CN113394806B - 基于神经网络的风电并网线性自抗扰控制系统 - Google Patents

基于神经网络的风电并网线性自抗扰控制系统 Download PDF

Info

Publication number
CN113394806B
CN113394806B CN202110544960.4A CN202110544960A CN113394806B CN 113394806 B CN113394806 B CN 113394806B CN 202110544960 A CN202110544960 A CN 202110544960A CN 113394806 B CN113394806 B CN 113394806B
Authority
CN
China
Prior art keywords
neural network
linear
output
observed value
wind power
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
Application number
CN202110544960.4A
Other languages
English (en)
Other versions
CN113394806A (zh
Inventor
陈再发
汪益兵
朱力滨
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 CN202110544960.4A priority Critical patent/CN113394806B/zh
Publication of CN113394806A publication Critical patent/CN113394806A/zh
Application granted granted Critical
Publication of CN113394806B publication Critical patent/CN113394806B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • H02J2300/22—The renewable source being solar 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种基于神经网络的风电并网线性自抗扰控制系统，其应用在风电系统的电压外环，其包括：跟踪微分器、线性扩张状态观测器、线性状态误差反馈控制律、被控系统及BP神经网络，线性状态误差反馈控制率的控制参数KP、KD经由BP神经网络在线调整生成，所述BP神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数KP、KD进行在线调整。将BP神经网络与LADRC的LSEF相结合，具有自学习与参数在线调整特性的BP神经网络根据母线电压的参考值与实际值之间的偏差，不断调整KP和KD参数，进而实现KP和KD参数的最佳组合，从而使母线电压快速稳定。

Description

基于神经网络的风电并网线性自抗扰控制系统
技术领域
本发明具体涉及一种基于神经网络的风电并网线性自抗扰控制系统。
背景技术
为了满足全球日益增长的能源需求，减轻由于使用化石燃料发电对环境的影响，必须设计、开发和部署可再生能源转换系统。由于风能具有无污染、可再生、安全可靠等优势，在过去的十几年中，全球可再生能源转换系统的开发主要由风能转换系统带动。其中，永磁直驱同步发电机通过全功率变流器并入电网，具有发电机与电网完全解耦、故障率低和控制方法简单等众多优点，已广泛用于风力发电。
风力发电系统实际运行中，电网电压的故障会导致电网侧变流器输出功率与发电机侧变流器输出功率不相等，多余的功率会在直流母线电容上堆积，引起流过直流母线电容和网侧变流器的电流快速增大，如果处理不当，过高的电压和电流会损坏电容器和功率器件，影响供电质量。为了保证风能转换系统能向电网提供稳定、可靠的电能和运行的安全性，就要求在电网故障期间，风力发电机必须保持与电网系统的连接。而稳定直流母线电压是电网发生故障期间风力发电机不脱网运行的关键。
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基于神经网络的风电并网线性自抗扰控制系统。
为实现上述目的，本发明提供了如下技术方案：
一种基于神经网络的风电并网线性自抗扰控制系统，其应用在风电系统的电压外环，其包括：
跟踪微分器，用于微分信号获取和过渡过程配置；
线性扩张状态观测器，用于总扰动的观测，并分别输出输出量的观测值z1，输出量的微分的观测值z2及总扰动的观测值z3；
线性状态误差反馈控制律，用于控制信号生成，其控制品质为 u0＝KP(r-z1)-KDz2，其中r为直流母线电压参考值，KP、KD为控制参数；
被控系统，传递函数为：
Figure GDA0003159541810000021
其中Kc为并网直轴电流id和直流母线电容电流idc的转换系数，C是滤波电容，T是PWM装置延时时间，s为复数频率；
BP神经网络，线性状态误差反馈控制率的控制参数KP、KD经由BP神经网络在线调整生成，所述BP神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数KP、KD进行在线调整，
所述直流母线电压参考值作为BP神经网络的第一输入信号，所述线性扩张状态观测器生成的输出量的观测值z1与直流母线电压参考值r做减法比较之后产生的误差e分别作为BP神经网络的第二输入信号及线性状态误差反馈控制律的KP端的输入信号，所述输出量的观测值z1作为BP神经网络的第三输入信号，所述输出量的微分的观测值z2作为线性状态误差反馈控制律的KD端的输入信号，线性状态误差反馈控制律的KP端的输出信号与线性状态误差反馈控制律的KD端的输出信号及总扰动的观测值z3依次做减法比较之后经由1/b0增益后得到被控系统的输入量u，且该被控系统的输入量u作为线性扩张状态观测器第一输入信号，被控系统的输出量y作为线性扩张状态观测器的第二输入信号，b0为自抗扰控制器假定参数。
所述BP神经网络的输入层节点的输入输出为
Figure GDA0003159541810000022
其中上标代表不同的神经元层，当上标为(0)代表输入层，(1)代表隐含层，(2) 代表输出层，所述BP神经网络的输入层具有三个输入
Figure GDA0003159541810000023
其中e(n)为被控系统的误差，e(n)＝r(n)-z1(n)，n为迭代次数，BP神经网络的输出为
Figure GDA0003159541810000031
所述被控系统的状态空间表达式为
Figure GDA0003159541810000032
Figure GDA0003159541810000033
其中，
Figure GDA0003159541810000034
f′为实际未知总扰动，
Figure GDA0003159541810000035
c＝[1 0 0]
f′＝w+(b-b0)u，w为外部扰动， b为一个假定参数。
所述线性扩张状态观测器为
Figure GDA0003159541810000036
uc＝[u y]T为LESO的组合输入，L为需要配置的观测器增益矩阵，ω0为观测器带宽，
经过参数化，可得L＝[β1 β2 β3]T，
其中
Figure GDA0003159541810000037
所述线性扩张状态观测器的状态方程为
Figure GDA0003159541810000038
其中β1、β2和β3为需要配置的观测器增益，u为LADRC的控制品质，
Figure GDA0003159541810000039
所述线性状态误差反馈控制律的控制参数KP、KD：
Figure GDA00031595418100000310
KD＝2ωc。
被控系统的输出量y与输出量的观测值z1经由减法运算后分成三路，第一路经由β3倍增益及1/s倍增益后输出总扰动的观测值z3，第二路经由β2倍增益后与经由b0倍增益后的被控系统的输入量u及总扰动的观测值z3做加法运算后，再通过1/s倍增益后输出输出量的微分的观测值z2，第三路经由β1倍增益后与输出量的微分的观测值z2做加法运算后经由1/s倍增益后输出输出量的观测值z1。
本发明的有益效果：将BP神经网络与LADRC的LSEF相结合，具有自学习与参数在线调整特性的BP神经网络根据母线电压的参考值与实际值之间的偏差，不断调整KP和KD参数，进而实现KP和KD参数的最佳组合，从而使母线电压快速稳定。
附图说明
图1为风能转换系统结构图。
图2为风能转换系统网侧拓扑结构图。
图3为功率平衡图。
图4为二阶线性自抗扰控制基本结构。
图5为电压外环控制框图。
图6为基于神经网络的线性自抗扰控制结构图。
图7为控制系统的结构示意图。
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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……) 仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
在永磁直驱风力发电系统中，风力涡轮机将捕获的风能转换为机械能以驱动PMSG运转，并通过全功率转换器连接到电网。机侧变流器主要控制发电机转速或转矩，以实现风能的最大功率跟踪；网侧变流器主要用于稳定直流侧母线电压、控制并网功率因数和电能质量。风能转换系统结构如图1所示。
风能转换系统网侧的电路拓扑结构如图2所示。其采用全桥式逆变电路。其中ea、eb、ec——三相电网电压，V；Rg、Lg——网侧滤波器电阻和电感，Ω、μF；ia、ib、ic——三相电网电流，A；Ua、Ub、Uc——网侧变流器输出三相电压，V；udc——直流母线电压，V；idc——直流母线电容电流，A；r——卸荷电阻；C——直流母线电容。
在三相静止坐标系下可以建立并网逆变器的数学表达式：
Figure GDA0003159541810000051
Sa、Sb、Sc——a、b、c相开关函数；为了方便控制，用Park变换将三相静止坐标系变为两相旋转坐标系，得到直流量。Park等功率变换公式如下：
Figure GDA0003159541810000061
将公式(1)左右进行Park变换得：
Figure GDA0003159541810000062
式中，Ud、Uq——网侧变流器输出电压d、q轴分量，V；ed、eq——三相电网电压d、q轴分量，V；id、iq——网侧变流器三相电流d、q轴分量，A；ω——锁相环输出的电网角频率；Sd、Sq——开关函数d、q轴分量。从上式可以看出， d、q轴含有交叉耦合项。
在两相旋转坐标系下，依据瞬时功率理论，网侧变流器相对于电网的瞬时功率为：
Figure GDA0003159541810000063
P大于零，表示网侧变流器工作于逆变状态，有功功率从直流母线输送到电网；P小于零，表示网侧变流器工作于整流状态，有功功率从电网输送到直流母线。
采用电网电压定向矢量控制，即eq＝0，得：
Figure GDA0003159541810000064
若电网电压不变，则可以通过id、iq间接控制并网的有功功率和无功功率。如图3所示，描绘了电网电压跌落期间PMSG与电网间的功率平衡关系。Ps——发电机组通过机侧变流器输出到直流母线电容的功率，MW；Pg——直流母线电容通过网侧变流器输出的功率，MW；ΔP——功率差值，MW；is——机侧变流器输出电流，A；ig——网侧变流器输入电流，A。
忽略变流器损耗，当系统稳定运行时，Ps＝Pg，直流母线电容电压保持恒定值。即
Figure GDA0003159541810000071
当电网发生故障造成电压跌落的时候，网侧变流器会增加输出电流，但当变流器输出电流达到最大值时，会导致Pg减少。并且由于全功率变流器的隔离作用，电网故障对机侧影响较小，可以假设Ps保持恒定，那么多余的能量会在直流母线电容上累积，从而造成直流母线电容过电压。如不能及时向电网传输多余的能量则可能造成器件的损坏。电网发生低电压时功率平衡方程为：
Figure GDA0003159541810000072
由电工理论可知，直流母线电容储存的能量为：
Figure GDA0003159541810000073
由于发电机侧和电网侧通过直流电容相耦合，因此在电网侧发生故障时，保持直流侧母线的电压稳定性是风能转换系统不脱网运行的关键。
针对具有多变量、强耦合、非线性、变参数特性的风能转换系统，提出了一种基于神经网络的风电并网线性自抗扰控制系统。由于很多时候风能转换系统的数学模型无法精确建立而且在实际运行过程中常出现参数漂移等现象，传统的PID控制难以实现精准控制。将系统不能精确建模、运行过程中出现的参数飘移现象的部分和受到的外部扰动作为总扰动，用线性扩张状态观测器进行观测并且补偿到系统中。为了解决线性自抗扰控制中LESO的观测误差带来的参数整定问题，将BP神经网络与LADRC的LSEF相结合，具有自学习与参数在线调整特性的BP神经网络根据母线电压的参考值与实际值之间的偏差，不断调整KP和KD参数，进而实现KP和KD参数的最佳组合，从而使母线电压快速稳定。
一种基于神经网络的风电并网线性自抗扰控制系统，其应用在风电系统的电压外环，其包括：
跟踪微分器(Tracking Differentiator，TD)，用于微分信号获取和过渡过程配置；
线性状态误差反馈控制律(LSEF)，用于控制信号生成，其控制品质为 u0＝KP(r-z1)-KDz2，其中r为直流母线电压参考值，KP、KD为控制参数；
对于二阶系统：
Figure GDA0003159541810000081
式(9)的状态方程可以写为：
Figure GDA0003159541810000082
式(10)对应的LESO状态方程为：
Figure GDA0003159541810000083
其中β1、β2和β3为需要配置的观测器增益。取LADRC的控制品质：
Figure GDA0003159541810000084
忽略z3对扰动f的观测误差。将式(12)代入式(9)可得：
Figure GDA0003159541810000085
LSEF的控制品质为：
u0＝KP(r-z1)-KDz2 (14)
二阶线性自抗扰控制基本结构框图如图4所示。
忽略z1和z2对各被观测量的观测误差，将式(14)代入式(13)得：
Figure GDA0003159541810000086
对式(15)两侧进行拉式变换可得：
s2Y＝KP(R-Y)-sKDY (16)
可得系统的传递函数为：
Figure GDA0003159541810000091
为了使系统快速且无超调，选择控制器参数为：
Figure GDA0003159541810000092
如上的控制器参数配置方法可以将采用LADRC的系统配置为二阶临界阻尼系统，系统响应无快速性和超调之间的矛盾，这是LADRC相较于PI的优势。但这是在忽略LESO对各被观测量的观测误差上实现的。事实上LESO总存在观测误差。为了解决由于观测器观测误差带来的LSEF中的参数整定问题，本文引入神经网络。利用神经网络的参数自整定特性，根据系统的误差调整LSEF 中的增益参数。
对电压外环控制器来说，输入为直流母线电容电压参考值U* dc，输出为直轴电流的参考值i* d。可将电流内环等效为一阶惯性环节1/(Ts+1)，Kc为并网直轴电流id和直流母线电容电流idc的转换系数。那么电压外环采用LADRC的控制框图如图5所示。
被控系统，传递函数为：
Figure GDA0003159541810000093
其中Kc为并网直轴电流id和直流母线电容电流idc的转换系数，C是滤波电容，T是PWM装置延时时间；
被控系统的传递函数为：
Figure GDA0003159541810000094
将(9)式进行反拉式变换，得输出与输入间的微分方程为：
Figure GDA0003159541810000095
选取状态变量
Figure GDA0003159541810000096
其中f为总扰动(内扰和外扰)。由于控制对象的部分模型信息已知，所以采用模型辅助的线性扩张状态观测器设计，令实际未知总扰动为
f′＝w+(b-b0)u (22)
w为外部扰动。则被控系统的状态空间表达式为：
Figure GDA0003159541810000101
其中：
Figure GDA0003159541810000102
线性扩张状态观测器(LESO)，用于总扰动的观测，并分别输出输出量的观测值z1，输出量的微分的观测值z2及总扰动的观测值z3，该输出量为母线电压。
由公式(20)可知，已知的模型信息为：
Figure GDA0003159541810000103
与公式(23)对应的模型辅助的LESO表达式为：
Figure GDA0003159541810000104
其中uc＝[u y]T为LESO的组合输入，A、B、C与式(24)相同，L为需要配置的观测器增益矩阵。经过参数化，将观测器特征方程的极点放在同一位置 -ω0处，ω0为观测器带宽。经过参数化可得：
L＝[β1 β2 β3]T (27)
其中：
Figure GDA0003159541810000105
BP神经网络，线性状态误差反馈控制率的控制参数KP、KD经由BP神经网络在线调整生成，所述BP神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数KP、KD进行在线调整，
神经网络具有自学习和自整定的优势。BP神经网络学习自身的偏差并调整输出层和隐含层的权重，从而实现KP和KD参数的在线调整。基于神经网络的线性自抗扰控制结构如图6所示。
其中r为直流母线电压参考值，u为被控对象的输入，y为被控对象的输出， z1为输出量的观测值，z2为输出量的微分的观测值，z3为总扰动的观测值。将直流母线电压的参考值U* dc(r)、母线电压实际值udc(y)的观测值z1和误差e 作为神经网络控制算法的输入。
神经网络输入层节点的输入输出可以表示为：
Figure GDA0003159541810000111
其中上标代表不同的神经元层，当上标为(0)代表输入层，(1)代表隐含层， (2)代表输出层。BP神经网络的输入层有三个输入：
Figure GDA0003159541810000112
其中e(n)为控制系统的误差，即：
e(n)＝r(n)-z1(n) (31)
定义系统的代价函数为：
Figure GDA0003159541810000113
神经网络的输出为：
Figure GDA0003159541810000114
神经网络模型中各种参数及其数值如表1所示。
表1神经网络参数
Figure GDA0003159541810000115
Figure GDA0003159541810000121
以代价函数为目标函数，直流母线电压的参考值U* dc(r)、母线电压实际值udc(y)的观测值z1和误差e作为神经网络控制算法的输入。经过多次动态迭代，当代价函数最优时，按照输出关系式可以得到最优的KP和KD。
所述直流母线电压参考值作为BP神经网络的第一输入信号，所述线性扩张状态观测器生成的输出量的观测值z1与直流母线电压参考值r做减法比较之后产生的误差e分别作为BP神经网络的第二输入信号及线性状态误差反馈控制律的KP端的输入信号，所述输出量的观测值z1作为BP神经网络的第三输入信号，所述输出量的微分的观测值z2作为线性状态误差反馈控制律的KD端的输入信号，线性状态误差反馈控制律的KP端的输出信号与线性状态误差反馈控制律的KD端的输出信号及总扰动的观测值z3依次做减法比较之后经由1/b0增益后得到被控系统的输入量u，且该被控系统的输入量u作为线性扩张状态观测器第一输入信号，被控系统的输出量y作为线性扩张状态观测器的第二输入信号，b0为自抗扰控制器假定参数。
风电系统的并网控制常采用双闭环PI控制，文中在双闭环PI控制结构的基础上，将基于神经网络的线性自抗扰控制应用于电压外环，如图7所示。
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 (7)

1.一种基于神经网络的风电并网线性自抗扰控制系统，其特征在于：其应用在风电系统的电压外环，其包括：
跟踪微分器，用于微分信号获取和过渡过程配置；
线性扩张状态观测器，用于总扰动的观测，并分别输出输出量的观测值z1，输出量的微分的观测值z2及总扰动的观测值z3；
线性状态误差反馈控制律，用于控制信号生成，其控制品质为u0＝KP(r-z1)-KDz2，其中r为直流母线电压参考值，KP、KD为控制参数；
被控系统，传递函数为：
Figure FDA0003072492550000011
其中Kc为并网直轴电流id和直流母线电容电流idc的转换系数，C是滤波电容，T是PWM装置延时时间，s为复数频率；
BP神经网络，线性状态误差反馈控制率的控制参数KP、KD经由BP神经网络在线调整生成，所述BP神经网络根据直流母线电压参考值与输出量的观测值的误差及直流母线电压参考值对输出的控制参数KP、KD进行在线调整，
所述直流母线电压参考值作为BP神经网络的第一输入信号，所述线性扩张状态观测器生成的输出量的观测值z1与直流母线电压参考值r做减法比较之后产生的误差e分别作为BP神经网络的第二输入信号及线性状态误差反馈控制律的KP端的输入信号，所述输出量的观测值z1作为BP神经网络的第三输入信号，所述输出量的微分的观测值z2作为线性状态误差反馈控制律的KD端的输入信号，线性状态误差反馈控制律的KP端的输出信号与线性状态误差反馈控制律的KD端的输出信号及总扰动的观测值z3依次做减法比较之后经由l/b0增益后得到被控系统的输入量u，且该被控系统的输入量u作为线性扩张状态观测器第一输入信号，被控系统的输出量y作为线性扩张状态观测器的第二输入信号，b0为自抗扰控制器假定参数。
2.根据权利要求1所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：所述BP神经网络的输入层节点的输入输出为
Figure FDA0003072492550000021
其中上标代表不同的神经元层，当上标为(0)代表输入层，(1)代表隐含层，(2)代表输出层，所述BP神经网络的输入层具有三个输入
Figure FDA0003072492550000022
其中e(n)为被控系统的误差，e(n)＝r(n)-z1(n)，n为迭代次数，BP神经网络的输出为
Figure FDA0003072492550000023
3.根据权利要求1所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：所述被控系统的状态空间表达式为
Figure FDA0003072492550000024
其中，
Figure FDA0003072492550000025
Figure FDA0003072492550000026
f′为实际未知总扰动，f′＝w+(b-b0)u，w为外部扰动， b为一个假定参数。
4.根据权利要求3所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：所述线性扩张状态观测器为
Figure FDA0003072492550000027
uc＝[u y]T为LESO的组合输入，L为需要配置的观测器增益矩阵，ω0为观测器带宽，
经过参数化，可得L＝[β1 β2 β3]T，
其中
Figure FDA0003072492550000028
5.根据权利要求1或4所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：所述线性扩张状态观测器的状态方程为
Figure FDA0003072492550000031
其中β1、β2和β3为需要配置的观测器增益，u为LADRC的控制品质，
Figure FDA0003072492550000032
6.根据权利要求5所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：所述线性状态误差反馈控制律的控制参数KP、KD：
Figure FDA0003072492550000033
KD＝2ωc。
7.根据权利要求1所述的基于神经网络的风电并网线性自抗扰控制系统，其特征在于：被控系统的输出量y与输出量的观测值z1经由减法运算后分成三路，第一路经由β3倍增益及1/s倍增益后输出总扰动的观测值z3，第二路经由β2倍增益后与经由b0倍增益后的被控系统的输入量u及总扰动的观测值z3做加法运算后，再通过1/s倍增益后输出输出量的微分的观测值z2，第三路经由β1倍增益后与输出量的微分的观测值z2做加法运算后经由1/s倍增益后输出输出量的观测值z1。
CN202110544960.4A 2021-05-19 2021-05-19 基于神经网络的风电并网线性自抗扰控制系统 Active CN113394806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110544960.4A CN113394806B (zh) 2021-05-19 2021-05-19 基于神经网络的风电并网线性自抗扰控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110544960.4A CN113394806B (zh) 2021-05-19 2021-05-19 基于神经网络的风电并网线性自抗扰控制系统

Publications (2)

Publication Number Publication Date
CN113394806A CN113394806A (zh) 2021-09-14
CN113394806B true CN113394806B (zh) 2022-05-06

Family

ID=77617245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110544960.4A Active CN113394806B (zh) 2021-05-19 2021-05-19 基于神经网络的风电并网线性自抗扰控制系统

Country Status (1)

Country Link
CN (1) CN113394806B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116247703B (zh) * 2023-03-14 2024-01-26 华北电力大学 一种直流母线电压控制装置、方法、系统及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112448629A (zh) * 2019-08-29 2021-03-05 天津科技大学 一种基于改进自抗扰神经控制器的无刷双馈风力发电系统
CN112531782A (zh) * 2020-12-08 2021-03-19 浙江国际海运职业技术学院 一种风电变流器母线电压波动抑制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496052B2 (en) * 2015-04-10 2019-12-03 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of induction machines using artificial neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112448629A (zh) * 2019-08-29 2021-03-05 天津科技大学 一种基于改进自抗扰神经控制器的无刷双馈风力发电系统
CN112531782A (zh) * 2020-12-08 2021-03-19 浙江国际海运职业技术学院 一种风电变流器母线电压波动抑制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Design_and_Parameter_Tuning_of_Nonlinear_Active_Disturbance_Rejection_Controller_for_Permanent_Magnet_Direct_Drive_Wind_Power_Converter_System;BIN ZHANG;《IEEE Access》;20210126;第33836-33848页 *
基于二阶线性自抗扰的风电并网逆变器;马幼捷;《电气传动》;20210120;第35-42页 *

Also Published As

Publication number Publication date
CN113394806A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN110601268B (zh) 一种双馈风机并网端口输出阻抗建模及稳定性分析方法
Li et al. Sensorless-based active disturbance rejection control for a wind energy conversion system with permanent magnet synchronous generator
Zhou et al. Improved linear active disturbance rejection controller control considering bus voltage filtering in permanent magnet synchronous generator
Dida et al. A complete modeling and simulation of DFIG based wind turbine system using fuzzy logic control
Chakib et al. Comparative study of active disturbance rejection control with RST control for variable wind speed turbine based on doubly fed induction generator connected to the grid
Xiahou et al. Sensor fault-tolerant control of DFIG based wind energy conversion systems
Mansouri et al. Nonlinear observer with reduced sensors for WECS involving Vienna rectifiers—Theoretical design and experimental evaluation
CN111049178A (zh) 一种直驱永磁风电机组经vsc-hvdc并网稳定控制分析方法
CN113394806B (zh) 基于神经网络的风电并网线性自抗扰控制系统
Huerta et al. Energy based sliding mode control of Brushless Double-fed Induction Generator
CN113258603B (zh) 基于孤岛状态下vsg的二阶线性自抗扰控制系统及控制方法
Prajapat et al. Small signal stability improvement of a grid connected DFIG through Quadratic Regulator
CN111525567B (zh) 一种光伏并网逆变器故障电流的计算方法和装置
Jaballaafou et al. Wind power production based on DFIG: Modeling and control by ADRC
Laafou et al. Proposed robust ADRC control of a DFIG used in wind power production
Yuan et al. DC Bus Voltage Control of Wind Power Inverter Based on First-Order LADRC
Dinesh et al. Independent operation of DFIG-based WECS using resonant feedback compensators under unbalanced grid voltage conditions
Taibi et al. Hybrid sliding mode control of DFIG with MPPT using three multicellular converters
Kalamian et al. Design of a nonlinear model-based predictive controller for a wind turbine based on PMSG using an augmented extended kalman filter
Abulizi et al. Study on Current Controller of Doubly-Fed Induction Generator with Variable Parameters
Gao et al. Rectifier Stage Control Strategy for Solid State Transformer Based on Sliding Mode Active Disturbance Rejection
He et al. SVPWM Vector Control with Active Disturbance Rejection for Electric Vehicle Motor
Song Novel control for small-scale three-phase wind generation systems in high wind speed regions
Sun et al. Adaptive Global Fast Terminal Sliding Mode Control for MPPT of Direct-driven PMSG
CN116613784B (zh) 一种基于pid-dhdp风光发电系统次同步振荡协调控制方法

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: 20210914

Assignee: ZHEJIANG HONGYU ENGINEERING SURVEY AND DESIGN CO.,LTD.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2023980043363

Denomination of invention: Neural network-based linear auto-disturbance rejection control system for wind power grid connection

Granted publication date: 20220506

License type: Common License

Record date: 20231017

Application publication date: 20210914

Assignee: Zhejiang pilot Free Trade Zone Hengsheng Technology Co.,Ltd.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2023980043354

Denomination of invention: Neural network-based linear auto-disturbance rejection control system for wind power grid connection

Granted publication date: 20220506

License type: Common License

Record date: 20231017

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210914

Assignee: Zhoushan Shuhai Network Technology Co.,Ltd.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2024980002309

Denomination of invention: Neural network-based wind power grid connected linear self disturbance rejection control system

Granted publication date: 20220506

License type: Common License

Record date: 20240228

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210914

Assignee: Zhejiang Zhoushan Wanji Concrete Products Co.,Ltd.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2024980011890

Denomination of invention: Neural Network based Wind Power Parallel Network Active Disturbance Rejection Control System

Granted publication date: 20220506

License type: Common License

Record date: 20240813

Application publication date: 20210914

Assignee: Zhoushan Yuanxin Ready-Mixed Concrete Co.,Ltd.

Assignor: ZHEJIANG INTERNATIONAL MARITIME College

Contract record no.: X2024980011880

Denomination of invention: Neural Network based Wind Power Parallel Network Active Disturbance Rejection Control System

Granted publication date: 20220506

License type: Common License

Record date: 20240813