[發明專利]一種離網型風力發電逆變器

有效

• 申請號: 201510402092.0
• 申請日: 2015-07-08
• 公開（公告）號: CN104967353B
• 公開（公告）日: 2017-06-16
• 發明（設計）人: 張海寧;劉衛亮;楊立濱;王印松;陳文穎;劉長良;林永君;馬良玉
• 申請（專利權）人: 國網青海省電力公司;華北電力大學(保定);國網青海省電力公司電力科學研究院
• 主分類號: H02M7/5387
• 分類號: H02M7/5387;H02M3/335
• 代理公司: 石家莊冀科專利商標事務所有限公司13108
• 代理人: 李羨民,高錫明

1.一種離網型風力發電逆變器，其特征是，構成中包括MPU控制器以及依次連接于風力發電機與負載之間的整流器、儲能電容(C1)、反激變換器、工頻逆變橋和LCL濾波器，所述MPU控制器通過第一電壓傳感器(UT1)和第二電壓傳感器(UT2)分別采集儲能電容電壓和逆變器輸出電壓，通過電流傳感器(CT)采集LCL濾波器的工頻逆變橋側電感電流，并通過兩個驅動模塊分別控制反激變換器和工頻逆變橋，所述MPU控制器按以下方式運作：

①通過第一電壓傳感器(UT1)采集儲能電容電壓V_d，通過第二電壓傳感器(UT2)采集逆變器輸出電壓V_o，通過電流傳感器(CT)采集LCL濾波器的工頻逆變橋側電感電流i_L；以逆變器作為對象，建立并訓練相應的神經網絡逆模型，具體如下：

a.選取三層BP神經網絡建立系統的逆模型，其中，輸入層神經元節點數為9個，隱含層神經元節點數為10個，輸出層神經元節點數為1個，隱含層神經元轉移函數使用雙曲正切函數，輸出層神經元轉移函數使用S型函數；

b.在逆變器上采集運行數據；

使得風機分別處于額定風速、80％額定風速、60％額定風速、40％額定風速和20％額定風速的條件下，每種風速條件下通過改變負載使得逆變器分別工作于額定功率、80％額定功率、60％額定功率、40％額定功率和20％額定功率的工況，共計25種工況，每種工況下均利用單回路PI控制器進行逆變器輸出電壓控制，并連續采集N組儲能電容電壓V_d、逆變器輸出電壓V_o、反激變換器PWM信號占空比D、LCL濾波器的工頻逆變橋側電感電流i_L，共構成25N組運行數據；

c.利用采集的運行數據構造樣本；

對于k時刻，所構造的樣本為{V_o(k+1)，V_o(k)，V_o(k-1)，V_o(k-2)，i_L(k)，i_L(k-1)，D(k-1)，D(k-2)，V_d(k)，D(k)}，其中，V_o(k+1)為k+1時刻的逆變器輸出電壓，V_o(k)為k時刻的逆變器輸出電壓，V_o(k-1)為k-1時刻的逆變器輸出電壓，V_o(k-2)為k-2時刻的逆變器輸出電壓，i_L(k)為k時刻的LCL濾波器的工頻逆變橋側電感電流，i_L(k-1)為k-1時刻的LCL濾波器的工頻逆變橋側電感電流，D(k-1)為k-1時刻的反激變換器PWM信號占空比，D(k-2)為k-2時刻的反激變換器PWM信號占空比，V_d(k)為k時刻的儲能電容電壓，D(k)為k時刻的反激變換器PWM信號占空比，25N組運行數據共構成25N個樣本；

d.隨機抽取25N個樣本數據中的20N個作為訓練樣本，其余5N個作為檢驗樣本，訓練建立的三層BP神經網絡；訓練過程中，對于k時刻的樣本，取BP神經網絡的第一個輸入端為k時刻的逆變器輸出電壓V_o(k)，第二個輸入端為k-1時刻的逆變器輸出電壓V_o(k-1)，第三個輸入端為k-2時刻的逆變器輸出電壓V_o(k-2)，第四個輸入端為k時刻的LCL濾波器的工頻逆變橋側電感電流i_L(k)，第五個輸入端為k-1時刻的LCL濾波器的工頻逆變橋側電感電流i_L(k-1)，第六個輸入端為k+1時刻的逆變器輸出電壓V_o(k+1)，第七個輸入端為k時刻的儲能電容電壓V_d(k)，第八個輸入端為k-1時刻的反激變換器PWM信號占空比D(k-1)，第九個輸入端為k-2時刻的反激變換器PWM信號占空比D(k-2)，BP神經網絡的輸出為k時刻的反激變換器PWM信號占空比D(k)；

②利用訓練好的BP神經網絡逆模型與PI控制器對逆變器進行控制，具體步驟為：

a.利用訓練好的BP神經網絡逆模型進行反激變換器PWM信號占空比的計算，對于當前k時刻，取第一個輸入端為k時刻的逆變器輸出電壓V_o(k)，第二個輸入端為k-1時刻的逆變器輸出電壓V_o(k-1)，第三個輸入端為k-2時刻的逆變器輸出電壓V_o(k-2)，第四個輸入端為k時刻的LCL濾波器的工頻逆變橋側電感電流i_L(k)，第五個輸入端為k-1時刻的LCL濾波器的工頻逆變橋側電感電流i_L(k-1)，第六個輸入端為k+1時刻的逆變器輸出電壓設定值V^*_o(k+1)，第七個輸入端為k時刻的儲能電容電壓V_d(k)，第八個輸入端為k-1時刻的反激變換器PWM信號占空比D(k-1)，第九個輸入端為k-2時刻的反激變換器PWM信號占空比D(k-2)，得出BP神經網絡的輸出為d(k)；

b.將下一時刻逆變器輸出電壓設定值V^*_o(k+1)與當前k時刻逆變器輸出電壓V_o(k)的偏差送入PI控制器，得到閉環控制量d_C(k)，即

$d_C\left(k\right)=K_{p}e\left(k\right)+K_i\underset{j=0}{\overset{k}{\Σ}}e\left(k\right)$

其中：e(k)＝V^*_o(k+1)-V_o(k)，K_p表示比例系數，K_i表示積分系數；

c.將神經網絡逆模型與PI控制器構成復合控制器，其輸出為神經網絡逆模型的輸出d(k)和PI控制器的輸出d_C(k)按照比例K:(1-K)疊加，作為最終的反激變換器PWM信號占空比D(k)，即：

D(k)＝Kd(k)+(1-K)d_C(k)

其中，K的取值為：

$K=\left\{\begin{array}{cc}0.9& \begin{array}{cc}if& \[(-\frac{1}{12}\mathrm{\π}\<\mathrm{\θ}\<\frac{1}{12}\mathrm{\π})or(-\mathrm{\π}\<\mathrm{\θ}\<-\frac{11}{12}\mathrm{\π})or(\frac{11}{12}\mathrm{\π}\<\mathrm{\θ}\<\mathrm{\π})\]\end{array}\\ 0.1& \begin{array}{cc}if& \[(-\frac{7}{12}\mathrm{\π}\<\mathrm{\θ}\<-\frac{5}{12}\mathrm{\π})or(\frac{5}{12}\mathrm{\π}\<\mathrm{\θ}\<\frac{7}{12}\mathrm{\π})\]\end{array}\\ 0.5& else\end{array}\right.$

式中θ為逆變器輸出電壓設定值的相位。