CN112731805B - 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 - Google Patents
一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 Download PDFInfo
- Publication number
- CN112731805B CN112731805B CN202011386615.4A CN202011386615A CN112731805B CN 112731805 B CN112731805 B CN 112731805B CN 202011386615 A CN202011386615 A CN 202011386615A CN 112731805 B CN112731805 B CN 112731805B
- Authority
- CN
- China
- Prior art keywords
- gwo
- observer
- speed
- wind
- axis
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000001360 synchronised effect Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 14
- 238000010168 coupling process Methods 0.000 claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 claims abstract description 14
- 241000282461 Canis lupus Species 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012938 design process Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 22
- 230000008901 benefit Effects 0.000 description 11
- 238000011217 control strategy Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 240000006829 Ficus sundaica Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明针对风力发电机最大功率跟踪问题,公开了一种基于风速估计的无传感器智能二阶积分滑模控制方法。通过控制永磁同步电机来调节风力发电机的转速,实现风能的最大捕获。首先,设计了一种用于速度环和电流环控制的智能二阶积分滑模控制器,该控制器收敛速度快,鲁棒性强并能有效抑制抖振。其次,提出了一种基于直接滑模观测器和扩展高增益观测器的新型级联耦合观测器来估计转子的转速和位置。此外,采用组合径向基函数神经网络对风速有效值进行估计。最后,通过仿真验证了该方法在考虑模型不确定性和外部干扰情况下的有效性。
Description
技术领域
本发明属于风力发电机鲁棒控制技术领域,特别涉及无传感器风力发电机的风能最大功率跟踪控制。
背景技术
随着能源消耗的增加和环境的恶化,清洁可持续能源的利用越来越受到重视。当今世界正面临着能源短缺、环境污染和温室气体排放的巨大危机。近年来,风能作为一种清洁环保的可再生能源发展迅速。风能具有随机性和不稳定性,是一种不可控的能源。在风力发电过程中,风力发电机是风能转换系统的主体。风力发电机是一个高度非线性的系统,其控制越来越受到重视,最大功率跟踪和降低机械负载是风力发电机的两个重要研究方向。
风力发电机的控制需要精确的风速。目前,风速测量方法主要有风速传感器和无传感器风速测量方法。由于风速传感器自身的机械结构和设计过程限制,很难保证风速的实时准确测量。特别是在低风速地区的风速测量中,大惯性矩的接触式风速传感器往往对低风速不敏感。无传感器风速测量是未来的发展方向。其中包括采用卡尔曼滤波和牛顿算法被用来观测风速的有效值,同时T-S模型也被用于观测风速的有效值。上述方法虽然有效,但计算量大。
永磁同步电动机得到了广泛的应用和研究。永磁同步电动机的高性能控制依赖于准确的转子信息。然而,普通位置传感器制造成本高、体积大、抗干扰能力差,给控制系统带来了稳定性问题。无位置传感器控制技术是解决这些问题的重要途径。一般而言,无传感器控制策略主要包括:高频信号注入法、直接转矩控制法和观测器法。基于观测器的永磁同步电机控制策略的研究与其他方法相比受到了广泛关注。研究人员曾提出具有自适应律和扩展状态观测器的滑模控制和基于互补滑模控制方法的干扰观测器,并通过重构负载扰动来提高跟踪精度。但这些方法中,转子信息仍由物理传感器测量,从而降低了控制系统的可靠性。此外,这些方法没有考虑模型的不确定性和外部干扰,使得滑模控制的鲁棒性优势难以凸显。综上所述,在永磁同步电机的控制策略设计中,广泛应用了扰动观测器、高增益观测器、模型参考自适应、扩展卡尔曼滤波器和滑模观测器。其中,滑模变结构具有鲁棒性强、不依赖于精确数学模型等优点,逐渐成为无位置传感器控制策略的主要研究方向。
传统的滑模观测器是通过估计反电动势来获得转子位置和转速的。在低速区,反电动势值很小,导致基于反电动势的估计值不准确。因此,传统的滑模观测器不适用于低速运行的电机。在此基础上,许多改进的滑模观测器正在研究中。其中包括自适应滑模观测器、模糊滑模观测器等。以上所述控制策略不包括低通滤波器,而是利用反正切函数来获得转子信息。采用反正切法时,噪声和谐波的存在会降低观测精度。
高阶滑模控制是一种既能保持传统滑模控制鲁棒性又能消除抖振的新方法。通过将系统输出控制变量的不连续项隐藏在积分符号后面,可以得到连续的平滑信号,从而在不牺牲鲁棒性的前提下消除抖振。高阶滑模控制是滑模控制理论的一个重要发展,已经广泛应用于机器人控制、飞机制导与控制以及各种电机及动力系统控制等非线性控制领域。高阶滑模控制可分为二阶滑模控制和任意阶滑模控制。二阶滑模控制因其结构简单、所需信息少而得到广泛应用。
发明内容
发明目的:针对上述现有技术,提出一种具有高可靠性和强鲁棒性的风力发电机最大功率跟踪鲁棒控制方法。
技术方案:一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法,包括如下步骤:
步骤1:分别建立永磁同步电机和风力发电机的数学模型以及不确定模型;
步骤2:针对永磁同步电机的电流内环和转速外环分别设计二阶积分滑模控制器,实现对电流和转速的跟踪;
步骤3:通过改进的变速灰狼优化算法对控制器参数进行寻优以提高控制精度;
步骤4:采用级联耦合观测器和扰动观测器分别对转子转速、转子位置和负载转矩进行估计;
步骤5:利用改进的组合径向基函数神经网络对风速有效值进行估计,提高风速估计精度。
有益效果:本发明针对风力发电机最大功率跟踪问题,提出了一种基于风速估计的无传感器智能二阶积分滑模控制方法。相比于现有技术,优势在于:
1)针对速度外环和电流内环设计了智能二阶积分滑模控制器,具有收敛速度快、鲁棒性强、能有效抑制抖振的优点。
2)设计了基于直接滑模观测器和扩展高增益观测器的新型级联耦合观测器来估计转子的转速和位置,并设计了扰动观测器来估计负载转矩。
3)采用组合径向基函数神经网络估计风速的有效值,提高了风速测量精度和控制系统的可靠性。
4)同时考虑负载转矩的变化和永磁同步电机模型参数的变化,所提控制方法通过控制永磁同步电机来调节电机的转速来实现最大功率点跟踪,具有强鲁棒性。
5)为了验证所提控制方法的有效性,在Matlab/Simulink中进行了仿真验证,为相关理论在风力发电机最大功率跟踪控制的应用提供了有力依据。
附图说明
图1为本发明实施例中的风力发电机运行区域图;
图2为本发明实施例中的功率系数曲线Cp(β,λ);
图3为本发明实施例中的风力发电机简化后的两质量模型;
图4为本发明实施例中的风力发电机控制方法原理框图;
图5为本发明实施例中的直接滑模观测器(DSMO)原理框图;
图6为本发明实施例中的扩展高增益观测器(EHGO)原理框图;
图7为本发明实施例中的不同基函数曲线;
图8为本发明实施例中的基于组合径向基函数神经网络(CRBFNN)的风速估计原理图;
图9为本发明实施例的风速估计效果比较图;
图10为本发明实施例的变速灰狼优化算法(VGWO)效果对比图;
图11为本发明实施例的级联耦合观测器(DSMO+EHGO)转速估计效果对比图;
图12为本发明实施例的级联耦合观测器(DSMO+EHGO)位置估计效果对比图;
图13为本发明实施例的转速跟踪以及跟踪误差图;
图14为本发明实施例的转矩估计以及估计误差图;
图15为本发明实施例的d轴和q轴电流图;
图16为本发明实施例的d轴和q轴电压图;
图17为本发明实施例的电流iabc图;
图18为本发明实施例的风力发电机输出功率跟踪以及跟踪误差图;
图19为本发明实施例的风力发电机功率系数Cp;
图20为本发明实施例的不考虑模型不确定性(ΔRs=0,ΔLs=0,Δψs=0)电流iabc控制效果对比图;
图21为本发明实施例的不考虑模型不确定性(ΔRs=0,ΔLs=0,Δψs=0)转速ω控制效果对比图;
图22为本发明实施例的不考虑模型不确定性(ΔRs=0,ΔLs=0,Δψs=0)输出功率Pa控制效果对比图;
图23为本发明实施例的不考虑模型不确定性(ΔRs=0,ΔLs=0,Δψs=0)功率系数Cp控制效果对比图;
图24为本发明实施例的考虑模型不确定性(ΔRs=-0.1Rs,ΔLs=-0.1Ls,Δψs=-0.1ψs) 电流iabc控制效果对比图;
图25为本发明实施例的考虑模型不确定性(ΔRs=-0.1Rs,ΔLs=-0.1Ls,Δψs=-0.1ψs) 转速ω控制效果对比图;
图26为本发明实施例的考虑模型不确定性(ΔRs=-0.1Rs,ΔLs=-0.1Ls,Δψs=-0.1ψs) 输出功率Pa控制效果对比图;
图27为本发明实施例的考虑模型不确定性(ΔRs=-0.1Rs,ΔLs=-0.1Ls,Δψs=-0.1ψs) 功率系数Cp控制效果对比图;
图28为本发明实施例的考虑模型不确定性(ΔRs=0.1Rs,ΔLs=0.1Ls,Δψs=0.1ψs)电流iabc控制效果对比图;
图29为本发明实施例的考虑模型不确定性(ΔRs=0.1Rs,ΔLs=0.1Ls,Δψs=0.1ψs)转速ω控制效果对比图;
图30为本发明实施例的考虑模型不确定性(ΔRs=0.1Rs,ΔLs=0.1Ls,Δψs=0.1ψs)输出功率Pa控制效果对比图;
图31为本发明实施例的考虑模型不确定性(ΔRs=0.1Rs,ΔLs=0.1Ls,Δψs=0.1ψs)功率系数Cp控制效果对比图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
风力发电机主要由风轮叶片、传动系和发电机组成。风力发电机的工作状态可以分为四个区域,如图1所示。在区域1和区域4中风力发电机处于停机状态。第二阶段是最大功率跟踪阶段,最大功率跟踪可以通过控制风力发电机的转速实现。第三阶段是恒功率运行阶段,考虑到风力发电机的机械条件,通过调节桨距角实现恒功率运行。本发明主要研究风力发电机在最大功率跟踪阶段运行,即图1中的区域2。
一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法,包括如下步骤:
步骤1:分别建立永磁同步电机和风力发电机的数学模型以及不确定模型,其中永磁同步电机数学模型包括静止坐标系、同步旋转坐标系和运动方程的数学模型,风力发电机数学模型包括气动模型和传动系统模型,具体如下:
永磁同步电机静止坐标系数学模型:
其中,iα和iβ分别是α轴和β轴定子电流;uα和uβ分别是α轴和β轴定子电压;Ls是定子电感;Rs是定子电阻;ψf是磁链;ωe和θe分别是电转速和位置。
永磁同步电机同步旋转坐标系数学模型:
其中,id和iq分别是d轴和q轴定子电流;ud和uq分别是d轴和q轴定子电压;ωm是机械转速;np是极对数并且满足ωe=npωm。
令电流状态量xi=[id,iq]T和电流输入量ui=[ud,uq]T,则有
永磁同步电机运动方程:
其中,J为转动惯量;Bm为粘性摩擦系数;TL为负载转矩;Te为电磁转矩。
永磁同步电动机一般采用磁场定向控制(FOC,Field-oriented control)方法。在磁场定向控制中,d轴电流维持在零附近以最大化输出转矩。因此,解耦后的电磁转矩Te表达式为:
其中,取转速ω=ωm和转速输入量uω=iq。
风力发电机气动模型:
其中,Cp是功率系数;v是来流风速;ρ是空气密度;R是风轮转子半径;Pa是功率。
其中,ωr是叶片转速;λ是叶尖速比。
其中,β为桨距角;c1、c2、c3、c4、c5、c6分别为风力发电机参数系数;λi为中间变量。
图2展示了桨距角β,叶尖速比λ和功率系数Cp的关系。当式(8)中的参数分别取为c1=0.5176,c2=116,c3=0.4,c4=5,c5=21,c6=0.0068时,可以得到图2。当桨距角维持在β=0°时,可以通过调节叶尖速比λ和风轮转速ωr实现最大功率跟踪。当风力发电机的叶尖速比λ=λopt时,风力发电机的功率系数Cp=Cpmax,其中λopt为最佳叶尖速比。
风力发电机传动系统模型:
图3展示了风力发电机的简化模型,包括基于惯性模型建模的转子和发电机。研究表明两质量模型可以满足风力发电机的动态特性分析要求。建立风力发电机传动系统模型如下:
不确定模型:
其中,ΔAi,ΔBi,ΔAω,ΔBω,Δdi,Δdω分别为系数矩阵Ai,Bi,Aω,Bω,di,dω的不确定性。
现取gi(t)=[gid(t),giq(t)]T=ΔAixi+ΔBiui+di+Δdi和gω(t)=ΔAωω+ΔBωuω+dω+Δdω代表式 (10a)和(10b)的总扰动。因此式(10a)和(10b)可被重新写为:
整合式(11a)和(11b)如下:
其中,x=[xi,ω]T,A=diag{Ai,Aω},B=diag{Bi,Bω},u=[ui,uω]T,g(t)=[gi(t),gω(t)]T。
步骤2:针对永磁同步电机的电流内环和转速外环分别设计二阶积分滑模控制器,实现对电流和转速的跟踪,具体如下:
本发明的控制原理如图4所示。电流内环和转速外环均采用智能二阶积分滑模控制器,同时设计了基于直接滑模观测器和扩展高增益观测器的级联耦合观测器来估计转子的转速和位置,并设计了扰动观测器来估计负载转矩。此外,采用变速灰狼优化算法调整控制器的参数。将风力发电机作为永磁同步电动机的负载,用组合径向基函数神经网络对风速有效值进行估计。通过控制永磁同步电机来调节风力发电机的转速,实现最大功率跟踪。
定义d轴和q轴定子电流跟踪误差以及转速跟踪误差分别为:
eω=ω*-ω (12c)
e=x*-x (13)
基于式(12)和(13),取σ=[σd,σq,σω]T∈R3×1作为一阶滑模面向量,同时取 s=[sd,sq,sω]T∈R3×1作为二阶滑模面向量;其中,σd、σq、σω分别为关于d轴电流、q轴电流和转速的一阶滑模面;sd、sq、sω分别为关于d轴电流、q轴电流和转速的二阶滑模面。
基于跟踪误差设计滑模控制器。一阶滑模面为:
二阶滑模面为:
其中,可调参数矩阵α=diag{αid,αiq,αω},γ=diag{γid,γiq,γω}和β=diag{βid,βiq,βω}是正定对称矩阵;αid、γid、βid分别为关于d轴电流滑模面的可调参数;βiq、αiq、γiq分别为关于q轴电流滑模面的可调参数;γω、βω、αω分别为关于转速滑模面的可调参数;系数矩阵合适的取值能够保证跟踪误差趋近于零。
对式(14a)分别取一阶导数和二阶导数可得:
对式(14b)分别取一阶导数和二阶导数可得:
控制律u设计为:
忽略模型不确定性和扰动,等效控制律ueq的导数设计为:
切换控制律usw的导数设计为:
其中,可调参数矩阵k1=diag{ki1d,ki1q,kω1}和k2=diag{ki2d,ki2q,kω2};ki1d、ki2d分别为关于d轴电流控制律的可调参数;ki1q、ki2q分别为关于q轴电流控制律的可调参数;kω1、kω2分别为关于转速控制律的可调参数。
稳定性分析:
定理1:在滑模控制器(18)的作用下,如果条件(19)成立,则系统(11)渐近稳定。
ki2d≥Dd (19a)
ki2q≥Dq (19b)
kω2≥Dω (19c)
证明:
选择Lyapunov方程如下:
对Lyapunov方程求一阶导可得:
由于对滑模面sd,sq和sω而言,控制器(18)的结构是相同的。因此,电流内环和转速外环的证明过程一致。这里仅展示滑模面sd的稳定性证明。
综上所述,等式(21)成立:
则有:
证毕。
步骤3:通过改进的变速灰狼优化算法(VGWO)对控制器参数进行寻优以提高控制精度,具体如下:
结合不同算法的优点,构造一种新的混合算法是当前算法改进的重要研究方向。本发明提出了一种收敛速度快、求解精度高和全局搜索能力强的变速灰狼优化算法,它结合了灰狼优化算法的局部搜索能力强的优点和粒子群优化算法收敛速度快、全局搜索能力强的优点。将传统粒子群优化算法的速度分量引入到灰狼优化算法中形成变速灰狼优化算法,可以显著提高优化算法寻优性能。
灰狼优化算法是一种新的启发式算法,它模仿了自然界灰狼的优势和狩猎方式。定义四种不同的灰狼αGWO,βGWO,δGWO和ωGWO表示不同的解;根据适应度值,将αGWO的位置视为最优解。因此,βGWO和δGWO的位置分别被认为是第二和第三个最优解,同时认为ωGWO的位置是候选解。灰狼优化算法的算法的具体步骤如下:
灰狼包围猎物,如式(21)所示:
其中,m是迭代次数;AGWO和CGWO是系数向量;Xp是猎物所在的位置;XGWO是灰狼所在的位置;DGWO为灰狼与猎物之间的距离;系数向量AGWO和CGWO的表达式如式(22) 所示:
其中,控制参数a在范围[0,2]内线性变化;r1和r2是在范围[0,1]内变化的随机向量.
灰狼捕食猎物,如式(23)所示:
其中,XGWOα、XGWOβ、XGWOδ分别为αGWO、βGWO、δGWO当前所在位置;CGWOα、CGWOβ、 CGWOδ分别为算法系数;DGWOα、DGWOβ、DGWOδ分别为灰狼αGWO、βGWO、δGWO与猎物之间的距离。
定义灰狼ωGWO相对于灰狼αGWO、βGWO和δGWO的前进方向和步长,如式(24)所示:
其中,XGWO1、XGWO2、XGWO3分别为灰狼ωGWO相对于灰狼αGWO、βGWO、δGWO的前进向量;XGWOα、XGWOβ、XGWOδ分别为灰狼αGWO、βGWO和δGWO当前所在位置;AGWO1、AGWO2、AGWO3分别为算法系数。
灰狼ωGWO的最终位置,如式(25)所示:
融合粒子群算法的速度和位置分量如下所示:
pi(m+1)=pi(m)+vi(m+1) (27)
其中,vi是第i个灰狼的速度;pi是第i个灰狼的当前位置;c1、c2、c3是学习因子且满足c1,c2,c3∈[0,1];ζ是惯性因子。
为了利用性能指标优化参数,设计如下适应度函数:
其中,eω是转速跟踪误差,满足eω=ω*-ω。
步骤4:设计级联耦合观测器和扰动观测器分别对转子转速、转子位置和负载转矩进行估计,具体如下:
级联耦合观测器包括直接滑模观测器和扩展高增益观测器,具体设计过程如下:
直接滑模观测器设计:
根据永磁同步电机静止坐标系数学模型(1),直接滑模观测器的结构设计如下:
其中,可调参数矩阵k=diag{k11,k22}和ξ=diag{ξ11,ξ22};k11、k22、ξ11、ξ22分别为观测器可调参数;分别为α轴和β轴电流的估计值;为电机转速估计值;为直接滑模观测器的转子位置估计值。
滑模面S定义如下:
其中,S1为关于α轴的电流滑模面;S2为关于β轴的电流滑模面。
稳定性分析:
为了使所设计的直接滑模控制器(29)稳定,选择如下Lyapunov方程:
对式(31)求一阶导数可得:
则有:
根据Lyapunov稳定性理论可知
ST(Ai-k)S<0 (34)
STξsgn(S)>0 (35)
根据式(37),转速估计被获得如下:
其中,kp和ki是增益系数,其调节过程与传统的PID控制器调节过程类似。
转子位置估计如下:
由公式(33)可知,矩阵(Ai-k)的特征值应该位于左半平面。因此k11和k22被获得通过极点配置。由公式(34)可知,切换增益ξ11和ξ22均为正数,随着ξ11和ξ22的增加,观测器鲁棒性也随之增加但会产生抖振。
扩展高增益观测器设计:
根据永磁同步电机运动方程(4),扩展高增观测器结构设计如下:
观测器增益矩阵O满足式(41):
为Hurwitz稳定。
扩展高增益观测器的原理如图6所示,分别与公式(40)-(41)相对应。由图6 可知,直接滑模观测器的输入量是iq,输出量是本发明所设计的级联耦合观测器包括直接滑模观测器和扩展高增益观测器,通过耦合在一起。
扰动观测器设计:
根据公式(5),扰动观测器设计如下:
稳定性分析:
对式(43)取一阶导数可得:
则有:
证毕。
步骤5:利用改进的组合径向基函数神经网络对风速有效值进行估计,提高风速估计精度,具体如下:
径向基函数神经网络具有单隐层和三层前馈结构,通常用于函数逼近和分类。与BP 神经网络相比,径向基函数神经网络结构更简单,学习速度更快。本发明的组合径向基函数神经网络训练方法是最小二乘学习算法。径向基函数神经网络的基函数包括高斯基函数、立方基函数、多元二次基函数和逆多元二次基函数。高斯函数的优点主要是结构简单,曲线光滑和分析性能好。高斯函数在均值附近具有较强的局部拟合能力。本发明采用的基函数是具有良好非线性拟合能力的高斯函数和具有良好线性拟合能力的立方基函数的组合,有效提高了拟合精度。改进后的神经网络称为组合径向基函数神经网络,图7展示了不同类型基函数的曲线。
本发明中利用已有的输入和输出数据,对风力发电机等效模型进行辨识,如图8所示。在前向训练过程中,将实际风速v和负载转矩TL作为输入量,将风轮转速ωr作为输出量。在反向测试过程中,将负载转矩估计值和风轮转速估计值作为输入量,将风速估计值作为输出量。
在图8中,组合径向基函数神经网络的总体输入输出映射关系如下所示:
为了充分验证本发明所提控制方法的有效性,仿真分为四个部分进行。首先,开展基于组合径向基函数神经网络的风速估计仿真,如图7-图9,。其次,对级联耦合观测器的有效性展开仿真对比,图11-图12。然后,对智能二阶积分滑模控制器的跟踪效果进行仿真,图13-图19)。最后,在考虑模型不确定性的情况下,将所提控制方法与PID 和积分滑模控制效果进行对比仿真,图20-图31。永磁同步电机和风力发电机的参数分别如下表1和表2所示:
表1永磁同步电机参数
表2风力发电机参数
风速估计仿真如图9所示。实际风速范围为13m/s~14m/s,仿真时长为3.5s。图9表明基于组合径向基函数神经网络的风速估计方法具有更高的观测精度和更好的跟踪性能。
图10分别展示了基于灰狼优化算法(GWO)、粒子群优化算法(PSO)和变速灰狼优化算法(VGWO)的参数优化性能。根据目标函数(27)可知,不同控制方法下的适应度函数值越小,控制效果越好。与其余两种优化算法相比,变速灰狼优化算法的适应度函数值最小,寻优能力最好。
为了验证本发明所设计的级联耦合观测器的有效性,将其与传统的滑模观测器(SMO, Sliding mode observer),模糊滑模观测器(FSMO,Fuzzy sliding mode observer)和自适应滑模观测器(ASMO,Adaptive sliding mode observer)分别比较。图11和图12分别展示了不同观测器对转子转速和位置的观测效果。同时针对加速和减速阶段的转子转速观测效果进行验证,由图可知,所设计的级联耦合观测器具有更高的观测精度。级联耦合观测器,自适应滑模观测器,模糊滑模观测器和传统滑模观测器的观测误差分别为0.02%,0.05%,0.11%和0.28%。
图13-图19展示了本发明所提控制方法的跟踪性能。图13表明实际转速ω能有效跟踪参考转速ω*,跟踪误差范围为0.04%。图14表明所设计的扰动观测器有较高的观测精度,观测误差范围为0.47%。图15表明电流id在零附近波动,且电流iq随着风速的变化而变化。图16表明电压ud和uq随着风速的变化而变化。图17表明电流ia,ib和ic是稳定的。图18和图19展示了风力发电机的运行状况。理想条件下,风力发电机的最大功率系数为Cpmax=0.48。功率系数和输出功率跟踪误差范围均为0.04%。仿真结果表明,本发明所设计控制方法的精度很高,能有效实现最大功率跟踪。
为了证明本发明所提控制方法的鲁棒性,仿真分别考虑了以下三种情况。仿真结果如图20-31所示。
情况1:ΔRs=0,ΔLs=0,Δψf=0
情况2:ΔRs=-0.1Rs,ΔLs=-0.1Ls,Δψf=-0.1ψf
情况3:ΔRs=0.1Rs,ΔLs=0.1Ls,Δψf=0.1ψf
其中ΔRs,ΔLs和Δψf分别代表参数Rs,Ls和ψf的变化量。
为了验证所提控制方法的有效性,将所提出的控制方法与现有的PID、积分滑模等控制方法进行比较研究。
情况1,如图20-23所示:图20表明基于智能二阶积分滑模控制方法的电流有更快的收敛速度和更小的抖振,所提控制方法的收敛时间为0.00247s远快于其他控制方法。图21表明所提控制方法有更高的跟踪精度,转速跟踪误差的波动主要发生在参考转速变化点处。所提智能二阶积分滑模控制方法,积分滑模控制和PID的转速跟踪误差范围分别为0.03%,0.15%和0.34%。图22和图23展示了所提控制方法有更高的输出功率Pa和功率系数Cp。
情况2,如图24-27所示:图24-图27表明,在考虑相同的模型不确定性-10%的情况下,与其余两种控制方法相比,PID控制性能将显著恶化。与情况1相比,基于PID,积分滑模和智能二阶积分滑模控制的功率跟踪误差分别增加了300%,80%和20%。这表明PID控制的鲁棒性较弱,所提控制方法能有效削弱抖振并提高跟踪精度和收敛速度。
情况3,如图28-31所示:图27-图30表明,在考虑相同的模型不确定性10%的情况下,可以得出与情况1和情况2类似的结论。与情况1相比,基于PID,积分滑模和智能二阶积分滑模控制的功率跟踪误差分别增加了130%,50%和10%。在这三种控制方法中,所提控制方法能获得最好的控制效果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法,其特征在于,包括如下步骤:
步骤1:分别建立永磁同步电机和风力发电机的数学模型以及不确定模型;
步骤2:针对永磁同步电机的电流内环和转速外环分别设计二阶积分滑模控制器,实现对电流和转速的跟踪;
步骤3:通过改进的变速灰狼优化算法对控制器参数进行寻优以提高控制精度;
步骤4:采用级联耦合观测器和扰动观测器分别对转子转速、转子位置和负载转矩进行估计;
步骤5:利用改进的组合径向基函数神经网络对风速有效值进行估计,提高风速估计精度;
步骤1中,永磁同步电机数学模型包括静止坐标系、同步旋转坐标系和运动方程的数学模型,风力发电机数学模型包括气动模型和传动系统模型,具体如下:
永磁同步电机静止坐标系数学模型:
其中,iα和iβ分别是α轴和β轴定子电流;uα和uβ分别是α轴和β轴定子电压;Ls是定子电感;Rs是定子电阻;ψf是磁链;ωe和θe分别是电转速和位置;
永磁同步电机同步旋转坐标系数学模型:
其中,id和iq分别是d轴和q轴定子电流;ud和uq分别是d轴和q轴定子电压;ωm是机械转速;np是极对数并且满足ωe=npωm;
令电流状态量xi=[id,iq]T和电流输入量ui=[ud,uq]T,则有
永磁同步电机运动方程:
其中,J为转动惯量;Bm为粘性摩擦系数;TL为负载转矩;Te为电磁转矩;
永磁同步电动机采用磁场定向控制,d轴电流维持在零附近以最大化输出转矩,因此,解耦后的电磁转矩Te表达式为:
其中,取转速ω=ωm和转速输入量uω=iq;
风力发电机气动模型:
其中,Cp是功率系数;v是来流风速;ρ是空气密度;R是风轮转子半径;Pa是功率;
其中,ωr是叶片转速;λ是叶尖速比;
其中,β为桨距角;c1、c2、c3、c4、c5、c6分别为风力发电机参数系数;λi为中间变量;
风力发电机传动系统模型:
不确定模型:
其中,ΔAi,ΔBi,ΔAω,ΔBω,Δdi,Δdω分别为系数矩阵Ai,Bi,Aω,Bω,di,dω的不确定性;
现取gi(t)=[gid(t),giq(t)]T=ΔAixi+ΔBiui+di+Δdi和gω(t)=ΔAωω+ΔBωuω+dω+Δdω代表式(10a)和(10b)的总扰动;因此式(10a)和(10b)被重新写为:
整合式(11a)和(11b)得如下表达式:
其中,x=[xi,ω]T;A=diag{Ai,Aω};B=diag{Bi,Bω};u=[ui,uω]T;g(t)=[gi(t),gω(t)]T;
所述步骤2包括如下具体步骤:
定义d轴和q轴定子电流跟踪误差以及转速跟踪误差分别为:
eω=ω*-ω (12c)
e=x*-x (13)
基于式(12)和(13),取σ=[σd,σq,σω]T∈R3×1作为一阶滑模面向量,同时取s=[sd,sq,sω]T∈R3×1作为二阶滑模面向量;其中,σd、σq、σω分别为关于d轴电流、q轴电流和转速的一阶滑模面;sd、sq、sω分别为关于d轴电流、q轴电流和转速的二阶滑模面;
基于跟踪误差设计滑模控制器;一阶滑模面为:
二阶滑模面为:
其中,可调参数矩阵α=diag{αid,αiq,αω},γ=diag{γid,γiq,γω}和β=diag{βid,βiq,βω}是正定对称矩阵;αid、γid、βid分别为关于d轴电流滑模面的可调参数;βiq、αiq、γiq分别为关于q轴电流滑模面的可调参数;γω、βω、αω分别为关于转速滑模面的可调参数;
对式(14a)分别取一阶导数和二阶导数可得:
对式(14b)分别取一阶导数和二阶导数可得:
控制律u设计为:
忽略模型不确定性和扰动,等效控制律ueq的导数设计为:
切换控制律usw的导数设计为:
其中,可调参数矩阵k1=diag{ki1d,ki1q,kω1}和k2=diag{ki2d,ki2q,kω2};ki1d、ki2d分别为关于d轴电流控制律的可调参数;ki1q、ki2q分别为关于q轴电流控制律的可调参数;kω1、kω2分别为关于转速控制律的可调参数;
所述步骤3包括如下具体步骤:
将粒子群优化算法的速度分量引入到灰狼优化算法中形成变速灰狼优化算法,定义四种不同的灰狼αGWO,βGWO,δGWO和ωGWO表示不同的解;根据适应度值,将αGWO的位置视为最优解;因此,βGWO和δGWO的位置分别被认为是第二和第三个最优解,同时认为ωGWO的位置是候选解;灰狼优化算法的具体步骤如下:
灰狼包围猎物,如式(19)所示:
其中,m是迭代次数;AGWO和CGWO是系数向量;Xp是猎物所在的位置;XGWO是灰狼所在的位置;DGWO为灰狼与猎物之间的距离;系数向量AGWO和CGWO的表达式如式(20)所示:
其中,控制参数a在范围[0,2]内线性变化;r1和r2是在范围[0,1]内变化的随机向量;
灰狼捕食猎物,如式(21)所示:
其中,XGWOα、XGWOβ、XGWOδ分别为αGWO、βGWO、δGWO当前所在位置;CGWOα、CGWOβ、CGWOδ分别为算法系数;DGWOα、DGWOβ、DGWOδ分别为灰狼αGWO、βGWO、δGWO与猎物之间的距离;
定义灰狼ωGWO相对于灰狼αGWO、βGWO和δGWO的前进方向和步长,如式(22)所示:
其中,XGWO1、XGWO2、XGWO3分别为灰狼ωGWO相对于灰狼αGWO、βGWO、δGWO的前进向量;XGWOα、XGWOβ、XGWOδ分别为灰狼αGWO、βGWO和δGWO当前所在位置;AGWO1、AGWO2、AGWO3分别为算法系数;
灰狼ωGWO的最终位置,如式(23)所示:
融合粒子群算法的速度和位置分量如下所示:
pi(m+1)=pi(m)+vi(m+1) (25)
其中,vi是第i个灰狼的速度;pi是第i个灰狼的当前位置;c1、c2、c3是学习因子且满足c1,c2,c3∈[0,1];ζ是惯性因子;
为了利用性能指标优化参数,设计如下适应度函数:
其中,eω是转速跟踪误差,满足eω=ω*-ω;
所述步骤4包括如下具体步骤:
级联耦合观测器包括直接滑模观测器和扩展高增益观测器,具体设计过程如下:
直接滑模观测器设计:
根据永磁同步电机静止坐标系数学模型(1),直接滑模观测器的结构设计如下:
其中,可调参数矩阵k=diag{k11,k22}和ξ=diag{ξ11,ξ22};k11、k22、ξ11、ξ22分别为观测器可调参数;分别为α轴和β轴电流的估计值;为电机转速估计值;为直接滑模观测器的转子位置估计值;
滑模面S定义如下:
其中,S1为关于α轴的电流滑模面;S2为关于β轴的电流滑模面;
为了使所设计的直接滑模观测器(27)稳定,选择如下Lypunov方程:
其中,V为Lypunov方程函数值;
对式(29)求一阶导数可得:
则根据式(27)-(30)可得:
根据Lyapunov稳定性理论得到:
ST(Ai-k)S<0 (32)
STξsgn(S)>0 (33)
其中,kp和ki是增益系数;
由公式(32)得到,矩阵(Ai-k)的特征值位于左半平面,因此k11和k22被获得通过极点配置,由公式(33)得到,切换增益ξ11和ξ22均为正数,随着ξ11和ξ22的增加,观测器鲁棒性也随之增加但会产生抖振;
扩展高增益观测器设计:
根据永磁同步电机运动方程(4),扩展高增观测器结构设计如下:
观测器增益矩阵O满足式(39):
为Hurwitz稳定;
扰动观测器设计:
根据公式(5),扰动观测器设计如下:
所述步骤5包括如下具体步骤:
采用高斯基函数和立方基函数组合,得到改进的组合径向基函数神经网络,总体输入输出映射关系如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386615.4A CN112731805B (zh) | 2020-12-01 | 2020-12-01 | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386615.4A CN112731805B (zh) | 2020-12-01 | 2020-12-01 | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731805A CN112731805A (zh) | 2021-04-30 |
CN112731805B true CN112731805B (zh) | 2022-04-08 |
Family
ID=75598061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386615.4A Active CN112731805B (zh) | 2020-12-01 | 2020-12-01 | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731805B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113346770B (zh) * | 2021-06-22 | 2022-01-07 | 哈尔滨工业大学 | 一种三电平npc变换器的滑模控制方法 |
CN113741184B (zh) * | 2021-08-17 | 2023-03-21 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN114294164B (zh) * | 2021-12-09 | 2023-03-28 | 重庆邮电大学 | 一种风力发电机分数阶变桨控制方法 |
CN115268559B (zh) * | 2022-05-23 | 2023-07-14 | 北京华能新锐控制技术有限公司 | 用于永磁同步风力发电机的最大功率点跟踪鲁棒控制方法 |
CN114893347A (zh) * | 2022-06-21 | 2022-08-12 | 西南石油大学 | 一种开关磁阻发电机mppt控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494300A (zh) * | 2018-04-13 | 2018-09-04 | 昆明理工大学 | 一种基于永磁同步发电机扰动观测器的最大功率跟踪滑模控制方法 |
DE102017119743A1 (de) * | 2017-08-29 | 2019-02-28 | Wobben Properties Gmbh | Verfahren zum Steuern eines mehrphasigen fremderregten Synchrongenerators einer Windenergieanlage |
CN111259525A (zh) * | 2020-01-09 | 2020-06-09 | 曲阜师范大学 | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
CN106194582B (zh) * | 2016-09-19 | 2018-09-04 | 华能新能源股份有限公司辽宁分公司 | 基于风速测量与估计的风电系统mppt控制装置及方法 |
-
2020
- 2020-12-01 CN CN202011386615.4A patent/CN112731805B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017119743A1 (de) * | 2017-08-29 | 2019-02-28 | Wobben Properties Gmbh | Verfahren zum Steuern eines mehrphasigen fremderregten Synchrongenerators einer Windenergieanlage |
CN108494300A (zh) * | 2018-04-13 | 2018-09-04 | 昆明理工大学 | 一种基于永磁同步发电机扰动观测器的最大功率跟踪滑模控制方法 |
CN111259525A (zh) * | 2020-01-09 | 2020-06-09 | 曲阜师范大学 | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731805A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731805B (zh) | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 | |
CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
CN106026835A (zh) | 一种基于模糊控制和滑模观测器的无速度传感器优化方法 | |
CN104300863A (zh) | 一种变负载永磁同步电机调速的自适应滑模控制方法 | |
CN110401390B (zh) | 基于观测器的永磁同步电机随机命令滤波模糊控制方法 | |
CN109347382B (zh) | 一种永磁直驱风力发电机的转子位置估计方法 | |
CN110401391B (zh) | 异步电动机随机系统模糊自适应动态面控制方法 | |
CN112523944B (zh) | 一种风力发电机变桨系统自适应动态面控制方法 | |
CN103895832A (zh) | 一种船舶电伺服鳍、翼鳍减横摇智能矢量控制方法 | |
CN108809189A (zh) | 一种并网调频型飞轮储能系统充电过程中的转速控制方法 | |
CN111371357A (zh) | 一种基于自适应超螺旋算法的永磁同步电机调速控制方法 | |
Yang et al. | Speed sensorless control of a bearingless induction motor with combined neural network and fractional sliding mode | |
CN109873583B (zh) | 基于状态受限的永磁同步电机模糊位置跟踪控制方法 | |
CN112737435B (zh) | 一种基于t-s模糊滑模控制的步进电机抗干扰系统 | |
CN113659895A (zh) | 基于指令滤波的永磁同步电动机全状态约束有限时间控制方法 | |
CN110417047B (zh) | 基于复转矩系数分析双馈风机ssci阻尼特性的方法 | |
CN107959453A (zh) | 一种改进的mras速度观测方法 | |
CN113541545A (zh) | 永磁同步电机分数阶矢量控制方法及系统 | |
Zhou et al. | A combined control strategy of wind energy conversion system with direct-driven PMSG | |
CN115102444A (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 | |
CN112523945B (zh) | 一种双馈风力机最大风能捕获自抗扰非线性控制方法 | |
Wang et al. | Flux-weakening fuzzy adaptive ST-SMO sensorless control algorithm for PMSM in EV | |
CN112019111B (zh) | 基于状态约束的永磁同步电动机随机系统模糊自适应控制方法 | |
CN113775474A (zh) | 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法 | |
Jiang et al. | Reduced-order extended-state-observer-based backstepping control for brushless DC motor server system |
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 |