考虑到绿色能源特别是基于双馈感应发电机（Doubly-Fed Induction Generator, DFIG）的风电场接入电力系统的规模不断增长，在电压跌落等扰动下维持稳定性并确保并网已成为关键挑战。此类扰动会显著影响变流器控制性能，促使大量研究致力于增强低电压穿越（Low Voltage Ride Through, LVRT）能力。鉴于机器学习算法在动态控制策略中日益广泛的应用，本研究探讨将基于支持向量机（Support Vector Machine, SVM）的自适应PI控制器引入DFIG系统以提升LVRT性能。以电网电压、定子电压、直流链（dc-link）电压及电磁转矩等作为模型输入，将转子侧PI控制器的比例系数Kp和积分系数Ki作为目标输出变量。所提方法兼具传统控制技术与机器学习的优势，在多种电压跌落场景下表现出更优性能。研究在平衡与不平衡电网电压跌落条件下均进行了实现，以确保控制策略评估的全面性。此外，作为一种纯软件方案，该方法在保持可靠性的同时降低了硬件成本与系统复杂度，并通过所提方法验证了电网电能质量的改善。所提方法基于一台2 MW DFIG风电机组模型，通过MATLAB/Simulink仿真完成了验证。
本文载于《Sustainable Computing: Informatics and Systems》。
研究背景与意义：
风能是全球可再生能源的重要组成部分，其中基于双馈感应发电机（Doubly-Fed Induction Generator, DFIG）的风力发电系统（DFIG-Based Wind-Powered Electrical System, DWPES）因效率高、成本低及有功/无功解耦控制能力强而被大规模应用。然而DFIG定子直接并网使其在电网电压跌落时极易产生转子过流，触发转子侧变流器（Rotor-Side Converter, RSC）保护动作而导致脱网。现代并网规范（Grid Codes）要求风电机组具备低电压穿越（Low Voltage Ride Through, LVRT）能力。现有LVRT方案分为硬件法（如crowbar撬棒电路）与软件法；硬件法虽可抑制深跌下的过流，但增加成本、复杂度且暂态期间吸收无功，软件法则是更具性价比的方向。传统转子侧电流/功率控制环中的PI控制器多采用固定参数，难以适应突变的电压跌落工况。虽然已有模糊逻辑、模型预测控制（Model Predictive Control, MPC）等智能控制尝试，但将机器学习——尤其是支持向量机回归（Support Vector Machine Regression, SVR / ν-SVR）——用于在线自适应整定DFIG转子侧PI控制器增益Kp、Ki以全面提升LVRT的研究尚存空白。为此，Mohammad Hosein Shaabani、Behrooz Vahidi及Mohammad Javad Jalilian针对此问题开展了基于SVM自适应PI控制的DFIG-LVRT增强研究，并在平衡与不平衡电压跌落条件下进行了综合验证。该工作在不改动传统PI控制环路架构前提下，仅以离线训练好的SVM回归模块在线更新PI增益，兼顾工程可实现性与动态响应提升，对促进DFIG风电机组满足现代并网标准具重要工程参考价值。
关键技术与方法：
研究人员首先建立2 MW DFIG风电机组MATLAB/Simulink模型（含定子、绕线转子感应发电机、背靠背电压源变流器即转子侧变流器RSC与网侧变流器Grid-Side Converter, GSC、直流链电容及传动链）。为获取高质量训练样本，采用遗传算法（Genetic Algorithm, GA）离线优化不同工况下RSC电流控制环PI控制器的最佳Kp和Ki值（以抑制转子过流、直流链电压波动及电磁转矩振荡为目标函数）。将多组电网电压幅值、定子电压、直流链电压、转子侧dq轴电流、电磁转矩及有功功率为输入特征，GA优化所得Kp/Ki为目标输出，构建数据集并以分层五折交叉验证（stratified 5-fold cross-validation）训练ε-不敏感支持向量机回归（ε-SVR/SVM regression）模型。训练完成后，SVM回归模块嵌入Simulink控制回路，在实际运行中以 supervisory-rate周期采集实时电气特征并预测适配当前电网状态的PI增益，实现自适应PI控制；深度电压跌落（>90%）仍辅以crowbar保护。仿真对比了固定参数PI控制器、带crowbar的传统控制及所提SVM自适应PI控制器在对称/不对称电压跌落下的动态响应。
研究结果：
System configuration（系统结构与DFIG不平衡运行特性）：
研究人员介绍了DFIG风电机组构成——风轮及传动链、绕线转子感应发电机、背靠背脉宽调制（Pulse Width Modulation, PWM）变流器（RSC与GSC）。指出定子直接挂网使电压跌落在转子回路感应暂态过电势与过电流，不平衡跌落还引入负序分量致二倍频转矩脉动与电流畸变，为后续控制设计提供问题依据。
Proposed Method（所提基于SVM的自适应PI控制方法）：
研究人员阐明方法流程——①离线用GA在不同电压跌落深度及运行点寻优RSC电流内环PI理想Kp、Ki；②收集对应运行特征与最优Kp/Ki组成训练样本；③训练SVM回归模型并完成交叉验证；④将训练好模型植入RSC控制环，在线量测特征量→SVM预测→实时更新PI增益。强调该方法保留经典PI环路结构，无在线数值优化求解，仅做前馈查表式SVR推理，推断延迟有界且不需提高内环采样率，相比模糊规则库设计或MPC计算负担更低，属于轻量级软件升级方案。
Simulation results（仿真结果与分析）：
研究人员在MATLAB/Simulink中对2 MW DFIG进行多场景仿真。（1）对称三相电压跌落至额定35%与50%：与固定PI相比，SVM自适应PI显著抑制转子电流峰值，避免RSC过流保护误动，直流链电压超调减小，电磁转矩振荡更快衰减，有功/无功功率恢复平滑；（2）单相及两相电压不平衡跌落：SVM自适应PI有效降低负序分量引起的二倍频转矩脉动与电流畸变，满足并网导则对无功支撑的要求；（3）与启用crowbar的传统控制对比：所提方法在中等跌落时无需投入crowbar，减少crowbar频繁动作对系统暂态特性的不利影响，仅在极深跌落（>90%）才协同crowbar动作；（4）综合表明SVM自适应PI在各类跌落下LVRT性能优于非自适应PI甚至带crowbar方案，且改善并网电能质量。
Conclusion（结论）：
研究人员总结指出，本文提出一种基于SVM回归的机器学习嵌入式自适应PI控制策略用于DFIG转子侧变流器以提升LVRT能力。SVM模型离线训练并以在线方式依实时电网条件预测PI增益Kp与Ki。该方法融合传统PI控制架构与数据驱动优势，在平衡及不平衡电压跌落工况下均能抑制转子过电流、平抑直流链电压波动与电磁转矩振荡、减少crowbar不必要投切并改善电能质量，经2 MW DFIG系统仿真验证其有效性优于固定参数PI控制器。作为一种纯软件方案，该方法在不增加硬件成本与系统复杂度的前提下提高了DFIG风电机组的故障穿越能力与并网适应性。
讨论总结：
论文讨论指出，传统固定参数PI控制器无法充分应对DFIG遭遇电压跌落时的非线性暂态特征，而单纯依赖crowbar等硬件保护会影响动态无功支撑并增成本。将离线由遗传算法优化获取的"最优PI增益—运行特征"对作为训练样本，利用SVM回归泛化能力在线预测适配当前电网状态的Kp/Ki，实现了控制参数与扰动程度的解耦匹配。与模糊逻辑控制（需大量规则库设计）及MPC（需在线求解优化问题、高采样率要求）相比，该SVM自适应PI保留了既有PI环路，仅需监督层周期调用已训练SVR模型更新增益，工程改造成本低、推断时延可控。结果证实该方法在对称及不对称电压跌落中均提升LVRT表现、减少辅助保护动作并改善输出电能质量，为机器学习赋能电力系统动态控制提供了可行范例。后续可进一步研究在线增量学习以适应机组老化及不同风况长期漂移，以及在真机控制器中的实时代码部署与实时性验证。
翻译研究结论部分：
鉴于计算机科学与人工智能日益融入电力系统动态控制领域，本文提出一种利用支持向量机回归实现DFIG系统转子侧变流器自适应控制的基于机器学习的控制方法。该模型预测PI增益。训练过程离线完成；训练好的模型集成入Simulink后，其预测应用为在线方式，能适应当前系统运行状态。所提基于SVM的自适应PI控制增强了DFIG系统在电压跌落期间的低电压穿越能力、抑制了转子过电流与直流链电压波动、减少了撬棒保护的不必要投入，并在平衡与不平衡电网故障下均经2 MW DFIG仿真验证有效。
