基于实时不确定性补偿器和扰动补偿器的固有自适应反步控制技术在双馈感应发电机风能发电系统中的应用

《Energy》：Real-Time Uncertainty and Disturbance Compensator-Based Inherent Adaptive Backstepping Control for Wind Power Generation Systems with Doubly-Fed Induction Generators

　　摘要
带有双馈感应发电机（DFIG）的风力涡轮机表现出非线性动态特性，并受到时变不确定性和外部干扰的影响。因此，设计一个 robust 且可靠的控制器是一项复杂但至关重要的任务，以确保风速可变的风力涡轮机能够正常运行并持续实现最大功率点跟踪（MPPT）。为了解决这些挑战，本文提出了一种基于实时扰动和不确定性补偿器（DUC）的固有自适应回退控制器（IABC），以提高系统的鲁棒性和能源质量。在设计这种控制方法时，考虑了未知的外部干扰和时变不确定性，并将其作为系统模型中的集中未知扰动处理。DUC 是利用基于回退控制方法的自适应控制技术来估计这些未知因素的。这些扰动通过自适应律进行估计，并通过 DUC 纳入 IABC 控制律中，以实时补偿其影响，从而使控制方案能够抵抗时变不确定性和外部干扰，从而保持系统稳定性并有效应对这些因素造成的性能下降。利用李雅普诺夫稳定性理论系统地分析了所提出的 IABC 策略下受控系统的稳定性。使用 MATLAB/SIMULINK 环境进行了仿真研究，证明了所提出控制方法的有效性和高级鲁棒性。研究结果证实，所提出的基于 DUC 的 IABC 控制策略成功地实现了其目标。

引言
在过去几十年中，风能转换系统（WECS）发展迅速；因此，需要高效可靠的利用和管理工具来提高这些设施的盈利能力变得至关重要 [1]，[2]。控制策略显著影响风力涡轮机和电网负荷 [2]。无论涡轮机类型如何，它们都是提高能量输出、最小化运行压力以及确保与电力系统顺利集成的关键，使其对于可靠且盈利的风能运行变得必不可少 [3]。现代工业大型风力涡轮机（WT）配备了可调速发电机 [4]。由于 DFIG 具有高能量效率、高可靠性、高可控性、低转换器成本和减少的功率损耗等优点，它们被广泛应用于现代风力发电 [5]。带有背靠背转换器的高功率 DFIG 是一种常见的且高效的配置，可以将机械能转换为电能，并从变速转子输送到恒频电网 [6]。
尽管在 DFIG 控制技术方面取得了显著进展，但在同时存在参数不确定性和未知外部干扰的情况下确保可靠运行仍然是一个重大挑战。在实际的风能应用中，空气动力学变化、由温度变化和磁饱和引起的参数偏差以及电网干扰不断影响基于 DFIG 的风力涡轮机的动态性能。因此，在这些实际运行条件下开发一种能够保持稳定性、跟踪精度和电能质量的控制策略仍然是一个重要的研究问题。
已经进行了大量关于将基于 DFIG 的风力发电系统集成到电网中的控制和整合的研究，重点关注能源效率、稳定性和电能质量等关键领域 [1]，[6]，[7]，[8]，[9]，[10]，[11]，[12]，[13]。DFIG 的机械和电气组件的主要控制目标是在随机风速变化下优化提取的空气动力功率，这一过程通常称为最大功率点跟踪（MPPT）。在这一背景下，提出了几种用于控制并网 DFIG 基风力涡轮机的控制技术和方法，其中配备比例-积分（PI）控制器的矢量控制是最受欢迎并在工业中广泛使用的技术，因为它具有结构简单、主动功率和无功功率解耦控制以及易于设计和实现等优点 [5]，[11]，[14]。然而，PI 控制器的性能会因其二端取决于控制回路参数而下降，而系统本身具有非线性特性，并受到未知时变不确定性和外部干扰的影响。为了克服这一点，提出了许多非线性现代控制策略，如分数阶控制 [5]，[15]，[16]，回退控制 [11]，[13]，[18]，[19]，[20]，[21]，[22]，[23]，滑模控制（SMC）[4]，[24]，[25]，[26]，智能控制 [27]，[28]，[29]，[30] 和模型预测控制 [31]，[32]，[33]，以尝试提高 DFIG 控制系统的效率。使用这些技术中的每一种都会在某些性能指标上有所改进，但也会对其他指标产生影响。例如，使用 SMC 可以提高鲁棒性，但会导致电磁转矩出现显著波动，从而导致机械振动和不希望出现的声噪声。此外，高频控制信号会导致大量热量损失和电流波形失真，影响产生的电能质量。同样，智能控制显著提高了动态响应和电流质量，但它计算成本高且需要较长的处理时间，这对于实时控制应用来说是不理想的。此外，在 [34]，[35]，[36]，[37] 中结合两种或更多技术的情况下，控制方案的复杂性会增加，使其实现变得困难并提高最终成本。所有这些最终都会影响电能消耗成本，这在工业环境中是不希望的。此外，某些策略，如输入-输出反馈线性化控制 [38] 和预测控制，存在局限性，因为它们依赖于数学模型并且需要精确了解 DFIG 参数，这使得它们对参数不确定性和变化非常敏感。这种敏感性可能导致动态性能下降、主动功率和无功功率振荡以及系统稳定性降低等问题。这些效应可能导致总谐波失真（THD）增加、响应时间变慢以及难以维持最佳功率跟踪，所有这些在可靠性 and 效率至关重要的工业应用中都是不希望出现的。
在过去十年中，回退控制（BC）技术因其有效提高基于 DFIG 的风力涡轮机系统的可靠性和效率而得到广泛认可。其递归设计方法使得可以逐步开发控制律，确保状态变量误差随时间收敛到零。通过完全解耦主动功率和无功功率控制，BC 改进了基于 DFIG 的风能系统的动态性能。此外，其易于实现、处理非线性的能力以及确保全局稳定性的能力使其成为提高这些现代风力发电系统盈利能力的首选方法。然而，传统的回退控制可能在变化的运行条件下难以保持所需的性能，因为其设计没有考虑参数不确定性或外部干扰。这可能导致参考跟踪不准确和电能质量下降，这在工业应用中是不希望出现的。
尽管已经投入了大量研究努力来改进 DFIG 控制性能，但现有的方法通常只关注参数不确定性或外部干扰，而只有少数研究试图同时解决这两个问题。此外，许多现有解决方案依赖于混合控制架构或智能优化技术，导致计算复杂性和实现成本增加。因此，仍然存在一个明确的研究空白，即需要一种能够在统一的自适应回退框架内同时处理这两种不确定性的控制策略，适用于实时实现。
在这方面，为了提高传统回退控制（CBC）方法的鲁棒性和跟踪性能，已经提出并检验了各种解决方案。例如，Yahdou 等人 [39] 提出了一种回退超扭曲控制（BSTC）方法，在 CBC 方法的控制律中集成了一种超扭曲算法（STA）项。结果表明，在参考跟踪和电能质量方面有显著改善。然而，尽管有这些改进，所提出的方法仍未解决系统对外部干扰和参数不确定性的鲁棒性问题。在 [40] 中，Noussi 等人为了解决所考虑的控制问题，采用了带有高增益观察器的积分回退控制，用于 DFIG 基风力涡轮机的转子侧和电网侧转换器。虽然这种方法提高了抗干扰能力和跟踪精度，但也增加了噪声敏感性，可能导致过度控制努力和系统不稳定。Rajendran 等人 [41] 和 Echiheb 等人 [42] 提出了一种用于 DFIG 风力涡轮机控制的回退滑模控制（BSMC）策略，以优化从风中捕获的能量。然而，由于干扰存在时主动功率和无功功率的不确定波动，这种回退和滑模控制的组合尚未完全确保所需的跟踪性能。为了解决 BSMC 中的稳态误差并提高其对外部干扰的鲁棒性，Abouri 等人 [43] 开发了一种称为积分回退滑模控制的新控制器，在虚拟控制律中加入了积分项，以将系统驱动到所需的跟踪点。结果表明，这种控制技术在瞬态和稳态条件下都表现出高性能，并且与 CBC 和 BSMC 控制策略相比，对变化的系统参数和外部干扰具有更好的鲁棒性。Khan 等人 [36] 提出了一种神经自适应回退积分滑模控制（NABISMC）策略，用于在风速波动的情况下提高带有永磁同步发电机的独立风能转换系统的功率提取效率。仿真研究表明，这种结合了回退、积分滑模控制（ISMC）和人工神经网络技术的控制策略在精度、稳态误差减少、动态响应速度和抖动最小化方面表现出高性能。然而，根据 Parida 等人 [44] 的说法，这种组合控制方法计算成本很高，可能在实际应用中无法提供足够的稳定性裕度，特别是在存在时变不确定性和未知外部干扰的大规模 DFIG 基风力发电系统中。此外，某些策略，如输入-输出反馈线性化控制 [38] 和预测控制，存在局限性，因为它们依赖于数学模型并需要精确了解 DFIG 参数，这使它们对参数不确定性和变化非常敏感。这种敏感性可能导致动态性能下降、主动功率和无功功率振荡以及系统稳定性降低等问题。这些效应可能导致总谐波失真（THD）增加、响应时间变慢以及难以维持最佳功率跟踪，所有这些在可靠性和效率至关重要的工业应用中都是不希望出现的。
在过去十年中，回退控制（BC）技术因其有效提高基于 DFIG 的风力涡轮机系统的可靠性和效率而得到广泛认可。其递归设计方法使得可以逐步开发控制律，确保状态变量误差随时间收敛到零。通过完全解耦主动功率和无功功率控制，BC 改进了基于 DFIG 的风能系统的动态性能。此外，其易于实现、处理非线性的能力以及确保全局稳定性的能力使其成为提高这些现代风力发电系统盈利能力的首选方法。然而，传统的回退控制可能在变化的运行条件下难以维持所需的性能，因为其设计没有考虑参数不确定性或外部干扰。这可能导致参考跟踪不准确和电能质量下降，这在工业应用中是不希望出现的。
尽管已经投入了大量研究努力来改进 DFIG 控制性能，但现有方法通常只关注参数不确定性或外部干扰，而只有有限的研究尝试同时解决这两个问题。此外，许多可用解决方案依赖于混合控制架构或智能优化技术，导致计算复杂性和实现成本增加。因此，仍然存在一个明确的研究空白，即需要一种能够同时在统一的自适应回退框架内处理这两种不确定性的控制策略，适用于实时实现。
在这方面，为了提高经典回退控制（CBC）方法的鲁棒性和跟踪性能，已经提出并检验了各种解决方案。例如，Yahdou 等人 [39] 提出了一种回退超扭曲控制（BSTC）方法，在 CBC 方法的控制律中集成了一种超扭曲算法（STA）项。结果表明，在参考跟踪和电能质量方面有显著改进。然而，尽管有这些改进，所提出的方法仍未解决系统对外部干扰和参数不确定性的鲁棒性问题。在 [40] 中，为了解决所考虑的控制问题，Noussi 等人采用了带有高增益观察器的积分回退控制，用于 DFIG 基风力涡轮机的转子侧和电网侧转换器。虽然这种方法提高了抗干扰能力和跟踪精度，但也增加了噪声敏感性，可能导致过度的控制努力和系统不稳定。Rajendran 等人 [41] 和 Echiheb 等人 [42] 提出了一种用于 DFIG 风力涡轮机控制的回退滑模控制（BSMC）策略，以优化从风中捕获的能量。然而，由于在干扰存在时主动功率和无功功率的不确定波动，这种回退和滑模控制的组合尚未完全确保所需的跟踪性能。为了解决 BSMC 中的稳态误差并提高其对外部干扰的鲁棒性，Abouri 等人 [43] 开发了一种名为积分回退滑模控制的新控制器，在虚拟控制律中加入了积分项，以将系统驱动到所需的跟踪点。结果表明，这种控制技术在瞬态和稳态条件下都表现出高性能，并且与 CBC 和 BSMC 控制策略相比，对变化的系统参数和外部干扰具有更好的鲁棒性。Khan 等人 [36] 提出了一种神经自适应回退积分滑模控制（NABISMC）策略，用于在风速波动的情况下提高带有永磁同步发电机的独立风能转换系统的功率提取效率。仿真研究表明，这种结合了回退、积分滑模控制（ISMC）和人工神经网络技术的控制策略在精度、稳态误差减少、动态响应速度和抖动最小化方面表现出高性能。然而，根据 Parida 等人 [44] 的说法，这种组合控制方法计算成本很高，可能在实际应用中无法提供足够的稳定性裕度，特别是在存在时变不确定性和未知外部干扰的大规模 DFIG 基风力发电系统中。此外，这些控制算法很复杂，包含许多需要调整的参数，使其实现变得困难，因为调整过程通常需要广泛的试错、专业知识或高级优化技术来达到最佳性能。在 [45] 中，Rouabhi 等人提出了一种自适应模糊回退控制，以实现 DFIG 与公用电网之间主动功率和无功功率的精确和鲁棒调节。该方法的原理是根据系统的运行条件动态调整基于回退的控制系统的参数，集成模糊逻辑控制。同样，为了主要解决系统固有动态和不确定性带来的挑战，Aounallah 等人 [46] 以及 Bounar 等人 [47] 在 [47] 中研究了将模糊逼近器集成到回退控制系统中，以统一逼近跟踪误差动态和不确定性中出现的任何非线性函数。在这些控制方法中，模糊控制方法与回退控制的结合提供了灵活且高效的工具，通过逼近非线性和适应不确定性和干扰来补偿模型不准确性。尽管有许多好处，但设计模糊控制系统需要规则选择和调整的专业知识，这使得控制系统在变化运行条件下的风力涡轮机未知动态下更加复杂 [48]。因此，虽然混合控制器在处理干扰和不确定性方面表现出有效性，但由于集成多个控制机制，它们通常涉及更高的结构和计算复杂性。这种额外的负担可能限制了它们在实时应用中的适用性，特别是在处理资源有限的系统中。
自适应回退控制策略为保持并网 DFIG 和 PMSG 基风力发电系统的动态稳定性提供了有希望的解决方案。它们将系统参数视为未知参数，并通过自适应律动态估计这些参数 [49]，[50]，[51]，[52]。Mensou 等人 [23] 设计了一种基于李雅普诺夫函数的回退控制方案，并在 dSPACE 控制器卡实时接口上实现了它，以调节风力涡轮机驱动的 DFIG 的定子主动功率和无功功率以及相应的转子电流。然而，所应用的回退控制器在设计过程中既没有考虑系统的参数不确定性，也没有考虑未知的外部干扰。此外，回退控制技术严重依赖于受控系统的精确数学模型，而系统参数要么无法测量，要么无法精确测量，这使得在复杂的运行环境中确保鲁棒性变得具有挑战性。在 [53] 中，Sun 等人设计并实现了一种自适应回退控制器，以解决 PMSM（永磁同步电机）的位置跟踪问题。在这种方法中，控制器设计考虑了未知的外部干扰，并基于李雅普诺夫稳定性理论开发了一种自适应律来估计和补偿这些干扰的影响，但未解决系统的参数不确定性和变化问题。Ozbay等人[54]、Yang等人[P55]、Mahersi等人[56]和Adekanle等人[57]使用了自适应反步控制器来通过考虑系统参数的不确定性和变化来提高系统的性能和稳定性。这种方法允许控制器通过设计自适应律来动态应对可能由这些因素引起的性能下降。然而，这些研究的作者忽略了外部干扰，而外部干扰显然对并网式双馈发电机(DFIG)风电系统的稳定性和运行有显著影响。因此，开发一种既能处理系统参数不确定性又能应对外部干扰的控制策略至关重要，以确保控制系统更加稳健和具有弹性，适用于实际应用。Shen等人[58]提出了一种基于模糊自适应反步的控制策略，用于海洋流式涡轮机的机械子系统（速度控制回路）和电气子系统（电流控制回路）。该控制策略的设计包括两个部分：首先，他们为机械子系统设计了一个自适应反步控制器，其中考虑了外部干扰，但忽略了参数不确定性；同时，为电气子系统设计了一个自适应反步控制器，该控制器考虑了参数不确定性，但忽略了外部干扰。在第二步中，为了解决自适应反步控制系统的设计不足并提高其鲁棒性，特别是针对第一设计步骤中未考虑的机械子系统不确定性和电气子系统干扰，引入了模糊逻辑控制方法来实时调整两个自适应反步控制器的参数。尽管混合控制方案能够在各种运行条件下确保WTS的鲁棒性和弹性，但它们对精确数学模型的依赖性和高计算要求在实际应用中带来了重大挑战。相比之下，这项工作的贡献在于展示了可以在纯反步框架内系统地实现鲁棒性和适应性，而无需辅助混合结构。这突出了所提出方法的创新性，并强调了其在性能和计算效率都至关重要的实际背景下的相关性。

受上述观察的启发，本研究解决了在统一的非线性自适应控制框架内同时补偿时变参数不确定性和未知外部干扰的未解决挑战。为此，提出了一种基于实时干扰和不确定性补偿器（DUC）的固有自适应反步控制（IABC）策略，用于基于DFIG的风能转换系统。该控制器是为机械子系统（转子速度控制回路）和电气子系统（转子电流控制回路）开发的，实现了整个DFIG控制系统的统一处理。据作者所知，这是首项使用纯固有自适应反步框架同时解决DFIG风电机械子系统和电气子系统未知外部干扰和时变参数不确定性的研究。与现有方法不同，所提出的方法无需集成辅助鲁棒控制器、模糊系统、神经网络或优化算法，从而保持了适合实时实现的相对简单的控制架构。在每个控制回路中，未知的外部干扰和时变不确定性被视为系统模型中的未知集总干扰。这些干扰通过自适应律进行估计，并通过DUC集成到控制律中以实时补偿其影响，从而提高了基于DFIG的风能转换系统的鲁棒性、跟踪精度和稳定性。

所提出的基于实时干扰和不确定性补偿器（DUC）的固有自适应反步控制（IABC）策略的特点如下：
1. 它不需要对系统内部动态或外部干扰的先验知识，这是传统控制方法（如PI控制方法和经典反步控制方法）常见的限制。这使得控制策略具有高度通用性，适用于动态或干扰的详细建模复杂或不可用的各种系统。为了应对不确定性，引入了一个自适应鲁棒控制器作为主反步控制器的补偿器。该控制器动态估计不确定性和干扰，使系统能够在这些因素未知且可能时变的情况下自我纠正并保持最佳性能。即使在不可预测或未建模行为存在的情况下，这种方法也能确保高稳定性和鲁棒性。
2. 与其他现有的自适应策略不同，该方法在处理未知干扰和时变不确定性的同时避免了组合控制技术中常见的过度参数化问题。通过采用精简的方法，该方法在保持适应性的同时降低了复杂性，确保在参数变化和外部因素下的鲁棒性能。因此，它提供了一种比传统多技术自适应控制器更简单但更强大的处理不确定性的方法。
3. 此外，所提出的控制系统能够实时连续估计和补偿时变不确定性和干扰，从而动态适应内部动态和外部条件。这种适应性在负载波动或参数变化等情况下保持了最佳性能。与需要外部工具或算法来调整参数的传统自适应系统不同，这种方法本质上是调整控制律，无需额外的校正措施即可确保鲁棒性和稳定性。这一特性在变化条件下提供了所需的响应性。

这项工作的科学贡献不仅限于开发一个新的控制器。它们提供了一个统一的自适应控制框架，能够同时提高鲁棒性、干扰抑制、跟踪精度和计算效率。具体来说，主要贡献总结如下：
- 这是第一个纯固有自适应反步框架，能够同时补偿基于DFIG的风电涡轮机动态中的参数不确定性和外部干扰，提供了现有混合控制器无法匹配的强大鲁棒性、结构简洁性和计算效率的独特组合。
- 首次对基于DFIG的风电涡轮机系统进行了数学建模。由于所提出的控制方法考虑了系统不确定性和外部干扰，因此相应地制定了控制问题以有效应对这些因素。
- 开发了基于实时DUC的固有自适应反步控制，并将其应用于DFIG控制回路，以满足所需的控制要求，即使存在外部干扰和系统不确定性。
- 使用李雅普诺夫稳定性分析系统地证明了整个系统的整体稳定性，确保所有跟踪误差最终收敛到零。
- 通过消除对复杂观测器网络或智能调谐机制的需求，所提出的策略大大降低了实现成本和调谐时间，使其直接适用于现代风电场中的实时工业部署，其中性能和运营成本是关键约束。

本文的主要框架可以概括为：
- 为了正确处理系统不确定性和外部干扰对基于DFIG的风电涡轮机系统的运行和生产力的影响，引入了一种基于DUC的IABC方法。
- 补偿未知的时变不确定性和/或扰动是提高基于DFIG的可变速风电涡轮机的最大功率点跟踪（MPPT）精度的有效方法。
- 所提出的非线性自适应反步控制系统不仅可以确保跟踪控制性能和稳定性，还可以提高适应性和鲁棒性。
- 整个基于DUC的IABC控制策略被证明具有很强的鲁棒性和良好的稳定性，这一点通过分析和仿真得到了验证。
- 实时估计和补偿系统的不确定性和未知的时变外部干扰是确保所提出的基于DUC的IABC增强鲁棒性的自适应特性。
- 所提出的控制方法易于实现，并可应用于其他复杂动态系统。

本文的其他部分安排如下：
第2节建立了基于DFIG的风电涡轮机系统的数学模型，并讨论了控制问题的表述。为了系统地设计所提出的控制方法，提出了考虑外部干扰和参数不确定性的基于DFIG的风电涡轮机系统的非线性动态模型，这些干扰被集体建模并视为未知的集总干扰。
第3节介绍了所提出的基于实时干扰和不确定性补偿器（DUC）的固有自适应反步控制（IABC）策略的设计及其在所考虑的DFIG风力发电系统的机械和电气子系统的应用。这里，控制系统使用基于反步控制方法的自适应控制技术进行设计，而整个系统的稳定性分析则使用李雅普诺夫直接方法进行。
第4节的MATLAB仿真结果验证了所提出控制方法的有效性，并通过与其他控制方法（如PI控制方法和经典反步控制器CBC）进行比较，展示了所应用控制策略的优越性能。

**系统动态建模和控制问题表述**
风电涡轮机的叶片捕获风的动能并将其转化为机械能，然后DFIG将其转化为电能并输送到电网。图1展示了并网式可变速DFIG风电涡轮机的基本图示。在这种配置中，DFIG通过轴系统和齿轮箱与风电涡轮机机械耦合。在电气上，DFIG发电机的定子绕组直接连接到电网。

**提出的固有自适应反步控制器设计**
为了提高基于DFIG的风能转换系统在参数不确定性和外部干扰下的鲁棒性、动态性能和能量转换效率，本工作中提出了一个集成有实时干扰和不确定性补偿器（DUC）的固有自适应反步控制器（IABC）。所提出的DUC持续估计参数不确定性、未建模动态和外部干扰的集总效应，并对其进行补偿。

**仿真结果和性能评估**
在这项工作中，使用图1中所示的基于DFIG的风电涡轮机系统模型进行数值仿真，以评估所设计的基于实时DUC的IABC控制方法的性能。表1总结了研究中基于DFIG的风电涡轮机系统的主特征。数值仿真使用MATLAB/Simulink进行，采样时间设置为0.001秒。本研究的主要目的是提出一种改进的解决方案，以解决现有BC的问题。

**结论**
本文提出了一种鲁棒的基于实时的固有自适应反步控制（IABC）策略，并成功应用于带有双馈感应发电机（DFIG）的风力发电系统。为了确保对不确定性和干扰的鲁棒性并提高供给电网的能量质量，IABC控制策略是根据DFIG-风电涡轮机动态模型设计的，考虑了外部干扰和系统参数不确定性。

**未引用的参考文献[55]**
**利益冲突声明**
作者声明他们没有已知的财务利益或可能影响本文工作的个人关系。