基于模糊性能估计器的风能转换系统反馈控制.pdf

摘要
申请专利号：	CN201210164955.1	申请日：	2012.05.25
公开号：	CN102705158A	公开日：	2012.10.03
当前法律状态：	撤回	有效性：	无权
法律详情：	发明专利申请公布后的视为撤回IPC(主分类):F03D 7/00申请公布日:20121003\|\|\|实质审查的生效IPC(主分类):F03D 7/00申请日:20120525\|\|\|公开
IPC分类号：	F03D7/00	主分类号：	F03D7/00
申请人：	江南大学
发明人：	吴定会; 王莉; 李意扬; 沈艳霞; 赵芝璞; 潘庭龙; 纪志成
地址：	214122 江苏省无锡市蠡湖大道1800号江南大学
优先权：
专利代理机构：		代理人：
PDF下载：	PDF下载

内容摘要

本发明公开了一种基于模糊性能估计器的风能转换系统反馈控制方法，本发明针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊性能估计器的T-S模糊状态反馈控制系统，属于反馈控制领域。首先给出了风能转换系统的非线性模型和T-S模糊模型，其次基于风能转换系统T-S模糊模型设计了系统的模糊性能估计器，然后在每个线性的局部模型中分别设计线性控制器，并利用隶属度函数构成整个全局模型的模糊状态反馈控制器。其优点是：基于模糊性能估计器来设计控制器，保证闭环控制系统具有良好的跟踪性能，同时，可获得较好的动态性能及稳态性能。

权利要求书

1. 基于模糊性能估计器的风能转换系统反馈控制，其特征是：
第一步：基于模糊性能估计器的风能转换系统的T-S模糊模型考虑到上述风能转换系统的建模过程，并假设风速采用VanderHoven风速模型，则风
能转换系统的状态方程可以表示为

其中，Jt为高速轴端的转动惯量，值为u(t)为电磁转矩的参考值，ωo(t)为高斯白噪声，C＝[10]。
由状态方程中的风力转矩Γ(Ω/i，v)和[01/T]T
T
可知该模型具有非线性的特点。
令x(t)＝[Ωh(t)ΓG(t)]，y＝Ωh(t)则式(1)可简记为

其中，输入矩阵为B(x(t))＝[01/T]T，系统矩阵为
根据式(1)，定义前提变量：z1(t)＝Ωh(t)，z2(t)＝ΓG(t)，则式(2)中的系统矩阵A(x(t))可写成新形式A(z1(t)，z2(t))。取Ωh1≤min(Ωh(t))，Ωhm≥max(Ωh(t))；ΓG1≤min(ΓG(t))，ΓGn≥max(ΓG(t))。其中，Ωh1和Ωhm分别是转速的最小值和最大值，ΓG1和ΓGn为发电机电磁转矩的最小值和最大值。分别在区间[Ωh1，Ωhm]，[ΓG1，ΓGn]上再取m-2个点和n-2个点，则形成两个序列
Z1＝(Ωh1，Ωh2，...，Ωhp，...Ωhm)，Z2＝(ΓG1，ΓG2，...，ΓGq，...ΓGn)，其中，p＝1，

2， ...，m，q＝1，2，...，n。
将序列Z1，Z2中的元素彼此匹配，并代替式(2)中A(z1(t)，z2(t))中的z1(t)，z2(t)，即可得到一系列常数矩阵Apq，p＝1，2，...，m，q＝1，2，...，n。定义模糊规则如下

其中，Ri为第i条模糊规则，规则数L＝m×n，i＝1，2，...，L，i＝m×(p-1)+q，i为
p，q的函数，故定义i＝i(p，q)。所以Ai＝Ai(p，q)＝Apq。
给定输入对(z(t)，u(t))，采用单点模糊化、乘积推理和平均加权反模糊化，可得模糊系统的整个状态方程如下

T T
其中， B1＝BL＝[050]，C1＝CL＝[10]，
μi(zt(t))为在第i条模糊规则下前提变量zt(t)，t＝1，2在其所对应的模糊论域上的隶属度函数。
根据(3)，(4)可将(2)表达为

其中，ω＝ωo+ΔA为外部干扰和建模误差，为系统的建模误差。第二步风能转换系统模糊性能估计器的设计
根据系统的模糊模型(3)，并令系统的输出为y＝Cx(t)，采用L模糊规则构建模糊性能估计器，
定义模糊性能估计器的模糊规则如下

其中，为模糊性能估计器的状态变量，用于消除外部扰动和建模误差，Mi(i＝1，2...，L)和分别表示模糊性能估计器的增益和输出。
模糊性能的估计器的整体模型为

定义状态跟踪误差

将(6)和(7)式分别带入(8)式两边同时微分可得
下面讨论如何设计Mi及v，使系统的状态跟踪误差满足H∞性能指标函数对于任意的线性模型，通过配置Aij＝Ai-MiCj的特征值到期望值，确定Mi；根据定理1
计算v。
定理1对于FPE的误差方程(9)，对于给定的γ＞0，如果存在矩阵Y及正定矩阵P＝
PT＝Q-1，使得如下矩阵不等式成立

-1
那么对于i，j＝1，2，...，L，式(10)能够满足，并且Kv＝YQ。
第三步：风能转换系统模糊控制器的设计考虑以下参考模型

其中，x(t)＝[Ω(t)Γ(t)]T
为参考模型的状态变量， Br＝[0
50]T，r为电磁转矩的参考值控制目的为跟踪参考模型的轨迹。定义FPE和参考模型之间的状态误差为

由(7)，(12)，(13)联立可得

控制律u(t)可描述为
u(t)＝uf-v+ur (15)
其中，uf表示模糊控制输入量，v用于消除外部扰动和建模误差，ur为跟踪误差补偿量。
v可以通过定理1求得，下面讨论uf和ur的设计方法：针对系统(13)，控制器输入的第i条规则为

THENuif＝-Kicεi＝1，2，3...L
整体的模糊状态反馈控制律可表示为

其中，增益Kic未知。
将式(17)带入(14)可得
(18)

故ur的最小二乘解为：

定义误差

因此，(18)可以写成

定理2对于式(21)，对于给定的ρ＞0，如果存在矩阵Yi及正定矩阵，使得如下矩阵不等式成立

那么对于i，j＝1，2，...，L，以下H性能指标函数能够满足，并且K ＝YQ-1
。

说明书

基于模糊性能估计器的风能转换系统反馈控制
技术领域
[0001] 本发明针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊性能估计器的T-S模糊状态反馈控制系统，属于反馈控制领域。
背景技术
[0002] 风能是一种蕴藏丰富、分布广泛、清洁可再生能源，也是最重要的替代能源之一。风力发电技术，是产业成熟度最好、市场竞争力最强、最容易实现商业化的可再生能源技术。大力发展风力发电对保护生态环境、改善能源结构、促进可持续发展都具有积极意义，许多国家都把大力发展风电纳入国家发展计划。如何最大程度的利用风能，一直是各国科研人员的研究重点。
[0003]T-S模糊模型是Takagi和Sugeno于1985年提出的一种新的模糊推理模型。T-S模型的模糊规则的“工F”部分与zadeh规则的“IF”部分相似。但它的“THEN”部分是精确函数，通常是输入变量多项式。T-S型模糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数。因此，T-S模型可用少量的模糊规则生成较复杂的非线性函数，这在处理多变量系统时能有效地减少模糊规则个数，因而产生巨大的优越性。但是，由于结论参数是线性函数而非模糊数，在实际系统中结论部分不能直接从专家经验和操作数据中得到，必须通过一定的算法进行训练。因此，模型参数的辨识成为建立T-S型模糊系统的主要问题。
发明内容
[0004] 本发明的目的是针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊性能估计器的T-S模糊状态反馈控制系统，实现了风能转换系统模型的模糊动态化，并成功减小了建模误差和外界扰动影响。
[0005] 本发明的优点是：基于模糊性能估计器状态反馈控制能将系统功率系数和叶尖速比控制在最优值附近，实现了额定风速下风能捕获的最大化。
附图说明
[0006] 图1为基于DFIG的风力发电机组；
[0007] 图2为风能转换系统闭环控制结构示意图；
[0008] 图3为DSP+FPGA风能转换系统模糊状态反馈控制器。
具体实施方式
[0009] 下面结合附图和实施例对本发明作进一步说明。
[0010] 基于双馈发电机(DFIG)的风力发电机组主要由三部分组成：风轮机，传动系统，DFIG。风轮机捕捉风能，将风能转换成机械能，使风轮机转动，经传动系统带动DFIG转子旋转，从而产生电能，经交直交变换器输送到电网中。图1是基于DFIG的风力发电机组的基
本结构。
[0011]第一，给出了双馈风力发电系统中的风轮机、传动系统数学模型；
[0012]风轮机模型：
[0013]根据贝兹理论，风轮机产生的机械功率为
[0014]
[0015]其中，ρ为空气密度，Rt为风轮机风轮半径，v(t)为风速；Cp(λ(t)，β(t))为风能转换系数，是叶尖速比λ(t)和桨叶节距角β(t)的函数。叶尖速比λ(t)为风轮叶尖线速度与风速之比，即λ(t)＝Ωl(t)·Rt/v(t)，Ωl(t)为风轮的机械角速度。
[0016]传动系统模型：
[0017]风力发电系统的传动系统的运动方程如下
[0018]
[0019] 其中，Ωh(t)为发电机转子转速，Ωh(t)＝io×Ωl(t)，io为齿轮变速比，η为齿轮效率；Jh、Jl分别为传动系统高速轴端和低速轴端的总转动惯量。
[0020] 第二，建立风能转换系统的T-S模糊模型，并针对新的风能转换系统模型设计模糊性能评估器和模糊状态反馈控制器；
[0021]风能转换系统的T-S模糊模型：
[0022] 考虑到上述风能转换系统的建模过程，并假设风速采用VanderHoven风速模型，则风能转换系统的状态方程可以表示为
[0023]

[0024] 其中，Jt为高速轴端的转动惯量，值为u(t)为电磁转矩的参考值，ωo(t)为高斯白噪声，C＝[10]。
[0025] 由状态方程中的风力转矩Γ(Ω/i，v)和[01/T]T
特点。
可知该模型具有非线性的
[0026]令x(t)＝[Ω(t)Γ(t)]T，y＝Ω(t)则式(3)可简记为
[0027]
[0028]其中，输入矩阵为B(x(t))＝[01/T]T，系统矩阵为[0029]根据式(3)，定义前提变量：z1(t)＝Ωh(t)，z2(t)＝ΓG(t)，则式(4)中的系统矩阵A(x(t))可写成新形式A(z1(t)，z2(t))。取Ωh1≤min(Ωh(t))，Ωhm≥max(Ωh(t))；
ΓG1≤min(ΓG(t))，ΓGn≥max(ΓG(t))。其中，Ωh1和Ωhm分别是转速的最小值和最大值，ΓG1和ΓGn为发电机电磁转矩的最小值和最大值。分别在区间[Ωh1，Ωhm]，[ΓG1，ΓGn]上再取m-2个点和n-2个点，则形成两个序列
[0030] Z1＝(Ωh1，Ωh2，...，Ωhp，...Ωhm)，Z2＝(ΓG1，ΓG2，...，ΓGq，...ΓGn)，其中，p
＝1，2，...，m，q＝1，2，...，n。
[0031] 将序列Z1，Z2中的元素彼此匹配，并代替式(4)中A(z1(t)，z2(t))中的z1(t)，
z2(t)，即可得到一系列常数矩阵Apq，p＝1，2，...，m，q＝1，2，...，n。定义模糊规则如下
[0032]

[0033] 其中，Ri为第i条模糊规则，规则数L＝m×n，i＝1，2，...，L，i＝m×(p-1)+q，
i为p，q的函数，故定义i＝i(p，q)。所以Ai＝Ai(p，q)＝Apq。
[0034] 给定输入对(z(t)，u(t))，采用单点模糊化、乘积推理和平均加权反模糊化，可得模糊系统的整个状态方程如下
[0035]
T T
[0036] 其中， B1＝BL＝[050]，C1＝CL＝[10]，
μi(zt(t))为在第i条模糊规则下前提变量zt(t)，t＝1，2在其所对应的模糊论域上的隶属度函数。
[0037] 根据(5)，(6)可将(4)表达为
[0038]
[0039] 其中，ω＝ωo+ΔA为外部干扰和建模误差，为系统的建模误差。
[0040] 风能转换系统模糊性能估计器的设计：
[0041] 根据系统的模糊模型(5)，并令系统的输出为y＝Cx(t)，采用L模糊规则构建模糊性能估计器，
[0042] 定义模糊性能估计器的模糊规则如下
[0043]

[0044] 其中，为模糊性能估计器的状态变量，用于消除外部扰动和建模误差，Mi(i＝1，2...，L)和分别表示模糊性能估计器的增益和
输出。
[0045] 模糊性能的估计器的整体模型为
[0046] [0047] 定义状态跟踪误差
[0048] [0049] 将(8)和(9)式分别带入(10)式两边同时微分可得
[0050] [0051] 下面讨论如何设计Mi及v，使系统的状态跟踪误差满足H∞性能指标函数
[0052]
[0053] 对于任意的线性模型，通过配置Aij＝Ai-MiCj的特征值到期望值，确定Mi；根据定理1计算v。
[0054] 定理1对于FPE的误差方程(11)，对于给定的γ＞0，如果存在矩阵Y及正定矩阵P＝PT＝Q-1，使得如下矩阵不等式成立
[0055]
-1
[0056] 那么对于i，j＝1，2，...，L，式(12)能够满足，并且Kv＝YQ。
[0057] 风能转换系统模糊控制器的设计：
[0058] 考虑以下参考模型
[0059]
[0060] 其中，x(t)＝[Ω(t)Γ(t)]T
为参考模型的状态变量， Br＝[0
50]T，r为电磁转矩的参考值控制目的为跟踪参考模型的轨迹。定义FPE和参考模型之间的状态误差为
[0061] [0062] 由(9)，(14)，(15)联立可得
[0063] (16)
[0064] [0065] 控制律u(t)可描述为
[0066] u(t)＝uf-v+ur (17)
[0067] 其中，uf表示模糊控制输入量，v用于消除外部扰动和建模误差，ur为跟踪误差补偿量。v可以通过定理1求得，下面讨论uf和ur的设计方法：
[0068] 针对系统(15)，控制器输入的第i条规则为
[0069]THENuif＝-Kicεi＝1，2，3...L(18)
[0070]整体的模糊状态反馈控制律可表示为
[0071] [0072] 其中，增益Kic未知。
[0073]将式(19)带入(16)可得
[0074] [0075]
[0076]故ur的最小二乘解为：
[0077] [0078] 定义误差
[0079]

[0080]因此，(20)可以写成
[0081]
[0082] 定理2对于式(23)，对于给定的ρ＞0，如果存在矩阵Yi及正定矩阵使得如下矩阵不等式成立
[0083]
[0084]那么对于i，j＝1，2，...，L，以下H∞性能指标函数能够满足，并且Kic＝YQδ
[0085]
[0086]第三，将上述的模糊性能估计器模块在一片FPGA芯片EP1C6T144C8上实现。FPGA的输入为与风电控制系统的输出功率相对应得电磁转矩的数字量信号，输出为最优速度参考值对应的数字量。
[0087]由图1可知，风机、齿轮箱、双馈电机、转子侧变换器、网侧变换器、电容、变压器及电网构成了并网型双馈风电系统的本体模块。将本发明嵌入到并网型双馈风电系统中，整个控制系统控制框图如图3所示。控制器采用DSP+FPGA结构，两者之间通过SPI口进行通信，DSP作为主控制器，FPGA为从控制器。采用的DSP为TI公司的TMS320F2812，主要完成转子侧变换器和网侧变换器的矢量控制、风速、电机速度以及实际输出功率的测量计算，并将相应指标参数予以显示，同时根据实时风速等信息控制变浆系统。
[0088]隔离驱动电路将PWM信号隔离放大后驱动转子侧和网侧变换器；双馈电机定子侧输出的电压、电流信号经过处理电路后生成电压电流的过零信号以及适合于F2812的AD输入范围的测量信号，分别连接到F2812的捕获单元及AD单元，以供DSP进行功率计算，最终求出当前双馈电机的电磁转矩，并通过SPI口传送给FPGA。
[0089] 基于FPE的风能转换系统模糊状态反馈控制算法在FPGA中实现，采用图2所示的风能转换系统闭环控制结构示意图。根据F2812实际测算的电磁转矩及参考电磁转矩计算
出最优速度参考值，通过SPI接口传回DSP，作为双馈电机速度闭环控制的参考值，与QEP单元实际捕获的速度形成速度闭环控制。

资源描述

《基于模糊性能估计器的风能转换系统反馈控制.pdf》由会员分享，可在线阅读，更多相关《基于模糊性能估计器的风能转换系统反馈控制.pdf（13页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 102705158 A(43)申请公布日 2012.10.03CN102705158A*CN102705158A*(21)申请号 201210164955.1(22)申请日 2012.05.25F03D 7/00(2006.01)(71)申请人江南大学地址 214122 江苏省无锡市蠡湖大道1800号江南大学(72)发明人吴定会王莉李意扬沈艳霞赵芝璞潘庭龙纪志成(54) 发明名称基于模糊性能估计器的风能转换系统反馈控制(57) 摘要本发明公开了一种基于模糊性能估计器的风能转换系统反馈控制方法，本发明针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊。

2、性能估计器的T-S模糊状态反馈控制系统，属于反馈控制领域。首先给出了风能转换系统的非线性模型和T-S模糊模型，其次基于风能转换系统T-S模糊模型设计了系统的模糊性能估计器，然后在每个线性的局部模型中分别设计线性控制器，并利用隶属度函数构成整个全局模型的模糊状态反馈控制器。其优点是：基于模糊性能估计器来设计控制器，保证闭环控制系统具有良好的跟踪性能，同时，可获得较好的动态性能及稳态性能。(51)Int.Cl.权利要求书4页说明书6页附图2页(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书 4 页说明书 6 页附图 2 页1/4页21.基于模糊性能估计器的风能转换系统反馈。

3、控制，其特征是：第一步：基于模糊性能估计器的风能转换系统的T-S模糊模型考虑到上述风能转换系统的建模过程，并假设风速采用Van der Hoven风速模型，则风能转换系统的状态方程可以表示为其中，Jt为高速轴端的转动惯量，值为 u(t)为电磁转矩的参考值，o(t)为高斯白噪声，C1 0。由状态方程中的风力转矩wt(h/io，v)和0 1/TGT可知该模型具有非线性的特点。令x(t)h(t)G(t)T，yh(t)则式(1)可简记为其中，输入矩阵为B(x(t)0 1/TGT，系统矩阵为根据式(1)，定义前提变量：z1(t)h(t)，z2(t)G(t)，则式(2)中的系统矩阵A(x(t)可写成新形式。

4、A(z1(t)，z2(t)。取h1min(h(t)，hmmax(h(t)；G1min(G(t)，Gnmax(G(t)。其中，h1和hm分别是转速的最小值和最大值，G1和Gn为发电机电磁转矩的最小值和最大值。分别在区间h1，hm，G1，Gn上再取m-2个点和n-2个点，则形成两个序列Z1(h1，h2，.，hp，.hm)，Z2(G1，G2，.，Gq，.Gn)，其中，p1，2，.，m，q1，2，.，n。将序列Z1，Z2中的元素彼此匹配，并代替式(2)中A(z1(t)，z2(t)中的z1(t)，z2(t)，即可得到一系列常数矩阵Apq，p1，2，.，m，q1，2，.，n。定义模糊规则如下其中，Ri为。

5、第i条模糊规则，规则数Lmn，i1，2，.，L，im(p-1)+q，i为p，q的函数，故定义ii(p，q)。所以AiAi(p，q)Apq。给定输入对(z(t)，u(t)，采用单点模糊化、乘积推理和平均加权反模糊化，可得模糊系统的整个状态方程如下权利要求书CN 102705158 A2/4页3其中，B1BL0 50T，C1CL1 0T， i(zt(t)为在第i条模糊规则下前提变量zt(t)，t1，2在其所对应的模糊论域上的隶属度函数。根据(3)，(4)可将(2)表达为其中，o+A为外部干扰和建模误差，为系统的建模误差。第二步风能转换系统模糊性能估计器的设计根据系统的模糊模型(3)，并令。

6、系统的输出为yCx(t)，采用L模糊规则构建模糊性能估计器，定义模糊性能估计器的模糊规则如下其中，为模糊性能估计器的状态变量，用于消除外部扰动和建模误差，Mi(i1，2.，L)和分别表示模糊性能估计器的增益和输出。模糊性能的估计器的整体模型为定义状态跟踪误差将(6)和(7)式分别带入(8)式两边同时微分可得下面讨论如何设计Mi及v，使系统的状态跟踪误差满足H性能指标函数对于任意的线性模型，通过配置AijAi-MiCj的特征值到期望值，确定Mi；根据定理1权利要求书CN 102705158 A3/4页4计算v。定理1对于FPE的误差方程(9)，对于给定的0，如果存在矩阵Y及正定矩阵。

7、PPTQ-1，使得如下矩阵不等式成立那么对于i，j1，2，.，L，式(10)能够满足，并且KvYQ-1。第三步：风能转换系统模糊控制器的设计考虑以下参考模型其中，xr(t)hr(t)Gr(t)T为参考模型的状态变量，Br0 50T，r为电磁转矩的参考值控制目的为跟踪参考模型的轨迹。定义FPE和参考模型之间的状态误差为由(7)，(12)，(13)联立可得控制律u(t)可描述为u(t)uf-v+ur(15)其中，uf表示模糊控制输入量，v用于消除外部扰动和建模误差，ur为跟踪误差补偿量。v可以通过定理1求得，下面讨论uf和ur的设计方法：针对系统(13)，控制器输入的第i条规则为THEN ui。

8、f-Kic i1，2，3.L整体的模糊状态反馈控制律可表示为其中，增益Kic未知。将式(17)带入(14)可得(18)故ur的最小二乘解为：定义误差权利要求书CN 102705158 A4/4页5因此，(18)可以写成定理2对于式(21)，对于给定的0，如果存在矩阵Yi及正定矩阵，使得如下矩阵不等式成立那么对于i，j1，2，.，L，以下H性能指标函数能够满足，并且KicYQ-1。权利要求书CN 102705158 A1/6页6基于模糊性能估计器的风能转换系统反馈控制技术领域0001 本发明针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊性能估计器的T-S模糊状态反馈。

9、控制系统，属于反馈控制领域。背景技术0002 风能是一种蕴藏丰富、分布广泛、清洁可再生能源，也是最重要的替代能源之一。风力发电技术，是产业成熟度最好、市场竞争力最强、最容易实现商业化的可再生能源技术。大力发展风力发电对保护生态环境、改善能源结构、促进可持续发展都具有积极意义，许多国家都把大力发展风电纳入国家发展计划。如何最大程度的利用风能，一直是各国科研人员的研究重点。0003 T-S模糊模型是Takagi和Sugeno于1985年提出的一种新的模糊推理模型。T-S模型的模糊规则的“工F”部分与zadeh规则的“IF”部分相似。但它的“THEN”部分是精确函数，通常是输入变量多项式。T-S型模。

10、糊推理模型的结论部分用线性局域方程取代了一般推理过程中的常数。因此，T-S模型可用少量的模糊规则生成较复杂的非线性函数，这在处理多变量系统时能有效地减少模糊规则个数，因而产生巨大的优越性。但是，由于结论参数是线性函数而非模糊数，在实际系统中结论部分不能直接从专家经验和操作数据中得到，必须通过一定的算法进行训练。因此，模型参数的辨识成为建立T-S型模糊系统的主要问题。发明内容0004 本发明的目的是针对风能转换系统强非线性、参数不确定性的特点，设计了包含模糊性能估计器的T-S模糊状态反馈控制系统，实现了风能转换系统模型的模糊动态化，并成功减小了建模误差和外界扰动影响。0005 本发明的优点是：基。

11、于模糊性能估计器状态反馈控制能将系统功率系数和叶尖速比控制在最优值附近，实现了额定风速下风能捕获的最大化。附图说明0006 图1为基于DFIG的风力发电机组；0007 图2为风能转换系统闭环控制结构示意图；0008 图3为DSP+FPGA风能转换系统模糊状态反馈控制器。具体实施方式0009 下面结合附图和实施例对本发明作进一步说明。0010 基于双馈发电机(DFIG)的风力发电机组主要由三部分组成：风轮机，传动系统，DFIG。风轮机捕捉风能，将风能转换成机械能，使风轮机转动，经传动系统带动DFIG转子旋转，从而产生电能，经交直交变换器输送到电网中。图1是基于DFIG的风力发电机组的基说明书。

12、CN 102705158 A2/6页7本结构。0011 第一，给出了双馈风力发电系统中的风轮机、传动系统数学模型；0012 风轮机模型：0013 根据贝兹理论，风轮机产生的机械功率为0014 0015 其中，为空气密度，Rt为风轮机风轮半径，v(t)为风速；Cp(t)，(t)为风能转换系数，是叶尖速比(t)和桨叶节距角(t)的函数。叶尖速比(t)为风轮叶尖线速度与风速之比，即(t)l(t)Rt/v(t)，l(t)为风轮的机械角速度。0016 传动系统模型：0017 风力发电系统的传动系统的运动方程如下0018 0019 其中，h(t)为发电机转子转速，h(t)iol(t)，io为齿轮变速比，为。

13、齿轮效率；Jh、Jl分别为传动系统高速轴端和低速轴端的总转动惯量。0020 第二，建立风能转换系统的T-S模糊模型，并针对新的风能转换系统模型设计模糊性能评估器和模糊状态反馈控制器；0021 风能转换系统的T-S模糊模型：0022 考虑到上述风能转换系统的建模过程，并假设风速采用Van der Hoven风速模型，则风能转换系统的状态方程可以表示为0023 0024 其中，Jt为高速轴端的转动惯量，值为u(t)为电磁转矩的参考值，o(t)为高斯白噪声，C1 0。0025 由状态方程中的风力转矩wt(h/io，v)和0 1/TGT可知该模型具有非线性的特点。0026 令x(t)h(t)G(t)T。

14、，yh(t)则式(3)可简记为0027 0028 其中，输入矩阵为B(x(t)0 1/TGT，系统矩阵为0029 根据式(3)，定义前提变量：z1(t)h(t)，z2(t)G(t)，则式(4)中的系统矩阵A(x(t)可写成新形式A(z1(t)，z2(t)。取h1min(h(t)，hmmax(h(t)；说明书CN 102705158 A3/6页8G1min(G(t)，Gnmax(G(t)。其中，h1和hm分别是转速的最小值和最大值，G1和Gn为发电机电磁转矩的最小值和最大值。分别在区间h1，hm，G1，Gn上再取m-2个点和n-2个点，则形成两个序列0030 Z1(h1，h2，.，hp，.h。

15、m)，Z2(G1，G2，.，Gq，.Gn)，其中，p1，2，.，m，q1，2，.，n。0031 将序列Z1，Z2中的元素彼此匹配，并代替式(4)中A(z1(t)，z2(t)中的z1(t)，z2(t)，即可得到一系列常数矩阵Apq，p1，2，.，m，q1，2，.，n。定义模糊规则如下0032 0033 其中，Ri为第i条模糊规则，规则数Lmn，i1，2，.，L，im(p-1)+q，i为p，q的函数，故定义ii(p，q)。所以AiAi(p，q)Apq。0034 给定输入对(z(t)，u(t)，采用单点模糊化、乘积推理和平均加权反模糊化，可得模糊系统的整个状态方程如下0035 0036 其中，B1B。

16、L0 50T，C1CL1 0T，i(zt(t)为在第i条模糊规则下前提变量zt(t)，t1，2在其所对应的模糊论域上的隶属度函数。0037 根据(5)，(6)可将(4)表达为0038 0039 其中，o+A为外部干扰和建模误差，为系统的建模误差。0040 风能转换系统模糊性能估计器的设计：0041 根据系统的模糊模型(5)，并令系统的输出为yCx(t)，采用L模糊规则构建模糊性能估计器，0042 定义模糊性能估计器的模糊规则如下0043 0044 其中，为模糊性能估计器的状态变量，用于消除外部扰动和建模误差，Mi(i1，2.，L)和分别表示模糊性能估计器的增益和说明书CN 10270515。

17、8 A4/6页9输出。0045 模糊性能的估计器的整体模型为0046 0047 定义状态跟踪误差0048 0049 将(8)和(9)式分别带入(10)式两边同时微分可得0050 0051 下面讨论如何设计Mi及v，使系统的状态跟踪误差满足H性能指标函数0052 0053 对于任意的线性模型，通过配置AijAi-MiCj的特征值到期望值，确定Mi；根据定理1计算v。0054 定理1对于FPE的误差方程(11)，对于给定的0，如果存在矩阵Y及正定矩阵PPTQ-1，使得如下矩阵不等式成立0055 0056 那么对于i，j1，2，.，L，式(12)能够满足，并且KvYQ-1。0057 风能转换系统模糊。

18、控制器的设计：0058 考虑以下参考模型0059 0060 其中，xr(t)hr(t)Gr(t)T为参考模型的状态变量，Br0 50T，r为电磁转矩的参考值控制目的为跟踪参考模型的轨迹。定义FPE和参考模型之间的状态误差为0061 0062 由(9)，(14)，(15)联立可得0063 (16)0064 0065 控制律u(t)可描述为0066 u(t)uf-v+ur(17)0067 其中，uf表示模糊控制输入量，v用于消除外部扰动和建模误差，ur为跟踪误差补偿量。v可以通过定理1求得，下面讨论uf和ur的设计方法：0068 针对系统(15)，控制器输入的第i条规则为说明书CN 10270。

19、5158 A5/6页100069 THEN uif-Kic i1，2，3.L (18)0070 整体的模糊状态反馈控制律可表示为0071 0072 其中，增益Kic未知。0073 将式(19)带入(16)可得0074 0075 0076 故ur的最小二乘解为：0077 0078 定义误差0079 0080 因此，(20)可以写成0081 0082 定理2对于式(23)，对于给定的0，如果存在矩阵Yi及正定矩阵使得如下矩阵不等式成立0083 0084 那么对于i，j1，2，.，L，以下H性能指标函数能够满足，并且KicYQ-10085 0086 第三，将上述的模糊性能估计器模块在一片FPGA芯片。

20、EP1C6T144C8上实现。FPGA的输入为与风电控制系统的输出功率相对应得电磁转矩的数字量信号，输出为最优速度参考值对应的数字量。0087 由图1可知，风机、齿轮箱、双馈电机、转子侧变换器、网侧变换器、电容、变压器及电网构成了并网型双馈风电系统的本体模块。将本发明嵌入到并网型双馈风电系统中，整个控制系统控制框图如图3所示。控制器采用DSP+FPGA结构，两者之间通过SPI口进行通信，DSP作为主控制器，FPGA为从控制器。采用的DSP为TI公司的TMS320F2812，主要完成转子侧变换器和网侧变换器的矢量控制、风速、电机速度以及实际输出功率的测量计算，并将相应指标参数予以显示，同时根据实时风速等信息控制变浆系统。0088 隔离驱动电路将PWM信号隔离放大后驱动转子侧和网侧变换器；双馈电机定子侧输出的电压、电流信号经过处理电路后生成电压电流的过零信号以及适合于F2812的AD输入范围的测量信号，分别连接到F2812的捕获单元及AD单元，以供DSP进行功率计算，最终求出当前双馈电机的电磁转矩，并通过SPI口传送给FPGA。0089 基于FPE的风能转换系统模糊状态反馈控制算法在FPGA中实现，采用图2所示的风能转换系统闭环控制结构示意图。根据F2812实际测算的电磁转矩及参考电磁转矩计算说明书CN 102705158 A10。

展开阅读全文