一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法技术

本发明专利技术涉及一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法，属电气工程技术领域。该方法采用神经网络直接转矩控制策略，通过离线训练定子磁链神经网络，逼近定子磁链参考值与电磁转矩的关系曲线，实现变定子磁链参考值控制，控制永磁直驱型风力发电机的定子电流d轴分量i

【技术实现步骤摘要】
一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法


[0001]本专利技术涉及一种控制方法，尤其是一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法，属于风电


技术介绍

[0002]永磁直驱型风电机组通常采用背靠背结构的变流器，它包括机侧变流器和网侧变流器，其中机侧变流器一般采用电压源变流器VSC。为了提高系统响应的快速性，永磁直驱型风电机组的机侧变流器通常采用直接转矩控制(DTC)方法控制发电机的电磁转矩。传统的直接转矩控制采用乒乓控制方案，简单易行，但该方法使用滞环控制器，使得定子磁链和电磁转矩的控制始终存在一个误差带，导致永磁同步发电机定子侧产生大量谐波。定子电流中的谐波使得发电机电磁转矩脉动较大，将使风电机组产生额外的机械振动和扭振。此外，传统的直接转矩控制无法维持定子侧交流电流的d轴分量为零，这不仅可能导致永磁体产生退磁现象，还会增加风电机组机侧变流器本身的功率损耗。

技术实现思路

[0003]本专利技术的主要目的在于：针对上述现有技术存在的不足，本专利技术提供一种基于神经网络直接转矩控制的永磁直驱风本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法，包括以下步骤：步骤1，采用BP神经网络—PID控制策略设计转速跟踪控制器：11)确定所述BP神经网络的层数：所述神经网络包括1个输入层、1个隐含层、1个输出层，其中，所述输入层有3个输入向量x
j
(k)，j＝1,2,3，分别是所述永磁直驱型风力发电机的当前时刻转速参考值当前时刻转速测量值ω
r
(k)以及它们之间的偏差值(k)以及它们之间的偏差值即令x2(k)＝ω
r
(k)，x3(k)＝e(k)，k为当前时刻；所述隐含层有5个神经元；所述输出层有3个神经元；12)进行所述BP神经网络的前馈计算，获得所述隐含层的输出和所述输出层的输出：所述隐含层的第i个神经元(i＝1,2,3,4,5)当前时刻的输入s
i
、输出O
i2
(k)分别为：(k)分别为：式中，w
ij2
(k)是当前时刻所述输入层的第j个神经元与所述隐含层的第i个神经元之间的连接权重系数，f1(
·
)为隐含层的激励函数，采用双曲正切函数tanh；所述输出层的第l个神经元(l＝1,2，3)当前时刻的输入s
l
、输出O
l3
(k)分别为：(k)分别为：式中，w
li3
(k)是当前时刻所述隐含层的第i个神经元和所述输出层的第l个神经元之间的连接权重系数，f2(
·
)为所述输出层的激励函数，采用Sigmoid函数；令：令：令：13)将步骤12)得到的三个输出K
p
、K
i
、K
d
输入PID控制器，得到当前时刻所述转速跟踪控制器的输出y(k)为：步骤2，将所述永磁直驱型风力发电机的定子电压u
s
、定子电流i
s
经abc/αβ坐标变换分别得到αβ静止坐标系下的定子电压α轴分量u
sα
、β轴分量u
sβ
和定子电流α轴分量i
sα
、β轴分量i
sβ
；同时将所述永磁直驱型风力发电机的定子电流经abc/dq坐标变换得到dq旋转坐标系下
的定子电流d轴分量i
sd
和q轴分量i
sq
；由此计算得到所述永磁直驱型风力发电机的定子磁链矢量ψ
s
的α轴分量ψ
sα
和β轴分量ψ
sβ
：式中，R
s
为所述永磁直驱型风力发电机的定子绕组的等效电阻，t为时间；同时计算得到所述永磁直驱型风力发电机的电磁转矩T
e
：式中，P为所述永磁直驱型风力发电机的极对数；步骤3，将步骤1得到的y(k)作为当前时刻所述永磁直驱型风力发电机的电磁转矩参考值然后将此与步骤2得到的电磁转矩T
e
作差，进行比较后输入PI控制器，得到转矩角δ，即所述永磁直驱型风力发电机的定子磁链矢量ψ
s
与转子磁链矢量之间的夹角；步骤4，构建定子磁链神经网络模型，通过离线训练，使其逼近所述永磁直驱型风力发电机的定子磁链幅值参考值与电磁转矩T
e
的关系曲线，实现零d轴电流控制，具体步骤为：41)令步骤2得到的所述永磁直驱型风力发电机的定子电流d轴分量i
sd
＝0...

【专利技术属性】
技术研发人员：田玉蓉，蔡彬，邱雅兰，谌义喜，褚晓广，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：