变速恒频风力发电技术已广泛用于实际风机中,其中一个经典问题即最大功率跟踪(Maximum Power Point Tracking,MPPT)。针对双馈感应电机(Doubly-Fed Induction Generator,DFIG)设计了一款基于扰动观测器的滑模控制(Perturbation Observer...变速恒频风力发电技术已广泛用于实际风机中,其中一个经典问题即最大功率跟踪(Maximum Power Point Tracking,MPPT)。针对双馈感应电机(Doubly-Fed Induction Generator,DFIG)设计了一款基于扰动观测器的滑模控制(Perturbation Observer Based Sliding-Mode Control,POSMC)来实现MPPT。所提控制器将扰动观测器和滑模控制(Sliding-Mode Control,SMC)相结合,从而大幅提高了DFIG的鲁棒性。首先,应用扰动观测器对系统扰动(发电机非线性、参数不确定和随机风速)进行在线估计。随后,通过SMC对该扰动估计进行实时完全补偿,从而实现不同工况下的控制全局一致性以及各类不确定环境下的鲁棒控制。最后,POSMC无需精确的DFIG系统模型,仅需测量转子角速度和定子无功功率,易于实现。进行了三个算例研究,即阶跃风速、随机风速和发电机参数不确定性。仿真结果表明,与矢量控制(Vector Control,VC)、反馈线性控制(Feedback Linearization Control,FLC)和SMC相比,POSMC在各类工况下均可捕获最大的风能并具有最强的鲁棒性。展开更多
设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum P...设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum Power Point Tracking,MPPT)并提高系统的故障穿越能力(Fault Ride-through,FRT)。GGWO在原始灰狼优化算法(Grey Wolf Optimizer,GWO)的基础上引入分组机制,将灰狼分为相互独立的合作狩猎组和随机侦察组。其中,随机侦察组中的灰狼负责进行广泛的全局搜索,而合作狩猎组的灰狼实现深度的局部探索。同时,设计狼群间的角色互换机制,可根据当前适应度函数,在下次迭代中对不同分工的狼进行角色互换,进而平衡全局搜索和局部探索的矛盾。通过阶跃风速、随机风速和电网电压跌落三个算例对GGWO的优化性能进行了研究。仿真结果表明,与遗传算法、粒子群算法、飞蛾扑火算法和GWO相比,所提算法具有更好的全局收敛性、MPPT精确性和FRT能力。展开更多
文摘变速恒频风力发电技术已广泛用于实际风机中,其中一个经典问题即最大功率跟踪(Maximum Power Point Tracking,MPPT)。针对双馈感应电机(Doubly-Fed Induction Generator,DFIG)设计了一款基于扰动观测器的滑模控制(Perturbation Observer Based Sliding-Mode Control,POSMC)来实现MPPT。所提控制器将扰动观测器和滑模控制(Sliding-Mode Control,SMC)相结合,从而大幅提高了DFIG的鲁棒性。首先,应用扰动观测器对系统扰动(发电机非线性、参数不确定和随机风速)进行在线估计。随后,通过SMC对该扰动估计进行实时完全补偿,从而实现不同工况下的控制全局一致性以及各类不确定环境下的鲁棒控制。最后,POSMC无需精确的DFIG系统模型,仅需测量转子角速度和定子无功功率,易于实现。进行了三个算例研究,即阶跃风速、随机风速和发电机参数不确定性。仿真结果表明,与矢量控制(Vector Control,VC)、反馈线性控制(Feedback Linearization Control,FLC)和SMC相比,POSMC在各类工况下均可捕获最大的风能并具有最强的鲁棒性。
文摘设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum Power Point Tracking,MPPT)并提高系统的故障穿越能力(Fault Ride-through,FRT)。GGWO在原始灰狼优化算法(Grey Wolf Optimizer,GWO)的基础上引入分组机制,将灰狼分为相互独立的合作狩猎组和随机侦察组。其中,随机侦察组中的灰狼负责进行广泛的全局搜索,而合作狩猎组的灰狼实现深度的局部探索。同时,设计狼群间的角色互换机制,可根据当前适应度函数,在下次迭代中对不同分工的狼进行角色互换,进而平衡全局搜索和局部探索的矛盾。通过阶跃风速、随机风速和电网电压跌落三个算例对GGWO的优化性能进行了研究。仿真结果表明,与遗传算法、粒子群算法、飞蛾扑火算法和GWO相比,所提算法具有更好的全局收敛性、MPPT精确性和FRT能力。
