CN203574387U - 基于小脑模型神经网络pid控制的风电机组软并网控制系统 - Google Patents

Abstract

一种基于小脑模型神经网络PID控制的风电机组软并网控制系统其特征在于它包括监测单元、软并网装置和控制单元；其优越性在于：具有较好的稳定性、实时性；适用于不同风速下的风电机并网。对大容量的兆瓦级风电机组的并网同样适用。

Description

基于小脑模型神经网络PID控制的风电机组软并网控制系统

（一）技术领域：

本发明属于风力发电并网技术领域，涉及小脑模型神经网络(CerebellarModel Articulation Controller，CMAC)-比例积分微分(Proportion IntegralDifferential，PID)控制，尤其是一种基于小脑模型神经网络PID控制的风电机组软并网控制系统。

（二）背景技术：

风力发电机组随着单机容量的不断增大，在并网时对电网的冲击也越来越大。这种冲击严重时不仅会引起电网电压的大幅度下降，威胁电网的稳定与安全，并且可能对发电机和机械部件(塔架、桨叶、增速器等)造成损坏，如果并网冲击时间持续过长，还可能使系统瓦解或威胁其它挂网机组的正常运行。因此，采用合理的并网技术是一个不可忽视的问题。

风力发电机组并网是一个复杂的非线性过程，不仅要监视电网、风况和机组的运行参数，对并脱网进行控制，确保运行过程中的安全性与可靠性，还要根据风速与风向的变化，对机组进行优化控制，提高机组的运行效率和发电量。20世纪90年代以来风力发电机组采用基于单片机、可编程控制器的微机控制，机组运行的可靠性和自动化程度越来越高。现在，国外大型并网风力发电机组已经实现了自动监控和无人值守，控制的智能化程度较高；我国风力发电机组的软并网研究主要集中在机组的自动监控和无人值守以及大容量机组的新型算法方面。

（三）实用新型内容：

本实用新型的目的在于设计一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，它针对以上现有技术的不足之处，是一种基于小脑模型神经网络-比例积分微分控制的异步风力发电机组软并网控制系统，具有较高的学习速率和精度，可最大程度地限制并网冲击电流，适用于大容量风电机组的软并网控制。

本发明的技术方案：一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，包括风力发电系统和外部电网，其特征在于它包括监测单元、软并网装置和控制单元；其中，所述监测单元的输入的监测风力发电系统的信号，其输出端连接控制单元的输入端；所述软并网装置的输入端分别连接控制单元的输出端和电网线路，其输出端依然与电网线路连接，且与电网连接的输入端和输出端之间通过电力开关连接。

所述的风机是由叶片、齿轮箱、发电机以及监测单元组成；所述齿轮箱的输入端接收风力机的信号，其输出端连接异步发电机的输入端。

所述监测单元是由定子电流检测单元和转子转速检测单元构成；其中，所述定子电流检测单元的输入端采集风力发电机组的定子电流信号，其输出端连接控制单元；所述转子转速检测单元的输入端采集风电机组的转子转速信号，其输出端连接控制单元。

所述软并网装置的主电路由3对反并联的晶闸管、断路器及其保护电路所组成；其中，所述3对反并联晶闸管在软并网过渡过程中，每一时刻，有两个晶闸管同时导通，构成一个导通回路；所述晶闸管串联于电机出线与电网之间，通过控制晶闸管的触发角调节电机的输入电压，最终限制电机电流，减少对电网的冲击；所述断路器由主断路器K1、断路器K2和断路器K3组成，其中，所述主断路器K1串联于电网与晶闸管之间；所述断路器K2并联于晶闸管两端，在软并网结束后闭合以减少主电路上器件的功耗；所述断路器K3为电机断路器，串接于发电机与晶闸管之间；所述保护电路是由并联在晶闸管两端的电阻和电容构成的吸收保护回路。

所述控制单元为CMAC与PID复合控制器，由CMAC模块和PID控制器构成。

本实用新型的工作过程，如图3、图4所示：

（1）风力发电机组由叶轮吸收风能转化为动能旋转起来，其转速从启动开始逐渐加快，且加速度随风速的变化而变化；

（2）通过监测单元采集风电机组的定子电流和转子转速为控制器的输入参数；

（3）控制器以系统的动态误差作为输出，u_n为CMAC的输出，u为总控制的输出，采用有导师学习算法，每一控制周期结束时，计算相应的CMAC输出，并与总控制输入u相比较，进行权值修正，即学习过程；学习的目的是使总控制输入与CMAC的输出之差最小，即最终总控制输入主要由CMAC网络产生；

（4）设初始状态网络的所有权值为0，控制时，将系统的当前误差量化后作为地址输入到CMAC神经网络，在CMAC存储器中找到与之对应的c个地址，每个单元存放着相应的权值，CMAC的输出为这c个实际存储器的权值之和，即

u_n(k)＝Σw(k)      (2)

（5）被控对象总的控制作用为CMAC控制器与PID控制器的输出之和。

u(k)＝u_n(k)+u_p(k)       (3)

（6）每一控制周期结束时，计算CMAC的输出，并与总控制输出相比较，修改权重，进行学习；学习的目的是使总控制输入与CMAC的输出之差最小；权值调整公式为

w(k+1)＝w(k)+η[u(k)-u_n(k)]    (4)

$\mathrm{\η}={[f\left(j\right)+1]}^{{-k}^0}/\underset{i=1}{\overset{i=m}{\mathrm{\Σ}}}{[f\left(j\right)+1]}^{{-k}_0}---\left(5\right)$

（7）当异步风力发电机起动或转速接近同步转速时，与电网相连的每一相双向晶闸管的控制角在180°与0°之间逐渐同步打开；每相为无触点开关的双向晶闸管的导通角也同时由0°与180°之间逐渐同步增大，此时，风力发电机通过软并网装置实现并网，冲击电流较小。

本发明的工作原理：通过CMAC-PID复合控制器的学习能力来调整风力机的转速，当风力机将发电机带到同步转速附近(97%～99%同步转速)时，风力发电机组输出端的断路器闭合，使风力发电机组经一组双向晶闸管与电网连接，双向晶闸管触发角由初始给定角逐渐打开，通过电流反馈对双向晶闸管导通角的控制，限制并网时的冲击电流，从而得到一个较平滑的并网过程。晶闸管完全导通后，旁路接触器将其短路，风电机组进入稳态运行阶段。

PID控制器为线性控制器，其根据给定值r(t)与实际输出值c(t)构成控制偏差；所述的CMAC模型，见图3，是种前馈神经网络，具有信息分类存储的能力；所述的分类存储能力是CMAC模型将学习的数据存储在交叠的存储单元中，输出为相应激活单元数据的累加和，将实际与期望输出值比较，并根据学习算法修改已激活的存储单元内容，其权值调整公示为

$w_j^i=w_j^{i-1}+\∂C_s\left\{\frac{{[f\left(j\right)+1]}^{-k_0}}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{[f\left(j\right)+1]}^{-k_0}}\right\}(\stackrel{\‾}{y_s}-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{C}_s{w}_j^{i-1})---\left(1\right)$

式中：f(j)为第j个存储单元的学习次数；m为某状态激活的存储单元数；k₀是一平衡学习常数；

为经过第i次迭代后存储在第j个存储单元中的权值。由式(1)可知，f(j)越大，其存储的知识(先前学习的信息)越大。k₀越大，对学习次数f(j)较大的存储单元，其权值改变较少，网络学习中“记忆”即“已学习知识的保持”占主导地位；反之，当很小时，学习次数f(j)对信度分配的影响也较小这时网络学习中“遗忘”占主导地位。

本发明的优越性在于：1、采用CMAC+PID控制策略建立的异步风力发电机的软并网控制系统模型，能很好地控制并网冲击电流，使风电机组顺利并网，并且该软并网系统具有较好的稳定性、实时性；2、采用软并网系统通过软并网装置调节定子端电压，从而改变定子电流，进而改变电磁转矩，故适用于不同风速下的风电机并网。对大容量的兆瓦级风电机组的并网同样适用。

（四）附图说明：

图1为本实用新型所涉一种基于小脑模型神经网络PID控制的风电机组软并网控制系统的整体结构示意图。

图2为本实用新型所涉一种基于小脑模型神经网络PID控制的风电机组软并网控制系统中主电路结构示意图。

图3为本实用新型所涉一种基于小脑模型神经网络PID控制的风电机组软并网控制系统的CMAC神经网络模型示意图。

图4为本实用新型所涉一种基于小脑模型神经网络PID控制的风电机组软并网控制系统CMAC与PID并行控制结构工作原理示意图。

（五）具体实施方式：

实施例：一种基于小脑模型神经网络PID控制的风电机组软并网控制系统（见图1），包括风力发电系统和外部电网，其特征在于它包括监测单元、软并网装置和控制单元；其中，所述监测单元的输入的监测风力发电系统的信号，其输出端连接控制单元的输入端；所述软并网装置的输入端分别连接控制单元的输出端和电网线路，其输出端依然与电网线路连接，且与电网连接的输入端和输出端之间通过电力开关连接。

所述的风机是由叶片、齿轮箱、发电机以及监测单元组成；所述齿轮箱的输入端接收风力机的信号，其输出端连接异步发电机的输入端。

所述监测单元是由定子电流检测单元和转子转速检测单元构成；其中，所述定子电流检测单元的输入端采集风力发电机组的定子电流信号，其输出端连接控制单元；所述转子转速检测单元的输入端采集风电机组的转子转速信号，其输出端连接控制单元。

所述软并网装置的主电路（见图2）由3对反并联的晶闸管、断路器及其保护电路所组成；其中，所述3对反并联晶闸管在软并网过渡过程中，每一时刻，有两个晶闸管同时导通，构成一个导通回路；所述晶闸管串联于电机出线与电网之间，通过控制晶闸管的触发角调节电机的输入电压，最终限制电机电流，减少对电网的冲击；所述断路器由主断路器K1、断路器K2和断路器K3组成，其中，所述主断路器K1串联于电网与晶闸管之间；所述断路器K2并联于晶闸管两端，在软并网结束后闭合以减少主电路上器件的功耗；所述断路器K3为电机断路器，串接于发电机与晶闸管之间；所述保护电路是由并联在晶闸管两端的电阻和电容构成的吸收保护回路。

所述控制单元为CMAC与PID复合控制器，由CMAC模块和PID控制器构成。

Claims (5)

1.一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，包括风力发电系统和外部电网，其特征在于它包括监测单元、软并网装置和控制单元；其中，所述监测单元的输入的监测风力发电系统的信号，其输出端连接控制单元的输入端；所述软并网装置的输入端分别连接控制单元的输出端和电网线路，其输出端依然与电网线路连接，且与电网连接的输入端和输出端之间通过电力开关连接。

2.根据权利要求1所述一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，其特征在于所述的风机是由叶片、齿轮箱、发电机以及监测单元组成；所述齿轮箱的输入端接收风力机的信号，其输出端连接异步发电机的输入端。

3.根据权利要求1所述一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，其特征在于所述监测单元是由定子电流检测单元和转子转速检测单元构成；其中，所述定子电流检测单元的输入端采集风力发电机组的定子电流信号，其输出端连接控制单元；所述转子转速检测单元的输入端采集风电机组的转子转速信号，其输出端连接控制单元。

4.根据权利要求1所述一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，其特征在于所述软并网装置的主电路由3对反并联的晶闸管、断路器及其保护电路所组成；其中，所述3对反并联晶闸管在软并网过渡过程中，每一时刻，有两个晶闸管同时导通，构成一个导通回路；所述晶闸管串联于电机出线与电网之间，通过控制晶闸管的触发角调节电机的输入电压，最终限制电机电流，减少对电网的冲击；所述断路器由主断路器K1、断路器K2和断路器K3组成，其中，所述主断路器K1串联于电网与晶闸管之间；所述断路器K2并联于晶闸管两端，在软并网结束后闭合以减少主电路上器件的功耗；所述断路器K3为电机断路器，串接于发电机与晶闸管之间；所述保护电路是由并联在晶闸管两端的电阻和电容构成的吸收保护回路。

5.根据权利要求1所述一种基于小脑模型神经网络PID控制的风电机组软并网控制系统，其特征在于所述控制单元为CMAC与PID复合控制器，由CMAC模块和PID控制器构成。

Images