风电并网逆变器低电压穿越控制【附仿真】

✨ 长期致力于并网逆变器、低电压穿越、直流母线电压、线性自抗扰、滑模自抗扰研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）改进线性扩张状态观测器的LADRC设计：

针对电网电压跌落时直流母线电压波动问题，设计改进型线性自抗扰控制器，在标准LESO基础上引入直流母线电压微分的观测误差反馈。新观测器状态方程增加一个微分估计校正项，校正系数设为0.5，使得观测器对阶跃扰动和斜坡扰动的估计精度提升。观测器带宽ωo设定为600弧度每秒，控制器带宽ωc为200弧度每秒。在电网电压跌落至20%持续625毫秒的工况下，改进LADRC控制下的直流母线电压最大超调仅为28伏（额定700伏），调节时间0.12秒；标准LADRC超调为65伏，调节时间0.24秒。频域分析显示改进型LESO在中频段（100-500赫兹）的扰动抑制能力比标准LESO高约12分贝。

（2）变误差增益非线性ESO与滑模反馈结合：

提出新型非线性扩张状态观测器，其误差增益函数设计为分段非线性形式：当观测误差小于阈值0.01时采用低增益，大于阈值时采用高增益，并随着误差增大增益呈指数上升。同时用滑模控制律替代LADRC中的线性反馈和扰动补偿，滑模面取电压误差及其导数，切换增益为800。滑模控制引入边界层厚度0.05的饱和函数降低抖振。在双馈风电并网仿真中，电网三相短路故障导致电压骤降80%，该滑模自抗扰策略将直流母线电压波动限制在额定值的±5%以内，而传统LADRC为±12%。有功功率恢复时间从0.4秒缩短至0.18秒，且电流谐波畸变率从4.6%降至2.8%。

（3）低电压穿越全过程协调控制策略：

将改进型LADRC用于电压外环，电流内环采用PI控制并加入电网电压前馈。当检测到电网电压低于0.9倍额定值时，立即切入低电压穿越模式，无功电流指令根据电网电压跌落深度线性增加，公式为Iq_cmd = 1.5*(0.9 - V_pu)*In，其中In为额定电流。同时直流母线电压参考值从700伏动态提升至730伏，为故障期间能量缓冲提供余量。在电压恢复阶段，设置斜坡恢复时间200毫秒，无功电流以每秒2倍额定电流的速率降至零。在Matlab/Simulink中模拟电网电压连续两次跌落（分别至0.3pu和0.6pu），所提策略始终保证并网电流峰值不超过1.1倍额定值，不触发过流保护，成功实现连续穿越。硬件在环实验验证表明，控制器执行周期仅80微秒，满足快速响应需求。

import numpy as np class ImprovedLESO: def __init__(self, wo=600.0, wc=200.0, h=0.0001): self.wo = wo self.wc = wc self.h = h self.z1 = 0.0 self.z2 = 0.0 self.z3 = 0.0 self.b0 = 1000.0 # 控制增益 def update(self, y, u): # y: 母线电压测量值，u: 控制量 e = self.z1 - y # 引入微分信号观测误差反馈 fe = e fe_correct = 0.5 * (self.z2 - (y - self.z1)/self.h) self.z1 += self.h * (self.z2 - self.wo * fe) self.z2 += self.h * (self.z3 - self.wo**2 * fe_correct + self.b0 * u) self.z3 += self.h * (-self.wo**3 * fe) u0 = -self.wc * self.z2 u_control = u0 - self.z3 / self.b0 return u_control class VarGainESO: def __init__(self): self.alpha = 0.5 self.delta = 0.01 def nonlinear_gain(self, error): abs_e = np.abs(error) if abs_e < self.delta: return error / self.delta else: return np.exp(5*(abs_e-self.delta)) * np.sign(error) def estimate(self, y, u, prev_state): e = prev_state[0] - y gain = self.nonlinear_gain(e) # 简化更新方程 z1_new = prev_state[0] + prev_state[1]*0.0001 z2_new = prev_state[1] + 1000*gain*0.0001 return np.array([z1_new, z2_new]) class SlidingModeLADRC: def __init__(self): self.saturation = 0.05 self.k_sw = 800.0 def sliding_surface(self, e, e_dot): return e + 0.1 * e_dot def control_law(self, e, e_dot, z3_hat): s = self.sliding_surface(e, e_dot) sat_s = np.clip(s/self.saturation, -1, 1) u_eq = -e_dot * 0.1 u_sw = -self.k_sw * sat_s u = (u_eq + u_sw - z3_hat) / 1000.0 return u