摘要：针对基于两状态优化开关表的直接功率控制策略的不足,提出了基于三状态优化开关表的直接功率控制策略(IDPCS)。在此基础上,在定子双绕组感应发电机(DWIG)轻载建压、转速变化及负载突变工况下,针对IDPCS与滞环电流控制策略(HCCS)的动态和静态稳压控制效果进行了对比分析,进而对DWIG在上述2种控制策略下的空载调节特性、负载调节特性及效率特性进行了比较。结果表明,无论采用何种控制策略,DWIG均能实现建压,在转速变化、负载突变等工况下均能实现恒压输出,且DWIG运行特性的变化规律一致;HCCS的动态与静态稳压控制效果均优于IDPCS,且随转速升高两者的稳压控制效果均逐渐改善;与HCCS相比,采用IDPCS可使DWIG效率更高,尤其在高速情况下。

摘要：针对粒子群优化(particle swarm optimization,PSO)算法收敛过程中种群多样性丢失而导致早熟收敛的问题,提出一种具有双重学习能力的遗传-粒子群综合算法(genetic-particle swarm memetic algorithm,GPSMA)。该算法引入遗传操作,具有向成功和失败双重学习的能力,并融入振荡参数策略和阻尼边界条件处理方法。通过4个典型测试函数对GPSMA与其他3种优化算法的数值试验对比,表明GPSMA具有良好的全局收敛能力。在此基础上,以变速范围内控制绕组电流最小为优化目标,运用GPSMA对1台18.5 k W的定子双绕组感应发电机(dual statorwinding induction generator,DWIG)进行优化设计。结果表明,优化后的样机使控制绕组电流幅值下降了62.7%,说明GPSMA可有效应用于DWIG优化问题的求解。

摘要：结合定子双绕组感应发电机(DWIG)在风力发电场合的运行特点,建立了风力DWIG的优化设计模型,提出了相应的优化目标、优化变量及约束条件。针对粒子群优化算法早熟收敛的问题,提出了一种具有向成功和失败双重学习能力的遗传-粒子群综合算法(GPSMA)。在此基础上,分别以转速范围内的控制绕组电流及额定效率为优化目标,利用GPSMA对一台18.5 k W的DWIG进行了优化设计,并对2套优化方案进行了分析。结果表明,优化之后的样机的控制绕组电流最大值下降了62.7%或额定效率提高了0.94%,说明GPSMA有助于DWIG优化设计。

摘要：以无刷双馈风力发电机(BDFG)为研究对象,建立BDFG的优化设计模型,提出相应的优化目标、优化变量和约束条件。针对粒子群优化(PSO)算法易出现早熟收敛及陷入局部最优的现象,提出一种全参数振荡粒子群优化(OAPS-PSO)算法。在此基础上,采用OAPS-PSO算法对一台5 k W的BDFG样机进行优化设计,分别以有效材料成本最低和平均效率最高为优化目标,得出两套BDFG优化方案。结果表明,通过优化可使样机的有效材料成本下降6.9%或平均效率提高3.3%,说明该文提出的OAPS-PSO算法可有效应用于BDFG的优化设计。