CN102705158A - 基于模糊性能估计器的风能转换系统反馈控制 - Google Patents
基于模糊性能估计器的风能转换系统反馈控制 Download PDFInfo
- Publication number
- CN102705158A CN102705158A CN2012101649551A CN201210164955A CN102705158A CN 102705158 A CN102705158 A CN 102705158A CN 2012101649551 A CN2012101649551 A CN 2012101649551A CN 201210164955 A CN201210164955 A CN 201210164955A CN 102705158 A CN102705158 A CN 102705158A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- wind
- model
- formula
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于模糊性能估计器的风能转换系统反馈控制方法,本发明针对风能转换系统强非线性、参数不确定性的特点,设计了包含模糊性能估计器的T-S模糊状态反馈控制系统,属于反馈控制领域。首先给出了风能转换系统的非线性模型和T-S模糊模型,其次基于风能转换系统T-S模糊模型设计了系统的模糊性能估计器,然后在每个线性的局部模型中分别设计线性控制器,并利用隶属度函数构成整个全局模型的模糊状态反馈控制器。其优点是:基于模糊性能估计器来设计控制器,保证闭环控制系统具有良好的跟踪性能,同时,可获得较好的动态性能及稳态性能。
Description
技术领域
本发明针对风能转换系统强非线性、参数不确定性的特点,设计了包含模糊性能估计器的T-S模糊状态反馈控制系统,属于反馈控制领域。
背景技术
风能是一种蕴藏丰富、分布广泛、清洁可再生能源,也是最重要的替代能源之一。风力发电技术,是产业成熟度最好、市场竞争力最强、最容易实现商业化的可再生能源技术。大力发展风力发电对保护生态环境、改善能源结构、促进可持续发展都具有积极意义,许多国家都把大力发展风电纳入国家发展计划。如何最大程度的利用风能,一直是各国科研人员的研究重点。
T-S模糊模型是Takagi和Sugeno于1985年提出的一种新的模糊推理模型。T-S模型的模糊规则的“工F”部分与zadeh规则的“IF”部分相似。但它的“THEN”部分是精确函数,通常是输入变量多项式。T-S型模糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数。因此,T-S模型可用少量的模糊规则生成较复杂的非线性函数,这在处理多变量系统时能有效地减少模糊规则个数,因而产生巨大的优越性。但是,由于结论参数是线性函数而非模糊数,在实际系统中结论部分不能直接从专家经验和操作数据中得到,必须通过一定的算法进行训练。因此,模型参数的辨识成为建立T-S型模糊系统的主要问题。
发明内容
本发明的目的是针对风能转换系统强非线性、参数不确定性的特点,设计了包含模糊性能估计器的T-S模糊状态反馈控制系统,实现了风能转换系统模型的模糊动态化,并成功减小了建模误差和外界扰动影响。
本发明的优点是:基于模糊性能估计器状态反馈控制能将系统功率系数和叶尖速比控制在最优值附近,实现了额定风速下风能捕获的最大化。
附图说明
图1为基于DFIG的风力发电机组;
图2为风能转换系统闭环控制结构示意图;
图3为DSP+FPGA风能转换系统模糊状态反馈控制器。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
基于双馈发电机(DFIG)的风力发电机组主要由三部分组成:风轮机,传动系统,DFIG。风轮机捕捉风能,将风能转换成机械能,使风轮机转动,经传动系统带动DFIG转子旋转,从而产生电能,经交直交变换器输送到电网中。图1是基于DFIG的风力发电机组的基本结构。
第一,给出了双馈风力发电系统中的风轮机、传动系统数学模型;
风轮机模型:
根据贝兹理论,风轮机产生的机械功率为
其中,ρ为空气密度,Rt为风轮机风轮半径,v(t)为风速;Cp(λ(t),β(t))为风能转换系数,是叶尖速比λ(t)和桨叶节距角β(t)的函数。叶尖速比λ(t)为风轮叶尖线速度与风速之比,即λ(t)=Ωl(t)·Rt/v(t),Ωl(t)为风轮的机械角速度。
传动系统模型:
风力发电系统的传动系统的运动方程如下
其中,Ωh(t)为发电机转子转速,Ωh(t)=io×Ωl(t),io为齿轮变速比,η为齿轮效率;Jh、Jl分别为传动系统高速轴端和低速轴端的总转动惯量。
第二,建立风能转换系统的T-S模糊模型,并针对新的风能转换系统模型设计模糊性能评估器和模糊状态反馈控制器;
风能转换系统的T-S模糊模型:
考虑到上述风能转换系统的建模过程,并假设风速采用Van der Hoven风速模型,则风能转换系统的状态方程可以表示为
由状态方程中的风力转矩Γwt(Ωh/io,v)和[0 1/TG]T可知该模型具有非线性的特点。
令x(t)=[Ωh(t)ΓG(t)]T,y=Ωh(t)则式(3)可简记为
其中,输入矩阵为B(x(t))=[0 1/TG]T,系统矩阵为
根据式(3),定义前提变量:z1(t)=Ωh(t),z2(t)=ΓG(t),则式(4)中的系统矩阵A(x(t))可写成新形式A(z1(t),z2(t))。取Ωh1≤min(Ωh(t)),Ωhm≥max(Ωh(t));ΓG1≤min(ΓG(t)),ΓGn≥max(ΓG(t))。其中,Ωh1和Ωhm分别是转速的最小值和最大值,ΓG1和ΓGn为发电机电磁转矩的最小值和最大值。分别在区间[Ωh1,Ωhm],[ΓG1,ΓGn]上再取m-2个点和n-2个点,则形成两个序列
Z1=(Ωh1,Ωh2,...,Ωhp,...Ωhm),Z2=(ΓG1,ΓG2,...,ΓGq,...ΓGn),其中,p=1,2,...,m,q=1,2,...,n。
将序列Z1,Z2中的元素彼此匹配,并代替式(4)中A(z1(t),z2(t))中的z1(t),z2(t),即可得到一系列常数矩阵Apq,p=1,2,...,m,q=1,2,...,n。定义模糊规则如下
其中,Ri为第i条模糊规则,规则数L=m×n,i=1,2,...,L,i=m×(p-1)+q,i为p,q的函数,故定义i=i(p,q)。所以Ai=Ai(p,q)=Apq。
给定输入对(z(t),u(t)),采用单点模糊化、乘积推理和平均加权反模糊化,可得模糊系统的整个状态方程如下
其中, B1=BL=[0 50]T,C1=CL=[1 0]T, μi(zt(t))为在第i条模糊规则下前提变量zt(t),t=1,2在其所对应的模糊论域上的隶属度函数。
根据(5),(6)可将(4)表达为
风能转换系统模糊性能估计器的设计:
根据系统的模糊模型(5),并令系统的输出为y=Cx(t),采用L模糊规则构建模糊性能估计器,
定义模糊性能估计器的模糊规则如下
模糊性能的估计器的整体模型为
定义状态跟踪误差
将(8)和(9)式分别带入(10)式两边同时微分可得
下面讨论如何设计Mi及v,使系统的状态跟踪误差满足H∞性能指标函数
对于任意的线性模型,通过配置Aij=Ai-MiCj的特征值到期望值,确定Mi;根据定理1计算v。
定理1对于FPE的误差方程(11),对于给定的γ>0,如果存在矩阵Y及正定矩阵P=PT=Q-1,使得如下矩阵不等式成立
那么对于i,j=1,2,...,L,式(12)能够满足,并且Kv=YQ-1。
风能转换系统模糊控制器的设计:
考虑以下参考模型
由(9),(14),(15)联立可得
控制律u(t)可描述为
u(t)=uf-v+ur (17)
其中,uf表示模糊控制输入量,v用于消除外部扰动和建模误差,ur为跟踪误差补偿量。v可以通过定理1求得,下面讨论uf和ur的设计方法:
针对系统(15),控制器输入的第i条规则为
整体的模糊状态反馈控制律可表示为
其中,增益Kic未知。
将式(19)带入(16)可得
故ur的最小二乘解为:
定义误差
因此,(20)可以写成
那么对于i,j=1,2,...,L,以下H∞性能指标函数能够满足,并且Kic=YQδ -1
第三,将上述的模糊性能估计器模块在一片FPGA芯片EP1C6T144C8上实现。FPGA的输入为与风电控制系统的输出功率相对应得电磁转矩的数字量信号,输出为最优速度参考值对应的数字量。
由图1可知,风机、齿轮箱、双馈电机、转子侧变换器、网侧变换器、电容、变压器及电网构成了并网型双馈风电系统的本体模块。将本发明嵌入到并网型双馈风电系统中,整个控制系统控制框图如图3所示。控制器采用DSP+FPGA结构,两者之间通过SPI口进行通信,DSP作为主控制器,FPGA为从控制器。采用的DSP为TI公司的TMS320F2812,主要完成转子侧变换器和网侧变换器的矢量控制、风速、电机速度以及实际输出功率的测量计算,并将相应指标参数予以显示,同时根据实时风速等信息控制变浆系统。
隔离驱动电路将PWM信号隔离放大后驱动转子侧和网侧变换器;双馈电机定子侧输出的电压、电流信号经过处理电路后生成电压电流的过零信号以及适合于F2812的AD输入范围的测量信号,分别连接到F2812的捕获单元及AD单元,以供DSP进行功率计算,最终求出当前双馈电机的电磁转矩,并通过SPI口传送给FPGA。
基于FPE的风能转换系统模糊状态反馈控制算法在FPGA中实现,采用图2所示的风能转换系统闭环控制结构示意图。根据F2812实际测算的电磁转矩及参考电磁转矩计算出最优速度参考值,通过SPI接口传回DSP,作为双馈电机速度闭环控制的参考值,与QEP单元实际捕获的速度形成速度闭环控制。
Claims (1)
1.基于模糊性能估计器的风能转换系统反馈控制,其特征是:
第一步:基于模糊性能估计器的风能转换系统的T-S模糊模型
考虑到上述风能转换系统的建模过程,并假设风速采用Van der Hoven风速模型,则风能转换系统的状态方程可以表示为
由状态方程中的风力转矩Γwt(Ωh/io,v)和[0 1/TG]T可知该模型具有非线性的特点。
令x(t)=[Ωh(t)ΓG(t)]T,y=Ωh(t)则式(1)可简记为
其中,输入矩阵为B(x(t))=[0 1/TG]T,系统矩阵为
根据式(1),定义前提变量:z1(t)=Ωh(t),z2(t)=ΓG(t),则式(2)中的系统矩阵A(x(t))可写成新形式A(z1(t),z2(t))。取Ωh1≤min(Ωh(t)),Ωhm≥max(Ωh(t));ΓG1≤min(ΓG(t)),ΓGn≥max(ΓG(t))。其中,Ωh1和Ωhm分别是转速的最小值和最大值,ΓG1和ΓGn为发电机电磁转矩的最小值和最大值。分别在区间[Ωh1,Ωhm],[ΓG1,ΓGn]上再取m-2个点和n-2个点,则形成两个序列
Z1=(Ωh1,Ωh2,...,Ωhp,...Ωhm),Z2=(ΓG1,ΓG2,...,ΓGq,...ΓGn),其中,p=1,2,...,m,q=1,2,...,n。
将序列Z1,Z2中的元素彼此匹配,并代替式(2)中A(z1(t),z2(t))中的z1(t),z2(t),即可得到一系列常数矩阵Apq,p=1,2,...,m,q=1,2,...,n。定义模糊规则如下
其中,Ri为第i条模糊规则,规则数L=m×n,i=1,2,...,L,i=m×(p-1)+q,i为p,q的函数,故定义i=i(p,q)。所以Ai=Ai(p,q)=Apq。
给定输入对(z(t),u(t)),采用单点模糊化、乘积推理和平均加权反模糊化,可得模糊系统的整个状态方程如下
根据(3),(4)可将(2)表达为
其中,ω=ωo+ΔA为外部干扰和建模误差, 为系统的建模误差。第二步风能转换系统模糊性能估计器的设计
根据系统的模糊模型(3),并令系统的输出为y=Cx(t),采用L模糊规则构建模糊性能估计器,
定义模糊性能估计器的模糊规则如下
模糊性能的估计器的整体模型为
定义状态跟踪误差
将(6)和(7)式分别带入(8)式两边同时微分可得
下面讨论如何设计Mi及v,使系统的状态跟踪误差满足H∞性能指标函数
对于任意的线性模型,通过配置Aij=Ai-MiCj的特征值到期望值,确定Mi;根据定理1计算v。
定理1对于FPE的误差方程(9),对于给定的γ>0,如果存在矩阵Y及正定矩阵P=PT=Q-1,使得如下矩阵不等式成立
那么对于i,j=1,2,...,L,式(10)能够满足,并且Kv=YQ-1。
第三步:风能转换系统模糊控制器的设计
考虑以下参考模型
由(7),(12),(13)联立可得
控制律u(t)可描述为
u(t)=uf-v+ur (15)
其中,uf表示模糊控制输入量,v用于消除外部扰动和建模误差,ur为跟踪误差补偿量。v可以通过定理1求得,下面讨论uf和ur的设计方法:
针对系统(13),控制器输入的第i条规则为
THEN uif=-Kicε i=1,2,3...L
整体的模糊状态反馈控制律可表示为
其中,增益Kic未知。
将式(17)带入(14)可得
故ur的最小二乘解为:
定义误差
因此,(18)可以写成
那么对于i,j=1,2,...,L,以下H∞性能指标函数能够满足,并且Kic=YQδ -1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101649551A CN102705158A (zh) | 2012-05-25 | 2012-05-25 | 基于模糊性能估计器的风能转换系统反馈控制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101649551A CN102705158A (zh) | 2012-05-25 | 2012-05-25 | 基于模糊性能估计器的风能转换系统反馈控制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102705158A true CN102705158A (zh) | 2012-10-03 |
Family
ID=46898164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101649551A Pending CN102705158A (zh) | 2012-05-25 | 2012-05-25 | 基于模糊性能估计器的风能转换系统反馈控制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102705158A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103580560A (zh) * | 2013-11-18 | 2014-02-12 | 浙江理工大学 | 永磁式同步电机t-s模糊速度调节器的设计方法 |
WO2014089955A1 (zh) * | 2012-12-12 | 2014-06-19 | 天津市电力公司 | 一种基于极值搜索的风电机组最大出力追踪控制方法 |
CN105179164A (zh) * | 2015-06-25 | 2015-12-23 | 江苏科技大学 | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 |
CN106014877A (zh) * | 2016-05-27 | 2016-10-12 | 江南大学 | 风力发电系统多故障诊断与容错控制 |
CN107248742A (zh) * | 2017-07-19 | 2017-10-13 | 云南电网有限责任公司电力科学研究院 | 一种无源鲁棒控制方法 |
CN107728480A (zh) * | 2017-10-11 | 2018-02-23 | 四川大学 | 非线性系统控制方法及装置 |
CN110985287A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于宽度学习的间接转速控制方法 |
CN111239598A (zh) * | 2020-01-16 | 2020-06-05 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN112486019A (zh) * | 2020-11-17 | 2021-03-12 | 九江学院 | 不确定风力发电机系统的最大功率跟踪模糊控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4347030B2 (ja) * | 2003-12-02 | 2009-10-21 | 株式会社四国総合研究所 | 風力発電出力予測方法 |
CN101586526A (zh) * | 2009-04-23 | 2009-11-25 | 沈阳瑞祥风能设备有限公司 | 风力发电机组模糊偏航控制系统及控制方法 |
CN101923316A (zh) * | 2009-06-09 | 2010-12-22 | 上海电气集团股份有限公司 | 一种混合h2/h∞鲁棒模糊跟踪控制算法 |
-
2012
- 2012-05-25 CN CN2012101649551A patent/CN102705158A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4347030B2 (ja) * | 2003-12-02 | 2009-10-21 | 株式会社四国総合研究所 | 風力発電出力予測方法 |
CN101586526A (zh) * | 2009-04-23 | 2009-11-25 | 沈阳瑞祥风能设备有限公司 | 风力发电机组模糊偏航控制系统及控制方法 |
CN101923316A (zh) * | 2009-06-09 | 2010-12-22 | 上海电气集团股份有限公司 | 一种混合h2/h∞鲁棒模糊跟踪控制算法 |
Non-Patent Citations (4)
Title |
---|
姚兴佳等: "大型风力发电机组控制器优化设计", 《控制理论与应用》 * |
孟涛等: "基于风能转换系统的T-S模糊建模与控制", 《微特电机》 * |
纪志成等: "基于分段模糊Lyapunov函数的模糊系统稳定性分析和保性能设计", 《自动化学报》 * |
黎明等: "基于T-S模糊性能评估器的非线性系统跟踪控制器设计", 《自动化学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014089955A1 (zh) * | 2012-12-12 | 2014-06-19 | 天津市电力公司 | 一种基于极值搜索的风电机组最大出力追踪控制方法 |
US9657718B2 (en) | 2012-12-12 | 2017-05-23 | State Grid Tianjin Electric Power Company | Extremum seeking-based control method for maximum output tracking of a wind turbine generator |
CN103580560A (zh) * | 2013-11-18 | 2014-02-12 | 浙江理工大学 | 永磁式同步电机t-s模糊速度调节器的设计方法 |
CN103580560B (zh) * | 2013-11-18 | 2015-09-23 | 浙江理工大学 | 永磁式同步电机t-s模糊速度调节器的设计方法 |
CN105179164A (zh) * | 2015-06-25 | 2015-12-23 | 江苏科技大学 | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 |
CN105179164B (zh) * | 2015-06-25 | 2018-11-09 | 江苏科技大学 | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 |
CN106014877A (zh) * | 2016-05-27 | 2016-10-12 | 江南大学 | 风力发电系统多故障诊断与容错控制 |
CN106014877B (zh) * | 2016-05-27 | 2019-03-15 | 江南大学 | 风力发电系统多故障诊断与容错控制 |
CN107248742B (zh) * | 2017-07-19 | 2018-06-26 | 云南电网有限责任公司电力科学研究院 | 一种无源鲁棒控制方法 |
CN107248742A (zh) * | 2017-07-19 | 2017-10-13 | 云南电网有限责任公司电力科学研究院 | 一种无源鲁棒控制方法 |
CN107728480A (zh) * | 2017-10-11 | 2018-02-23 | 四川大学 | 非线性系统控制方法及装置 |
CN110985287A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于宽度学习的间接转速控制方法 |
CN111239598A (zh) * | 2020-01-16 | 2020-06-05 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN111239598B (zh) * | 2020-01-16 | 2022-07-29 | 温州大学乐清工业研究院 | 一种对断路器保护特性进行在线测试的装置 |
CN112486019A (zh) * | 2020-11-17 | 2021-03-12 | 九江学院 | 不确定风力发电机系统的最大功率跟踪模糊控制方法 |
CN112486019B (zh) * | 2020-11-17 | 2022-06-07 | 九江学院 | 不确定风力发电机系统的最大功率跟踪模糊控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102705158A (zh) | 基于模糊性能估计器的风能转换系统反馈控制 | |
CN102678452B (zh) | 基于lpv变增益的风力机被动容错控制方法 | |
CN103410662A (zh) | 风电系统最大风能捕获神经网络补偿控制方法 | |
Wang et al. | A hybrid, self-adapting drag-lift conversion wind energy harvesting system for railway turnout monitoring on the Tibetan Plateau | |
Hossain et al. | Integration of wind into running vehicles to meet its total energy demand | |
Ciccarelli et al. | Sliding mode control based robust observer of aerodynamic torque for variable-speed wind turbines | |
Zamani et al. | Introducing a new method for optimal sizing of a hybrid (wind/PV/battery) system considering instantaneous wind speed variations | |
Yao et al. | RBF neural network based self-tuning PID pitch control strategy for wind power generation system | |
Yusong et al. | The control strategy and simulation of the yaw system for MW rated wind turbine | |
Deskos et al. | Development and validation of the higher-order finite-difference wind farm simulator, WInc3D | |
El Aimani | Modeling and control structures for variable speed wind turbine | |
Gupta et al. | Constant torque control schemes for PMSG based wind energy conversion system | |
Oyekola et al. | Renewable energy: Dynamic modelling of a wind turbine | |
Rahman et al. | An efficient wind speed sensor-less MPPT controller using adaptive neuro-fuzzy inference system | |
Mohapatra et al. | Fractional-order sliding mode control based MPPT of a DFIG connected to a Variable Speed Wind Turbine | |
Alberdi et al. | Control of oscillating water column-based wave power generation plants for grid connection | |
Ohtsubo et al. | LPV technique for rotational speed control of wind turbines using measured wind speed | |
Barambones | Power output maximization for wave power generation plants using an adaptive sliding mode control | |
Djilali et al. | Discrete-time neural input output feedback linearization control for a dfig based wind turbine | |
TW202014936A (zh) | 發電整合系統 | |
Costea et al. | Wind Turbine Modeling in MATLAB SIMULINK | |
Samaria et al. | Modelling and simulation of wind turbine using pmsg | |
Palariya et al. | Modelling, control and simulation of MPPT for wind energy conversion using Matlab/Simulink | |
Tsuji et al. | Study on the gear ratio for a tidal current power generation system using the MPPT control method | |
Fu et al. | Study on linear dynamic model and analysis of operating characteristics of high-power vscf wind energy conversion system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121003 |