1、基于双馈电机的风力发电系统的最优控制近年来，风力发电发展迅速，基于双馈发电机的变速风力发电机能够对电机的有功功率和无功功率进行解耦控制，能够更有效率和电能质量。本文采用粒子集群最优化的算法，以转子中的冲击电流最小为目标，对双馈风力发电机的转子变频器的控制器参数进行优化。 关键词：双馈风力发电，参数优化，粒子群算法，MATLAB/SIMULINK 中图分类号：TB857+3 文献标识码：A 背景及研究目的 风力发电技术得到快速发展，相比于恒速的风力异步发电机，基于双馈发电机的变速风力发电机能够对电机的有功功率和无功功率进行单独控制，能够更有效率的能量生产，并且当电力系统出现类似网络电压降低或者短
2、路的扰动时，能够提高系统的动态性能。本文以转子中冲击电流最小为优化目标，对双馈风力发电机的转子变频器的 PI 控制器参数进行优化。仿真结果表明提出的设计方法对于寻找 PI 控制器的最优参数是非常有效的，双馈发电机的转子电流得到了有效的抑制。 变速恒频双馈风力发电系统 变速恒频双馈风力发电机系统主要优点在于风力机是变速运行，可以在很宽的风速范围内保持近乎恒定的最佳叶尖速比，提高了风力机的运行效率。 下图是一个大型风机接入入电力系统的模型。大量的风机被简化由一个大型的风机模型来描绘，这个风机通过一个升压变压器与电网相连接。 图 2.1 风机接入电力系统模型 双馈变速恒频风力发电机与绕线式感应电机结
3、构相似，只是转子上多了滑环，与系统相连的双馈电机示意图见图 2.2。 图 2.2 双馈电机接入系统 基于双馈感应式发电机的电机系统，发电机的转子轴通过变速箱与风机相连，双馈感应式发电机的定子绕组直接与电网相连。连接于发电机端口基于 PWM 的“背靠背”反馈到转子绕组上，为双馈感应式发电机提供励磁，由于“背靠背”由电力电子元件组成，所以对双馈感应式发电机的控制比较灵活，相应比较块，并且能够实现有功功率和无功功率的解耦控制。 图 2.3 双馈发电机电机结构图 仿真结果分析 PSO 算法和遗传算法（Genetic Algorithm，GA）类似，也是一种基于迭代的优化工具。从生物的群体行为规律和社会
4、心理学中得到启发，初始化系统为一组随机解，通过某种方式迭代寻找最优解。在本文中，目标是在发生故障时，减小转子中的电流。在 MATLAB 中，双馈风力发电机模型中，控制器模型中控制器参数有： 端口电压控制器参数：kp1，ki1； 功率控制器参数：kp2，ki2； 电容器电压控制器参数：kp3，ki3； 网络侧变换器电流控制器参数：kp4，ki4； 转子侧变换器电流控制器参数：kp5，ki5。 初始参数为： 表 4.1 双馈电机控制器的初始参数 表 4.2 双馈电机控制器的参数的搜索范围 （注：最大参数值为原始参数的 1.5 倍；最小参数值为原始参数的 0.5倍） 仿真程序采用初始参数的模型进行仿
5、真，观察转子电流，得到转子电流的响应曲线如下： 图 4.1 初始参数模型的转子电流曲线（两条曲线分别为 id 和 iq） 上图之中， ，ir 曲线如下： 图 4.2 初始参数模型的转子电流曲线 ir 经过粒子群优化算法进行优化，得到优化以后的参数为： 表 4.3 双馈电机控制器的优化参数 仿真程序采用优化后的参数进行仿真，得到转子电流的响应曲线如下： 图 4.3 优化后得到的转子电流曲线（两条曲线分别为 id 和 iq） 上图之中， ，ir 曲线如下： 图 4.4 优化后得到的转子电流曲线 ir 表 4.4 双馈电机控制器参数优化前后转子电流最大值比较： 转子电流最大幅值（pu） 优化前 0.
6、8873 优化后 0.7763 由此可见，经过粒子群最佳化算法优化，转子电流得到大幅度的减小，从而提高系统的动态性能。本文提出的算法能够很好的改善变速双馈风力发电机控制器的参数，提高系统的动态性能。 结论与展望 本文对这一问题作了学习和研究，接入电网的大型风场的基于双馈发电机的风力发电机系统已经被建立模型来描述一个总体的模型。DFIG的控制器和两个背靠背连接的 IGBT 脉冲调制器的控制，也就是转子侧的转换器和电网侧的转换器。粒子群算法(PSO)算法用来发现的最优参数。通过 MATLAB/SIMULINK 仿真分析。发现采用粒子群最佳化优化方法（PSO）优化双馈电机的控制器后，能够明显的减少转
7、子电流，提高了该风力发电系统的性能。结果表明,所提出的设计方法高效找到 PI 控制器的最优参数，并且在大范围内改善风力涡轮发电机系统的暂态性能。 参考文献： 张希良风能开发利用M化学工业出版社，2005 年 1 月. Wei Qiao, Ganesh K.Venayagamoorthy,and Ronald G. Harley, Design of Optimal PI Controllers for Doubly Fed Induction Generators Driven by Wind Turbines Using Particle Swarm Optimization. 2006 International Joint Conference on Neural Networks Sheraton Vancouver July 16-21, 2006. 徐羽,鞠平.力发电系统小干扰稳定性的优化控制与概率分析J,2008 年 3 月.
