一种基于双馈风电系统的BP神经网络优化混沌控制方法与流程

本发明涉及风能发电领域，特别涉及双馈风电系统控制策略优化。

背景技术：

目前双馈电机(dfig)研究主要集中在矢量控制调速及变速恒频运行上，有关电机混沌运动分析与控制研究则主要针对永磁同步电机，双馈电机的相关研究较少。实际上，在某些特定工作条件下，双馈电机系统亦会呈现混沌运行特性，可表现为定转子电流、转速及转矩的剧烈振荡，控制性能的不稳定，系统不规则电磁噪声等。目前的电机混沌现象研究，集中于混沌现象鉴别并预测此类非线性现象，采用经典理论难以解释。

反步法基本思想是将一个复杂的非线性系统分解成不超过系统阶数的子系统，然后为每个子系统设计lyapunov函数以及中间虚拟控制量，再一步一步回退至整个系统，最终将各个部分集成起来，完成整体控制律的设计。由于反步法的优越性，目前许多研究将反步法用于混沌系统的控制中。但反步法的效果受其控制参数的影响。神经网络是近几年高速发展的人工智能技术之一。神经网络迅速发展并且得到广泛应用，也越来越多的研究将神经网络用于各种控制优化当中。

技术实现要素：

本发明针对双馈风电系统的混沌现象及其控制问题，根据电机d-q轴数学模型，推导出解耦数学模型，并基于解耦模型，采用反步法设计系统控制器。通过bp神经网络建立控制参数模型进行拟合，寻出总体控制效果最佳的控制参数，使反步控制策略可使电机系统迅速达到稳定状态，实现双馈电机的与控制。

为了实现上述任务，本发明采用以下技术方案：

一种基于双馈风电系统的bp神经网络优化混沌控制方法，包括以下步骤：

步骤1，建立双馈风电系统解耦数学模型

首先建立双馈风电系统标准数学模型，该数学模型包括双馈感应发电机的电压同磁链方程，以及电机运动方程，在此基础上，建立双馈风电系统解耦数学模型；

步骤2，设计双馈风电系统的反步控制策略

利用反步法设计对转子d轴电流的反步控制器，以及设计对转子q轴电流与转速v的反步控制器；

步骤3，利用bp神经网络拟合优化解耦反步控制参数，实现对于双馈风电系统的控制效果优化。

进一步地，所述的双馈风电系统标准数学模型表示为：

双馈感应发电机的电压同磁链方程为：

电机运动方程如下：

其中ωs＝ω1-ωr；式中，ψsd、ψsq、usd、usq、isd、isq、rs分别为双馈电机定子的磁链的d轴分量、磁链的q轴分量电压的d轴分量、电压的q轴分量、电流的d轴分量、电流的q轴分量，电阻；ψrd、ψrq、urd、urq、ird、irq、rr分别为双馈电机转子的磁链的d轴分量、磁链的q轴分量、电压的d轴分量、电压的q轴分量、电流的d轴分量、电流的q轴分量；ls、lr为电机定转子电感，lm为等效绕组互感；j为发电机转动惯量，np为极对数，d为阻尼系数，tl为风机输入转矩，ω1、ωr、为同步转速、电机转子转速，转差角频率ωs＝ω1-ωr，ωr为转子角速度，上标·表示导数。

进一步地，所述的双馈风电系统解耦数学模型的建立过程包括：

采用电压定向方式，将双馈电机q轴定向于定子电压矢量us上，有如下近似关系：

据上式，令得到如下方程：

利用状态反馈解耦方程：

其中

又由：

可以得到双馈风电系统的解耦数学模型如式(7)：

式中，urd^*、urq^*分别为输入解耦控制器的控制信号。

进一步地，所述的利用反步法设计对转子d轴电流的反步控制器，包括：

假设方程(10)期望值为ωr^*，则定误差如下：

对上式求导，可得：

针对ird，结合式(8)，式(9)，设计式(10)：

则的控制率如下：

式(11)即对转子d轴电流的反步控制器的控制函数，其中k1为增益且大于零。

进一步地，所述的设计对转子q轴电流与转速v的反步控制器，包括：

结合式(8)，式(9)，设计式(14)：

式(14)里k2为增益且大于零。

构造李雅普诺夫函数如式(15)：

求导可得：

为使设定控制误差为e3：

对式(17)求导得到：

上式中，k3表示控制增益且大于零。

由上式推倒可以得到带数学方程如式(19)：

构造控制率为：

式(20)即为对转子q轴电流与转速v的反步控制器的控制函数；其中k3为增益且大于零。

进一步地，所述的利用bp神经网络拟合优化解耦反步控制参数，包括：

(1)构建bp神经网络；

(2)对bp神经网络进行训练，对控制参数k1、k2、k3制效果进行拟合；

(3)利用训练后的bp网络进行目标控制参数进行预测。

使用训练好的神经网络对三个控制参数进行拟合预测后，得到不同控制参数值下的转子d轴电流，q轴电流与转速v的响应时间大小，通过对比响应时间值大小，找出响应时间最短的对应控制参数k1、k2、k3值，从而得到控制效果最佳的控制参数。

本发明具有以下技术特点：

1.本发明通过建立双馈风电系统数学模型，结合状态反馈解耦，得到解耦数学模型，针对解耦数学模型提出解耦反步混沌控制策略，稳定性分析理论证实了系统的全局稳定。

2.针对解耦反步控制率的控制参数，利用bp网络进行拟合逼近，求解得令整体控制效果更佳的控制参数，实现对双馈风电系统的混沌脱离与稳定控制。

附图说明

图1为状态反馈解耦系统示意图；

图2为bp神经网络的原理示意图；

图3为bp神经网络拟合曲线图，其中(a)为转子d轴电流响应时间拟合图，(b)转子q轴电流响应时间拟合图，(c)为转速v响应时间拟合图；

图4为优化前后双馈电机转子d轴电流对比图；

图5为优化前后双馈电机转子q轴电流对比图；

图6为优化前后双馈电机转速v对比图。

具体实施方式

本发明公开了一种基于bp神经网络的双馈风电系统混沌运动控制策略优化方法，具体设计步骤如下：

步骤1，建立双馈风电系统解耦数学模型

首先建立双馈风电系统标准数学模型，该数学模型包括双馈感应发电机的电压同磁链方程，以及电机运动方程，在此基础上，建立双馈风电系统解耦数学模型，具体步骤如下：

步骤1.1，建立双馈风电系统标准数学模型

双馈感应发电机的电压同磁链方程为：

电机运动方程如下：

其中ωs＝ω1-ωr；式中，ψsd、ψsq、usd、usq、isd、isq、rs分别为双馈电机定子的磁链的d轴分量、磁链的q轴分量电压的d轴分量、电压的q轴分量、电流的d轴分量、电流的q轴分量，电阻；ψrd、ψrq、urd、urq、ird、irq、rr分别为双馈电机转子的磁链的d轴分量、磁链的q轴分量、电压的d轴分量、电压的q轴分量、电流的d轴分量、电流的q轴分量；ls、lr为电机定转子电感，lm为等效绕组互感；j为发电机转动惯量，np为极对数，d为阻尼系数，tl为风机输入转矩，ω1、ωr、为同步转速、电机转子转速，转差角频率ωs＝ω1-ωr，ωr为转子角速度，上标·表示导数。

步骤1.2，双馈风电系统解耦数学模型

采用电压定向方式，将双馈电机q轴定向于定子电压矢量us上，有如下近似关系：

据上式，令得到如下方程：

利用如图1所示的状态反馈解耦系统，对系统进行解耦：

其中a、b、c分别为反馈、输入、输出矩阵，1/s为积分模块，k与f为状态反馈矩阵和输入变换矩阵、由图1可以推导出：

其中

又由：

可以得到双馈风电系统的解耦数学模型如式(7)：

式中，urd^*、urq^*分别为输入解耦控制器的控制信号。

步骤2，设计双馈风电系统的反步控制策略

利用反步法设计对转子d轴电流ird的反步控制器，以及设计对转子q轴电流与转速v的反步控制器。反步法的基本步骤是从一个高阶系统的内核开始，设计虚拟控制律来保证内核系统的某种性能，如稳定性等。求解得到虚拟控制律之后，在保证既定性能的情况下，对所求取得到的虚拟控制率进行算法修正，进而设计出真正的镇定控制器，使系统达到期望的性能指标，从而实现对系统的调节或跟踪，使得系统能够达到预期的性能指标。具体步骤如下：

步骤2.1，设计对转子d轴电流的反步控制器

假设方程(10)期望值为ωr^*，通常期望值与ωr^*则根据外界无功需求与不同风速对应下电机转速而改变，此处可以为任意给定值。则定误差如下：

对上式求导，可得：

针对ird，结合式(8)，式(9)，设计式(10)：

则的控制率如下：

式(11)即对转子d轴电流的反步控制器的控制函数，其中k1为增益且大于零。给定期望值与加入控制器后使实际值稳定于给定期望值以实现控制过程。

构造李雅普诺夫函数如式(12)：

对式(12)求导并结合式(10)式可得：

从式(13)可以判断该子系统稳定。

步骤2.2，设计对转子q轴电流与转速v的反步控制器

结合式(8)，式(9)，设计式(14)：

式(14)里k2为增益且大于零。

构造李雅普诺夫函数如式(15)：

求导可得：

为使设定控制误差为e3：

对式(17)求导得到：

上式中，k3表示控制增益且大于零。

由上式推倒可以得到带数学方程如式(19)：

构造控制率为：

式(20)即为对转子q轴电流与转速v的反步控制器的控制函数；其中k3为增益且大于零。

结合上述公式，得到所构造的虚拟控制系统的状态方程为：

据式(21)，构造如下lyapunov函数：

对其求导并将式(21)代入可得：

由式(23)可以判断所设计控制率可以使系统稳定。

步骤3，利用bp神经网络拟合优化解耦反步控制参数，实现对于双馈风电系统的控制效果优化，具体步骤如下：

上面针对双馈电机混沌控制所设计的解耦反步控制率中，有k1、k2、k3三个参数，这三个参数数值变化都会影响响应时间等因素。因此如何找到最合适的控制参数，使响应时间快，整体控制效果最佳十分重要。最近几年，随着神经网络相关研究的发展，许多人将这两种方法结合起来，利用神经网络来对反步控制的控制参数初值进行优化，取得更佳的控制效果。

bp神经网络属于前馈型神经网络中的一种，由于其强大的学习拟合能力，可以对任何一种非线性的输入输出关系进行拟合。bp神经算法为了实现对于网络阀值以及权值的更正，利用照着目标函数下降最迅速的方向来对进行修正，达到让网络的误差值最小的目标。输入、隐含以及输出三层构成bp网络。首先是正向传播过程，输入样本通过输入、隐含以及输出层，再将正向传播得到的误差值通过反向传播，对网络的权值进行调整，最终实现拟合。通过正、反向传播的结合，便能够实现对任意连续非线性函数逼近的目的。

利用bp神经网络对解耦反步控制率相关参数进行优化的过程有三步，分别是

(1)构建bp神经网络；

(2)对bp神经网络进行训练，对控制参数k1、k2、k3制效果进行拟合；

(3)利用训练后的bp网络进行目标控制参数进行预测。

使用训练好的神经网络对三个控制参数进行拟合预测后，得到不同控制参数值下的转子d轴电流，q轴电流与转速v的响应时间大小，其中响应时间为转子d轴电流，q轴电流与转速v与给定期望值之差小于设定阈值时对应的时间点；通过对比响应时间值大小，找出响应时间最短的对应控制参数k1、k2、k3值，从而得到控制效果最佳的控制参数。

仿真结果验证：

(1)神经网络拟合

利用神经网络对不同k1、k2、k3参数下的ird,irq与v的响应时间进行拟合。

从图3可知，通过所构建的神经网络进行拟合，能够准确预测不同控制参数下的反步控制效果。通过网络拟合得出d轴，q轴以及转速的响应时间及后，通过对比找寻整体最优控制效果的对应控制参数。

(2)解耦反步控制策略效果

观察图4-6，可以发现，利用所涉及的解耦反步控制率可以使得双馈电机difg脱离混沌状态，达到给定的初始目标值。通过bp神经网络优化控制参数后，能够使difg更快地脱离混沌状态并达到给定初始目标值，控制效果更好。