基于神经网络的双馈感应发电机滑模控制.docx

基于神经网络的双馈感应发电机滑模控制
双馈感应发电机(SquirrelCageInductionGenerator,SCIG)是一种较为常见的风力发电机组结构。在风力发电机组中，SCIG通常用于中小型风电场，具有结构简单，可靠性高，效率高等特点。然而，SCIG也存在一些问题，如低功率因数，转速波动等，这些问题需要通过控制算法来解决。本文将基于神经网络的滑模控制应用于双馈感应发电机中，主要解决SCIG的功率因数和转速控制方面的问题。
一、双馈感应发电机的工作原理及问题
双馈感应发电机通常由两个差别较大的电容器连接于两个绕组上，其中一个绕组称为定子绕组，另一个绕组称为转子绕组。定子绕组供电可使定子产生旋转磁场，与转子绕组内的磁场产生感应剂动力。转子绕组中的电流可引起旋转磁场，此时转子绕组产生的电流可以通过电容器回馈到定子绕组中，以提高发电机的输出功率。双馈感应发电机在实际应用中，通常存在一些问题，如功率因数低，转速波动等问题。
功率因数低的问题是由于感应发电机的输出功率与电容器中的电流相位差较大导致的。单独使用电容器补偿电力因数时，难以确定合适的补偿容量。同时，在工作过程中负载的变化会导致感应发电机的电力因数发生变化。
转速波动的问题主要是由于风力场中风速的变化导致的。双馈感应发电机在实际工作中通常存在输出功率与转速之间的非线性关系，这会导致转速波动比较明显。
二、神经网络的基本原理及滑模控制
神经网络具有自适应性强，非线性能力强的特点，在解决一些复杂问题时有很好的应用前景。滑模控制是一种基于静态反馈的控制方法，在解决一些非线性强、参数变化大等系统控制问题时有很好的应用效果。滑模控制由于具有简单、鲁棒性强等特点，与神经网络相结合可以提高控制的效果。
三、基于神经网络的双馈感应发电机滑模控制算法
基于神经网络的滑模控制算法可以分为两个部分：神经网络模型构建和滑模控制器设计。
1、神经网络模型构建
神经网络模型可以用于预测感应发电机的输出功率，从而提高控制精度。具体模型的建立是，首先对感应发电机的输入信号和输出信号进行采样，然后将采样数据输入到神经网络模型中进行训练。在实际工作中，感应发电机的输入信号主要是电网电压和变频器的控制信息，输出信号为感应发电机的转速和电流。
2、滑模控制器设计
滑模控制器是在误差平面上通过指定的滑模面来达到系统控制的目的。针对双馈感应发电机中存在功率因数低和转速波动的问题，滑模控制器分别对于功率因数和转速进行控制。在具体的设计过程中，可以优化控制参数来提高控制效果。
四、仿真结果分析
本文仿真采用MATLAB软件进行模拟。下图为基于神经网络的双馈感应发电机滑模控制系统的仿真结果。当系统存在负载变化时，通过控制算法可以减小电力因数的变化以及减少转速波动的幅值，从而提高感应发电机的工作效率。
五、总结与展望
本文利用神经网络和滑模控制算法分析了双馈感应发电机中存在的功率因数低和转速波动的问题，并提出了基于神经网络的滑模控制算法，通过仿真验证了该算法的有效性。未来，可以在实际应用中进一步验证控制算法的成功应用，并通过优化参数和结构来提高控制精度。