CN103184972B - 兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法 - Google Patents

Abstract

本发明涉及兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，包括以下步骤：机组启动后，偏航系统首先工作到指定位置；此后进入自检程序；自检程序通过后将进入自由转动过程；当发电机转速达到切换速度后，变桨系统桨叶角全开发电机速度继续上升；当发电机转速达到并网速度后，转矩控制器控制发电机转速按照一定斜率上升；当发电机转速达到额定转速(额定功率)，变流控制器保持发电机转矩恒定，变桨控制器控制发电机转速稳定在额定转速。桨距、转矩控制器由一个带积分分离算法的BP神经网络PID参数自整定控制器构成，控制器可以根据规则自动调整参数，并根据收敛规则通过在线训练使参数达到最优化，从而提高风机发电量并有效减小风机载荷。

Description

兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法

技术领域

本发明涉及一种兆瓦级异步双馈风力发电机转矩/桨距控制参数自整定控制方法。

背景技术

近年来，我国风电行业发展迅猛。截至2010年底，新增风电装机超过1600万千瓦，累计装机容量突破4000万千瓦，双居世界第一。根据所选发电机形式的不同分类，风机可分为同步双馈机型、直驱机型和半直驱机型。同时，双馈发电机以其自身特有的优势而成为装机的主要机型，但双馈机型风力发电机也存在风速应用范围窄而导致发电效率不高的问题。

目前异步双馈发电机型的转矩控制策略普遍采用通过测量发电机转速之后查询符合最佳叶尖速比的转速-转矩曲线表，以得到转矩控制量的方法。其控制理论基础是风机工作在最佳叶尖速比时可捕获最大的风能，但由于其控制方式是简单的开环控制方式，从而导致转矩环控制不够精确，也使得风机的实际工况通常偏离最佳叶尖速比曲线，以致风机发电效率降低。桨距控制普遍采用PID控制策略，PID控制器虽然在工业现场中得到了大量的应用。但由于风机的非线性特性使得变桨控制器的PID参数整定十分困难，致使风机常常在受到外界扰动时不能及时调整而工作于不稳定状态，这往往是风机振动的主要原因。

智能控制算法是在控制论、信息论、人工智能、仿生学、神经生理学及计算机科学发展的基础上逐渐形成的一类高级信息与控制技术。神经网络控制属于智能控制的一种，它具有自适应和自学习能力，因此适合于复杂的控制领域。本发明引入神经网络智能控制算法与传统PID控制相结合的控制策略，旨在利用神经网络的自学习、自整定能力，在线对PID控制器的参数进行整定。算法应用于转矩和变桨控制器中，提高了控制精度、提升了发电效率，并有效减小风机载荷。

发明内容

针对现有技术的不足，本发明提供一种解决目前在用兆瓦级异步双馈风力发电机型普遍存在的，变桨控制器、转矩控制器参数整定困难以致使风机很难工作于最优状态问题的方法。

本发明的技术方案为：兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于包括以下步骤：

步骤1)风机主控系统检测启动条件满足，风机进入启动状态；偏航系统初始化，并进行自检；

步骤2)自检成功后进入自由转动过程：

变桨系统桨叶打开到70°使发电机以一定速度转动；

当满足切换条件后，变桨系统桨叶角全开；

当发电机转速达到并网速度后，变流器进入运行状态，同时BP神经网络PID转矩控制器开始对发电机升速过程进行控制，控制发电机转速按照规划的斜率曲线上升；

当发电机转速达到额定转速时，变流器保持发电机转矩恒定，BP神经网络PID变桨控制器控制发电机转速稳定在额定转速。

所述BP神经网络PID转矩控制器的输入信号为发电机转速设定值与发电机实际转速相减所得的误差值，输出控制量至变流器；

所述BP神经网络PID转矩控制器的控制参数K_p、K_I、K_D分别为BP神经网络输出层的输出。

所述BP神经网络PID变桨控制器输入信号为发电机转速设定值与发电机实际转速相减所得的误差值，输出控制量至变桨系统；

所述BP神经网络PID变桨控制器的控制参数K_p、K_I、K_D分别为BP神经网络输出层的输出。

所述BP神经网络输出层输出是根据公式

o_k＝g(net_k)  计算得到的；

其中，g(·)为各节点的活化函数，

o_k为输出层第k个节点的实际网络输出；输出层的第k个节点的总输入w_ki为隐含层第i个节点到输出层第k个节点的加权系数，q为隐含层的节点数，i为隐含层的第i个节点；

隐含层第i个节点的输出o_i＝g(net_i)，其中，w_ij为输入层第j个节点到隐含层第i个节点的加权系数，o_j为输入层第j节点的输出，M为输入层的节点数，j为输入层的第j个节点；

所述加权系数w_ki和w_ij通过

w_ij(k+1)＝w_ij(k)+ηδ_io_i

w_ki(k+1)＝w_ki(k)+ηδ_ko_j

计算得出；其中，k+1代表第k+1步，k代表第k步，η为学习速率，δ_k＝(d_k-o_k)o_k(1-o_k)o_j。

所述加权系数w_ki和w_ij的学习计算包括以下步骤：

(1)加权系数初始化：用较小的随机数为BP神经网络的所有加权系数置初值；

(2)准备训练数据：给出N组训练信号矢量组X＝[x₁，x₂，…，x_M]^T和D＝[d₁，d₂，…，d_L]^T；

(3)计算实际输出：计算隐含层和输出层的各神经元的输出；

(4)计算网络输出与期望输出之差的函数E_p；

(5)计算输出层网络加权系数的调整量Δw_ki，并修正加权系数；

(6)计算隐含层网络加权系数的调整量Δw_ij，并修正加权系数；

(7)k＝k+1，返回步骤(2)，直到E_p进入设定的范围为止。

所述步骤(3)中隐含层和输出层的各神经元的输出是根据

o_i＝g(net_i)和o_k＝g(net_k)计算得出的；

所述步骤(4)中网络输出与期望输出之差的函数E_p是根据计算的；其中，o_pk为样本P的神经网络输出层输出；

所述步骤(5)中输出层网络加权系数的调整量ΔW_ki是根据Δw_ki＝ηδ_ko_j计算的；

所述步骤(6)中隐含层网络加权系数的调整量ΔW_ij是根据Δw_ij＝ηδ_io_i计算的；

所述步骤(7)中设定的范围是根据控制器的控制性能需要确定的。

本发明具有以下有益效果及优点：

1.发电机转矩/桨距控制器参数自整定方法可根据事先设定好的规则自动调整参数，并根据收敛规则通过在线训练使参数达到最优化，从而提高风机发电量并有效减小风机载荷。

2.BP神经网络PID控制器，利用了神经网络可以以任意精度逼近任意函数，具有很强的自适应性、鲁棒性和自学习能力，并结合PID控制器简单快速的特点。

附图说明

图1为本发明的风机电气系统配置图；

图2为本发明的风机主控算法主流程图；

图3本发明的BP神经网络结构；

图4为本发明的BP神经网络PID控制器结构框图；

图5为本发明的积分分离算法程序框图；

图6为本发明的区域I BP神经网络PID转矩控制框图；

图7为本发明的区域II BP神经网络PID转矩控制框图；

图8为本发明的BP神经网络PID变桨控制框图；

图9为本发明的变速变桨距风力发电机转矩-转速关系曲线图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明所涉及的转矩/桨距控制器参数自整定算法应用于一种兆瓦级变速变桨距风力发电机主控系统中，它包括主控单元、集成监控系统(SCADA)、变桨系统和变流系统。所述的主控单元分为塔底控制和机舱控制两部分。塔底控制部分设计有主控CPU模块、EtherCAT从站模块、DI/DO模块、PT100模块、AI模块、电网测量模块和CANOpen主站模块，机舱控制部分设计有EtherCAT从站模块、DI/DO模块、高速计数模块、PT100模块、AI模块和CANOpen从站模块。EtherCAT从站模块用于主CPU与从站模块间的通信，DI/DO模块用于采集/控制数字输入/输出量，PT100模块用于采集机组各部分的温度值，AI模块用于采集模拟量类型传感器信号值，电网测量模块用于测量三相电压、电流、频率等电网参数值，CANOpen模块用于和变桨控制器、变流控制器间的通讯。

当主控系统检测到风机各部件没有故障、风速满足启动条件时，风机可以进入启动程序。当发出启动信号后，偏航系统首先工作到指定位置；此后进入自检程序，分别检查变桨系统中的电池、伺服电机以及机械机构的状态；自检程序通过后将进入自由转动过程，此时变桨系统桨叶打开一定角度使发电机能够以一定速度转动；当发电机转速达到切换速度，变桨系统桨叶角全开发电机速度继续升高；当发电机转速达到并网速度后，变流器进入运行状态，同时转矩控制器开始对发电机升速过程进行控制；当发电机转速达到额定转速(额定功率)，变流器保持发电机转矩恒定，变桨控制器控制发电机转速稳定在额定转速。其中，变桨系统包括BP神经网络PID变桨控制器和变桨机构；变流系统包括BP神经网络PID转矩控制器和变流器。

本发明所涉及的转矩/桨距控制器是由1个带积分分离算法的BP神经网络PID控制器构成。为了防止PID控制器在偏差值过大时引起积分过饱和的问题，PID控制器加入了积分分离算法。即根据实际情况，人为设定一阈值，当偏差值大于设定阈值时，采用PD控制，可避免过大的超调，又使系统有较快的响应。当偏差值小于设定阈值时，采用PID控制，可保证系统的控制精度。这样既保持了积分作用，又减小了超调量，控制性能大大提升。

根据风机特性，当风机在最佳叶尖速比λ处运行时，风机将捕获得最大的能量。本发明将发电机的升速过程根据转速不同分为3个区域，分别以I、II、III表示。其中区域I、II为非满载区域，此时的控制策略为变桨控制器不起作用，BP神经网络PID转矩控制器控制发电机速度以某一斜率上升；区域III为满载区域(额定功率)，此时的控制策略为变流器保持发电机转矩恒定，BP神经网络PID变桨控制器调整风机转速稳定以控制发电机功率输出在额定值。

在区域I时(低风速区)，变桨控制器不起作用，桨距角被限定为最小角度，以实现风机对风能的最大捕获，仅以转矩控制器控制发电机转速的上升。BP神经网络PID转矩控制器的设定值为发电机转速设定S₁，反馈值为发电机实际转速，BP神经网络收敛规则为使发电机实际转速与设定值的偏差为某一极小值。在此区域内，BG曲线为扭矩输出的最大限定值，其控制目的是通过拉低变流器转矩输出使风机在低风速区时能够使得转速快速升高。

在区域II时(中风速区)，变桨控制器不起作用，桨距角被限定为最小角度，以实现风机对风能的最大捕获，仅以转矩控制器控制发电机转速的上升。BP神经网络PID转矩控制器的设定值为发电机转速设定S₃，反馈值为发电机实际转速，BP神经网络收敛规则为使发电机实际转速与设定值的偏差为某一极小值。在此区域内，BG曲线为扭矩输出的最小限定值，同时使运行点循着轨迹BGH移动，并导致QR的值最大。当到达H点时，转矩被设定为恒定值，随着转速的继续增加S₄后切换到区域III。这样控制目的是通过拉高变流器转矩输出使风机在中风速区时转速能够缓慢上升。

在区域III时(额定风速区)，发电机达到额定功率，此时变流控制器保持发电机转矩恒定；变桨控制器通过减小桨距角攻角，减小叶片对风能的捕获，使得风功率与电机功率达到稳定状态。

如图1所示为本实施例提供的一种兆瓦级变速变桨距风力发电机主控系统配置图，它包括主控单元19、集成监控系统(SCADA)20、变桨控制器18和变流器8。所述的主控单元19分为塔底控制柜1和机舱控制柜17两部分。塔底控制部分设计有主控CPU模块2、EtherCAT从站模块3、DI/DO模块4、PT100模块5、电网测量模块6和CANOpen主站模块7，机舱控制柜部分设计有EtherCAT从站模块11、DI/DO模块12、高速计数模块(CNT)13、PT100模块14、AI模块15和CANOpen从站模块16。EtherCAT从站模块用于主CPU与从站模块间的通信，由于风机距离中控室通常很远，中间使用光端机9、10将EtherNet信号转换成光纤信号进行远距离传输。DI/DO模块用于采集/控制数字输入/输出量；高速计数模块用于将发电机编码器采集到的脉冲信号转换成实际转速信号，并作为变桨控制器和变流器的反馈值；PT100模块用于采集机组各部分的温度值；AI模块用于采集模拟量类型传感器信号值；电网测量模块用于测量三相电压、电流、频率等电网参数值，CANOpen模块用于与变桨控制器18、变流器8间的通讯。

如图2所示，本发明所述变速变桨距风力发电机主控系统启动过程。当主控系统检测到风机各部件没有故障、风速满足30s平均风速大于3.5m/s启动条件时，风机可以进入启动状态。当发出启动信号后，偏航系统首先工作到机舱与风向角度偏差小于8.5°的指定位置；此后程序进入自检流程，分别检查变桨系统中的电池、伺服电机以及机械机构的状态；自检程序通过后将进入自由转动过程，此时变桨系统桨叶打开到70°使发电机能够以一定速度转动，当发电机转速超过402r/min并持续5s时，发电机转速根据转速曲线柔性的加速到并网速度1296r/min。进入并网阶段，BP神经网络PID转矩控制器作用，控制发电机转速按照某一斜率上升。达到额定转速后，变流控制器保持发电机转矩恒定，BP神经网络PID变桨控制器控制发电机转速稳定，使风功率与电机功率达到稳定状态。

BP神经网络PID转矩控制器利用了神经网络自学习、自适应能力与PID简单、快速的优点。本BP神经网络采用了如图3所示的三输入三输出的三层网络结构，它分为前向计算和误差反向传播两个过程。

1.BP网络的前向计算

(1)输入层至隐含层

在训练该网络的学习阶段，设有N个训练样本，先用其中的某一固定样本中的输入X_p和期望输出{d_pk}对网络进行训练。隐含层的第i个节点的总输入为：

${\mathrm{net}}_{\mathrm{pi}}={\mathrm{net}}_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{i}_j---\left(1\right)$

式中，net_pi为训练样本p下的隐含层第i个节点的总输入，w_ij为输入层第j个节点到隐含层第i个节点的加权系数，o_j为输入层第j节点的输出，M为输入层的节点数。

隐含层第i个神经元的输出为

o_i＝g(net_i)                        (2)

式中，g(·)为各节点的活化函数，这里取对g(x)求导可得g′(x)＝g(x)[1-g(x)]。

(2)隐含层至输出层

隐含层的第i个节点的输出o_i将通过加权系数w_ki向前传播到输出层的第k个节点，输出层的第k个节点的总输入为：

${\mathrm{net}}_k=\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{i}_i---\left(3\right)$

式中，q为隐含层的节点数，o_i为隐含层第i个节点的输出。输出层第k个节点的实际网络输出为：

o_k＝g(net_k)                        (4)

若网络输出与期望输出值d_k不一致，则将其误差信号从输出端反向传播，并在传播过程中对加权系数不断修正，使在输出层节点上得到的输出结果尽可能接近期望输出值d_k。对样本p(p＝1，2，…，N)完成网络加权系数的调整后，再送入另一样本模式对，进行类似学习，直到完成N个样本的训练学习为止。

2.BP网络的误差反向传播和连接权的调整

设每一样本P的输入输出模式对的二次型误差函数为：

$E_p=\frac{1}{2}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{(d_{\mathrm{pk}}-o_{\mathrm{pk}})}^2---\left(5\right)$

式中，d_pk为样本P的期望输出，o_pk为样本P的神经网络输出层输出。

系统的平均误差代价函数为：

$E=\frac{1}{2}\underset{P=1}{\overset{P}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{(d_{\mathrm{pk}}-z_{\mathrm{pk}})}^2=\underset{P=1}{\overset{P}{\mathrm{\Σ}}}{E}_P---\left(6\right)$

式中，P为样本模式函数，L为网络输出节点数。问题是如何调整连接权值使代价函数E最小。网络连接权的调整应按E函数梯度变化的反方向进行，采用梯度下降法，使网络的输出接近期望的输出。

(1)隐含层至输出层加权系数的调整

输出层权系数的修正公式为：

$\mathrm{\Δ}{w}_{\mathrm{ki}}=-\mathrm{\η}\frac{{\∂E}_P}{{\∂w}_{\mathrm{ki}}}---\left(7\right)$

式中，η为学习速率，η＞0。

$\frac{\∂E_P}{{\∂w}_{\mathrm{ki}}}=\frac{\∂E_P}{\∂{\mathrm{net}}_k}\frac{\∂{\mathrm{net}}_k}{\∂w_{\mathrm{ki}}}=\frac{\∂E_P}{\∂o_k}\frac{\∂o_k}{{\∂\mathrm{net}}_k}\frac{{\∂\mathrm{net}}_k}{\∂w_{\mathrm{ki}}}=-(d_k-o_k)o_k(1-o_k)o_j={\mathrm{\δ}}_k{o}_j---\left(8\right)$

若(d_k-o_k)o_k(1-o_k)o_j用δ_k表示，则可得到：

Δw_ki＝ηδ_ko_j                (9)

(2)隐含层节点权系数的调整

由于不能直接计算隐含层的输出，需要借助于网络的最后输出量，由式(7)可知：

$\mathrm{\Δ}{w}_{\mathrm{ij}}=-\mathrm{\η}\frac{{\∂E}_P}{{\∂w}_{\mathrm{ij}}}$

$=-\mathrm{\η}\frac{\∂E_P}{\∂{\mathrm{net}}_i}\frac{\∂{\mathrm{net}}_i}{\∂w_{\mathrm{ij}}}$

$=\mathrm{\η}(-\frac{{\∂E}_P}{{\∂o}_i}\frac{{\∂o}_i}{\∂{\mathrm{net}}_i})o_j$

$=\mathrm{\η}(-\frac{{\∂E}_P}{{\∂o}_i})g^{\′}\left({\mathrm{net}}_i\right)o_j$

$=-\mathrm{\η}{o}_j(1-o_i)o_i\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\left(\frac{{\∂E}_P}{{\∂\mathrm{net}}_k}\frac{{\∂\mathrm{net}}_k}{\∂o_i}\right)o_j$

$=-\mathrm{\η}{o}_j(1-o_i)o_i\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\left(\frac{{\∂E}_P}{{\∂\mathrm{net}}_k}\right)\frac{\∂}{\∂o_i}\left(\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}{o}_i\right)o_j$

$=-\mathrm{\η}{o}_j(1-o_i)o_i\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\left(\frac{{\∂E}_P}{{\∂o}_k}\frac{{\∂o}_k}{\∂{\mathrm{net}}_k}\right)w_{\mathrm{ki}}{o}_j$

$=-\mathrm{\η}{o}_j(1-o_i)o_i\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(d_k-o_k)o_k(1-o_k)w_{\mathrm{ki}}{o}_j$

$=\mathrm{\η}(1-o_i)o_i\left(\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\δ}}_k{w}_{\mathrm{ki}}\right)o_j---\left(10\right)$

式中，net_i表示隐含层第i个节点的总输入，net_k表示输出层第k个节点的总输入，o_j为输入层第j个节点的输出，o_i为隐含层第i个节点的输出。

若则(10)可表示为：

Δw_ij＝ηδ_io_i                (11)

并可得隐含层和输出层的网络连接权值调整式为：

w_ij(k+1)＝w_ij(k)+ηδ_io_i      (12)

w_ki(k+1)＝w_ki(k)+ηδ_ko_j      (13)

式中，k+1代表第k+1步，η为学习速率。

BP神经网络加权系数的学习计算步骤：

(1)加权系数初始化：用较小的随机数为BP神经网络的所有加权系数置初值；

(2)准备训练数据：给出N组训练信号矢量组X＝[x₁，x₂，…，x_M]^T和D＝[d₁，d₂，…，d_L]^T；

(3)计算实际输出，按式(2)、(4)计算隐含层和输出层的各神经元的输出；

(4)按照式(5)计算网络输出与期望输出之差的函数E_p；

(5)按照式(9)计算输出层网络加权系数的调整量Δw_ki，并修正加权系数；

(6)按照式(11)计算隐含层网络加权系数的调整量Δw_ij，并修正加权系数；

(7)k＝k+1，返回步骤(2)，直到E_p进入事先设定的范围为止。

3.BP神经网络带积分分离算法PID控制器工作机制

BP神经网络PID控制器结构如图4所示，采用具有3个输入节点、3个隐含节点、3个输出节点的网络结构，3个输入节点分别接受第k个样本的偏差e_k、偏差增量Δe_k、偏差的和∑e_k，3个输出节点分别对应于PID控制的K_p、K_I、K_D参数。转矩BP神经网络PID控制器的输入为发电机转速误差，输出为变流器的控制量。变桨BP神经网络PID控制器的输入为发电机转速误差，输出为变桨控制器的控制量，即桨叶角的变化量。受风机实际控制策略制约，PID控制器的偏差会出现很大的情况，这种情况的出现会导致PID控制器积分部分的过饱和，从而使整个系统有较大的超调。为了避免这种现象，PID控制器引入了积分分离算法，算法框图如图5所示。即根据实际情况，人为设定一阈值ε，当发电机转速设定值r(k)于实际值c(k)偏差大于阈值时，采用PD控制，可避免过大的超调，又使系统有较快的响应。当偏差值小于设定阈值时，采用PID控制，可保证系统的控制精度。这样既保持了积分作用，又减小了超调量，控制性能大大提升。图5流程图中， $A=K_p(1+\frac{T}{T_I}+\frac{T}{T_D}),$ $B=K_p(1+2\frac{T_D}{T}),$ $C=K_p\frac{T_D}{T},$ $A^{\′}=K_p(1+\frac{T_D}{T}),$ $B^{\′}=K_p\frac{T_D}{T},$ g(k)＝u(k)-Be(k)+Ce(k-1)，f(k)＝B′e(k)。

在机组允许的转速范围内，分区域对风机采取不同的控制策略，变桨控制、转矩控制协同工作：

OS₁段：为自由滑行等风阶段，变桨系统桨叶打开一定角度使发电机能够以一定速度转动；当满足切换条件后，变桨系统桨叶角全开，使风机能够最大程度的获得风能，发电机转速继续上升至并网速度S₁。

S₁S₂段：为并网发电低风速区I段，此阶段的控制策略是变桨控制器不起作用，桨距角被限定在最小角度，以实现风机对风能的最大捕获，仅以转矩控制器控制发电机转速的上升。BP神经网络PID转矩控制器的设定值为发电机转速设定S₁，反馈值为发电机实际转速，BP神经网络收敛规则为使发电机实际转速与设定值的偏差为某一极小值。当转矩控制器所要求的发电机转矩比BG曲线所规定的最佳转矩Tgen_opt高时，发电机转矩以BG曲线限定的转矩输出为最大输出，其控制目的是通过拉低变流器转矩输出使风机在低风速区时能够使得转速快速升高，控制框图如图6所示。

S₂S₃段：为并网发电中风速区II段，此阶段的控制策略是变桨控制器不起作用，桨距角被限定在最小角度，以实现风机对风能的最大捕获，仅以转矩控制器控制发电机转速的上升。BP神经网络PID转矩控制器的设定值为发电机转速设定S₃，反馈值为发电机实际转速，BP神经网络收敛规则为使发电机实际转速与设定值的偏差为某一极小值，当转矩控制器所要求的发电机转矩比BG曲线所规定的最佳转矩Tgen_opt低时，发电机转矩以BG曲线限定的转矩输出为最小输出，这样控制目的是通过拉高变流器转矩输出使风机在中风速区时转速能够缓慢上升，控制框图如图7所示。同时使运行点循着轨迹BGH移动，并使QR的值至最大。当到达H点时，转矩被设定为恒定值，随着转速的继续增加到S₄后切换到区域III。

S₃S₄段：为额定风速段III，此时发电机达到额定转速，变流控制器保持发电机转矩恒定；变桨控制器通过减小桨距角攻角，减小叶片对风能的捕获，使得风功率与电机功率达到稳定状态，控制图如图8所示。

Claims (6)

1.兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于包括以下步骤：

步骤1)风机主控系统检测启动条件满足，风机进入启动状态；偏航系统初始化，并进行自检；

步骤2)自检成功后进入自由转动过程：

变桨系统桨叶打开到70°使发电机以一定速度转动；

当发电机转速达到切换条件后，变桨系统桨叶角全开；

当发电机转速达到并网速度后，变流器进入运行状态，同时BP神经网络PID转矩控制器开始对发电机升速过程进行控制，控制发电机转速按照规划的斜率曲线上升；

当发电机转速达到额定转速时，变流器保持发电机转矩恒定，BP神经网络PID变桨控制器控制发电机转速稳定在额定转速；

所述BP神经网络PID转矩控制器的输入信号为发电机转速设定值与发电机实际转速相减所得的误差值，输出控制量至变流器；

所述BP神经网络PID转矩控制器的控制参数K_p、K_I、K_D分别为BP神经网络输出层的输出；

所述BP神经网络采用三输入三输出的三层网络结构，3个输入节点分别接受第k个样本的偏差e_k、偏差增量Δe_k、偏差的和∑e_k。

2.根据权利要求1所述的兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于：

所述BP神经网络PID变桨控制器输入信号为发电机转速设定值与发电机实际转速相减所得的误差值，输出控制量至变桨系统；

所述BP神经网络PID变桨控制器的控制参数K_p、K_I、K_D分别为BP神经网络输出层的输出。

3.根据权利要求1所述的兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于：

所述BP神经网络输出层输出是根据公式

o_k＝g(net_k)计算得到的；

其中，g(·)为各节点的活化函数，

o_k为输出层第k个节点的实际网络输出；输出层的第k个节点的总输入w_ki为隐含层第i个节点到输出层第k个节点的加权系数，q为隐含层的节点数，i为隐含层的第i个节点；

隐含层第i个节点的输出o_i＝g(net_i)，其中，w_ij为输入层第j个节点到隐含层第i个节点的加权系数，o_j为输入层第j节点的输出，M为输入层的节点数，j为输入层的第j个节点。

4.根据权利要求3所述的兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于：

所述加权系数w_ki和w_ij通过

w_ij(k+1)＝w_ij(k)+ηδ_io_i

w_ki(k+1)＝w_ki(k)+ηδ_ko_j

计算得出；其中，k+1代表第k+1步，k代表第k步，η为学习速率，δ_k＝(d_k-o_k)o_k(1-o_k)o_j，d_k为期望输出值。

5.根据权利要求3所述的兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于：

所述加权系数w_ki和w_ij的学习计算包括以下步骤：

(1)加权系数初始化：用较小的随机数为BP神经网络的所有加权系数置初值；

(2)准备训练数据：给出N组训练信号矢量组X＝[x₁,x₂,…，x_M]^T和D＝[d₁,d₂,…,d_L]^T；

(3)计算实际输出：计算隐含层和输出层的各神经元的输出；

(4)计算网络输出与期望输出之差的函数E_p；

(5)计算输出层网络加权系数的调整量Δw_ki，并修正加权系数；

(6)计算隐含层网络加权系数的调整量Δw_ij，并修正加权系数；

(7)k＝k+1，返回步骤(2)，直到E_p进入设定的范围为止。

6.根据权利要求5所述的兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法，其特征在于：

所述步骤(3)中隐含层和输出层的各神经元的输出是根据

o_i＝g(net_i)和o_k＝g(net_k)计算得出的；

所述步骤(4)中网络输出与期望输出之差的函数E_p是根据计算的，d_pk为样本P的期望输出；其中，o_pk为样本P的神经网络输出层输出；

所述步骤(5)中输出层网络加权系数的调整量Δw_ki是根据Δw_ki＝ηδ_ko_j计算的；

所述步骤(6)中隐含层网络加权系数的调整量Δw_ij是根据Δw_ij＝ηδ_io_i计算的；

所述步骤(7)中设定的范围是根据控制器的控制性能需要确定的。