《Sustainability》：Cascaded Neural Network-Based Power Control for Enhanced Performance of Doubly Fed Induction Generator-Based Wind Energy Conversion Systems
Habib Benbouhenni and
Nicu Bizon
编辑推荐：
本文针对双馈感应发电机（DFIG）风力发电系统在多变风速与电网条件下效率、电能质量与可靠性难以兼顾的挑战，提出并验证了一种新颖的级联神经网络控制（CNC）架构。该研究通过内外双神经回路设计，有效建模系统非线性动态并实时补偿不确定性，实现了相比传统DPC-PI控制方案更优的动态响应、更小的功率与电磁转矩脉动、更强的抗扰性与鲁棒性，从而提升了风能转换效率、延长了设备寿命，并增强了电力系统的稳定性与可再生能源渗透能力。
随着全球向低碳可持续电力系统转型，风能作为可再生能源的渗透率日益提高。其中，基于双馈感应发电机（Doubly Fed Induction Generator, DFIG）的风能转换系统因其变速运行和卓越的功率控制能力，已成为主流技术。然而，风力发电的“看天吃饭”特性带来了巨大挑战：风速瞬息万变，电网条件也非一成不变。在这种复杂多变的“战场”上，如何确保风力发电机不仅能“吃饱”（高效捕获风能），还能“吃好”（输出优质电能并稳定并网），同时自身“健康长寿”（降低机械应力，延长寿命），是风能领域亟待解决的核心难题。
传统的控制方法，如基于比例-积分（Proportional–Integral, PI）调节器的直接功率控制（Direct Power Control, DPC），虽然结构简单、应用广泛，但其“死板”的特性在面对系统非线性动态、参数不确定性和风速快速波动时，往往“力不从心”，导致性能下降，直接影响发电量、设备寿命和电网稳定。为了增强风力发电的可持续性与韧性，迫切需要引入更智能、更具适应性的“大脑”。
为此，研究人员在《Sustainability》期刊上发表了一项研究，提出为DFIG驱动的多转子风力发电系统（DFIG-MRWT）装备一个“级联神经网络控制器”。这项研究旨在解决现有神经网络控制器往往缺乏层次结构，难以同时管理转矩调节、无功补偿和电网支持等多重目标的问题，并通过一种创新的控制架构，显著提升系统在多变风况和电网扰动下的整体性能。
为了验证所提出的级联神经网络控制（Cascaded Neural Network-based Control, CNC）策略，研究者主要运用了以下关键技术方法：首先，建立了DFIG-MRWT系统的详细数学模型，包括DFIG的电气与机械方程（基于Park变换）以及MRWT的气动模型，为控制设计与仿真奠定基础。其次，设计了核心的CNC架构，将控制任务划分为协调的外环与内环神经子控制器，外环负责调节有功和无功功率参考值以优化能量捕获和支持电网需求，内环则通过生成适当的转子侧变流器控制信号来确保快速精确的跟踪。再者，利用神经网络的自适应学习能力，在线逼近系统复杂非线性动态并补偿不确定性，这是实现高性能控制的关键。最后，通过MATLAB/Simulink仿真平台，对所提出的CNC方法与传统的DPC-PI方法进行了全面的性能对比与评估。
研究结果
- •
1. 引言
该部分综述了DFIG风力发电系统控制策略的研究现状，指出了传统PI控制的局限性，并列举了模型预测控制、模糊逻辑、滑模控制以及各类神经网络控制在提升性能方面的尝试。同时，明确了当前研究存在的空白：缺乏针对DFIG-MRWT系统的系统性级联神经网络控制架构研究，以及对该类控制器在多变风与电网扰动下鲁棒性评估的不足。
- •
1.2. 关键研究空白与目标
本研究旨在填补上述空白，具体目标是：设计一个集成神经网络控制器的级联控制框架；开发能实时响应系统不确定性和外部扰动的自适应训练机制；通过仿真建模评估新控制架构的有效性；展示其在变化风况和电网条件下改进的稳定性、鲁棒性以及功率提取和电网支持效率。
- •
1.3. 动机与贡献
研究的动机源于提升风能转换系统在电网集成加深和资源可变性加剧背景下的性能、鲁棒性和适应性的迫切需求。主要贡献在于开发了一种将多个基于学习的控制器集成在分层结构中的级联神经控制方法，从而有效管理DFIG-MRT系统。贡献包括新颖的级联控制架构、通过自适应学习机制增强的抗风湍流和电网扰动鲁棒性，以及一个全面的性能评估框架。
- •
2. 提议的电力系统
介绍了DFIG-MRWT系统的基本构成与优势，并给出了DFIG的数学模型关键方程，包括机械运动方程（Te - Tr = Ω × f + (dΩ/dt) × J）和基于电流与磁链的电磁转矩计算公式（Te = (3M / (2Ls p)) × (Ird× Ψsq- Irq× Ψsd)），以及定转子磁链与电流的关系方程组。这些模型是后续控制器设计的基础。
- •
4. 提出的CNC方法
详细阐述了所提出的级联神经网络控制器的结构。控制架构分为内外两层循环：外环神经控制器接收有功功率（Ps）和无功功率（Qs）的误差，并输出转子电流的d轴和q轴参考值（Ird_ref, Irq_ref）；内环神经控制器则跟踪这些电流参考值，并生成最终的转子电压控制信号（Vrd, Vrq）给转子侧变流器。神经网络利用其非线性映射和自适应学习能力，实时调整控制律，以应对系统动态变化和不确定性。
- •
6. 性能比较分析
通过仿真，将CNC方法与传统的DPC-PI方法进行了详细对比。结果显示，CNC方法在动态响应速度、超调量抑制、功率（Ps, Qs）和电磁转矩的脉动减少、总谐波畸变（Total Harmonic Distortion, THD）降低等方面均表现出显著优势。特别是在风速突变和电网电压跌落等扰动场景下，CNC控制器展现出了更优的抗扰性和恢复能力。
- •
7. 结果与讨论
仿真结果验证了CNC策略的优越性能。具体而言，CNC实现了更快的功率跟踪，更小的稳态误差，以及大幅降低的电流THD值。与DPC-PI相比，CNC在提高风能转换效率、减少机械部件应力、改善注入电网的电能质量方面效果突出，从而有助于提高风力发电系统的可靠性和寿命，并支持更高比例的可再生能源并网。
研究结论与意义
本研究成功设计并验证了一种用于DFIG-MRWT风力发电系统的级联神经网络控制架构。该CNC方法通过其分层设计和神经网络的 adaptive learning（自适应学习）能力，有效地解决了传统控制在非线性、不确定性和快速变化工况下的性能瓶颈。仿真结果表明，该控制策略显著提升了系统的动态性能、稳态精度、功率质量以及对风速与电网扰动的鲁棒性。
这项工作的意义重大，它表明先进的智能控制技术能够在加强风能系统的可靠性、效率和长期可持续性方面发挥重要作用。通过提高能量转换效率、降低运维需求、延长涡轮机使用寿命，CNC策略直接促进了可持续能源生产。同时，其增强的无功功率控制和电网支持功能，有助于稳定以可再生能源为主的电力系统运行，从而支持全球脱碳目标和向可持续能源基础设施的更广泛转型。尽管目前研究限于仿真验证，但为未来实时实现、稳定性评估和实验验证奠定了坚实基础，推动了高性能智能控制在可再生能源领域的实用化进程。
