CN112531782A - 一种风电变流器母线电压波动抑制方法 - Google Patents

一种风电变流器母线电压波动抑制方法 Download PDF

Info

Publication number
CN112531782A
CN112531782A CN202011420173.0A CN202011420173A CN112531782A CN 112531782 A CN112531782 A CN 112531782A CN 202011420173 A CN202011420173 A CN 202011420173A CN 112531782 A CN112531782 A CN 112531782A
Authority
CN
China
Prior art keywords
neural network
voltage
bus
wind power
obtaining
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.)
Granted
Application number
CN202011420173.0A
Other languages
English (en)
Other versions
CN112531782B (zh
Inventor
陈再发
劳山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang International Maritime College
Original Assignee
Zhejiang International Maritime College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang International Maritime College filed Critical Zhejiang International Maritime College
Priority to CN202011420173.0A priority Critical patent/CN112531782B/zh
Publication of CN112531782A publication Critical patent/CN112531782A/zh
Application granted granted Critical
Publication of CN112531782B publication Critical patent/CN112531782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/483—Converters with outputs that each can have more than two voltages levels
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明涉及一种风电变流器母线电压波动抑制方法，在载波层叠的正弦脉冲宽度调制策略的基础上注入零序分量，再通过遗传算法对神经网络权值与阈值进行优化，对母线电容电压低频波动进行跟踪补偿控制，提高控制系统预判断能力，利用这种注入零序电压与注入补偿的低频波动分量相结合的方案，解决了母线电压波动的问题。

Description

一种风电变流器母线电压波动抑制方法
技术领域
本发明涉及一种母线电压波动抑制方法，具体涉及一种风电变流器母线电压波动抑制方法。
背景技术
随着风力发电行业的不断发展，风电这种可再生能源在全球发电系统中将占据重要组成部分。由于风力资源丰富，海上风电不占用陆地面积且靠近沿海用电量大的城市，能够得到大量应用。近几年来，我国无论是在风力发电装机还是技术上面都取得了很大的进步。风电场并网规模越来越大，风电变流器作为能量传输与转换的关键环节，应用于海上风电中仍然有许多问题。
与传统风力发电系统中的两电平变流器相比，三电平变流器可以满足提高电压等级扩展系统容量的效果。由于电平数量的增加，变流器的性能得到改善，如谐波含量减少，输出波形的畸变会变小，机侧的电压变化率降低也有利于机侧电机系统的绝缘保护设计，电磁兼容性能也会提高。从数量上来说功率开关器件数量增加，可以通过调制策略来均衡功率管的损耗实现提高电压等级大容量传输，系统总体设计仍优于同功率等级的两电平变流器。三电平变流器在风力发电中具有极大的优势，在风力发电系统中的应用前景广阔。但直流侧母线波动大会使变流器输出电压、电流波形发生畸变，系统长期处于不平衡状态下也会减少母线电容寿命。
目前，主要从改善硬件电路和控制算法两方面来抑制母线电容上的电压波动。硬件电路方法主要是采用外加装置对中点波动进行补偿。Qian P，Li L.与2017年在Electronics Letters上发表的论文Neutral-point voltage balancing in wind powerNPC three-level converter[J].公开采用了一种升压型DC/DC转换器构成的可控电流源与一个DC电容器并联连接，该DC电容器用于补偿流入或流出中性点的电流。外加硬件电路的方法会造成系统成本增加，控制复杂，变流器体积增大。控制算法上面，主要有基于零序分量注入的载波PWM方法和基于矢量调整的SVPWM方法。黄海宏，陈志强，王海欣于2020年发表在电子测量与仪器学报上的论文，零序电压注入法控制三电平NPC中点电位平衡提出带校正控制的改进零序电压注入法，由估计-校验-修正三部分组成，加入反馈控制环节可以有效的消除干扰而带来的母线电压的偏移。但对初始电压如何选取以及对注入零序分量的影响未作详细分析，且校验过程复杂影响系统动态性能。张建忠，胡路才，徐帅.于2020年在电工技术学报上发表的论文一种零序电压注入的T型三电平逆变器中点电位平衡控制方法，对中点电位进行详细分析，并总结出三相电压与零序电压之间的关系，在传统零序电压注入基础上引入前馈加反馈环节，反馈补偿环节通过PI控制器进行调节，实现了中点电位平衡和低频电压脉动的抑制。但未能给出调节器设计参数以及工作状态饱和时的情况，动稳态性能不能兼顾。Wang J，Gui Z，Wang P于2020年在IEEE Access上发表的论文et al.ACarrier-Based Modulation With Planned Zero Sequence Voltage Injection toControl Neutral Point Voltage for Three-Level Inverter[J]，公开了在基于载波的调制策略中有计划的注入零序电压去控制中性点电压，有计划的注入零序电压法是根据上下电容器之间的电压差和零序电压可注入范围来计算的，而不会进行过调制，并构建与平衡动态方程直接相关的成本函数去解决中点平衡问题。但在某种程度上牺牲了对中点电压的控制能力。姜卫东，王群京，史晓锋，等在2009年在中国电机工程学报发表的论文.中点箝位型三电平逆变器在空间矢量调制时中点电位的低频振荡，则公开了在空间矢量调制的基础上指出了高频和三倍频输出的低频一起构成中点电位振荡模式，在特定的场合下，低频振荡较难消除。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种风电变流器母线电压波动抑制方法，其基于GA-BP神经网络优化的控制算法，通过遗传算法来优化BP神经网络的权值和阈值注入变化量，再选择合适的零序电压注入后就可以很好的抑制母线电压低频波动。
为实现上述目的，本发明提供了如下技术方案：
一种风电变流器母线电压波动抑制方法，其包括两路叠加补偿的调制信号，其中一路为调制波落入交叠区域的零序电压，另一路为GA-BP神经网络控制器生成的调制信号，其中GA-BP神经网络控制器生成的调制信号的控制方法如下：
一、确定当前GA-BP神经网络控制器的神经网络结构；
二、实时采集当前GA-BP神经网络控制器的输出电压偏差Δuc和参考信号
Figure BDA0002821924140000041
计算当前时刻的误差r；
三、将获取的电压偏差Δuc、参考信号
Figure BDA0002821924140000042
以及误差r输入步骤一中确定的神经网络结构，并获取输出k1及k2；
四、根据Δi(k)＝k1(Δua(k)-Δua(k-1))+k2Δua(k)获取神经网络控制器的输出Δi(k)，Δua(k)为k点的电压实际偏差；
五、通过遗传算法对神经网络结构的权值及阈值进行优化；
六、重复步骤二至步骤五，使得Δi(k)映射在0到1之间。
所述步骤一中的神经网络结构建立如下：
获取隐藏层的输入模型
Figure BDA0002821924140000043
获取隐藏层的输出模型Qj＝f(Hj)，j＝1，…，5；
获取输出层的输入模型
Figure BDA0002821924140000044
最终获取输出层的输出模型Ol＝g(Nl)，l＝1，2，
其中wij，i＝1，2，3，j＝1，…，5为输入层到隐藏层的权值，βjl，j＝1，…，5，l＝1，2为隐藏层到输出层的权值，
Figure BDA0002821924140000045
x2＝Δuc(k)，
Figure BDA0002821924140000046
为误差，j是GA-BP神经网络隐藏层变量，l是GA-BP神经网络输出层变量，O1＝k1，O2＝k2为两种参数的输出，
Figure BDA0002821924140000047
为S型函数，
Figure BDA0002821924140000048
为非负的S型函数，x是S型函数的变量。
步骤五中，
一，将二维的权值矩阵映射成一维，再将多个权值和阈值拼接形成染色体；
二，随机生成N个个体作为初始种群，个体的权值及阈值的初始化采用均匀分布的方法，选择基因值的上界和下界，并在这个范围内生成均匀分布的随机数；
三，采用轮盘赌选择法对群体的染色体进行选择，产生规模同样为N的种群，并在选择的过程中筛除重复个体；
四，利用交叉法以及变异使得种群在迭代过程中产生好解，即最优的权值和阈值。
对两条染色体采用交叉法获取
Figure BDA0002821924140000051
其中t为0～1区间的随机数，k＝1，2，3...L，L为染色体长度。
变异算子按照固定的概率对某个体的第k个基因进行变异，其变异操作为：
Figure BDA0002821924140000052
其中amax和amin分别为基因值的上下边界，G为当前迭代次数，Gmax为最大迭代次数。
其中在交叉与变异过程中采用精英策略，即在种群之外单独保留全局最优个体，得到最优的权值和阈值后停止迭代。
本发明的有益效果：通过建立GA-BP神经网络的控制器模型，精准的预测母线电压变化波动量，这种能适应当前变化并且具有较强的容错性的策略，很好的解决风电变流器母线低频波动问题。
采用该方法之后，母线电压波动较小，输出电流输出波形变得平滑，可以减小母线电压波动的影响。
附图说明
图1为本发明的神经网络模型图。
图2为本发明的GA-BP神经网络的流程示意图。
图3为本发明的控制框图。
图4为本发明的GA-BP神经网络控制器的逻辑框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
零序注入的基本原理
在三电平风电变流器中，采用载波PWM方法，母线电压发生波动，会出现中点平均电流i0不为零的情况。要让电压波动控制在一定范围内就需要保证在调制波的周期T0内，流出中点的平均电流i0＝0。通常对正弦调制波进行调节，控制载波周期内的零占空比。在三相系统中，有ia+ib+ic＝0，可以采取注入零序电压u0的方法，让中点平均电流i0＝0，这样可以让母线电压保持平衡。
母线低频波动分析得出i0，注入零序电压后的中点平均电流i0′。
Figure BDA0002821924140000071
根据调制波正负情况可以定义函数表达式：
Figure BDA0002821924140000072
可以得到叠加零序分量后的电流具体表达式：
Figure BDA0002821924140000073
进一步可以得出，中点电流的不平衡会对母线两侧电容充放电，母线电压不平衡。要抑制电压波动关键在于控制好中点电流i0。根据式3可知，中点电流i0＝0时注入零序电压u0化简为：
Figure BDA0002821924140000074
根据式4，一个单位周期的具体注入电压整理如下表1。
表1三相调制电压与注入零序电压之间的关系
Figure BDA0002821924140000075
Figure BDA0002821924140000081
当调制信号在区域I(ua＞0，ub＜0，uc＜0)时，ia的平均电流为：
Figure BDA0002821924140000082
联立前几式化简可得到注入零序电压后的中点平均电流，其他区域分析类似，中点平均电流为：
Figure BDA0002821924140000083
当向调制波注入零序电压u0后，理论分析可以让中点电位平均电流为零。然而在实际的三电平风电变流器的运行过程中风况复杂，机侧对变流器母线波动影响更大，母线电容C1和C2在充放电过程中有一定延迟，会引入电容电压的波动量，并使得周期内的中点电流的平均增量为Δi0，有：
Figure BDA0002821924140000084
T0为一个基波周期，Q为电荷量。电容充放电过程让Δi0影响到电压平衡，所以还要对零序电压注入的方法改进，通过合理的预测波动变化，叠加补偿的方式对中点电位控制。
遗传算法通过对自然界生物的演化过程进行模拟，是一种基于进化论优胜劣汰与物种遗传方法，着重解决参数优化问题。遗传算法的流程如下所示，主要由以下由编码形式，适应度函数，遗传算子，等部分组成。
而神经网络能自适应当前环境并且具有较强的容错性。仅通过自身的学习能力，感知器可以通过输入值的变化情况进行数据的加强学习处理，当环境发生变化时，通过建立一种判断机制让感知器去调整学习方式，最终得到最佳输出值的结果。对于如图1所示，只含一个隐层的神经网络模型。
GA-BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。首先，BP神经网络算法初始化过程中，不容易找到网络的最佳参数，也容易陷入局部最小值。而BP神经网络结构部分是根据函数参数确定的，然后再通过相关算法对参数进行优化。通过遗传算法对BP神经网络进行了优化，选择因子得到了改进，从而确定了权重和阈值。最后BP神经网络预测函数波动值变化情况输出。GA-BP神经网络的流程示意图如图2所示。
因此本发明提供了一种风电变流器母线电压波动抑制方法，通过对输入的调制信号进行补偿叠加，来改善母线低频波动大小，在原有的控制系统上，改为让调制波落入交叠区域的零序电压注入，以及GA-BP神经网络对电压波动预测注入的方式，提高控制系统预判断能力，具体控制框图如图3所示。为了更好的对母线中点平衡控制器调节，加入GA-BP神经网络对波动情况进行预测，如下图4所示即为GA-BP神经网络控制器的逻辑框图。
本发明包括两路叠加补偿的调制信号，其中一路为调制波落入交叠区域的零序电压，另一路为GA-BP神经网络控制器生成的调制信号，其中GA-BP神经网络控制器生成的调制信号的控制方法如下：
一、确定当前GA-BP神经网络控制器的神经网络结构；
所述步骤一中的神经网络结构建立如下：
令
Figure BDA0002821924140000101
x2＝Δuc(k)分别为电压偏差参考值和电压实际偏差，
Figure BDA0002821924140000102
为误差，wij，i＝1，2，3，j＝1，…，5为输入层到隐藏层的权值，βjl，j＝l，…，5，l＝1，2为隐藏层到输出层的权值，j是GA-BP神经网络隐藏层变量，l是GA-BP神经网络输出层变量，将隐藏层的输入表示为：
Figure BDA0002821924140000103
为了将变量映射在0到1之间，对神经元的激励函数采用常见的S型函数：
Figure BDA0002821924140000104
获取隐藏层的输出表达为：
Qj＝f(Hj)，j＝1，…，5 (10)；
同理，可获取输出层的输入表达式
Figure BDA0002821924140000105
激励函数取非负的S型函数：
Figure BDA0002821924140000111
最终获取输出层的输出表达为
O1＝g(Nl)，l＝1，2 (13)，
O1＝k1，O2＝k2为两种参数的输出，x是S型函数的变量。
二、实时采集当前GA-BP神经网络控制器的输出电压偏差Δuc和参考信号
Figure BDA0002821924140000112
计算当前时刻的误差r；
三、将获取的电压偏差Δuc、参考信号
Figure BDA0002821924140000113
以及误差r输入步骤一中确定的神经网络结构，并获取输出k1及k2；
四、根据Δi(k)＝k1(Δua(k)-Δua(k-1))+k2Δua(k)获取神经网络控制器的输出Δi(k)，Δua(k)为k点的电压实际偏差；
将GA-BP神经网络的输出作为控制器的最优参数，即
K1＝O1 (14)
K2＝O2 (15)
则可以利用遗传算法对神经网络权值和阈值进行优化后，实现控制器参数的在线调整，提高了预测效果。实时跟踪母线电压变化情况，从而能够快速的注入偏差量抑制母线低频波动。其中控制的输出表达式为：
Δi(k)＝k1(Δua(k)-Δua(k-1))+k2Δua(k) (16)
五、通过遗传算法对神经网络结构的权值及阈值进行优化；
步骤五中，
1)将二维的权值矩阵映射成一维，再将多个权值和阈值拼接形成染色体，其中适应度函数为：
Figure BDA0002821924140000121
2)随机生成N个个体作为初始种群，个体的权值及阈值的初始化采用均匀分布的方法，选择基因值的上界和下界，并在这个范围内生成均匀分布的随机数，优点是可以调节解的范围；
3)采用轮盘赌选择法对群体的染色体进行选择，产生规模同样为N的种群。选出的个体的平均适应度较高，但是会有重复的个体，而重复的个体的交叉是没有意义的，因此在选择的过程中还要筛除重复个体；
4)利用交叉法以及变异使得种群在迭代过程中产生好解，即最优的权值和阈值。
对两条染色体采用交叉法获取
Figure BDA0002821924140000122
其中t为0～1区间的随机数，k＝1，2，3...L，L为染色体长度。
变异算子按照固定的概率对某个体A的第k个基因进行变异，其变异操作为：
Figure BDA0002821924140000123
其中amax和amin分别为基因值的上下边界，G为当前迭代次数，Gmax为最大迭代次数。
六、重复步骤二至步骤五，使得Δi(k)映射在0到1之间。
因为GA-BP神经网络在处理这种非线性复杂系统具有一定优势。通过建立GA-BP神经网络的控制器模型，精准的预测母线电压变化波动量，这种能适应当前变化并且具有较强的容错性的策略，很好的解决风电变流器母线低频波动问题。
实施例不应视为对本发明的限制，但任何基于本发明的精神所作的改进，都应在本发明的保护范围之内。

Claims (6)

1.一种风电变流器母线电压波动抑制方法，其特征在于：其包括两路叠加补偿的调制信号，其中一路为调制波落入交叠区域的零序电压，另一路为GA-BP神经网络控制器根据电压波动预测生成的调制信号，其中GA-BP神经网络控制器生成的调制信号的控制方法如下：
一、确定当前GA-BP神经网络控制器的神经网络结构；
二、实时采集当前GA-BP神经网络控制器的输出电压偏差Δuc和参考信号
Figure FDA0002821924130000011
计算当前时刻的误差r；
三、将获取的电压偏差Δuc、参考信号
Figure FDA0002821924130000012
以及误差r输入步骤一中确定的神经网络结构，并获取输出k1及k2；
四、根据Δi(k)＝k1(Δua(k)-Δua(k-1))+k2Δua(k)获取神经网络控制器的输出Δi(k)，Δua(k)为k点的电压实际偏差；
五、通过遗传算法对神经网络结构的权值及阈值进行优化；
六、重复步骤二至步骤五，使得Δi(k)映射在0到1之间。
2.根据权利要求1所述的一种风电变流器母线电压波动抑制方法，其特征在于：所述步骤一中的神经网络结构建立如下：
获取隐藏层的输入模型
Figure FDA0002821924130000013
获取隐藏层的输出模型Qj＝f(Hj)，j＝1，…，5；
获取输出层的输入模型
Figure FDA0002821924130000014
最终获取输出层的输出模型Ol＝g(Nl)，l＝1，2，
其中wij，i＝1，2，3，j＝1，…，5为输入层到隐藏层的权值，βjl，j＝1，…，5，l＝1，2为隐藏层到输出层的权值，
Figure FDA0002821924130000021
x2＝Δuc(k)，
Figure FDA0002821924130000022
为误差，j是GA-BP神经网络隐藏层变量，l是GA-BP神经网络输出层变量，O1＝k1，O2＝k2为两种参数的输出，
Figure FDA0002821924130000023
为S型函数，
Figure FDA0002821924130000024
为非负的S型函数，x是S型函数的变量。
3.根据权利要求1所述的一种风电变流器母线电压波动抑制方法，其特征在于：步骤五中，
一，将二维的权值矩阵映射成一维，再将多个权值和阈值拼接形成染色体；
二，随机生成N个个体作为初始种群，个体的权值及阈值的初始化采用均匀分布的方法，选择基因值的上界和下界，并在这个范围内生成均匀分布的随机数；
三，采用轮盘赌选择法对群体的染色体进行选择，产生规模同样为N的种群，并在选择的过程中筛除重复个体；
四，利用交叉法以及变异使得种群在迭代过程中产生好解，即最优的权值和阈值。
4.根据权利要求3所述的一种风电变流器母线电压波动抑制方法，其特征在于：对两条染色体采用交叉法获取
Figure FDA0002821924130000025
其中t为0～1区间的随机数，k＝1，2，3…L，L为染色体长度。
5.根据权利要求4所述的一种风电变流器母线电压波动抑制方法，其特征在于：变异算子按照固定的概率对某个体的第k个基因进行变异，其变异操作为：
Figure FDA0002821924130000031
其中amax和amin分别为基因值的上下边界，G为当前迭代次数，Gmax为最大迭代次数。
6.根据权利要求5所述的一种风电变流器母线电压波动抑制方法，其特征在于：其中在交叉与变异过程中采用精英策略，即在种群之外单独保留全局最优个体，得到最优的权值和阈值后停止迭代。
CN202011420173.0A 2020-12-08 2020-12-08 一种风电变流器母线电压波动抑制方法 Active CN112531782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011420173.0A CN112531782B (zh) 2020-12-08 2020-12-08 一种风电变流器母线电压波动抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011420173.0A CN112531782B (zh) 2020-12-08 2020-12-08 一种风电变流器母线电压波动抑制方法

Publications (2)

Publication Number Publication Date
CN112531782A true CN112531782A (zh) 2021-03-19
CN112531782B CN112531782B (zh) 2022-06-17

Family

ID=74998060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011420173.0A Active CN112531782B (zh) 2020-12-08 2020-12-08 一种风电变流器母线电压波动抑制方法

Country Status (1)

Country Link
CN (1) CN112531782B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113394806A (zh) * 2021-05-19 2021-09-14 浙江国际海运职业技术学院 基于神经网络的风电并网线性自抗扰控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039545A1 (en) * 2013-08-05 2015-02-05 City University of London Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks
CN108599136A (zh) * 2018-06-14 2018-09-28 浙江国际海运职业技术学院 一种直流微电网光伏系统的模式切换方法
CN110266196A (zh) * 2019-06-13 2019-09-20 西安交通大学 基于神经网络的无电解电容变频器母线电压波动抑制方法
CN110460250A (zh) * 2019-05-23 2019-11-15 淮阴工学院 一种三相pwm整流器直接功率控制方法
US20200266743A1 (en) * 2019-02-14 2020-08-20 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for neural network control for ipm motor drives

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039545A1 (en) * 2013-08-05 2015-02-05 City University of London Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks
CN108599136A (zh) * 2018-06-14 2018-09-28 浙江国际海运职业技术学院 一种直流微电网光伏系统的模式切换方法
US20200266743A1 (en) * 2019-02-14 2020-08-20 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for neural network control for ipm motor drives
CN110460250A (zh) * 2019-05-23 2019-11-15 淮阴工学院 一种三相pwm整流器直接功率控制方法
CN110266196A (zh) * 2019-06-13 2019-09-20 西安交通大学 基于神经网络的无电解电容变频器母线电压波动抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUNFEI YIN: "Observer-Based_Adaptive_Sliding_Mode_Control_of_NPC_Converters_An_RBF_Neural_Network_Approach", 《IEEE TRANSACTIONS ON POWER ELECTRONICS》 *
于龙: "基于神经网络PI+自适应重复控制的并网逆变器研究", 《可再生能源》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113394806A (zh) * 2021-05-19 2021-09-14 浙江国际海运职业技术学院 基于神经网络的风电并网线性自抗扰控制系统
CN113394806B (zh) * 2021-05-19 2022-05-06 浙江国际海运职业技术学院 基于神经网络的风电并网线性自抗扰控制系统

Also Published As

Publication number Publication date
CN112531782B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN107317500A (zh) 一种中点箝位四电平变换器的母线电容电压平衡控制方法
CN109950922B (zh) 一种适用于vsc-hvdc的多步模型预测控制方法
CN107425703A (zh) 一种最优谐波分布shepwm开关角的计算方法及系统
Lizana et al. DC voltage balance control in a modular multilevel cascaded converter
Yang et al. Switching angles generation for selective harmonic elimination by using artificial neural networks and quasi-newton algorithm
CN112531782B (zh) 一种风电变流器母线电压波动抑制方法
CN114094856A (zh) 一种维也纳整流器中点电位低频振荡抑制调制方法
Hao et al. Solution for selective harmonic elimination in asymmetric multilevel inverter based on stochastic configuration network and levenberg-marquardt algorithm
CN113991715A (zh) 非理想电网下中压直挂不对称混合储能系统控制方法
Djerboub et al. Particle swarm optimization trained artificial neural network to control shunt active power filter based on multilevel flying capacitor inverter
CN110518625B (zh) 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
Li et al. Optimization design of hybrid energy storage capacity configuration for electric ship
Rasheed et al. Analysis of a switching angle calculation by ANN for nine level inverter apply into experimental case study with elimination of lower and higher order harmonics
CN116316911A (zh) 一种电力系统有功-无功协调优化方法及装置
Bana et al. Adaptive vector control of grid-tied vsc using multilayer perceptron-recurrent neural network
Baker et al. Resilient Model based Predictive Control Scheme Inspired by Artificial intelligence methods for grid-interactive inverters
Sujith et al. Implementation of psoann optimized PI control algorithm for shunt active filter
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
Manohara et al. Power Quality Improvement of Solar PV System With Shunt Active Power Filter Using FS-MPC Method
Fei et al. Adaptive Fuzzy-Neural-Network Control of Active Power Filter Using Fuzzy Backstepping Approach
CN113904578A (zh) 单相级联h桥变流器的无权重系数模型预测控制方法
Sharma et al. Neural network-based three-phase NPC rectifier for DC bus capacitor voltage balancing under perturbed mains supply conditions
Eslampanah et al. Artificial Neural Networks for Control of Three Phase Grid Connected T-Type Inverter
CN110854903A (zh) 基于自适应虚拟阻抗的孤岛微电网无功功率分配控制方法
Li et al. A fast SHEPWM solution method for wind power converter based on state equations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210319

Assignee: Zhoushan Shuhai Network Technology Co.,Ltd.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2024980002309

Denomination of invention: A Method for Suppressing Bus Voltage Fluctuations in Wind Power Converters

Granted publication date: 20220617

License type: Common License

Record date: 20240228