申请/专利权人：曲阜师范大学

申请日：2023-09-29

公开（公告）日：2024-03-26

公开（公告）号：CN117318553B

主分类号：H02P21/00

分类号：H02P21/00;H02P21/22;H02M1/00;H02M1/12;H02P101/15;H02P103/20

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明基于TD3和维也纳整流器的低风速永磁直驱风电机组控制方法，属风电领域。机侧变流器采用维也纳整流器，采用PID设计转速跟踪控制器；采用深度强化学习TD3算法，设计电流跟踪及中点电压平衡控制器：根据风电机组的环境状态构建基于TD3算法的智能体，依据风速大小设计奖励函数，对智能体进行训练，将训练好的智能体模型移植入机侧变流器的主控芯片，建立基于主控芯片的实际控制系统，实现电流跟踪及中点电压平衡控制控制；采用前馈解耦控制策略和SVPWM控制策略，控制发电机工作。本发明对风速波动及机组自身结构参数变化自适应能力和鲁棒性强，定子电流谐波率低，系统功耗小，确保低风速永磁直驱风电机组有效控制和高效运行。

主权项：1.基于TD3和维也纳整流器的低风速永磁直驱风电机组控制方法，所述低风速永磁直驱风电机组，包括：永磁同步风力发电机、机侧变流器、网侧变流器；所述机侧变流器一端与所述永磁同步风力发电机的定子相连，另一端与所述网侧变流器相连；所述机侧变流器为维也纳整流器，所述维也纳整流器包括三个双向开关单元、两个输出电容；所述两个输出电容为串联连接，其中，与所述维也纳整流器的直流输出端正极相连的输出电容称为上电容，与所述维也纳整流器的直流输出端负极相连的输出电容称为下电容；其特征在于，采用如下步骤：步骤1，采用PID控制策略，设计外环转速跟踪控制器，其输出为所述永磁同步风力发电机的定子电流的q轴分量iq的参考值iq*；步骤2，采用深度强化学习TD3算法，设计内环电流跟踪及中点电压平衡控制器，具体如下：21根据所述低风速永磁直驱风电机组的环境状态构建基于TD3算法的智能体：所述环境状态包括风速vw、所述永磁同步风力发电机的实际转速nt及其参考值nt*、所述永磁同步风力发电机的定子电流的dq轴分量id及id的参考值id*、iq以及iq的参考值iq*、所述机侧变流器的上电容电压U1和下电容电压U2；将所述环境状态记为St，则有St＝[vwntnt*idid*iqiq*U1U2]；所述智能体包括Actor网络结构和Critic网络结构，含有共计6个深度神经网络，具体为：所述Actor网络结构由策略网络Actor主网络及其目标网络ActorTarget网络组成；所述Actor主网络的输入是环境状态St，对所述Actor主网络的输出添加动作探索噪声Nt后得到动作AtSt|θ，其中，θ为所述Actor主网络的权值参数，动作探索噪声Nt服从正态分布；所述ActorTarget网络的输入是下一时刻的环境状态St+1，对所述ActorTarget网络的输出添加目标平滑噪声ε得到下一时刻的动作估计值At+1St+1|θm，其中，θm为所述ActorTarget网络的权值参数，ε服从正态分布；所述Critic网络结构由两套用于价值函数估算的评价网络组成，即Critic主网络及其目标网络CriticTarget网络其中s、a是对状态、深度神经网络的动作输入值的一般表示，θ、θm分别为Actor网络及其目标网络ActorTarget网络的权值参数；分别为Critic主网络及其目标网络CriticTarget网络的权值参数；所述Critic主网络根据当前所述Actor主网络的输入St和输出动作AtSt|θ，分别输出价值函数所述CriticTarget网络根据所述ActorTarget网络的输入St+1和输出动作估计值At+1St+1|θm，分别输出目标价值函数22设计奖励函数：所述奖励函数Rt设计为： 式中，r1、r2、r3分别为抑制定子电流谐波、中点电压平衡、直流输出电压的权重系数，用于对多个控制任务进行优先级划分，且三者之和等于1；Udc为所述维也纳整流器的直流输出电压；h1～h4分别表示iq的实际值与其参考值iq*的差值、id的实际值与其参考值id*的差值、中点电压不平衡度、直流输出电压Udc的基准值；所述奖励函数Rt采用变权重结构，根据风速大小来确定权值大小：1当风速vw小于临界风速vwb时，控制策略的首要任务是降低谐波，此时设定r1最大；2当风速vw大于vwb时，控制策略的首要任务是提高直流输出电压Udc，增大所述机侧变流器的直流输出功率Pdc，此时设定r2最大；3整个变功率风速区间都要进行中点电压振荡抑制，因此设定r3随风速小幅变化；23采用深度强化学习TD3算法对所述智能体进行训练：A1.对所述智能体的网络权值参数进行初始化，并设置所述智能体训练的相关参数，包括：初始化所述Actor主网络、所述Critic主网络的权值参数θ、以及其对应的目标网络ActorTarget网络、CriticTarget网络的权值参数θm、设置所述Actor主网络的学习率μ；设置深度强化学习的折扣因子γ；设置训练的最大回合数N、连续训练回合数n、每个训练回合中的最大步数T，以及目标网络ActorTarget网络、CriticTarget网络的更新频率D；设置并初始化经验数据库；A2.基于当前状态St，所述Actor网络的输出添加动作探索噪声Nt，得到动作AtSt|θ，即：AtSt|θ＝πSt|θ+Nt2式中，πSt|θ为所述Actor网络的输出；A3.每一步动作执行后，得到下一环境状态St+1，同时按式1计算得到Rt，将获得的经验St,At,Rt,St+1存入经验数据库中；A4.经验数据库中随机均匀采样M个小批量样本，即M个经验数据组Sti,Ati,Rti,Sti+1，其中i＝1,2,3,…,M；A5.以最小化误差的方式更新Critic主网络的权值参数即 式中，Yi表示期望目标价值函数，定义为： 式中，ε表示目标平滑噪声，是一种被截断的正态分布噪声，即 式中，c为截断因子，σ为标准差；A6.如果训练步数为所述CriticTarget网络的更新频率D的倍数，则进入步骤A7，否则转至步骤A9；A7.通过对期望回报J进行梯度上升更新θ，即 式中，J的表达式为： 表示J对θ求导： 式中，表示π对θ求导；A8.通过指数平滑方式按式9对所述ActorTarget网络的权值参数θm和所述CriticTarget网络权值参数θmk进行更新，即： 式中，τ表示软更新因子；A9.如果训练步数未达到每个训练回合中的最大步数T，则返回A2；否则当前训练回合结束，同时保存此训练回合得到的智能体模型，并计算此回合的平均奖励函数值Rav及其变化率；A10.如果Rav的变化率连续n个回合小于5％，则结束整个训练过程，否则进入步骤A11；A11.判断是否达到最大训练回合数N，如果达到，则结束整个训练过程，如未达到，返回步骤A2进入下一训练回合继续训练；24将训练好的所述智能体模型移植入所述机侧变流器的主控芯片，建立基于所述机侧变流器的主控芯片的实际电流跟踪和中点电压平衡控制系统，实现电流跟踪和中点电压平衡控制；步骤3，采用前馈解耦控制策略和SVPWM控制策略，产生驱动信号，驱动所述机侧变流器的三个双向开关单元，控制所述永磁同步风力发电机工作，具体过程为：31步骤2得到的所述智能体内环电流跟踪及中点电压平衡控制器输出AtSt|θ有三个：电流内环的输出值ud0、uq0和中点电压平衡环的输出值z；将ud0与d轴前馈解耦补偿项ωeLsiq相加，得到所述永磁同步风力发电机的定子电压的d轴分量ud的参考值ud*；将uq0与q轴前馈解耦补偿项-ωeLsid+ωeψf相加，得到所述永磁同步风力发电机的定子电压的q轴分量uq的参考值uq*，其中，ωe为所述永磁同步风力发电机的转子电角速度，ωe＝2πpnt，p、Ls、ψf分别为所述永磁同步风力发电机的极对数、定子电感和转子永磁体磁链；32将步骤31得到的所述永磁同步风力发电机的定子电压参考值ud*、uq*经dqabc坐标变换得到三相静止坐标系下所述永磁同步风力发电机的定子电压参考值ua*、ub*、uc*；33将ua*、ub*、uc*和中点电压平衡环的输出值z以及三相静止坐标系下所述永磁同步风力发电机的定子电流实际值ia、ib、ic送入SVPWM模块；34所述SVPWM模块根据风速vw的大小进行调制，调制方法如下：B1.根据ua*、ub*、uc*和ia、ib、ic分别对电压质量和电流矢量进行分区；B2.根据Udc对ua*、ub*、uc*进行归一化处理；B3.计算空间矢量的动作时间，把动作时间转化为调制波；B4.当风速vw小于临界风速vwb时，采用连续方式的七级开关序列法，根据z对调制波进行数值增减；B5.当风速vw大于等于vwb时，采用断续方式的五级开关序列法进行调制；35将调制波与三角载波进行比较产生驱动信号，驱动所述机侧变流器的三个双向开关单元，控制所述永磁同步风力发电机工作。

全文数据：

权利要求：

百度查询： 曲阜师范大学 基于TD3和维也纳整流器的低风速永磁直驱风电机组控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD