與圖5進(jìn)行比較可以發(fā)現(xiàn)，圖5在模糊神經(jīng)PI和雙閉環(huán)相結(jié)合的新型矢量控制策略的作用下，定子電壓的幅值、頻率、相位比傳統(tǒng)PI控制下的單電流環(huán)矢量控制作用下的圖3更加接近電網(wǎng)電壓。同時(shí)通過圖4與圖6進(jìn)行比較發(fā)現(xiàn)也可以更加直觀的發(fā)現(xiàn)圖6中的定子電壓與電網(wǎng)電壓的差值是非常小的，而圖4中的差值相對(duì)較大，再次表明了在模糊神經(jīng)PI控制器與雙閉環(huán)矢量控制相結(jié)合的控制策略下，定子電壓的幅值、頻率、相位與電網(wǎng)電壓是十分接近的。

以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。