輕度驟降下次同步轉速模擬

4.3 電網三相電壓下降之系統響應

4.3.2 輕度驟降下次同步轉速模擬

圖 4.14 PI+R 簡化模型控制在電壓驟降下之系統響應(s=0.1)

(a)定子電壓(b)定子電流(c)電磁轉矩(d)高速軸轉速(e)d 軸轉子電流(f)q 軸轉子電流

圖 4.15 PI+R 簡化模型控制電壓驟降下定子實功(s=0.1)

圖 4.16 PI+R 簡化模型控制電壓驟降下定子虛功(s=0.1)

圖 4.17 改良 PI 控制在電壓驟降下之系統響應(s=0.1)

(a)定子電壓(b)定子電流(c)電磁轉矩(d)高速軸轉速(e)d 軸轉子電流(f)q 軸轉子電流

圖 4.18 改良 PI 控制電壓驟降下定子實功(s=0.1)

圖 4.19 改良 PI 控制電壓驟降下定子虛功(s=0.1)

圖 4.20 PI+R 簡化模型控制之轉子電壓、電流變化(a)轉子電壓(b)轉子電流

圖 4.21 改良 PI 控制之轉子電壓、電流變化(a)轉子電壓(b)轉子電流

次同步下結果如圖 4.14~圖 4.21，兩種控制下的暫態響應與超同步運作下相比並無太大的改變，僅因轉速的下降導致最佳功率點變小；另外轉矩的值相對低了許多，使得 PI 控制下轉速保持在平穩的狀態；而在 PI+R 簡化控制中，可以看到相較圖 4.12(b)轉子電流圖，圖 4.20 之轉子電流出現相對較大的諧波分量，此處諧波看似較大的原因在於轉子側電流的基頻受轉速的影響，使轉子電流之頻率為定子電流頻率與轉差率 s之乘積，所以圖 4.12 與圖 4.21 兩者之電流頻率有兩倍的差距，在頻率較低時諧波的效果更加明顯，導致此處的電流波形偏差看來更大，實際上無太大的不同。

同樣由於轉差率的關係 (s = 0.1)，PI 控制由於缺少 R(s) 對特定頻率增益的功能，當轉子電流頻率降低時，轉子電壓控制器之輸出便無法快速變化抑制暫態的產生，所以暫態持續的時間隨之拉長，可由圖 4.21(a)、(b)看出，大約需要 0.4 秒的時間才能使系統回復穩態狀況。

4.3.3 40%驟降下控制方法之比較

圖4.22 PI+R 簡化模型控制之轉子電壓、電流變化(a)轉子電壓(b)轉子電流

圖4.23 改良 PI 控制之轉子電壓、電流變化(a)轉子電壓(b)轉子電流

在圖 4.39、4.40 中，分別得到了電壓驟降時不同控制下轉子側的電壓電流變化，可以發現在 40%驟降之情形下，兩種控制結構皆無法使轉換器正常運作，對論文內設計的控制方法，由於電流受到良好的抑制，使控制的最大電壓值上升至 700 多伏特，而原先的 PI 控制則是依然存在過電流的影響，這表示在過度的電壓故障產生時，仍需配合 Crowbar 與虛功補償器等保護裝置使用，單純的控制改良很難作進一步的改良，這也是在低電壓運行問題內所遇到的主要問題。

在本章中，分別對風速變化下的功率追蹤運作與三項電壓下降時的暫態控制作了所需的模擬，且對轉子開路下的轉換器工作電壓限制有了初步的分析，可由第三章内推論的結果得到驗證，加入 R(s) 功能下的簡化模型控制在抑制過電流上有很好的功效，且相比傳統的 PI 控制，幾乎不存在暫態的時間，但也因為加入諧振控制，使轉子側出現電網頻率之諧波，在實際運用上將需要額外加入諧振電路才能達到控制。

五、結論

本文針對平衡電壓驟降下的雙饋式風力發電機有了詳細的分析，利用一適當的簡化模型，推導出 S-domain 上轉子控制策略的詳細關係式，並利用諧振控制器對特定頻率放大的特性，對暫態時產生的電網頻率震盪訊號有了有效的抑制，

最後利用 PSO 演算法對轉子控制器參數做概略的設計

根據第四章內系統的模擬結果，可以看出在風速固定下，功率設定點經由 PI+R 之簡化模型設計後，能在輕微電壓驟降下作有效的控制，在維持實功率穩定的同時，更能抑制虛功震盪的產生，得到極佳的功率因素，但也能清楚看到轉子電流出現高次諧波，需要額外的電路設計，且加入開關裝置與非線性元件後產生的額外諧波問題想必會影響控制的準確度，這些都是尚待考慮的地方。

另外由於本論文探討的故障皆建立在三相平衡下，對不平衡的電壓下降必定需要額外的設計，且風機模型的建立並無考慮電網側變壓器、開關等電力元件，

諧振控制器在實際的運用上需要根據鎖相回路(PLL)考慮頻寬等問題，對電網實際的併網問題也需要額外考慮，且由於轉換器的物理因素，使電壓驟降下的轉子側控制存在上限，因此在嚴重低電壓發生時，仍需搭配保護裝置使用，或是加入虛功補償器。

本論文僅在控制的結構上，針對電壓問題改善其暫態響應，對於現今越發龐大與複雜的風力系統而言，仍存在許多改進的地方，希望透過文章中模擬與分析，能對風機的控制改良提供參考的價值。

Reference

[1] Erlich, I.; Wrede, H.; Feltes, C., "Dynamic Behavior of DFIG-Based Wind Turbines during Grid Faults," Power Conversion Conference - Nagoya, 2007. PCC '07 , vol., no., pp.1195,1200, 2-5 April 2007

[2] J. Morren and S. W. H. de Hann, “Ride through of wind turbines with doubly-fed induction generator during a voltage dip,” IEEE Trans. Energy Convers., vol. 20, no.

2, pp. 435–441, Jun. 2005.

[3] Jiaqi Liang; Wei Qiao; Harley, R.G., "Feed-Forward Transient Current Control for Low-Voltage Ride-Through Enhancement of DFIG Wind Turbines," Energy Conversion, IEEE Transactions on , vol.25, no.3, pp.836,843, Sept. 2010

[4] 廖明夫, R.Gaxch, J.Twele, “風力發電技術,” 西北工業大學出版社, 2009 [5] Gonzalo Abad, Jesús López, Miguel A. Rodríguez, Luis Marroyo, and Grzegorz Iwanski, “Doubly Fed Induction Machine：Modeling and Control For Wind Energy Generation,” Wiley-IEEE Press, 2011

[6] 賀益康, 胡家冰, 徐烈, “並網雙饋異步風力發電機運行控制,” 中國電力出版社, 2012 年 4 月

[7] Krause, P., Wasynczuk, O., Sudhoff, S., “Analysis of Electric Machinery and Drive Systems,” Wiley-IEEE Press 2002

[8] Park, R.H., “Two-reaction theory of synchronous machines generalized method of analysis-part I,” American Institute of Electrical Engineers, Transactions of the , vol.48, no.3, pp.716,727, July 1929

[9] Hu Jia-bing, He Yi-kang, Zhu Jian Guo, “The Internal Model Current Control for Wind Turbine Driven Doubly-Fed Induction Generator,” Industry Applications Conference, 2006. 41st IAS Annual Meeting. Conference Record of the 2006 IEEE, vol.1, no., pp.209,215, 8-12 Oct. 2006

[10] Gene F. Franklin, J. David Powell, Abbas Emami-Naeini, “Feedback Control of Dynamic Systems,” Addison-Wesley Longman Publishing Co., Inc., Boston, MA, 1993

[11] Luna, A.; Lima, F.K.A.; Santos, D.; Rodriguez, P.; Watanabe, E.H.; Arnaltes, S.,

“Simplified Modeling of a DFIG for Transient Studies in Wind Power Applications,”

Industrial Electronics, IEEE Transactions on , vol.58, no.1, pp.9,20, Jan. 2011

[12] Xiaoming Yuan, Allmeling, J., Merk, W., Stemmler, H., “Stationary frame generalized integrators for current control of active power filters with zero steady state error for current harmonics of concern under unbalanced and distorted operation conditions,” Industry Applications Conference, 2000. Conference Record of the 2000 IEEE, vol.4, no., pp.2143,2150 vol.4, Oct 2000

[13] Remus Teodorescu, Frede Blaabjerg, “Proportional-Resonant Controllers. A New Breed of Controllers Suitable for Grid-Connected Voltage-Source Converters,”

Proceedings of The 9^th International Conference on Optimization of Electrical and Electronic Equipments, Optim 2004., Vol. Vol. 3, CD-ROM 2004. p. 9-14.

[14] Zwe-Lee Gaing, “A particle swarm optimization approach for optimum design of PID controller in AVR system,” Energy Conversion, IEEE Transactions on , vol.19, no.2, pp.384,391, June 2004

[15] Lopez, J.; Sanchis, P.; Roboam, X.; Marroyo, L., “Dynamic Behavior of the Doubly Fed Induction Generator During Three-Phase Voltage Dips,” Energy Conversion, IEEE Transactions on , vol.22, no.3, pp.709,717, Sept. 2007

[16] Kennedy, J.; Eberhart, R., “Particle swarm optimization,” Neural Networks, 1995.

Proceedings., IEEE International Conference on , vol.4, no., pp.1942,1948 vol.4,

Nov/Dec 1995

[17] Wei Qiao; Venayagamoorthy, G.K.; Harley, R.G., “Design of Optimal PI Controllers for Doubly Fed Induction Generators Driven by Wind Turbines Using

Particle Swarm Optimization,” Neural Networks, 2006. IJCNN '06. International Joint Conference on , vol., no., pp.1982,1987, 0-0 0

[18] L.K. Letting, J.L. Munda, Y. Hamam, “Optimization of a fuzzy logic controller for PV grid inverter control using S-function based PSO,” Solar Energy, Volume 86, Issue 6, June 2012, Pages 1689-1700,

[19] 李俊峰等, “2012 中国风电发展报告,” 北京, 中国环境科学出版社, 2012.9 [20] Yuhui Shi; Eberhart, R., “A modified particle swarm optimizer,” Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on , vol., no., pp.69,73, 4-9 May 1998

附錄 A

粒子群聚演算法(Paritcle Swarm Optimization,PSO)，為一種具有群體智慧進化的方法，最早於 1995 年由 James Kenny 和 Russel Eberhart 所提出[16]，此演算法源自於觀察鳥類間的群聚與覓食，是一種運用族群的最佳化方法，其優點在於收斂的快速能有效降低運算量、較少的參數設定使程式碼容易實現，目前在 PID 控制、模糊系統等都有很好的應用[17-18]

我們可想像一空間中具有一鳥群，牠們各自飛散找尋聚食的地點，並在尋找的同時相互溝通，使鳥群最後找到理想的覓食地點，以上的過程即是 PSO 的中心想法，對每一隻鳥我們可看做為一個「粒子」，而在飛行的過程中，不同的粒子會擁有不同的「更新速度」和「位置」，粒子間具有相互連結與記憶的功能，

使粒子在「搜索」的過程逐漸「收斂」於最佳解上，完成演算法的整個計算，由上述即可知道，整個演算法的過程主要分為兩大類「搜索」與「收斂」，一開始各個維度下的粒子在不同位置進行搜索，透過記憶的功能使每個粒子都能記住目前為止所遇過的最佳點，同時經過互相的溝通比較出所有粒子間的最佳點，最後經過反覆的運算求解

知道運算的想法後，要接著代入適應性(fitness)的觀念，我們知道粒子間具有溝通與記憶的功能，使牠們能比較出彼此間最佳點的好壞，而好壞程度的判別即是適應性所代表的功能，其值通常為一可比較的實數，演算法乃通過目標模型的適應函數(fitness function)來得知適應性的大小，可以說適應函數制定的好壞從根本上影響了演算法的成功與否，而決定的方法須由使用者根據目標模型的特性，

設計出專屬的式子

在知道適應性和粒子位置更新間的關係後，PSO 首先初始化一群數量為 i 的隨機粒子，透過適應性的比較，每一次迭代都能找出粒子自身所找到的區域最佳解 (local best, lbest)並透過溝通記住粒子群的全域最佳解(global best, gbest)，每個粒子受自身位置、權重、區域最佳解及全域最佳解的影響，得到下一步的更新速率，

重新開始另一次的迭代，根據這些代出 PSO 的粒子的更新公式

V_�,�(t) = w ∗ V�,�(t − 1) + c� ∗ rand_�∗ �lbest_�,�− x_�,�(t − 1)� + c�∗ rand_�

∗ �gbest_�− x_�,�(t − 1)�

x_�,�(t) = x�,�(t − 1) + V�,�(t)

V_�,�(t)表示在 t 時間族群中第 i 個粒子第 j 維的移動速度；

x_�,�(t)表示在 t 時間族群中第 i 個粒子第 j 維的位置；

lbest_�,�為截至 t - 1 時間內第 i 個粒子第 j 維所找到的最佳位置即區域最佳解；

gbest_� 為截至 t - 1 時間內全部粒子中第 j 維所找到的最佳位置即全域最佳解；

w 為權重值；

rand_�,�產生 [0,1] 之間的隨機值；

c�與c�分別表示區域最佳解與全域最佳解之影響係數;

V(t+1)

lbest w*V(t)

gbest

x(t)

x(t+1)

圖A.1 粒子移動示意圖

粒子群聚演算法詳細步驟：

圖 A.2 PSO 計算流程圖粒子適應性

優於 L best?

初始化

粒子適應性計算

粒子速率與位置更新

當前粒子位置取代此粒子 L best L best 不變

迭代完成 ?

否

結果

是

是否優於 G best?

G best被取代 G best不變

是否

比較各粒子 L best 取適應性最佳者

否是

由粒子移動示意圖 A.1 可看出，粒子群的更新速率提供了權重與係數 c�、c�

三個參數來調整，其中 c_�、c_� 之值影響粒子向區域最佳解和全域最佳解學習靠近的能力，c� 調整過大時，容易發生粒子失去探索能力只在區域最佳解附近圍繞無法收斂;同樣的 c_� 調整過大時，粒子群受全域最佳解影響過大，將使演算法快速收斂更是無法得到最佳的解。

而權重代表了粒子移動的隨機性，其大小影響了演算法求解過程中偏重於開拓或是收斂得解，較大的 w 值有利於全域解的探索能力，較小的 w 值則有利於局部的收斂，以往在 w 的選擇上常採用固定權重，即選擇一常數作為權重，在

在文檔中雙饋式風力發電機之運行與控制 (頁 76-0)