《Sci》：Adaptive Metaheuristic Optimization and Numerical Modeling for Robust Control of DFIG Wind Turbines Under Stochastic Wind and Grid Disturbances
编辑推荐：
将风能可靠地集成到现代电网中，需要能够在随机风况和电网侧扰动下维持稳定运行的控制策略。本文提出了一种自适应元启发式优化与数值建模框架，用于在基于双馈感应发电机（DFIG）的风能转换系统中，对比例–积分（PI）控制器参数进行鲁棒多场景整定。优化的控制回路包括转子
将风能可靠地集成到现代电网中，需要能够在随机风况和电网侧扰动下维持稳定运行的控制策略。本文提出了一种自适应元启发式优化与数值建模框架，用于在基于双馈感应发电机（DFIG）的风能转换系统中，对比例–积分（PI）控制器参数进行鲁棒多场景整定。优化的控制回路包括转子侧变换器、网侧变换器、转子速度回路和直流母线电压回路。与传统依赖标称工作点或有限确定性案例的整定方法不同，所提出的公式在多个运行场景下评估每个候选控制器，包括启动动态、阶跃风速变化、随机风波动和电网电压跌落条件。通过将多样性感知自适应和停滞处理机制引入标准鲸鱼优化算法（WOA）结构中，开发了自适应鲸鱼优化算法（AWOA），以改善搜索过程中的探索–开发平衡。整定目标将聚合瞬态性能最小化与面向鲁棒性的场景评估相结合，从而促进在不确定运行条件下保持有效的控制器增益。与灰狼优化器（GWO）、广义灰狼优化器（GGWO）、飞蛾火焰优化器（MFO）和标准WOA的对比数值仿真表明，所提出的AWOA在所考虑案例中实现了更低的聚合积分时间平方误差（ITSE）值。收敛性评估、消融分析和留出鲁棒性测试进一步证实了自适应机制的贡献。时域响应还表明，在严重电网扰动下，直流母线电压调节和功率恢复得到改善。这些结果表明，所提出的框架能够增强并网DFIG风能系统的可靠性和韧性，支持更鲁棒和可持续的可再生能源集成。
**论文解读：基于自适应鲸鱼优化算法与数值建模的DFIG风电机组鲁棒控制研究**
**一、研究背景与问题**
随着现代电力系统中风电渗透率的不断提高，风电机组在随机风速变化和电网侧扰动下的稳定运行能力成为影响可再生能源可靠集成的关键。双馈感应发电机（Doubly Fed Induction Generator, DFIG）因其具备独立的有功/无功功率控制能力、较宽运行范围内的高效能量捕获以及相比全功率变换器更低的变换器容量，在陆上风电场中得到了广泛应用。然而，DFIG系统对运行不确定性和电网侧扰动高度敏感：湍流、阵风和随机大气波动引起的随机风速变化常导致转子速度和直流母线电压偏差；而电压跌落、不对称故障和弱电网条件等电网扰动则可能引发严重的瞬态响应、过流、直流母线过电压以及保护机制误动作，从而影响系统的稳定性和电网规范符合性。
尽管比例–积分（Proportional–Integral, PI）控制器因其结构简单和易于部署而广泛应用于转子侧变换器（Rotor-Side Converter, RSC）和网侧变换器（Grid-Side Converter, GSC），但传统PI整定通常围绕标称工作点进行，难以在随机风况与电网扰动耦合时维持满意性能。为此，已有研究探索了滑模控制（Sliding-Mode Control, SMC）、模型预测控制（Model Predictive Control, MPC）、反步法及自适应控制等先进方法，但这些方法往往依赖于简化的不确定性表示、有限运行范围或精确定义的性能目标，其在同时存在风速不确定性和多样化电网扰动情况下的鲁棒性仍显不足。同时，元启发式优化方法已被广泛用于控制器参数整定，但多数现有基于优化的整定方法仅使用有限确定性场景进行评价，未将多场景鲁棒性显式嵌入优化目标，导致所得控制器参数在特定案例中表现良好，而对场景依赖的不确定性较为敏感。
**二、研究内容与结论**
针对上述问题，研究人员提出了一种集成的自适应元启发式优化与数值建模框架，用于随机风和电网扰动条件下DFIG风能转换系统PI控制器的鲁棒多场景整定。该框架将数值建模、基于场景的不确定性表示、面向鲁棒性的目标函数设计以及自适应元启发式PI整定统一于一个可持续风能控制体系内。具体而言，将随机风速模型（含Kaimal谱湍流、阵风分量）与电网扰动模型（对称电压跌落、不对称故障、短时中断、电压暂升及谐波畸变）组合为多场景集合，每个候选控制器在各场景下进行数值仿真评估。优化目标同时包含聚合瞬态性能最小化与场景间性能方差惩罚，从而促进控制器增益在不确定运行条件下的一致性和有效性。研究人员在标准鲸鱼优化算法（Whale Optimization Algorithm, WOA）基础上发展出自适应鲸鱼优化算法（Adaptive Whale Optimization Algorithm, AWOA），其创新在于引入多样性感知的自适应收敛系数、基于改进停滞检测的机制以及针对较差个体的自适应多样化重初始化，以改善搜索过程中的探索–开发平衡。
通过对比灰狼优化器（Grey Wolf Optimizer, GWO）、广义灰狼优化器（Generalized Grey Wolf Optimizer, GGWO）、飞蛾火焰优化器（Moth-Flame Optimizer, MFO）及标准WOA，数值结果表明AWOA在启动动态、随机风变化、阶跃风速变化和电网电压跌落等全部考虑场景中均取得最低的聚合积分时间平方误差（Integral Time Squared Error, ITSE）。收敛性评估显示AWOA具有更快后期收敛速度和更低终值；消融分析证实各自适应组件（非线性收敛调度、多样性感知适应、停滞处理）均对最终性能有贡献；留出鲁棒性测试进一步表明，AWOA整定的增益在未见过的更严重或组合型扰动场景下仍保持优势，较最强基线WOA约有22%的改进。时域响应表明，在50%电网电压跌落条件下，AWOA有效降低了直流母线电压的跌落深度和振荡幅度，并改善了无功功率的恢复速度和稳定性。该研究的重要意义在于为风电控制系统提供了一种系统化的鲁棒整定方法，能够增强并网DFIG风能系统在随机环境和电网扰动下的可靠性与韧性，支持更鲁棒和可持续的可再生能源集成。该论文发表在《Sci》。
**三、关键技术方法**
研究人员主要采用以下关键技术方法：（1）控制导向的DFIG机电建模，包括两质量传动链模型和同步参考系下的变换器控制回路表示；（2）随机风速建模，采用Kaimal谱的滤波白噪声生成湍流分量，并叠加阵风分量；（3）电网扰动建模，涵盖对称电压跌落、不对称故障、短时中断、电压暂升和谐波畸变，并通过场景组合构建多场景评价集；（4）自适应鲸鱼优化算法（AWOA），在标准WOA中融入多样性感知自适应、停滞检测与再初始化机制，以求解鲁棒多场景整定问题；（5）基于ITSE的鲁棒目标函数，结合均值和方差项以及约束惩罚项。仿真在MATLAB/Simulink R2023b环境中实现，采用变步长刚性求解器ode23tb，相对容差10
-5，控制器和记录采样时间10
-4s。所有算法均以30个搜索代理、最大迭代100次、随机种子1–30运行30次独立试验。
**四、研究结果**
**1. 优化控制器参数**：不同运行场景下优化所得PI增益存在明显差异，表明没有单一固定整定模式能保证所有场景下的最优性能，整定过程会根据主导运行条件重新分配外环与内环控制回路的相对作用。WOA和AWOA获得的参数集较其他基线方法更均衡有效。
**2. 对比ITSE性能**：在四个主要运行案例（启动动态、随机风变化、阶跃风速变化、电网电压跌落）中，WOA是基线方法中误差最低者，而AWOA在所有案例中均实现进一步降低；电网电压跌落案例产生的聚合ITSE值远大于启动和风变化案例，反映了其控制难度更高。
**3. 自适应改进效果**：AWOA相对GWO、GGWO、MFO和标准WOA在所有运行案例中均取得正向改进。相对GWO的改进在启动动态下为36.36%，在随机风变化、阶跃风速变化和电网电压跌落条件下超过63%；相对标准WOA的改进分别为19.23%、21.28%、22.00%和20.90%，证明增益来自自适应机制本身而非WOA基本结构。最大的改进出现在阶跃风速变化和电压跌落案例，表明多样性感知适应和停滞处理机制在瞬态非线性更强或扰动更严重时尤为有效。
**4. 时域响应**：在50%电网电压跌落（t=2.0s至2.1s）工况下，AWOA比WOA进一步降低了直流母线电压主跌落深度和后续振荡波峰幅值，改善了无功功率在电压跌落后的负向偏移并促进更平滑的恢复轨迹，证实了改进不仅具有数值意义，也转化为更好的直流母线电压稳定性和无功恢复能力。
**5. 统计分析与额外验证**：场景级非参数排名显示AWOA在所有案例中稳定获得第1名，其后依次为WOA、GGWO、MFO、GWO；Friedman检验表明五种算法间存在统计显著的排名差异（5%显著性水平）。Wilcoxon符号秩检验显示AWOA对所有基线方法均保持正向配对改进，但受限于配对场景数量（4个），其p值未达到5%显著性水平，故统计证据应视为提示性而非结论性。
**6. 收敛性评估**：基于30次独立运行的中位最佳-so-far聚合ITSE轨迹显示，AWOA达到最低终值，并在后期阶段表现出比标准WOA更快的误差降低，表明自适应收敛系数和停滞处理机制在不牺牲早期全局搜索能力的前提下提供了额外开发收益。
**7. 消融研究**：从原始WOA到完整AWOA呈现渐进式改进：非线性收敛调度改善基线搜索，多样性感知组件进一步降低聚合ITSE，停滞处理通过缓解过早收敛提供了额外增益。完整AWOA取得最佳目标值和最佳平均排名，说明最终改进源于所有自适应组件的综合贡献。
**8. 留出鲁棒性测试**：在五个未见过的外加场景（H1-H5，包括增大湍流强度、移动阵风事件、引入不对称故障、谐波畸变伴随电压暂升、以及深度跌落与短时中断的组合）中，AWOA在所有留出案例中均获得最低ITSE，相对最强基线WOA改进约22%。在最严重的留出场景（H5）下，AWOA较标准WOA减少了最大直流母线电压偏差、无功功率偏差和恢复时间。
**五、讨论与结论总结**
讨论部分指出，基线比较明确识别WOA是GWO、GGWO、MFO和WOA中最强的常规优化器，而所提出的自适应修改在启动动态、风相关运行案例和严重电网扰动条件下均进一步改善了优化性能。时域响应证实改进不仅体现在数值指标上，也转化为直流母线电压稳定和无功恢复方面的更好物理表现。总体而言，数值和波形证据表明基于AWOA的框架为DFIG系统在多个运行场景下提供了有效的PI控制器整定。研究人员也承认框架存在局限性：验证基于MATLAB/Simulink数值仿真，尚未通过实验或硬件在环实现验证；鲁棒性评估限于所考虑的预定义和留出场景，未穷尽所有可能的风和电网扰动；优化过程相比传统PI整定引入额外离线计算负担。此外，惩罚权重采用统一值且未进行系统敏感性分析，这被列为未来工作方向。
结论部分翻译如下：本文提出了一个自适应元启发式优化和数值建模框架，用于在随机风和电网扰动条件下，对基于DFIG的风能转换系统中的PI控制回路进行鲁棒多场景整定。所提出的AWOA在标准WOA结构中集成了多样性感知自适应和停滞处理，而整定目标同时考虑了聚合瞬态性能和场景间变异性。数值结果表明，AWOA在启动、随机风变化、阶跃风速变化和电网电压跌落场景下均取得了比GWO、GGWO、MFO和标准WOA更低的聚合ITSE值。收敛性分析、消融研究和留出鲁棒性测试进一步证实了自适应机制的贡献和优化增益的泛化能力。Wilcoxon符号秩检验表明存在一致的正向配对改进；然而，由于配对场景数量有限，统计证据在5%显著性水平下应视为提示性而非结论性。时域响应证实，所提出的控制器在严重电网扰动下改善了直流母线电压调节和无功功率恢复。这些改进支持DFIG风能系统更可靠和更具韧性地集成到现代电网中，有助于在不确定的环境和电气条件下实现可持续运行。未来工作将考虑更大的不确定性集合、不对称故障、硬件在环验证和实时实现。
