【技术实现步骤摘要】
本专利技术涉及一种控制方法，尤其是一种基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法，属于风电。
技术介绍
1、永磁同步风力发电机(pmsg)已广泛应用于风力发电系统，其变流器系统由机侧变流器(msc)和网侧变流器组成。
2、在低风速风电场，湍流强、风向多变、风速波动大，时常造成风电机组外界干扰的不确定性；而且，风电机组的长期运行也会导致电机自身参数发生变化，这些都给低风速永磁直驱风电机组的控制提出了巨大挑战。另一方面，对于低风速发电，必然要求整个风电机组的自身损耗低，但降低风力发电机及其变流器的损耗也是难题之一。因此，实现低风速永磁直驱风电机组的稳定控制，有效降低pmsg定子电流谐波和机侧变流器的自身损耗是实现风电机组高效运行的重要措施之一，因而msc的拓扑结构和控制方案非常重要。
3、目前，msc拓扑结构分为vsc和维也纳(vienna)整流器。后者因为其电压应力小、电能质量好且无死区时间，而在风电领域日益受到重视。但维也纳整流器需要平衡中点电压，且随着风速的增加，中点电压不平衡会越来越严重，如果控制不好，最终将损坏维也纳整流器。
4、对采用vienna整流器的直驱永磁风力发电机组(pgvr)来说，目前常用的控制方法有pid控制和模型预测控制(mpc)。pid控制可靠性高，易于编程，但由于其参数固定，所以很难在不同风速下都达到控制效果的最优。mpc通过设计适当的代价函数实现了pgvr机组的性能最优。但mpc是通过比较不同开关状态的代价大小来选择双向开关管下一时刻的动作，因此mpc
5、深度强化学习控制算法，有效结合了深度学习的感知能力和强化学习的决策能力，可以根据输入的信息进行控制，是一种更接近人类思维方式的人工智能控制方法。深度强化学习(drl)的奖励函数与mpc的代价函数类似，因此具有与mpc相同的优点。不过，drl控制相当于参数可随外部环境变化的特殊pid控制，且无需调制，因此其计算成本远低于mpc。此外，mpc的控制效果依赖于精确的数学模型和设备参数，而drl控制的最优动作是在随机和不确定的环境中通过探索和优化得到的，因此drl控制对内部参数失调和外部环境扰动都具有很强的鲁棒性。这种鲁棒性对pgvr的控制系统非常重要，因为其运行性能会受到风随机性的影响，而且风速越大，影响越大。作为drl最先进的训练算法之一，双延迟深度确定性策略梯度(td3)已被用于电力电子和电机控制，结果表明，td3控制在不确定环境下也具有较好的控制效果，因而尤其适用于存在未知时变干扰(如风速和风向存在波动性、不确定性)、长期运行后自身结构参数发生改变，并且具有非线性、强耦合特性的低风速永磁直驱风电机组。但目前深度强化学习控制在低风速永磁直驱风电机组方面的应用研究甚少。
技术实现思路
1、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深度强化学习td3算法和维也纳整流器的低风速永磁直驱风电机组控制方法，机侧变流器采用维也纳整流器，通过采用深度强化学习td3算法，根据pgvr在不同风速下的运行特性，实现降低定子侧电流谐波含量、减小机侧变流器自身损耗、中点电压平衡等多目标任务的最优控制，从而确保实现低风速永磁同步风力发电机及其机侧变流器的有效控制和高效运行。
2、为了达到以上目的，本专利技术所述低风速永磁直驱风电机组，包括：永磁同步风力发电机、机侧变流器、网侧变流器等；所述机侧变流器一端与所述永磁同步风力发电机的定子相连，另一端与所述网侧变流器相连。
3、所述机侧变流器为维也纳整流器,所述维也纳整流器包括三个滤波电感、三个双向开关单元、两个输出电容；所述三个滤波电感的一端分别与所述永磁同步风力发电机的定子三相绕组相连；所述两个输出电容为串联连接，其中，与所述维也纳整流器的直流输出端正极相连的输出电容称为上电容，与所述维也纳整流器的直流输出端负极相连的输出电容称为下电容。
4、本专利技术基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法，包括以下步骤：
5、步骤1，采用pid控制，设计所述机侧变流器的外环转速跟踪控制器，其输出为所述永磁同步风力发电机的定子电流的q轴分量iq的参考值iq*。
6、步骤2，采用深度强化学习td3算法，设计所述机侧变流器的内环电流跟踪及中点电压平衡控制器，具体如下：
7、21)根据所述低风速永磁直驱风电机组的环境状态构建基于td3算法的智能体：
8、所述环境状态包括风速vw、所述永磁同步风力发电机的实际转速n(t)及其参考值n(t)*、所述永磁同步风力发电机的定子电流的dq轴分量id及id的参考值id*、iq以及iq的参考值iq*、所述机侧变流器的上电容电压u1和下电容电压u2；将所述环境状态记为st，则有st＝[vw n(t)n(t)*id id*iq iq*u1 u2]。
9、所述智能体包括actor网络结构和critic网络结构，含有共计6个深度神经网络，具体为：
10、所述actor网络结构由策略网络actor主网络及其目标网络actor target网络组成。
11、所述actor主网络的输入是环境状态st，对所述actor主网络的输出添加动作探索噪声nt后得到动作at(st|θ)，其中，θ为所述actor主网络的权值参数，动作探索噪声nt服从正态分布；
12、所述actor target网络的输入是下一时刻的环境状态st+1，对所述actor target网络的输出添加目标平滑噪声ε得到下一时刻的动作估计值at+1(st+1|θm)，其中，θm为所述actor target网络的权值参数，ε服从正态分布；
13、所述critic网络结构由两套用于价值函数估算的评价网络组成，即critic主网络及其目标网络critic target网络其中s、a是对状态、深度神经网络的动作输入值的一般表示，θ、θm分别为actor网络及其目标网络actor target网络的权值参数；分别为critic主网络及其目标网络critic target网络的权值参数。
14、所述critic主网络根据当前所述actor主网络的输入st和输出动作at(st|θ)，分别输出价值函数所述critic target网络根据所述actor target网络的输入st+1和输出动作估计值at+1(st+1|θm)，分别输出目标价值函数
15、22)设计奖励函数：
16、所述奖励函数rt设计为：
17、
18、式中，r1、r2、r3分别为抑制定子电流谐波、中点电压平衡、直流输出电压的权重系数，用于对多个控制任务进行优先级划分，且三者之和等于1；udc为所述维也纳整流器的直流输出电压；h1～h4分别表示iq的实际值与其参考值iq*的差值、id的实际值与其参考值id*的差值、中点电压不平衡度、直本文档来自技高网...
【技术保护点】
1.基于TD3和维也纳整流器的低风速永磁直驱风电机组控制方法，所述低风速永磁直驱风电机组，包括：永磁同步风力发电机、机侧变流器、网侧变流器等；所述机侧变流器一端与所述永磁同步风力发电机的定子相连，另一端与所述网侧变流器相连；所述机侧变流器为维也纳整流器，所述维也纳整流器包括三个双向开关单元、两个输出电容；所述两个输出电容为串联连接，其中，与所述维也纳整流器的直流输出端正极相连的输出电容称为上电容，与所述维也纳整流器的直流输出端负极相连的输出电容称为下电容；其特征在于，采用如下步骤：
【技术特征摘要】
1.基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法，所述低风速永磁直驱风电机组，包括：永磁同步风力发电机、机侧变流器、网侧变流器等；所述机侧变流器一端与所述永磁同步风力发电机的定子相连，另一端与所述网侧变流器相连；所述机侧变流器为维也...
【专利技术属性】
技术研发人员：杜昱成，蔡彬，张维钰，邱雅兰，褚晓广，阚斌，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。