KR20130088573A - 풍력발전기의 센서리스 벡터 제어장치 - Google Patents

풍력발전기의 센서리스 벡터 제어장치 Download PDF

Info

Publication number
KR20130088573A
KR20130088573A KR1020120009898A KR20120009898A KR20130088573A KR 20130088573 A KR20130088573 A KR 20130088573A KR 1020120009898 A KR1020120009898 A KR 1020120009898A KR 20120009898 A KR20120009898 A KR 20120009898A KR 20130088573 A KR20130088573 A KR 20130088573A
Authority
KR
South Korea
Prior art keywords
voltage
magnetic flux
permanent magnet
inverter
neural network
Prior art date
Application number
KR1020120009898A
Other languages
English (en)
Inventor
김성환
Original Assignee
목포대학교산학협력단
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 목포대학교산학협력단 filed Critical 목포대학교산학협력단
Priority to KR1020120009898A priority Critical patent/KR20130088573A/ko
Publication of KR20130088573A publication Critical patent/KR20130088573A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K21/00—Synchronous motors having permanent magnets; Synchronous generators having permanent magnets
    • H02K21/02—Details
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/18—Estimation of position or speed
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

본 발명은 풍력발전기의 센서리스 벡터 제어장치에 관한 것으로, 구체적으로는 신경회로망을 이용하여 풍력발전기인 영구자석동기발전기(PMSG)의 회전자 위치 정보를 추정하고, 추정된 정보를 이용하여 상기 영구자석동기발전기의 벡터 제어를 수행하는 풍력발전기의 센서리스 벡터 제어장치에 관한 것이다.

Description

풍력발전기의 센서리스 벡터 제어장치{Method for sensoress vector control of aerogenerator}
본 발명은 풍력발전기의 센서리스 벡터 제어장치에 관한 것으로, 구체적으로는 신경회로망을 이용하여 풍력발전기인 영구자석동기발전기(PMSG)의 회전자 위치 정보를 추정하고, 추정된 정보를 이용하여 상기 영구자석동기발전기의 벡터 제어를 수행하는 풍력발전기의 센서리스 벡터 제어장치에 관한 것이다.
최근, 전세계적으로 대체 에너지에 대한 관심이 높아지면서 세계 각국에서는 태양광, 풍력발전 또는 연료전지를 포함하는 차세대 에너지원들을 연구 및 개발하고 있는 실정이다.
또한, 풍력발전장치는 풍력에 의해 회전하는 블레이드부, 상기 블레이드부가 회전하며 발생한 동력을 전달하는 동력전달부, 상기 동력전달부에서 전달된 동력을 이용하여 발전하는 발전부 및 상기 발전부에서 발전된 전력을 계통에서 사용할 수 있게 변환하는 전력변환부를 포함하여 이루어진다.
또한, 상기 발전부는 다양한 형태의 발전기로 구비할 수 있으며, 예컨대, 농형유도발전기, 권선형유도발전기 또는 영구자석동기발전기가 사용될 수 있다. 또한, 상기 영구자석동기발전기는 가용풍속범위가 넓고 증속기가 필요 없는 이점이 있어 최근 사용빈도가 증가하는 추세이다.
또한, 상기 영구자석동기발전기는 일반적으로 MPPT 제어(Maximum Power Point Tracking)에 의해 풍력을 최대한 이용할 수 있도록 속도를 제어할 수 있게 구비되며, 상기 영구자석동기발전기의 속도 제어방법으로는 3상 교류 전류를 회전자계와 동기화 시켜서 자속성분과 토크성분의 직류 성분으로 분리하여 제어하는 벡터 제어 방법이 주로 사용된다.
또한, 상기 벡터 제어 방법은 상기 영구자석동기발전기에 구비된 영구자석이 발생시키는 자속의 절대 위치, 즉 회전자의 절대 위치 정보를 정확하게 검출하여야 하는데, 상기 회전자의 절대 위치 정보를 획득하기 위하여 절대 위치 엔코더 또는 리졸버가 사용되었다.
한편, 상기 영구자석동기발전기와 같은 풍력발전기는 저속에서도 높은 전력을 발생하기 위해 다극으로 구성되어 있어 높은 해상도의 엔코더를 포함하는 위치 검출기가 사용되어야 하는데, 상기 엔코더에서 외부 환경적인 요인으로 이상 신호 또는 파손이 발생할 경우에는 잘못된 제어로 인하여 풍력발전기에서 시스템 정지 등의 위험 요소를 발생시키는 문제점이 있었다.
즉, 별도의 센서가 구비되지 않더라도 상기 위치 검출기와 같은 기능을 수행하고 상기 풍력발전기를 안정적으로 제어할 수 있는 센서리스 제어방법을 연구 및 개발할 필요성이 있다.
본 발명자들은 풍력발전기를 별도의 센서를 구비하지 않고 제어할 수 있도록 하고, 특히, 영구자석동기발전기에서 출력되는 전류 및 전압으로부터 회전자의 위치 정보 및 속도를 추정할 수 있도록 하고자 연구 노력한 결과, 풍력발전기의 센서리스 벡터 제어장치의 기술적 구성을 개발하게 되어 본 발명을 완성하게 되었다.
따라서, 본 발명의 목적은 별도의 센서를 구비하지 않더라도 영구자석동기발전기를 포함하는 풍력발전기에 구비된 회전자의 속도를 추정하고, 임의의 기설정된 속도로 제어할 수 있는 풍력발전기의 센서리스 벡터 제어장치을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위하여 본 발명은 영구자석동기발전기를 포함하는 풍력발전기의 센서리스 벡터 제어장치로써, 복수 개의 노드들로 이루어지고 각 노드는 임의의 값으로 기설정된 연결 강도로 연결되며, 상기 영구자석동기발전기에서 출력되는 전압 및 전류의 자속을 측정하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하는 신경회로망; 및 상기 신경회로망의 출력에 따라 상기 영구자석동기발전기로 PWM 신호를 출력하여, 상기 영구자석동기발전기의 벡터를 제어하는 인터버;를 포함하는 센서리스 벡터 제어장치를 제공한다.
바람직한 실시예에 있어서, 상기 신경 회로망은 상기 신경 회로망은 상기 영구자석동기발전기에서 출력되는 전압의 자속을 기준 자속으로 설정하고 전류의 자속을 추정 자속으로 설정하며, 상기 기준 자속과 상기 추정 자속 간의 오차를 연산하고 상기 연결 강도를 조절하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하도록 구비된다.
바람직한 실시예에 있어서, 상기 인터버는 전압형 PWM 인버터로 구비되고, 상기 전압형 PWM 인버터의 스위칭 소자가 스위칭 시 PWM 패턴 사이에 삽입된 데드 타임에 의한 오차 전압을 인버터 전향 기준치로 전향 보상하는 데드 타임 보상부;를 더 포함한다.
본 발명은 다음과 같은 우수한 효과를 가진다.
먼저, 본 발명의 일실시예에 따른 풍력발전기의 센서리스 벡터 제어장치에 의하면, 속도 및 위치 정보를 센서를 이용하지 않고 추정하는 신경회로망을 구비하고, 상기 신경회로망은 온라인 학습을 통해 실시간으로 PWM 인버터의 전류와 전압 정보를 이용하여 속도를 추정하여 풍력발전기의 벡터 제어를 수행할 수 있으므로, 센서의 이상 현상에 의한 풍력발전기의 위험 요소를 방지할 수 있고, 안정성을 향상시키는 효과를 얻을 수 있다.
도 1은 본 발명의 일실시예에 따른 풍력발전기의 센서리스 벡터 제어장치를 나타내는 블럭도.
도 2는 본 발명의 일실시예에 따른 신경 회로망을 나타내는 블럭도.
도 3은 본 발명의 일실시예에 따른 데드 타임 보상부를 나타내는 블럭도.
도 4는 본 발명의 일실시예에 따른 PWM 인버터에서 한 상에 대한 회로를 나타내는 회도로.
도 5는 PWM 인버터의 한 스위칭 주기동안 게이트 펄스와 전류 극성에 따른 인버터(120) 출력 전압 파형을 나타내는 도면.
본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.
이하, 첨부된 도면에 도시된 바람직한 실시예를 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
도 1은 본 발명의 일실시예에 따른 풍력발전기의 센서리스 벡터 제어장치를 나타내는 블럭도이며, 도 2는 본 발명의 일실시예에 따른 신경 회로망을 나타내는 블럭도이며, 도 3은 본 발명의 일실시예에 따른 데드 타임 보상부를 나타내는 블럭도이다.
도 1 내지 도 3을 참조하면, 본 발명의 일실시예에 따른 센서리스 벡터 제어장치는 신경 회로망(110), 인버터(120) 및 데드 타임 보상부(130)를 포함한다.
상기 신경 회로망(110)은 영구자석동기발전기(PMSG)에서 출력되는 전압 및 전류의 자속을 측정하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하는 것으로, 복수 개의 노드들로 이루어지고 각 노드는 임의의 값으로 기설정된 연결 강도로 연결되도록 구비된다.
상기 인버터(120)는 상기 신경 회로망(110)의 출력에 따라 상기 영구자석동기발전기로 PWM 신호를 출력하여, 상기 영구자석동기발전기의 벡터를 제어하기 위한 것으로, 본 발명의 일실시예에서는 전압형 PWM 인버터로 구비하였다.
상기 데드 타임 보상부(130)는 상기 전압형 PWM 인버터의 스위칭 소자가 스위칭 시 PWM 패턴 사이에 삽입된 데드 타임에 의한 오차 전압을 인버터(120) 전향 기준치로 전향 보상하도록 구비된다.
또한, 상기 신경 회로망(110)은 기계에 지능을 부여하는 방법의 하나로 인간의 두뇌작용을 모방하여 적응 학습을 통하여 스스로 지능을 축적하도록 구비되는 것으로, 학습을 통하여 연결 강도를 조절하여 수학적으로 모델을 구하기 어려운 비선형 시스템에서도 상기 비선형 시스템의 입,출력 특성을 나타낼 수 있다. 또한, 상기 신경 회로망(110)은 복수 개의 입력단 및 출력단이 구비됨으로써, 다변수 시스템의 모델링에 용이하며 입력되는 정보의 잡음 또는 왜곡에 대해 강인한 특성을 갖게 된다.
따라서, 상기 신경 회로망(110)은 패턴 인식, 음성 인식과 이미지 처리 분야에서 주로 사용되어 왔으며, 최근에는 비선형 다이내믹 시스템의 동정(identification)과 제어에 응용하고자 하는 연구가 이루어지고 있다.
또한, 상기 신경 회로망(110)은 퍼셉트론, 다층 퍼셉트론 또는 홉필드 네트워크 구조로 이루어질 수 있는데, 본 발명의 일실시예에 따른 유도발전기의 센서리스 제어장치에서 상기 신경 회로망(110)은 상기 다층 퍼셉트론으로 구비하였다.
또한, 상기 다층 퍼셉트론은 입력층과 출력층 사이에 하나 이상의 은닉층을 포함하며, 상기 입력층은 출력단이 상기 은닉층의 입력단에 연결되고 상기 은닉층의 출력단은 상기 출력층으로 연결되도록 구비된다.
또한, 상기 다층 퍼셉트론은 상기 입력층, 상기 은익층, 상기 출력층이 복수 개의 노드로 이루어지고 상기 노드들은 연결강도(weight)에 의해 연결되며, 상기 각 노드의 출력은 활성화 함수에 의해 결정되도록 구비된다.
또한, 상기 활성화 함수의 경우에는 연속이고, 미분가능하고 단조 증가해야 하며, 미분값을 계산하기 쉬워야 하는 특징을 갖는데, 바람직하게 상기 활성화 함수는 시그모이드 함수 또는 양방향 시그모이드 함수로 구비할 수 있다.
또한, 상기 시그모이드 함수는 출력이 0과 1사이의 값을 가지며, 아래의 수학식 1을 이용하여 계산된다.
Figure pat00001
여기서, δ는 시그모이드 함수의 기울기값이며, x는 시그모이드 함수의 입력값이다.
또한, 상기 양방향 시그모이드 함수는 출력이 -1과 1사이의 값을 가지며, 아래의 수학식 2를 이용하여 계산된다.
Figure pat00002
또한, 상기 다층 퍼셉트론은 학습을 통하여 연결 강도를 조절할 수 있게 구비되는데, 이때, 상기 다층 퍼셉트론은 역전파 알고리즘을 포함하는 교사 학습법 (Supervised Learning)을 이용하여 상기 연결 강도를 조절하도록 구비된다. 또한, 상기 역전파 알고리즘은 상기 교사 학습법 중 대표적인 학습 방법으로 단층 퍼셉트론에 사용되는 델타 규칙을 일반화시켜 입력층을 포함하는 상위층의 오차를 출력층을 포함하는 하위층으로 역전파하여 연결강도를 조절할 수 있게 한다.
또한, 상기 델타 규칙은 입출력 함수가 선형인 유니트(neuron)로 구성된 네트워크에 대하여 모든 입력 패턴으로부터 얻어지는 출력과 목표 출력과의 오차의 제곱의 총합이 최소가 되도록 최급 강하법(gradient descent method)을 이용하여 연결강도를 조절하도록 구비된다. 따라서, 상기 델타 규칙에 의해 상기 다층 퍼셉트론의 연결 강도가 계속 변화되면서 각 오차의 제곱은 계속 감소되고, 최종적으로 패턴 p의 입력에 대한 실제 출력이 목표 출력과 같아질 수 있게 된다.
또한, 상기 패턴 p에 대한 실제 출력과 목표 출력 사이의 오차의 제곱은 아래의 수학식 3을 이용하여 계산할 수 있다.
Figure pat00003
여기서 는 p번째 목표 출력의 j성분이고, 는 p번째 입력 패턴으로부터 계산된 실제 출력이다.
또한, 오차의 제곱을 감소시킬 수 있도록 연결 강도를 조절하는 최급강화법은 아래의 수학식 4를 이용하여 계산할 수 있다.
여기서,
Figure pat00005
는 연결 ji의 시점 유니트 출력이고,
Figure pat00006
는 비감소이며 미분가능한 활성화 함수다.
또한, 최급 하강을 위해서는 아래의 수학식 5를 이용하여, 연결 강도를 변화시킬 수 있다.
Figure pat00007
여기서, η는 학습률을 나타낸다.
또한, 각 층의 유니트에 대한 연결강도의 수정량을 계산하게 되는데, 이 중 출력층의 유니트(uj)인 경우에는 아래의 수학식 6을 이용하여 계산할 수 있다.
Figure pat00008
또한, 출력층의 유니트가 아닌 경우에는 아래의 수학식 7을 이용하여 상위층의 오차 신호(δpk)를 통해 계산하게 된다.
Figure pat00009
여기서, k는 유니트(uj)의 출력에 연결된 전체 유니트의 개수이다.
즉, 각 층을 이루는 모든 유니트(uj)에 대한 δpj를 계산할 수 있으며, 이로부터 모든 연결강도의 수정량을 구할 수 있게 된다.
또한, 본 발명의 일실시예에 따른 신경 회로망(110)은 전압 자속 관측부, 전류 자속 관측부 및 신경 회로부를 포함한다.
또한, 상기 전압 자속 관측부는 상기 영구자석동기발전기에서 출력되는 전압의 자속을 측정하고, 전압의 자속 모델인 전압 모델을 계산하도록 구비된다.
또한, 상기 전류 자속 관측부는 상기 영구자석동기발전기에서 출력되는 전류의 자속을 측정하고, 전류의 자속 모델인 전류 모델을 계산하도록 구비된다.
상기 신경 회로부는 상기 전압 모델을 입력받아 기준 자속으로 설정하고 상기 전류 모델을 입력받아 추정 자속으로 설정하며, 상기 기준 자속과 상기 추정 자속 간의 오차를 연산하고 상기 연결 강도를 조절하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하도록 구비된다.
또한, 상기 전압 모델은 아래의 수학식 8을 이용하여 계산할 수 있고, 상기 전류 모델은 아래의 수학식 9를 이용하여 계산할 수 있다.
Figure pat00010
Figure pat00011
또한, 상기 영구자석동기발전기의 전압 및 전류는 회전자측에서 측정되게 되므로 상기 전압 모델 또는 상기 전류 모델을 포함하는 자속 모델들은 상기 회전자축으로 표현될 수 있도록 구비하는 것이 바람직하다.
또한, 상기 영구자석동기발전기의 전압 및 전류를 관측할 수 있도록 두 개의 독립적인 자속 관측기를 구비하는 것이 바람직하고, wr성분이 포함되지 않은 전압 방정식을 기준 모델로, wr성분이 포함된 전류 방정식을 추정모델로 정의하는 것이 바람직하다.
이때, 신경 회로망(110)의 출력은 추정속도(
Figure pat00012
)로 정의되어 추정 모델의 입력으로 사용될 수 있다. 또한, 추정 속도와 실제 속도에 오차가 발생하면 결과적으로 기준 자속과 추정 자속에도 오차가 발생하게 되고, 그 오차는 신경 회로망(110)에 역전파되어 신경 회로망(110)을 온라인(on-line) 학습시킴으로써 신경 회로망(110)의 출력은 실제 속도를 추정하게 된다.
또한, 본 발명의 일실시예에서는 신경 회로망(110) 직접 적응 제어(Direct Adaptive Control)의 구조를 갖는 신경 회로망(110)을 구비하였다.
또한, 상기 신경 회로망(110)은 전압의 자속 모델인 전압 모델은 기준 모델로 설정하고, 전류의 자속 모델인 전류 모델은 플랜트(plant)로 설정하고, 상기 신경 회로망(110)의 출력은 상기 플랜트의 제어 입력으로 설정된다. 즉, 상기 신경 회로망(110)의 입력은 기준 모델의 출력(
Figure pat00013
)과 시간 지연항, 전류 모델의 출력
Figure pat00014
와 시간지연항, 그리고
Figure pat00015
의 시간지연항으로 구성될 수 있다.
또한, 상기 신경 회로망(110)의 입력 노드의 수가 증가하는 경우 학습에 많은 연산 시간이 소요됨에 따라, 본 발명의 일실시예에서는 3개의 입력 노드(
Figure pat00016
)를 설정하였다. 또한, 신경 회로망(110)의 은닉층의 개수는 5개로 설정하고, 상기 은닉층의 활성화 함수에는 양방향 시그모이드 함수인 tanh를 설정하였고, 상기 신경 회로망(110)의 출력층에서는 선형 함수를 설정하였다.
또한, 상기 신경 회로망(110)의 출력이 실제 속도를 추종하도록 오차 함수를 이용하여 아래의 수학식 10과 같이 계산된다.
Figure pat00017
또한, 상기 신경 회로망(110)에서 오차의 에너지 함수를 이용하여 아래의 수학식 11과 같이 계산된다.
Figure pat00018
또한, 상기 신경 회로망(110)에서 연결 강도의 변화량은 일반화 델타 규칙(Generalized Delta Rule)을 이용하여 아래의 수학식 12와 같이 계산된다.
Figure pat00019
즉, 상기 신경 회로망(110)은 역전파 학습 알고리즘을 이용하여 온라인 학습할 수 있게 구비되는 것이다.
또한, 상기 신경 회로망(110)에서 상기 출력층에 대한 δpj는 연쇄 법칙을 이용하여 오차의 에너지 함수로부터 아래의 수학식 13을 이용하여 계산된다.
Figure pat00020
여기서,
Figure pat00021
는 전류 모델의 Jacobian을 의미하는데, 이는, 아래의 수학식 14을 이용하여 근사화할 수 있다.
Figure pat00022
또한, 상기 신경 회로망(110)에서 상기 은닉층의 δpj는 상기 출력층의 오차 신호(δpk)를 이용하여 아래의 수학식 15와 같이 계산할 수 있다.
Figure pat00023
또한, 상기 신경 회로망(110)에서의 전체적인 학습 알고리즘은 먼저, 상기 연결 강도를 -0.5와 0.5 사이의 임의의 값으로 초기화하고, 다음, 전압 모델에서 기준 자속을 획득하고 전류 모델에서 추정 자속을 획득하며, 다음, 기준 자속과 추정 자속의 오차 연산하여 신경 회로망(110)의 연결 강도를 조절하며, 다음, 학습된 연결 강도를 이용하여 신경 회로망(110)의 출력 계산하도록 구비될 수 있다. 다시, 전압 모델에서 기준 자속을 획득하고 전류 모델에서 추정 자속을 획득하고 신경 회로망(110)의 연결 강도를 조절하는 과정을 반복할 수 있다.
도 4는 본 발명의 일실시예에 따른 PWM 인버터에서 한 상에 대한 회로를 나타내는 회도로이며, 도 5는 PWM 인버터의 한 스위칭 주기동안 게이트 펄스와 전류 극성에 따른 인버터(120) 출력 전압 파형을 나타내는 도면이다.
도 4 내지 도 5를 참조하면, 본 발명의 일실시예에서는 양방향 스위치를 갖는 PWM 인버터를 구비하게 되는데, 상기 인버터(120)의 스위칭 시 스위칭 소자의 턴-온, 턴-오프 시간 때문에 인버터(120) 브릿지의 단락 방지를 위하여 PWM 패턴 사이에는 시간 지연인 데드 타임(2 내지 5μs)이 필수적으로 삽입되어야 하는데, 상기 데드 타임에 의해 발생한 전압 오차는 인버터(120) 출력 전압의 파형을 왜곡시키고 기본파 성분을 감소시키며, 고조파를 발생시킨다. 따라서, 왜형된 인버터(120) 출력 전압은 결과적으로 전류 리플을 발생시키고 토크 리플을 증가시키게 되는데, 상기 데드 타임 보상부(130)가 이를 방지하게 되는 것이다.
또한, 상기 PWM 인버터의 출력 전압의 기준을 DC 전압의 중성점으로 설정하였고, 게이트 펄스(a), 데드타임이 삽입된 게이트 펄스(b) 및 인버터(120) 출력 전압 (c)을 나타낸다.
또한, 상기 데드 타임에 의해 상기 출력 전압은 전류의 극성에 따라 다른 형태를 갖게 되는데, 전류가 양의 방향일 경우 윗상 스위치(A+)가 턴-온되면 상기 데드 타임(Td)동안 아랫상 스위치의 다이오드(D-)를 통하여 전류가 흐르고, 스위칭 소자의 턴-온 시간(ton) 지연 후 윗상 스위치 (A+)를 통하여 전류가 흐르게 되어 Td + ton 시간의 인버터(120) 출력 전압 오차가 발생한다.
또한, 전류가 양의 방향일 경우 아랫상 스위치(A-)가 턴-온되면, 윗상 스위치(A+)로 흐르던 전류가 스위칭 소자의 턴-오프 시간(toff) 지연 후 아랫상 스위치의 다이오드(D-)를 통하여 흐르게 되어 toff 시간의 인버터(120) 출력 전압 오차가 발생한다.
또한, 상기 데드 타임에 의해 상기 출력 전압은 전류가 음의 방향일 경우 윗상 스위치(A+)가 턴-온되면, 아랫상 스위치(A-)로 흐르던 전류가 스위칭 소자의 턴-오프 시간(toff) 지연 후 윗상 스위치의 다이오드(D+)를 통하여 흐르게 되어 toff 시간의 인버터(120) 출력 전압 오차가 발생한다.
또한, 전류가 음의 방향일 경우 아랫상 스위치(A-)가 턴-온되면, 데드 타임(Td)동안 윗상 스위치의 다이오드(D+)를 통하여 전류가 흐르고, 스위칭 소자의 턴-온 시간(ton) 지연 후 아랫상 스위치(A-)를 통하여 전류가 흐르게 되어 Td + ton 시간의 인버터(120) 출력 전압 오차가 발생한다.
또한, 상기 PWM 인버터는 한 스위칭 주기동안 두 번의 커뮤테이션이 발생하게 되는데, 이때, 인버터(120) 출력 전압 기준치와 실제 출력 전압과의 평균 오차는 아래의 수학식 16을 이용하여 계산할 수 있다.
Figure pat00024
여기서, Td는 데드 타임값이고, Ton는 스위칭 소자의 턴-온 타임값이고, Toff는 스위칭 소자의 턴-오프 타임값이다.
또한, 데드 타임에 의한 인버터(120) 전압 오차는 전류 극성에 따라 일정한 크기로 나타나고, 상기 전압 오차를 3상 각각에 대한 인버터(120) 전압 기준치에 전향 보상하여 새로운 인버터(120) 전압 기준치를 생성함으로써 데드 타임의 영향을 제거할 수 있다.
또한, 본 발명의 일실시예에서는 인버터(120) 전압 기준치는 2상 회전 좌표계의 전류 제어 출력을 2상 정지 좌표계로 변환하였고, 데드타임 보상 전압 역시 2상 정지 좌표계에서 전향 보상하였으며, 3상 좌표계의 데드타임 보상 전압은 아래의 수학식 17을 이용하여 2상 정지 좌표계의 보상 전압으로 변환할 수 있다.
Figure pat00025
또한, 상기 수학식 는 Park's Transformation과 실질적으로 동일하며,
Figure pat00026
는 3상 정지 좌표계의 상전압 보상 성분으로 전류의 극성에 따라 오차 전압의 크기를 전향 보상한 값이다.
또한, 2상 회전 좌표계의 전류 기준치(I* ds, I* qs) 및 2상 정지 좌표계의 전류 기준치(Is * ds, Is * qs)는 아래의 수학식 18을 이용하여 계산할 수 있다.
Figure pat00027
여기서, I* s는 전류 벡터의 크기이고, φ는 전류벡터의 위상이며, we는 인버터(120) 출력주파수이다.
또한, 전류 벡터의 위상 φ는 2상 회전좌표계 전류와 인버터(120) 출력 주파수를 이용하여 아래의 수학식 19와 같이 계산할 수 있다.
Figure pat00028
또한, 2상 정지 좌표계에서의 데드 타임 보상 전압은 퓨리에 해석에 의하여 기본파와 기수차 고조파로 나뉘어지며, 기본파 보상 전압의 위상은 2상 정지 좌표계 전류 벡터의 위상과 동일하며, 데드타임 보상 전압을 퓨리에 해석하면 아래의 수학식 20과 같이 계산할 수 있다.
Figure pat00029
여기서, φ는 전류 벡터의 위상이다.
즉, 데드 타임 보상 전압에서 3차, 9차등과 같은 영상 전압은 나타나지 않으며, 고차 고조파는 인버터(120) 출력 전압 왜형에 큰 영향을 주지 않고 기본파, 5차, 7차의 저차 고조파만을 2상 정지 좌표계에서 전향 보상함으로써, 데드 타임에 의한 인버터(120) 출력 전압 파형의 왜곡을 제거할 수 있는 것이다.
따라서, 신경 회로망(110)을 이용하여 PMSG의 속도를 추정하고, 추정된 속도를 기반으로 센서리스 벡터 제어를 수행하며, 또한, 인버터(120) 전압을 왜형시키는 데드타임의 영향을 분석하고 인버터(120) 내부에 전향보상을 통하여 데드타임 효과를 보상하게 된다.
또한, 데드 타임 보상부(130)는 전류의 극성에 따라 3상 정지 좌표계에서 데드타임 전압을 보상하거나, 순시 게이트 펄스 시간을 조절함으로써, 전류가 영이 되거나 시스템 잡음 또는 센서의 부정확성으로 인하여 전류의 극성을 정확히 판별하지 못하던 문제점을 해결할 수 있다. 또한, 상기 데드 타임 보상부(130)는 별도의 하드웨어를 구비하지 않고도 컴퓨터에 저장되어 상기 인버터(120)를 제어하도록 기능하게 하는 프로그램으로 구비할 수도 있다.
이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
110 : 신경회로망 120 : 인터버
130 : 데드 타임 보상부

Claims (3)

  1. 영구자석동기발전기를 포함하는 풍력발전기의 센서리스 벡터 제어장치로써,
    복수 개의 노드들로 이루어지고 각 노드는 임의의 값으로 기설정된 연결 강도로 연결되며, 상기 영구자석동기발전기에서 출력되는 전압 및 전류의 자속을 측정하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하는 신경회로망; 및
    상기 신경회로망의 출력에 따라 상기 영구자석동기발전기로 PWM 신호를 출력하여, 상기 영구자석동기발전기의 벡터를 제어하는 인터버;를 포함하는 센서리스 벡터 제어장치.
  2. 제 1항에 있어서,
    상기 신경 회로망은 상기 영구자석동기발전기에서 출력되는 전압의 자속을 기준 자속으로 설정하고 전류의 자속을 추정 자속으로 설정하며, 상기 기준 자속과 상기 추정 자속 간의 오차를 연산하고 상기 연결 강도를 조절하여 상기 영구자석동기발전기의 회전자가 회전하는 실제 속도를 추정하도록 구비된 것을 특징으로 하는 센서리스 벡터 제어장치.
  3. 제 2항에 있어서,
    상기 인터버는 전압형 PWM 인버터로 구비되고,
    상기 전압형 PWM 인버터의 스위칭 소자가 스위칭 시 PWM 패턴 사이에 삽입된 데드 타임에 의한 오차 전압을 인버터 전향 기준치로 전향 보상하는 데드 타임 보상부;를 더 포함하는 것을 특징으로 하는 센서리스 벡터 제어장치.
KR1020120009898A 2012-01-31 2012-01-31 풍력발전기의 센서리스 벡터 제어장치 KR20130088573A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120009898A KR20130088573A (ko) 2012-01-31 2012-01-31 풍력발전기의 센서리스 벡터 제어장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120009898A KR20130088573A (ko) 2012-01-31 2012-01-31 풍력발전기의 센서리스 벡터 제어장치

Publications (1)

Publication Number Publication Date
KR20130088573A true KR20130088573A (ko) 2013-08-08

Family

ID=49214882

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120009898A KR20130088573A (ko) 2012-01-31 2012-01-31 풍력발전기의 센서리스 벡터 제어장치

Country Status (1)

Country Link
KR (1) KR20130088573A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016142599A1 (fr) * 2015-03-11 2016-09-15 Renault S.A.S Estimateur du couple fourni par une machine electrique destinee a la propulsion d'un vehicule automobile et procede associe
CN111130425A (zh) * 2019-12-23 2020-05-08 潍柴动力股份有限公司 死区补偿方法、装置、电机驱动器及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016142599A1 (fr) * 2015-03-11 2016-09-15 Renault S.A.S Estimateur du couple fourni par une machine electrique destinee a la propulsion d'un vehicule automobile et procede associe
FR3033640A1 (fr) * 2015-03-11 2016-09-16 Renault Sa Estimateur du couple fourni par une machine electrique destinee a la propulsion d'un vehicule automobile et procede associe
CN111130425A (zh) * 2019-12-23 2020-05-08 潍柴动力股份有限公司 死区补偿方法、装置、电机驱动器及存储介质
CN111130425B (zh) * 2019-12-23 2021-07-20 潍柴动力股份有限公司 死区补偿方法、装置、电机驱动器及存储介质

Similar Documents

Publication Publication Date Title
Jena et al. A review of estimation of effective wind speed based control of wind turbines
Maiti et al. An adaptive speed sensorless induction motor drive with artificial neural network for stability enhancement
Radzi et al. Neural network and bandless hysteresis approach to control switched capacitor active power filter for reduction of harmonics
Kim et al. Speed-sensorless vector control of an induction motor using neural network speed estimation
US9856857B2 (en) Method and relevant system for converting mechanical energy from a generator actuated by a turbine into electric energy
Lin Recurrent modified Elman neural network control of PM synchronous generator system using wind turbine emulator of PM synchronous servo motor drive
Yang et al. Mechanical sensorless maximum power tracking control for direct-drive PMSG wind turbines
Chen et al. Intelligent speed sensorless maximum power point tracking control for wind generation system
Qiao Intelligent mechanical sensorless MPPT control for wind energy systems
Çelik et al. Application of artificial neural network to estimate power generation and efficiency of a new axial flux permanent magnet synchronous generator
Mehreganfar et al. Sensorless predictive control method of three-phase AFE rectifier with MRAS observer for robust control
Drhorhi et al. Adaptive backstepping controller for DFIG-based wind energy conversion system
Wei et al. Sliding-mode observer-based sensorless direct power control of DFIGs for wind power applications
Saxena et al. An invasive weed optimization for sensor less control of grid integrated wind driven doubly fed induction generator
Merabet et al. Multivariable control algorithm for laboratory experiments in wind energy conversion
Parimalasundar et al. Artificial Neural Network‐Based Experimental Investigations for Sliding Mode Control of an Induction Motor in Power Steering Applications
KR20130088573A (ko) 풍력발전기의 센서리스 벡터 제어장치
Rahim Optimum relation based maximum power point tracking of a PMSG wind generator through converter controls
Lahfaoui et al. Modeling validation and MPPT technique of small wind PMSG turbines using DSPACE hardware
Heshmatian et al. A control scheme for maximizing the delivered power to the load in a standalonewind energy conversion system
Djoudi et al. Real time estimation of DFIG inductances and rotor currents
CN106374765B (zh) 一种无反向电动势传感器的逆变器控制系统的控制方法
Chakir et al. Output Feedback control of wind energy conversion system with hybrid excitation synchronous generator
Nahavandi et al. Improving performance of sensorless vector control using artificial neural network against parametric uncertainty
Dumnic et al. Artificial Intelligence Based Vector Control of Induction Generator Without Speed Sensor for Use in Wind Energy Conversion System

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination