[发明专利]一种离网型风力发电逆变器

摘要

一种离网型风力发电逆变器，构成中包括MPU控制器以及依次连接于风力发电机与负载之间的整流器、储能电容、反激变换器、工频逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器和第二电压传感器分别采集储能电容电压和逆变器输出电压，通过电流传感器采集LCL滤波器的工频逆变桥侧电感电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥。本发明利用神经网络逆模型和PI控制器构成的复合控制器来控制逆变器的输出电压。在过零点附近以神经网络逆模型控制为主，以充分发挥其响应速度快的优点；在电网电压峰值附近以PI控制为主，以充分发挥其稳态性能好的优点，从而有效提高了离网型风力发电系统的电能质量。

主权项

一种离网型风力发电逆变器，其特征是，构成中包括MPU控制器以及依次连接于风力发电机与负载之间的整流器、储能电容(C1)、反激变换器、工频逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器(UT1)和第二电压传感器(UT2)分别采集储能电容电压和逆变器输出电压，通过电流传感器(CT)采集LCL滤波器的工频逆变桥侧电感电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥，所述MPU控制器按以下方式运作：①通过第一电压传感器(UT1)采集储能电容电压Vd，通过第二电压传感器(UT2)采集逆变器输出电压Vo，通过电流传感器(CT)采集LCL滤波器的工频逆变桥侧电感电流iL；以逆变器作为对象，建立并训练相应的神经网络逆模型，具体如下：a.选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为9个，隐含层神经元节点数为10个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；b.在逆变器上采集运行数据；使得风机分别处于额定风速、80％额定风速、60％额定风速、40％额定风速和20％额定风速的条件下，每种风速条件下通过改变负载使得逆变器分别工作于额定功率、80％额定功率、60％额定功率、40％额定功率和20％额定功率的工况，共计25种工况，每种工况下均利用单回路PI控制器进行逆变器输出电压控制，并连续采集N组储能电容电压Vd、逆变器输出电压Vo、反激变换器PWM信号占空比D、LCL滤波器的工频逆变桥侧电感电流iL，共构成25N组运行数据；c.利用采集的运行数据构造样本；对于k时刻，所构造的样本为{Vo(k+1)，Vo(k)，Vo(k‑1)，Vo(k‑2)，iL(k)，iL(k‑1)，D(k‑1)，D(k‑2)，Vd(k)，D(k)}，其中，Vo(k+1)为k+1时刻的逆变器输出电压，Vo(k)为k时刻的逆变器输出电压，Vo(k‑1)为k‑1时刻的逆变器输出电压，Vo(k‑2)为k‑2时刻的逆变器输出电压，iL(k)为k时刻的LCL滤波器的工频逆变桥侧电感电流，iL(k‑1)为k‑1时刻的LCL滤波器的工频逆变桥侧电感电流，D(k‑1)为k‑1时刻的反激变换器PWM信号占空比，D(k‑2)为k‑2时刻的反激变换器PWM信号占空比，Vd(k)为k时刻的储能电容电压，D(k)为k时刻的反激变换器PWM信号占空比，25N组运行数据共构成25N个样本；d.随机抽取25N个样本数据中的20N个作为训练样本，其余5N个作为检验样本，训练建立的三层BP神经网络；训练过程中，对于k时刻的样本，取BP神经网络的第一个输入端为k时刻的逆变器输出电压Vo(k)，第二个输入端为k‑1时刻的逆变器输出电压Vo(k‑1)，第三个输入端为k‑2时刻的逆变器输出电压Vo(k‑2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流iL(k)，第五个输入端为k‑1时刻的LCL滤波器的工频逆变桥侧电感电流iL(k‑1)，第六个输入端为k+1时刻的逆变器输出电压Vo(k+1)，第七个输入端为k时刻的储能电容电压Vd(k)，第八个输入端为k‑1时刻的反激变换器PWM信号占空比D(k‑1)，第九个输入端为k‑2时刻的反激变换器PWM信号占空比D(k‑2)，BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k)；②利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算，对于当前k时刻，取第一个输入端为k时刻的逆变器输出电压Vo(k)，第二个输入端为k‑1时刻的逆变器输出电压Vo(k‑1)，第三个输入端为k‑2时刻的逆变器输出电压Vo(k‑2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流iL(k)，第五个输入端为k‑1时刻的LCL滤波器的工频逆变桥侧电感电流iL(k‑1)，第六个输入端为k+1时刻的逆变器输出电压设定值V*o(k+1)，第七个输入端为k时刻的储能电容电压Vd(k)，第八个输入端为k‑1时刻的反激变换器PWM信号占空比D(k‑1)，第九个输入端为k‑2时刻的反激变换器PWM信号占空比D(k‑2)，得出BP神经网络的输出为d(k)；b.将下一时刻逆变器输出电压设定值V*o(k+1)与当前k时刻逆变器输出电压Vo(k)的偏差送入PI控制器，得到闭环控制量dC(k)，即dC(k)=Kpe(k)+KiΣj=0ke(k)]]>其中：e(k)＝V*o(k+1)‑Vo(k)，Kp表示比例系数，Ki表示积分系数；c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k)和PI控制器的输出dC(k)按照比例K:(1‑K)叠加，作为最终的反激变换器PWM信号占空比D(k)，即：D(k)＝Kd(k)+(1‑K)dC(k)其中，K的取值为：K=0.9if[(-112π<θ<112π)or(-π<θ<-1112π)or(1112π<θ<π)]0.1if[(-712π<θ<-512π)or(512π<θ<712π)]0.5else]]>式中θ为逆变器输出电压设定值的相位。