TS模糊逻辑与最优关系MPPT算法风力涡轮机性能仿真验证（Matlab/Simulink代码实现）

最新推荐文章于 2024-09-17 12:04:05 发布

然哥爱编程

最新推荐文章于 2024-09-17 12:04:05 发布

阅读量885

点赞数 22

文章标签： matlab

本文链接：https://blog.csdn.net/m0_73907476/article/details/140490086

版权

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

💥1 概述

本研究旨在通过仿真验证一种结合了TypeScript（TS）、模糊逻辑控制以及最优关系法的新型最大功率点追踪（MPPT）算法在风力涡轮机中的性能表现。风力涡轮机作为可再生能源发电的重要设备，其效率直接关系到能源转换的效能。MPPT算法是优化风力涡轮机输出功率的关键技术，能够确保风力涡轮机在不同风速条件下始终运行在最大功率点上。

本研究中的MPPT算法创新性地融合了模糊逻辑控制策略，该策略能够处理风力涡轮机运行过程中的不确定性和非线性因素，提高系统的鲁棒性和适应性。同时，算法还采用了最优关系法来优化控制参数，以进一步提升MPPT的准确性和效率。

为了验证这一算法的有效性，研究人员利用仿真平台构建了风力涡轮机的数学模型，并模拟了不同风速和环境条件下的运行情况。通过对比传统MPPT算法与本研究提出的算法在仿真中的性能表现，包括输出功率、跟踪速度、稳定性等指标，研究人员得出了该算法在提升风力涡轮机发电效率和稳定性方面的显著优势。

综上所述，本研究通过仿真验证了基于TypeScript的模糊逻辑与最优关系法相结合的高效MPPT算法在风力涡轮机中的优越性能，为风力发电技术的进一步发展提供了有力支持。

📚2 运行结果

部分代码：

clc; clear all;

%% Version for github

%% Test wind profiles
load('WIND_PERFIL.mat');

%% Parameters of wind turbine
%Static model
Rr = 2.9343;        %Radius [m]
pi = 3.1416; 
Den=1.225;          %Air density standard [kg/m^3]
%Dynamic model
Dg = 0.390;         %Mechanical friction [N-m穝/rad]
Jm = 5*0.1;         %Wind rotor inertia [Kg穖2]
Jg = 5*0.1;         %Electric generator inertia [Kg穖2]

%% PMSG generator
Rs1 = 2.5;          %Stator resistance [Ohms]
La  = 6e-3;         %Armature inductance [H]
Ym  = 0.5;          %Magnetic flux [v穝/rad]
p   = 24;           %pole pairs

%% Three-phase diode bridge
Rs2 =  1e5;         %Snuber resistance [Ohms]
Cs  =  inf;         %Capacitance snuber [F]
Ron = 1e-3;         %On resistor [Ohms]

%% Boost dc-dc converter
Co     = 470e-6;      %Input capacitance [F]
RCo    = 0.01;        %Internal resistance of Co [Ohms]
L      = 80e-3;       %Inductance [H]
Fs1    = 5e3;         %Switching frequency [kHz]
KI     = 0.0195296;   %Integration constant
KP     = 1.0672352;   %Proportional constant 
Ts1    = 1/Fs1;       %Sampling time
io_nom = 22.5;        %Rated output current of the wind system (10kW)
Ki1     = 1/io_nom;   %Current sensor gain (Kh=Ki1)
Dmax   = 1;           %Maximum PWM value

%% Inverter dc-ac
Fc      = 2e3;        %Base frequency of the triangular carrier wave [Hz] 
Fs2     = 60;         %Base frequency of the power grid [Hz]
ws      = 2*pi*Fs2;   %Base frequency of the power grid [rad/s]
vdc     = 500;        %DC bus base voltage [V]
S       = 10e3*3/2;   %Apparent base system power [VA]
VL      = 381.051/2;  %Baseline voltage [rms]
Vf      = VL/sqrt(3); %Base phase voltage [rms]
vdc_ref = 500;        %Desired dc bus voltage [V]
Linv    = 0.0133;     %Inductance [H]
RLinv   = 0.0417;     %Linv internal resistance[Ohms]
Cinv    = 470e-6;     %DC bus capacitor [F]
Ts2     = 1/(4*Fc);   %Sampling time [Seg.]
Ts3     = 1/(100*Fc); %PWM sampling time and other non-controller blocks
Vp      = 1;          %Peak PWM carrier voltage [V]
Kv2     = 500;        %Voltage sensor gain 
Hv_z    = 1/Kv2;
Ki2     = 30;         %Current sensor gain
Hi_z    = 1/Ki2;
Kidq    = 1;          %Current ADC gain
Hidq_z  = 1/Kidq;
Kvdq    = 1;          %Voltage ADC gain
Hvdq_z  = 1/Kvdq;
KI3     = 0.0217732643899006; %Integral voltage controller gain
KP3     = 7.56435818844027;   %Voltage controller proportional gain
KI1     = 0.217806165556525;  %Integral current controller gain
KP1     = 29.8808604912875;   %Proportional gain of the current controller

%% Power grid
VLngrid = 33000/sqrt(3);      %Line voltage to neutral [rms]
Icc     = 5000e6;             %Short circuit current [Arms]  
Fred    = Fs2;                %Frequency [Hz]
In = 1000e3/(1.73*(110));
Icc_calc = In/(5/100);


%% Sample time of MA-MPPT and Oubella-MPPT
Ts6 = 0.02;