CN101895125B - 海上风电场轻型直流输电系统变流器的控制方法 - Google Patents

Abstract

一种电力传输技术领域的海上风电场轻型直流输电系统变流器的控制方法，本发明基于粒子群寻优方法设计PID神经网络控制器，替代传统PI调节器，利用阶跃输入训练神经网络，即设置多群粒子在神经网络权值空间中搜索，根据神经网络的适应值函数不断更新粒子的位置和速度，以获得神经网络最优权值。利用训练得到的最优权值结合神经网络误差前向传播方法，替换传统PI调节器控制系统运行，不仅减少了需要调整的参数，同时，也可以提高系统暂态响应性能；神经网络权值基于被控系统非线性模型训练获得，更接近真实系统。系统运行过程中只有PID神经网络前向传播过程参与控制，方法相对简单、易于实现。

Description

海上风电场轻型直流输电系统变流器的控制方法

技术领域

本发明涉及的是一种电力传输技术领域的控制方法，具体是一种海上风电场轻型直流输电系统变流器的控制方法。

背景技术

在海上风电场并网系统中，通常可以采用直流和交流两种方式并网。其中，交流并网系统结构相对简单，但存在很多缺点，例如，需要大容量无功补偿装置，环境电磁污染严重，线路损耗大，不适合远距离传输等。

直流输电方式可以分为传统直流输电与轻型直流输电两种方式，传统直流输电技术相对成熟，但由于采用半控型电力电子器件，例如晶闸管(SCR)，存在一定的局限性，不能对孤岛等无源系统供电，开关频率受电网频率限制不可能太高，系统存在大量低次谐波，需要大容量无功补偿装置，设备体积大。对弱系统供电或电网暂态故障时容易出现换向失败等事故。轻型直流输电系统基于全控电力电子器件，例如绝缘栅双极晶体管(IGBT)，不依赖电网换相电压支撑，可对孤岛等无源系统供电，同时，因IGBT开关频率高，系统只含有高次谐波，仅需较小容量的滤波器即可滤除，无须配置大容量无功补偿装置，设备体积大大减小，对于海上变电站平台建造要求低，尤其适合应用于海上风电场并网直流输电系统，可分别实现风电场侧变流器和电网侧变流器有功功率、无功功率独立控制，控制方式灵活。即使在电网出现瞬间故障或闪变时，还能够协调两端变流器控制方式，确保风电场不出现脱网等异常情况，同时，还可以对电网提供无功支撑，电力系统的稳定性得到大大提高。

海上风电场轻型直流输电并网变流器通常采用双闭环矢量控制，一端变流器控制直流电压，另一端变流器控制有功功率，无功功率由两端变流器分别独立控制。其中较为成熟的PI(比例积分)双闭环结构，其外环为无功功率、有功功率或者直流电压控制环，可以根据所采用的控制方式设置外环的控制目标为有功功率或直流电压；内环为有功电流和无功电流控制环，通过控制系统的DQ轴电流跟踪外环给定值。

经对现有技术文献的检索发现，Ruihua Song等人在IEEE Transmission and DistributionConference上所发表的VSCs Based HVDC and Its Control Strategy(基于电压源变流器的高压直流输电及其控制策略)介绍了一种轻型直流输电系统控制方式及其系统的设计。两端采用双闭环结构，内环采用PI调节器和前馈解耦方式，能够分别控制有功电流、无功电流，跟踪外环调节器输出信号；外环采用PI调节器，分别控制有功功率、无功功率或直流电压跟踪给定。系统稳态性能好，但存在如下不足：1)两端均为PI调节器，外环有功功率或直流电压及无功功率需要两个调节器，内环有功电流、无功电流仍需两个PI调节器，因此一端变流器需至少4个PI调节器，两端变流器总共就需要8个PI调节器，调节器参数过多，实际应用中难以调节、实施困难。PI参数的工程整定法大都基于系统传递函数，但是该类技术较为复杂，以简单传递函数等效方式计算得到的PI参数大都偏差较大，往往需要在现场根据人工经验逐渐调整，要确保系统性能难度较大。2)对系统参数有一定的依赖性，内环前馈控制，动态过程用到系统电感等参数，在实际系统中这些参数的准确性难以保证，有时偏差较大，且随系统运行工况不同会发生变化，因此，按照常规标称系统参数设计的调节器在实际运行中，输出性能可能与期望值存在一定偏差。3)轻型直流输电系统数学模型本身存在强耦合、非线性等特征，而PI调节器是按照系统稳态线性化模型进行设计的，因此，系统的动态性能无法保证，调节效果不可能达到最优。综上，该技术中需要调整的参数过多，实际工程中调节困难、系统性能难以保证；同时，因被控对象存在较强耦合及非线性特征，采用线性系统设计的控制器，无法获得较好的暂态响应性能。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种海上风电场轻型直流输电系统变流器的控制方法。本发明基于合作粒子群优化和PID(比例积分微分)神经网络控制技术，利用粒子群搜索方法优化神经网络权值，并由神经网络控制器代替传统PI调节器，避免了传统PI控制方法中PI参数需要反复调整和试凑的不足；同时，因该神经网络控制器是采用非线性系统设计的，在训练过程中能够按照预先设定的最优化目标优化系统，与传统基于线性系统理论设计的PI控制器相比，能够获得更优良的系统动态性能。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，对海上风电场轻型直流输电变流器进行简化处理，得到变流器的传递函数，并采用双闭环矢量控制方式对变流器进行控制。

所述的简化处理，是将海上风电场轻型直流输电变流器简化为一阶惯性环节和比例环节的串联形式，得到变流器的传递函数为其中：K是等效比例放大倍数，T_s是IGBT开关动作的最大延迟时间，S是拉氏变换算子。

所述的双闭环矢量控制方式，是：风电场侧变流器控制直流电压和无功功率跟踪给定值，电网侧变流器控制系统有功功率和无功功率跟踪给定值；内环基于变流器DQ同步旋转坐标系，采用前馈解耦控制方式，实现系统有功电流和无功电流的分别独立控制。

第二步，检测风电场交流网侧电压及电流，计算有功功率P、无功功率Q和直流电压U_dc。

第三步，建立三层结构形式的PID神经网络控制模型，其中：输入层的两个神经元分别接收系统的给定值和反馈值；中间层的三个神经元分别为比例P神经元、积分I神经元和微分D神经元；输出层的一个神经元控制变流器的传递函数。

所述的给定值是风场输出有功功率目标值P^*，无功功率给定值Q^*，直流电压给定值

所述的反馈值是第二步得到的有功功率P、无功功率Q和直流电压U_dc。

第四步，采用粒子群搜索方法，对PID神经网络控制模型进行优化处理，得到PID神经网络控制模型中中间层到输出层的三个连接权值。

所述的优化处理，包括以下步骤：

1)建立N群粒子，每群M个粒子，每个粒子的维数为3；

2)设置每个粒子的搜索范围、初始速度、学习效率、初始位置和搜索补偿参数；

3)对PID神经网络进行前向传递，得到每个粒子的适应值，选取其中适应值最大的粒子所对应的粒子作为系统最优粒子，每群粒子中适应值最大的粒子所对应的粒子作为该子群的最优粒子；

所述的适应值是系统给定值和反馈值误差平方的平均值。

4)进行迭代处理，得到粒子的更新位置和更新速度。

所述的迭代处理，是：

$\left\{\begin{array}{c}{v}_i(k+1)=\mathrm{\ω}{v}_i\left(k\right)+h\·c_1\·r_1\·[p_{\mathrm{best}}-x_i\left(k\right)]+h\·c_2\·r_2\·[g_{\mathrm{best}}-x_i\left(k\right)]+h\·c_2\·r_2\·[g_{\mathrm{best}}\left(r\right)-x_i\left(k\right)]\\ x(k+1)=x\left(k\right)+v(k+1)\end{array}\right.,$

其中：v_i(k+1)为第k+1次更新后第i个粒子的速度，v_i(k)为第k次更新后第i个粒子的速度，i＝1，…，M，r₁和r₂分别是介于1到n之间的随机整数，g_best为子群最优位置，g_best(r)为其它子群最优粒子位置，p_best是系统最优粒子位置，ω为加速因子，h是搜索补偿参数；

5)用粒子的更新位置和更新速度对PID神经网络进行前向传递，得到所有粒子新的适应值，并分别得到各子群新的最优粒子和系统新的最优粒子的位置；

6)用新的最优粒子再次对PID神经网络进行前向传递，得到网络输出，得到新的最优粒子的适应值，返回3)，直至达到设定的循环次数，最终得到的最优粒子的位置就是PID神经网络的连接权值。

第五步，PID神经网络控制模型中输入层中给定值到中间层的连接权值为+1，输入层中反馈值到中间层的连接权值为-1，对PID神经网络进行前向传递，得到神经网络的输出，其输出信号作为标准SPWM触发方法的参考波，将该参考波与1KHz以上的三角波比较，生成触发脉冲，从而驱动变流器主电路中各IGBT器件开关。

与现有技术相比，本发明的有益效果是：

1)控制器将传统的PI控制器替换为PID神经网络控制器，无须参数整定和反复调整的过程；采用粒子群搜索方法对神经网络进行优化，使系统性能达到最优，并且运用优化方法后可进一步提高系统性能，避免依靠人工经验整定系统参数造成系统性能的不确定性，由于海上风电场并网直流输电系统中被控对象存在强耦合、非线性特点，PI调节器为线性控制器，系统暂态性能调整困难。本发明中采用神经网络控制器的非线性控制方式，不仅减少了需要调整的参数，同时，也可以提高系统暂态响应性能。

2)神经网络权值基于被控系统非线性模型训练获得，更接近真实系统。系统运行过程中只有PID神经网络前向传播过程参与控制，方法相对简单、易于实现。

附图说明

图1是实施例中海上风电场并网轻型直流输电变流器信号连接图；

图2是实施例中轻型直流输电系统中变流器拓扑结构图；

图3是实施例中粒子群方法训练神经网络的流程图；

图4是实施例中神经网络中输入层到中间层各神经元的连接关系示意图；

图5是分别采用实施例方法和现有技术得到的系统阶跃响应仿真结果比较示意图。

具体实施方式

以下结合附图对本发明的方法进一步描述：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例的海上风电场轻型直流输电系统如图1所示，其中：VSC1为风电场侧变流器，VSC2为电网侧变流器，两侧以直流电容稳压，分别经变压器连接至风电场和电网，系统控制功率方向由风电场侧输送至电网侧，所传输功率为P_DC。

所述的变流器结构如图2所示，由6只全控电力电子器件IGBT组成，连接成三相全控桥结构。直流侧为两电容串联，起到稳定直流电压的作用。输入侧串联平波电抗器，作用为平滑电流波形和泵升直流电压。

本实施例包括以下步骤：

第一步，对海上风电场轻型直流输电变流器进行简化处理，得到变流器的传递函数，并采用双闭环矢量控制方式对变流器进行控制。

所述的简化处理，是将海上风电场轻型直流输电变流器简化为一阶惯性环节和比例环节的串联形式，得到变流器的传递函数为

其中：K是等效比例放大倍数，T_s是IGBT开关动作的最大延迟时间，S是拉氏变换算子。

所述的双闭环矢量控制方式，是：风电场侧变流器控制直流电压和无功功率跟踪给定值，电网侧变流器控制系统有功功率和无功功率跟踪给定值；内环基于变流器DQ同步旋转坐标系，采用前馈解耦控制方式，实现系统有功电流和无功电流的分别独立控制。

第二步，检测风电场交流网侧电压及电流，并计算有功功率P、无功功率Q和直流电压U_dc，具体为：

2.1、检测风场出口处电压，检测风场侧变流器入口处电流，同时送入风场侧变流器控制器；

2.2、检测电网入口处电压，检测电网侧变流器出口处电流，同时送入电网侧变流器控制器；

2.3、检测两端变流器直流侧电容电压，送入系统控制模块；

2.4、两端变流器控制模块将检测到的电压，电流信号进行坐标变换，转化为两相旋转坐标系下电压矢量和电流矢量；

2.5、利用坐标变换结果进行功率计算，得到有功功率P、无功功率Q和直流电压U_dc。

所述的坐标变换，包括三相静止坐标系ABC到两相静止坐标系αβ的变换，两相静止坐标系αβ到两相旋转坐标系DQ的变换，其中ABC到αβ的变换将三相交流量转换成两相交流量，分布在互相垂直的两相静止坐标轴上，αβ到DQ系的变换是将两相交流量转换为两相直流量，分布在互相垂直并且在空间中以同步速旋转的两相坐标轴上，D轴定向于电网电压矢量方向。

所述的功率计算，是利用瞬时功率理论，基于电压和电流的αβ轴分量经数学运算得到。

第三步，建立三层结构形式的PID神经网络控制模型，其中：输入层的两个神经元分别接收系统的给定值和反馈值；中间层的三个神经元分别为比例P神经元、积分I神经元和微分D神经元；输出层的一个神经元控制变流器的传递函数(即控制对象)。

所述的给定值是风场输出有功功率目标值P^*，无功功率给定值Q^*，直流电压给定值

所述的反馈值是第二步得到的有功功率P、无功功率Q和直流电压U_dc。

第四步，采用粒子群搜索方法，对PID神经网络控制模型进行优化处理，得到PID神经网络控制模型中中间层到输出层的三个连接权值。

所述的优化处理，如图3所示，包括以下步骤：

1)建立3群粒子，每群30个粒子，每个粒子的维数为3；

2)设置每个粒子的搜索范围、初始速度、学习效率、初始位置和搜索补偿参数；

本实施例中搜索范围取为-40～+40，学习效率取2，初始位置为(1，1，1)，搜索补偿参数为0.5。

3)对PID神经网络进行前向传递，得到每个粒子的适应值，选取其中适应值最大的粒子所对应的粒子作为系统最优粒子，每群粒子中适应值最大的粒子所对应的粒子作为该子群的最优粒子；

所述的适应值是系统给定值和反馈值误差平方的平均值。

4)进行迭代处理，得到粒子的更新位置和更新速度。

所述的迭代处理，是：

$\left\{\begin{array}{c}{v}_i(k+1)=2{\·v}_i\left(k\right)+0.5\·c_1\·r_1\·[p_{\mathrm{best}}-x_i\left(k\right)]+0.5\·c_2\·r_2\·[g_{\mathrm{best}}-x_i\left(k\right)]+0.5\·c_2\·r_2\·[g_{\mathrm{best}}\left(r\right)-x_i\left(k\right)]\\ x(k+1)=x\left(k\right)+v(k+1)\end{array}\right.---\left(1\right)$

其中：v_i(k+1)为第k+1次更新后第i个粒子的速度，v_i(k)为第k次更新后第i个粒子的速度，i＝1，…，30，r₁和r₂分别是介于1到n之间的随机整数，g_best为子群最优位置，g_best(r)为其它子群最优粒子位置，p_best是系统最优粒子位置，系数2为加速因子，系数0.5用于平衡粒子最优位置p_best。

5)用粒子的更新位置和更新速度对PID神经网络进行前向传递，得到所有粒子新的适应值，并分别得到各子群新的最优粒子和系统新的最优粒子的位置。

6)用新的最优粒子再次对PID神经网络进行前向传递，计算系统误差和输出并绘图，得到新的最优粒子的适应值，返回3)，直至达到设定的循环次数，最终得到的最优粒子的位置就是PID神经网络的连接权值。

所述的对PID神经网络进行前向传递，包括以下步骤(本实施例以直流电压为例)：

A、输入层两个神经元，采用比例神经元，比例系数为1，分别接收系统直流电压给定值，和测量的到的反馈值，即将各自接收的到输入值与比例因子1相乘后作为该神经元输出。

B、神经网络中输入层到中间层各神经元的连接关系如图4所示，其中：每个神经元分为三个部分，分别是神经元的输入、状态和输出。神经元的输入体现了生物神经元的空间综合作用，在任意时刻t，对于神经网络的第j个神经元，其总输入net_j等于与其相连的各支路输入量x₁、x₂、…x_n分别乘上各自权重w_1j、w_2j、…w_nj后的总和。神经元j的状态u_j由自身的状态转换函数g(·)决定，其t+1时刻的状态以当前总输入net_j和当前状态为自变量。神经元j的输出x_j由输出函数f(·)决定。神经元状态u_j为自变量，其输出函数产生该神经元的输出值。本实施例采用简单的比例函数，易于实际系统的实现。

将输入层神经元的输出乘以连接权值后传递给中间层各神经元，中间层神经元首先将其接收到的输入值求和，作为中间层神经元的输入，然后P神经元将其输入做比例运算，比例系数取1，I神经元将其输入做积分运算，D神经元将其输入做微分运算，最后分别得到中间层的P，I，D神经元的输出。

C、中间层神经元的输出乘以粒子群优化得到中间层到输出层的最优网络权值，作为输出神经元的输入，输出神经元将其所有连接的输入求和后作为整个神经网络控器的输出。

第五步，PID神经网络控制模型中输入层中给定值到中间层的连接权值为+1，输入层中反馈值到中间层的连接权值为-1，对PID神经网络进行前向传递，得到神经网络的输出，其输出信号作为标准SPWM触发方法的参考波，将该参考波与1KHz以上的三角波比较，生成触发脉冲，从而驱动变流器主电路中各IGBT器件开关。

图5所示为系统阶跃响应输出曲线，包含三条曲线，分别为直流电压给定值时系统响应曲线(Vdc1)、传统PI调节器控制时系统响应曲线(V^*dc)和本实施例采用PID神经网络控制得到的系统响应曲线(Vdc2)。其中，图5(b)为局部放大曲线，通过比较可以看出，传统PI调节方式虽然也可以获得较好的系统响应性能，且且二者稳态跟踪精度均较高。但阶跃过程中存在一定的超调和振荡过程，而PID神经网络控制则可以获得更优良的暂态响应性能。

利用MATLAB/SIMULIK对轻型直流输电控制系统进行仿真，仿真参数为：风电场出口线A电压u_l＝100kV，电抗器等值电阻为R＝0.25Ω、电感为L＝47.7mH、电容为C＝1500μF，给定直流电压为

系统额定容量200MVA，线电压有效值100kV，系统经过标幺化处理。仿真中初始化三群粒子，每群30个粒子，随机分布于搜索空间中，加速因子c₁＝c₂＝2，迭代80次，粒子搜索范围[-40，+40]，输入信号采样点200个。

模拟风电场输出功率的波动性，设置输入信号阶跃变化，在第150采样点时由0.7阶跃变化为1，按照上述流程对网络进行训练和调整权值。将迭代后的最优粒子作为PIDNN各层权值，并利用MATLAB的S函数实现其前向传递过程，经过仿真验证，仿真中设置直流电压在0.75s时由0.8pu阶跃变化至1pu，仿真结果如图5(a)所示，图5(b)为阶跃响应局部放大曲线。分析比较了传统工程整定(典型I型系统)PI调节器和PIDNN(PID神经网络)控制器的控制效果，其中：

为直流电压给定值，v_dc1、v_dc2分别为PIDNN控制器和传统PI控制器系统响应曲线。经调整工程整定法计算得到的PI参数为k_p＝1.62(比例环节)、k_i＝87.57(积分放大倍数)；粒子群训练获得的PIDNN最优权值分别为8.531、0.00798、6.649，分别对应于图4中的w′₁、w′₂、w′₃。因跟踪控制系统输入层至中间层的权值取为定值+1、-1，保持系统单位负反馈状态，同时，也减少了运算量，节省存储空间，便于实际系统的开发。

经传统工程整定法设计的PI调节方法，直流电压阶跃变化过程中系统有大约10％的超调量，而通过粒子群训练获得的PIDNN控制方法使系统无超调，且跟踪较快；PIDNN控制方法器具有较快的响应速度和较高的跟踪精度，进一步验证了本实施例方法的正确性和优越性；本实施例运算量较常规PID神经网络明显减少，对于本实施例，输入层至中间层的6个权值取为定值，不参与权值更新运算，使粒子维数由9维降低为3维，参与运算的数据量减少了2/3。迭代运算中存储神经网络权值的数组长度也相应减少，大大节省了运算中占用的存储空间。

Claims (1)

1.一种海上风电场轻型直流输电系统变流器的控制方法，其特征在于，包括以下步骤：

第一步，对海上风电场轻型直流输电变流器进行简化处理，得到变流器的传递函数，并采用双闭环矢量控制方式对变流器进行控制；

所述的简化处理，是将海上风电场轻型直流输电变流器简化为一阶惯性环节和比例环节的串联形式，得到变流器的传递函数为

其中：K是等效比例放大倍数，T_s是IGBT开关动作的最大延迟时间，S是拉氏变换算子；

所述的双闭环矢量控制方式是指：风电场侧变流器控制直流电压和无功功率跟踪给定值，电网侧变流器控制系统有功功率和无功功率跟踪给定值；内环基于变流器DQ同步旋转坐标系，采用前馈解耦控制方式，实现系统有功电流和无功电流的分别独立控制；

第二步，检测风电场交流网侧电压及电流，计算有功功率P、无功功率Q和直流电压U_dc；

第三步，建立三层结构形式的PID神经网络控制模型，其中：输入层的两个神经元分别接收系统的给定值和反馈值；中间层的三个神经元分别为比例P神经元、积分I神经元和微分D神经元；输出层的一个神经元控制变流器的传递函数；

所述的给定值是风场输出有功功率目标值P^*,无功功率给定值Q^*,直流电压给定值

所述的反馈值是第二步得到的有功功率P、无功功率Q，和直流电压U_dc；

第四步，采用粒子群搜索方法，对PID神经网络控制模型进行优化处理，得到PID神经网络控制模型中中间层到输出层的三个连接权值；

所述的优化处理，包括以下步骤：

1）建立N群粒子，每群M个粒子，每个粒子的维数为3；

2）设置每个粒子的搜索范围、初始速度、学习效率、初始位置和搜索补偿参数；

3）对PID神经网络进行前向传递，得到每个粒子的适应值，选取其中适应值最大的粒子所对应的粒子作为系统最优粒子，每群粒子中适应值最大的粒子所对应的粒子作为该子群的最优粒子；

4）进行迭代处理，得到粒子的更新位置和更新速度；

5）用粒子的更新位置和速度对PID神经网络进行前向传递，得到所有粒子新的适应值，并分别得到各子群新的最优粒子和系统新的最优粒子的位置；

6）用新的最优粒子再次对PID神经网络进行前向传递，得到网络输出，得到新的最优粒子的适应值，返回3），直至达到设定的循环次数，最终得到的最优粒子的位置就是PID神经网络的连接权值；

所述的适应值是系统给定值和反馈值误差平方的平均值；

所述的迭代处理，是：

$\left\{\begin{array}{c}{v}_i(k+1)=\mathrm{\ω}{v}_i\left(k\right)+h\·c_1\·r_1\·[p_{\mathrm{best}}-x_i\left(k\right)]+h\·c_2\·r_2\·[g_{\mathrm{best}}-x_i\left(k\right)]+h\·c_2\·r_2\·[g_{\mathrm{best}}\left(r\right)-x_i\left(k\right)]\\ x(k+1)=x\left(k\right)+v(k+1)\end{array}\right.,$

其中，v_i(k+1)为第k+1次更新后第i个粒子的速度，v_i(k)为第k次更新后第i个粒子当前的速度、x_i(k)为第i个粒子当前的位置，i=1,…,M，M为每群粒子的数目；r₁、r₂为介于1到n之间的随机整数；h为搜索补偿系数，h=0.5，用来平衡p_best，p_best为系统最优粒子位置，g_best为子群最优位置，g_best(r)为其它子群最优位置；ω、c₁、c₂为加速因子，ω=2，c₁=c₂=2；x(k)为最优粒子的当前位置，x(k+1)为更新后最优粒子的位置；v(k+1)为更新后最优粒子的速度；

第五步，PID神经网络控制模型中输入层中给定值到中间层的连接权值为+1，输入层中反馈到中间层的连接权值为-1，对PID神经网络进行前向传递，得到神经网络的输出，其输出信号作为标准SPWM触发方法的参考波，将该参考波与1KHZ以上的三角波比较，生成触发脉冲，从而驱动变流器主电路中各IGBT器件开关。

Images