双馈发电系统的神经网络转速辨识

    李岚，喻明江

(太原理工大学电气与动力工程学院，山西太原030024)

     摘要：根据双馈发电机的数学模型，建立了基于模型参考自适应系统(MRAs)的参考模型和可调模型。利用后项差分法推导基于神经网络的MRAs可调模型，并用两层神经网络实现可调模型中的磁链运算，通过误差反传算法对两层神经网络进行训练，得出双馈发电机的辨识转速。仿真结果表明：基于神经网络的MRAs辨识转速能反映实际转速，且辩识精度得到了有效提高。

    关键词：模型参考自适应系统；神经网络；可调模型；转速辨识；双馈发电系统

    中图分类号：TM 921.41  文献标志码：A文章编号：1673—6540(2010)06一0023—04

0  引言

      无速度传感器双馈发电系统转速的准确辨识对高性能的矢量控制非常重要。目前，双馈发电系统转速辨识常采用模型参考自适应系统(ModelReference Adaptive system，MRAS)。文献[1]以静止“α-β两相坐标系转子磁链的电压模型作为参考模型、电流模型作为可调模型，仿真结果验证了所提策略的正确性；文献[2]利用小信号模型分析和设计了MRAs观测器，稳态和动态试验证明了所提方法的有效性。但是，I~IRAS在低速和动态情况下转速辨识精度会相应下降[3,4]；另外，自适应控制是一种基于数学模型的控制方法，电机参数的时变性也会给转速辨识带来一定误差，影响系统的控制精度。

   人工神经网络经过严格的训练后，具有对非线性系统进行辨识的能力，利用人工神经网络对双馈发电机转速进行辨识，能使神经网络较准确地反映电机转速。本文根据双馈发电机的数学模型，建立了基于MRAs的参考模型和可调模型，利用后项差分法推导了基于神经网络的MRAs可调模型，并用两层神经网络实现可调模型中的磁链运算，通过误差反传算法对两层神经网络进行训练，得出双馈发电机的辨识转速。对双馈发电系统进行了仿真，结果表明：基于神经网络的MRAs辨识转速能反映实际转速，且辨识精度得到了有效提高。

1  转速辨识模型

    模型参考自适应系统的基本结构如图1所示。参考模型和可调模型(自适应模型)被相同的外部输入所激励，X和X分别是参考模型和可调模型的状态矢量。参考模型用其状态x规定了一个给定的性能指标，该性能指标与测得的可调模型性能X比较后，将其差值矢量e输入自适应机构，由自适应机构来修正可调模型的参数，使得其状态X能够快速而稳定地逼近x，使差值趋于零[5]．

     双馈发电机定子绕组采用发电机惯例、转子绕组采用电动机惯例的情况下，两相静止α-β坐标系下，电压、磁链基本方程为

式中：u_as，u_bs,u_ar,u_br——定、转子电压的α,β轴分量；

    i_as,i_bs,i_ar,i_br——定、转子电流的αβ轴分量；

    Ψ_as,Ψ_bs,Ψ_ar,Ψ_br——定、转子磁链的α、β轴分量；

    R_s、R_r——定、转子绕组电阻；

    L_s、L_r—αβ坐标系下两相定、转子绕组的自感；

      Lm——α,β坐标系下同轴定、转子绕组间的等效互感；

    ω_r——转子角速度；

    p——微分算子。

    根据式(1)、(2)，可得到两种形式的转子磁链模型：

     式(3)不含辨识值，将其作为参考模型，由它表示的电机状态与实际相符，即转子磁链是准确的；式(4)含有辨识值ωr，将其作为可调模型，在该模型中，假定电机参数是不变的，ωr是可调参数，即需要辨识的参数，由可调模型可估计出转子磁链。

2基于神经网络的转速辨识可调模

    将式(3)作为转速辨识参考模型，用一个神经网络来构造式(4)所表示的可调模型。