本发明属于可再生能源发电和电力系统领域，更具体地，涉及一种基于遗传算法(genetic algorithm，简称ga)-反向传播神经网络算法(back propagation neuralnetwork，简称bpnn)联合优化的抽蓄双馈电机直接转矩控制方法。
背景技术：
1、抽水蓄能作为技术成熟，经济性优的大容量储能技术，成为了以新能源为主题新型电力系统配套储能的首选技术。而抽蓄双馈感应电机(doubly-fed inductiongenerator，简称dfig)作为抽水蓄能系统中关键部件，也是目前使用最广泛的电机类型。然而，高性能的控制系统是抽蓄dfig在实际工业中得到应用的关键问题之一。直接转矩控制作为一种新的交流电机高性能控制调速方法，可直接将定子磁通和转矩作为控制量进行反馈控制，因此控制结构更加简单，响应更加快速。但是，传统的直接转矩控制会受到转矩纹波和开关频率影响，尤其是在低速时的性能不佳，所以，对抽蓄dfig直接转矩控制的研究具有重要的现实意义。
2、目前常见的抽蓄dfig直接转矩控制技术主要有三种：第一种是直接转矩控制方法，它通过抽蓄dfig的数学模型来估算磁通和转矩，然后计算转矩和磁通与其参考值的误差，最后利用一个预设的开关查找表，决定逆变器的开关状态，以调整抽蓄dfig的磁通和转矩向其目标值靠近；第二种是空间矢量调制直接转矩控制方法，其中抽蓄dfig的磁通和转矩估算和误差计算同直接转矩控制方法相同，但它不直接从开关查找表中选择开关状态，而是使用空间矢量调制来确定每个控制周期内最适合的电压矢量，通过调整逆变器的开关状态，从而更加精确地调整转矩和磁通；第三种是预测式直接转矩控制方法，其不仅通过抽蓄dfig的数学模型估算当前的磁通和转矩，还预测未来的磁通和转矩变化，并基于未来的预测，计算误差，选择可以最小化未来误差的控制策略，根据预测和优化结果，控制逆变器的开关，以实现预期的转矩和磁通控制效果。
3、然而，上述三种现有的直接转矩控制技术均存在一些不可忽略的问题：第一、针对上述直接转矩控制方法而言，因其离散的开关决策可能导致较大的转矩和磁通波动，从而会导致抽蓄dfig在运行时产生振动和噪音；第二、在上述空间矢量调制直接转矩控制方法中，其控制算法涉及到大量数据处理和计算能力，从而导致控制过程复杂繁琐，需要更高的计算资源；第三、在上述预测式直接转矩控制方法中，由于其过于依赖对未来系统行为的准确模型预测，因此任何模型参数偏差都会影响控制抽蓄dfig的系统性能。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于ga-bpnn联合优化的抽蓄双馈电机直接转矩控制方法，其目的在于，解决现有直接转矩控制方法由于其离散的开关决策可能导致较大的转矩和磁通波动，导致抽蓄dfig运行时产生振动和噪音的技术问题，以及空间矢量调制直接转矩控制方法由于其控制算法涉及到大量数据处理和计算能力，从而导致控制过程复杂繁琐的技术问题，以及预测式直接转矩控制方法依赖于对未来系统行为的准确模型预测，任何模型参数偏差都会影响控制抽蓄dfig系统性能的技术问题。
2、为实现上述目的，按照本发明的一个方面，提供了一种基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，包括以下步骤：
3、(1)在抽蓄dfig控制系统中配置数据采集器，以得到抽蓄dfig精密控制系统。
4、(2)通过步骤(1)得到的抽蓄dfig精密控制系统获取抽蓄dfig的电气特性数据。
5、(3)对步骤(2)获得的抽蓄dfig的电气特性数据进行整合计算，以得到抽蓄dfig的电气特性参数。
6、(4)使用步骤(3)得到的抽蓄dfig的电气特性参数获取抽蓄dfig在dq坐标系下的磁通方程、电压方程、转矩方程，并将获得的磁通方程、电压方程、转矩方程进行整合，以得到dq坐标系下抽蓄dfig精密控制系统的数学模型。
7、(5)建立变换矩阵，根据建立的变换矩阵对步骤(4)获得的dq坐标系下抽蓄dfig精密控制系统的数学模型进行处理，以得到抽蓄dfig在αβ坐标下的磁通方程和电压方程，将获得的αβ坐标下的磁通方程和电压方程输入步骤(1)配置的数据采集器中，以得到αβ坐标下的转子磁通幅值、转子磁通位置角和转矩方程，并将获得的磁通方程、电压方程、转子磁通幅值、转子磁通位置角和转矩方程进行整合，以得到αβ坐标系下抽蓄dfig精密控制系统的数学模型。
8、(6)将步骤(5)获得的αβ坐标系下抽蓄dfig精密控制系统的数学模型输入步骤(1)配置的数据采集器中，以得到抽蓄dfig的转矩控制信号和抽蓄dfig的磁通控制信号。
9、(7)使用反向传播神经网络算法bpnn，并根据步骤(5)得到的转子磁通位置角、以及步骤(6)得到的抽蓄dfig的转矩控制信号和抽蓄dfig的磁通控制信号建立第一开关矢量调制器，通过得到的第一开关矢量调制器、并使用遗传算法ga获取第二开关矢量调制器，并将得到的第二开关矢量调制器与步骤(1)配置的数据采集器中的逆变器进行连接，以实现抽蓄dfig的直接转矩控制。
10、优选地，步骤(1)中所配置的数据采集器包括定子电压电流传感器、转子电压电流传感器、速度传感器、比例-积分pi调节器、磁通观测器、转矩观测器、电阻测试仪、三相-两相变换器、转矩滞环比较器、磁通滞环比较器和逆变器。
11、优选地，步骤(2)中进行数据采集，从而得到抽蓄dfig的基本电气数据，这一过程，首先是从抽蓄dfig的型号规格中获取极对数和电源频率，并设置抽蓄dfig的磁通给定值；然后，使用定子电压电流传感器采集抽蓄dfig在abc坐标系下的三相定子绕组电压、三相定子绕组电流，并使用转子电压电流传感器采集抽蓄dfig在abc坐标系下的三相转子电压、三相转子电流；随后，对获取的三相定子绕组电压、三相定子绕组电流、三相转子电压和三相转子电流进行记录分析，以得到三相坐标基本参量；最后，使用电阻测试仪采集抽蓄dfig的定子电阻和转子电阻，对获取的定子电阻和转子电阻进行记录分析，以得到电气损耗基本参量；获得的极对数、电源频率、磁通给定值、三相坐标基本参量、电气损耗的基本参量共同构成抽蓄dfig的电气特性数据。
12、步骤(3)中对电气特性数据进行整合计算，以得到抽蓄dfig的电气特性参数这一过程，首先是将获得的电气特性参数中的极对数和电源频率进行整合计算，以得到抽蓄dfig的同步角速度；再将抽蓄dfig的同步角速度与抽蓄dfig的实际转速做差异化分析，以得到抽蓄dfig的转差角速度；然后，将获得的三相坐标基本参量输入三相-两相变换器进行变换，以得到dq两相旋转坐标基本参量；最后，对基本电气数据中的电气损耗基本参量先后进行归一化计算和绕组间耦合处理，以得到抽蓄dfig的定子自感和互感、以及抽蓄dfig的转子自感和互感，并对获取的抽蓄dfig的定子自感和互感、以及抽蓄dfig的转子自感和互感进行记录整合，以得到电磁参数，所得到的抽蓄dfig的同步角速度、抽蓄dfig的转差角速度、dq坐标基本参量和电磁参数共同构成抽蓄dfig的电气特性参数。
13、优选地，步骤(4)具体为，首先，将步骤(3)得到的抽蓄dfig的电气特性参数中的dq坐标基本参量进行分量解析，以得到抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量；然后，将得到的抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量以及电磁参数作为磁通观测器的输入量进行整合计算，以得到抽蓄dfig在dq坐标系下的磁通方程，如下式(1)所示：
14、
15、其中ψds为抽蓄dfig的定子磁通在dq坐标系下的d分量；ψqs为抽蓄dfig的定子磁通在dq坐标系下的q分量；ψdr为抽蓄dfig的转子磁通在dq坐标系下的d分量；ψqr为抽蓄dfig的转子磁通在dq坐标系下的q分量；ids为抽蓄dfig的定子电流在dq坐标系下的d分量；iqs为抽蓄dfig的定子电流在dq坐标系下的q分量；idr为抽蓄dfig的转子电流在dq坐标系下的d分量；iqr为抽蓄dfig的转子电流在dq坐标系下的q分量；ls为抽蓄dfig的定子绕组的自感；lm为dq抽蓄dfig的定子绕组与抽蓄dfig的转子绕组间的等效互感；lr为抽蓄dfig的转子绕组的自感；
16、然后，根据获得的磁通方程、抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量、抽蓄dfig的同步角速度、抽蓄dfig的转差角速度以及电磁参数建立抽蓄dfig在dq坐标系下的电压方程，如下式(2)所示：
17、
18、其中vds为抽蓄dfig的定子电压在dq坐标系d轴上的分量；vqs为抽蓄dfig的定子电压在dq坐标系q轴上的分量；vdr为抽蓄dfig的转子电压在dq坐标系d轴上的分量；vqr为抽蓄dfig的转子电压dq坐标系q轴上的分量；rs为抽蓄dfig的定子等效电阻；rr为抽蓄dfig的转子等效电阻；ωs为抽蓄dfig的同步角速度；ωr为抽蓄dfig的转差角速度；
19、随后，根据得到的磁通方程、步骤(2)得到的抽蓄dfig的电气特性数据中的极对数、电磁参数以及抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量建立抽蓄dfig在dq坐标系下的转矩方程，如下式(3)所示：
20、
21、其中te为抽蓄dfig在dq坐标系下的转矩幅值；np为抽蓄dfig的极对数；
22、最后，将获得的磁通方程、电压方程、转矩方程进行整合，以得到dq坐标系下抽蓄dfig精密控制系统的数学模型。
23、优选地，步骤(5)具体为，首先，根据αβ坐标系和dq坐标系与电流空间矢量的关系获取变换矩阵，如下式(4)所示：
24、
25、其中c为变换矩阵；为αβ坐标系与dq坐标系的夹角；
26、然后，使用获取的变换矩阵将dq坐标系下抽蓄dfig精密控制系统的数学模型中的磁通方程和电压方程进行坐标变换，从而分别获得αβ坐标下的磁通方程和电压方程，αβ坐标下的磁通方程如下式(5)所示、αβ坐标下的电压方程如下式(6)所示：
27、
28、其中ψαs为抽蓄dfig的定子磁通在αβ坐标系下的α分量；ψβs为抽蓄dfig的定子磁通在αβ坐标系下的β分量；ψαr为抽蓄dfig的转子磁通在αβ坐标系下的α分量；ψβr为抽蓄dfig的转子磁通在αβ坐标系下的β分量；iαs为抽蓄dfig的定子电流在αβ坐标系下的α分量；iβs为抽蓄dfig的定子电流在αβ坐标系下的β分量；
29、iαr为抽蓄dfig的转子电流在αβ坐标系下的α分量；iβr为抽蓄dfig的转子电流在αβ坐标系下的β分量；
30、
31、其中vαs为抽蓄dfig的定子电压在αβ坐标系α轴上的分量；vβs为抽蓄dfig的定子电压在αβ坐标系β轴上的分量；vαr为抽蓄dfig的转子电压在αβ坐标系α轴上的分量；vβr为抽蓄dfig的转子电压在αβ坐标系β轴上的分量；
32、随后，将得到的αβ坐标下的磁通方程输入磁通观测器，以得到αβ坐标下的转子磁通幅值和转子磁通位置角，αβ坐标下的转子磁通幅值如下式(7)所示、αβ坐标下的转子磁通位置角如下式(8)所示：
33、
34、其中ψr为抽水蓄能dfig在αβ坐标系下的转子磁通幅值；
35、
36、其中θ为抽水蓄能dfig在αβ坐标系下的转子磁通位置角；
37、其后，将得到的αβ坐标下的电压方程和磁通方程输入转矩观测器，以得到αβ坐标下的转矩方程，如下式(9)所示：
38、t*e＝np(ψαsiβs-ψβsiαs) (9)
39、其中t*e为抽蓄dfig在αβ坐标系下的转矩幅值；
40、最后，将获得的磁通方程、电压方程、转子磁通幅值、转子磁通位置角和转矩方程进行整合，以得到αβ坐标系下抽蓄dfig精密控制系统的数学模型。
41、优选地，步骤(6)包括以下子步骤：
42、(6-1)使用数据采集器中的速度传感器测量抽蓄dfig的转速，将获得的抽蓄dfig的转速与给定转速作差，以得到抽蓄dfig的转速偏差信号，并将获得的抽蓄dfig的转速偏差信号输入数据采集器中的pi调节器中，以得到抽蓄dfig的转矩给定值。
43、(6-2)将步骤(5)获得的αβ坐标系下抽蓄dfig精密控制系统数学模型中的转矩幅值与步骤(6-1)获得的抽蓄dfig的转矩给定值作差，以得到抽蓄dfig的转矩误差信号；最后将抽蓄dfig的转矩误差信号输入步骤(1)配置的转矩滞环比较器，以得到抽蓄dfig的转矩控制信号。
44、(6-3)将步骤(5)获得的αβ坐标系下抽蓄dfig精密控制系统数学模型中的转子磁通幅值设定为磁通估算值；然后与步骤(2)得到的抽蓄dfig的电气特性数据中的磁通给定值作差，以得到抽蓄dfig的磁通误差信号，并将该磁通误差信号输入数据采集器中的磁通滞环比较器，以得到抽蓄dfig的磁通控制信号。
45、优选地，步骤(7)包括以下子步骤：
46、(7-1)使用bpnn算法、并根据步骤(5)得到的转子磁通位置角、以及步骤(6)得到的抽蓄dfig的转矩控制信号和抽蓄dfig的磁通控制信号建立第一开关矢量调制器，并对该第一开关矢量调制器的参数进行初始化操作，以得到第一开关矢量调制器的输入向量。
47、(7-2)将步骤(7-1)得到的第一开关矢量调制器的输入向量进行前馈计算，以得到第一开关矢量调制器的bpnn算法隐含层的输入向量和输出向量，对获得的第一开关矢量调制器的bpnn算法隐含层的输出向量进行前馈计算，以得到第一开关矢量调制器的bpnn算法输出层的输入向量和输出向量，并将得到的第一开关矢量调制器的bpnn算法输出层的输出向量作为第一开关矢量调制器的输出向量。
48、(7-3)根据步骤(5)得到的转子磁通位置角、以及步骤(6)得到的抽蓄dfig的转矩控制信号和抽蓄dfig的磁通控制信号获取第一开关矢量调制器的电压矢量开关表，根据电压矢量开关表获取第一开关矢量调制器的实际电压矢量；将步骤(7-2)得到的第一开关矢量调制器的输出向量作为最优电压矢量，并计算该最优电压矢量与实际电压矢量之间的均方差，以得到第一开关矢量调制器的均方差。
49、(7-4)设置计数器t＝0。
50、(7-5)根据步骤(7-3)得到的第一开关矢量调制器的均方差更新第一开关矢量调制器的bpnn输入层、bpnn算法隐含层、以及bpnn算法输出层的连接权值和阈值，以得到更新后的第一开关矢量调制器的bpnn算法输入层、bpnn算法隐含层、以及bpnn算法输出层的连接权值和阈值。
51、(7-6)根据步骤(7-1)获得的第一开关矢量调制器的输入向量、步骤(7-2)获得的第一开关矢量调制器的bpnn算法隐含层的输入向量和输出向量以及第一开关矢量调制器的输出向量构建第一开关矢量调制器、步骤(7-3)获得的第一开关矢量调制器的均方差、以及步骤(7-5)获得的更新后的第一开关矢量调制器的bpnn算法输入层、bpnn算法隐含层、以及bpnn算法输出层的连接权值和阈值构建第一开关矢量调制器。
52、(7-7)对ga算法中的多个种群个体进行初始化，以得到初始化后的多个种群个体，并根据步骤(7-3)得到的第一开关矢量调制器的均方差计算初始化后的每个种群个体的适应度值；
53、(7-8)根据步骤(7-7)得到的每个种群个体的适应度值获取该种群个体的选择概率，并从得到的所有种群个体的选择概率中获取选择概率最大的种群个体作为种群父代个体；
54、(7-9)使用步骤(7-8)得到的种群父代个体、并根据实数交叉法进行交叉操作(即在交叉操作点上进行基因链码互换)，以获取多个种群子代个体；
55、(7-10)从步骤(7-9)得到的多个种群子代个体中随机选取一个种群子代个体，对其染色体基因进行变异操作，以得到变异后的新种群子代个体，并使用实数解码法对获得的变异后的新种群子代个体进行解码，从而得到新的连接权值和新的阈值；
56、(7-11)判断t是否大于预设的最大进化次数v，如果是，则将步骤(7-10)得到的新的连接权值和新的阈值作为最优连接权值和最优阈值，并转入步骤(7-12)；否则设置t＝t+1，并返回步骤(7-5)；
57、(7-12)将最优连接权值和最优阈值输出第一开关矢量调制器中，以得到第二开关矢量调制器。
58、(7-13)将步骤(7-12)得到的第二开关矢量调制器与步骤(1)配置的数据采集器中的逆变器进行连接，以实现抽蓄dfig的直接转矩控制。
59、优选地，步骤(7-1)具体为，首先，使用bpnn算法、并根据步骤(5)得到的转子磁通位置角、以及步骤(6)得到的抽蓄dfig的转矩控制信号和抽蓄dfig的磁通控制信号建立第一开关矢量调制器，然后，初始化第一开关矢量调制器的bpnn算法输入层的神经元个数为3、隐含层的神经元个数为6、输出层的神经元个数为3；随后，定义第一开关矢量调制器的bpnn算法输入层的三个输入向量分别等于抽蓄dfig的转矩控制信号tq、抽蓄dfig的磁通控信号ψq以及抽蓄dfig的转子磁通位置角sn，即：x1＝tq、x2＝ψq、x3＝sn；
60、步骤(7-2)中第一开关矢量调制器的bpnn算法隐含层的第i个神经元(i∈[1，6])的输入向量计算公式如下式(10)所示：
61、
62、其中hi是第一开关矢量调制器的bpnn算法隐含层第i个神经元的输入向量；xj是第一开关矢量调制器的bpnn算法输入层的第j个输入向量，j∈[1,3]；是第一开关矢量调制器的bpnn算法输入层的第j个神经元与第一开关矢量调制器的bpnn算法隐含层的第i个神经元之间的连接权值；bi是第一开关矢量调制器的bpnn算法隐含层的第i个神经元的阈值；
63、第一开关矢量调制器的bpnn算法隐含层的第i个神经元(i∈[1，6])的输出向量计算公式如下式(11)所示：
64、
65、其中oi(k)是第一开关矢量调制器的bpnn算法隐含层第i个神经元的输出向量；f1(g)是bpnn算法隐含层的激活函数；
66、第一开关矢量调制器的bpnn算法输出层的第u个神经元(u∈[1，3])的输入向量计算公式如下式(12)所示：
67、
68、其中hu是第一开关矢量调制器的bpnn算法输出层第u个神经元的输入向量；
69、是第一开关矢量调制器的bpnn算法隐含层的第i个神经元与第一开关矢量调制器的bpnn算法输出层的第u个神经元之间的连接权值；bu是第一开关矢量调制器的bpnn算法输出层第u个神经元的阈值；
70、第一开关矢量调制器的bpnn算法输出层的第u个神经元(u＝1,2,3)的输出向量计算公式如下式(13)所：
71、
72、其中ou(k)是第一开关矢量调制器的bpnn算法输出层第u个神经元的输出向量；f2(g)是bpnn算法输出层的激活函数。
73、优选地，步骤(7-3)中第一开关矢量调制器的均方差计算公式如下式(14)所示：
74、
75、其中m是第一开关矢量调制器的均方差，z是电压矢量开关表对应的实际电压矢量；
76、步骤(7-5)中第一开关矢量调制器的bpnn算法输入层的第j个神经元与第一开关矢量调制器的bpnn算法隐含层的第i个神经元之间的连接权值更新公式是如下式(15)所示：
77、
78、其中wij(t)为第t次迭代时第一开关矢量调制器的bpnn算法输入层的第j个神经元与第一开关矢量调制器的bpnn算法隐含层的第i个神经元之间的连接权值；
79、wij(t+1)为第t+1次迭代时第一开关矢量调制器的bpnn算法输入层的第j个神经元与第一开关矢量调制器的bpnn算法隐含层的第i个神经元之间的连接权值；m(t)为第t次迭代时第一开关矢量调制器的均方差；η为bpnn算法的学习率；
80、第一开关矢量调制器的bpnn算法隐含层的第i个神经元与第一开关矢量调制器的bpnn算法输出层的第u个神经元之间的连接权值更新公式是如下式(16)所示：
81、
82、其中lui(t)为第t次迭代时第一开关矢量调制器的bpnn算法隐含层的第i个神经元与第一开关矢量调制器的bpnn算法输出层的第u个神经元之间的连接权值；
83、lui(t+1)为第t+1次迭代时第一开关矢量调制器的bpnn算法隐含层的第i个神经元与第一开关矢量调制器的bpnn算法输出层的第u个神经元之间的连接权值；
84、第一开关矢量调制器的bpnn算法隐含层第i个神经元的阈值更新公式是如下式(17)所示：
85、
86、其中bi(t)为第t次迭代时第一开关矢量调制器的bpnn算法隐含层第i个神经元的阈值；bi(t+1)为第t+1次迭代时第一开关矢量调制器的bpnn算法隐含层第i个神经元的阈值；
87、第一开关矢量调制器的bpnn算法输出层第u个神经元的阈值更新公式是如下式(18)所示：
88、
89、其中bu(t)为第t次迭代时第一开关矢量调制器的bpnn算法输出层第u个神经元的阈值；bu(t+1)为第t+1次迭代时第一开关矢量调制器的bpnn算法输出层第u个神经元的阈值。
90、步骤(7-7)具体为，首先，设置种群最大进化代数等于bpnn算法的迭代次数最大值120，种群规模为m＝80，交叉概率为l＝0.8，变异概率为p＝0.5；种群个体的编码长度为n＝wij+lui+bi+bu；获得的种群最大进化代数、种群规模、交叉概率、变异概率和种群个体的编码长度共同构成初始化后的种群个体；然后，根据步骤(7-3)得到的第一开关矢量调制器的均方差的倒数作为适应度函数计算每个种群个体的适应度值。
91、步骤(7-7)中第r个(其中r∈[1，ga算法中的种群个体总数m])种群个体的适应度值计算公式如下式(19)所示：
92、
93、其中fr为第r个种群个体的适应度值，是一个不为零的变量，其用于避免适应度函数的分母为0；
94、优选地，步骤(7-8)中第r个种群个体的选择概率计算公式如下式(20)所示：
95、
96、其中pr为第r个种群个体的选择概率；
97、步骤(7-10)中获取变异后的新种群子代中第k个个体基因(其中k∈[1，变异后的新种群子代中个体基因的总数])是采用如下式(21)：
98、
99、其中ak为变异后的新种群子代中第k个个体基因；ak为种群子代个体中的第k个个体基因；amax、amin分别为个体基因ak的上限与下限，g(t)为第t次迭代时变异操作的步长，且有：
100、
101、其中v为最大进化次数，其在本实例中被设置为120；q为[0,1]之间的随机数。
102、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
103、(1)由于本发明采用了步骤(1)到步骤(5)，利用抽蓄dfig精密控制系统采集数据并建立αβ两相静止(αβtwo-phase stationary，简称αβ)坐标下抽蓄dfig精密控制系统的数学模型，省掉了复杂的矢量变换，从而简化了抽蓄dfig转矩控制系统的设计和实现，因此能够解决空间矢量调制直接转矩控制方法由于其控制算法涉及到大量数据处理和计算能力，导致控制过程复杂繁琐的技术问题；
104、(2)由于本发明采用了步骤(6)到步骤(7)，通过ga-bpnn联合优化，可以对抽蓄dfig的控制策略进行优化，使得在控制过程中减小转矩脉动和降低磁通波动幅度。通过ga算法优化控制参数，bpnn算法可以根据实际的运行情况进行动态调整和学习，因此能够解决现有直接转矩控制方法由于其离散的开关决策可能导致较大的转矩和磁通波动，从而导致抽蓄dfig运行时产生振动和噪音的技术问题；
105、(3)由于本发明采用了步骤(7)，可以通过ga算法训练bpnn来学习抽蓄dfig的动态特性，提高系统的适应能力，从而在外部扰动下具有更好的稳定性和鲁棒性；同时，bpnn算法可以通过学习实际的抽蓄dfig运行数据，来对系统进行自适应控制，从而提高了系统对外部环境变化的适应能力；因此能够解决预测式直接转矩控制方法由于过于依赖对未来系统行为的准确模型预测，任何模型参数偏差都会影响控制抽蓄dfig系统性能的技术问题。
1.一种基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，步骤(1)中所配置的数据采集器包括定子电压电流传感器、转子电压电流传感器、速度传感器、比例-积分pi调节器、磁通观测器、转矩观测器、电阻测试仪、三相-两相变换器、转矩滞环比较器、磁通滞环比较器和逆变器。
3.根据权利要求1或2所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，
4.根据权利要求1至3中任意一项所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，步骤(4)具体为，首先，将步骤(3)得到的抽蓄dfig的电气特性参数中的dq坐标基本参量进行分量解析，以得到抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量；然后，将得到的抽蓄dfig的定子电流和转子电流在dq坐标系轴上的分量以及电磁参数作为磁通观测器的输入量进行整合计算，以得到抽蓄dfig在dq坐标系下的磁通方程，如下式(1)所示：
5.根据权利要求4所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，步骤(5)具体为，首先，根据αβ坐标系和dq坐标系与电流空间矢量的关系获取变换矩阵，如下式(4)所示：
6.根据权利要求5所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，步骤(6)包括以下子步骤：
7.根据权利要求6所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，步骤(7)包括以下子步骤：
8.根据权利要求7所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，
9.根据权利要求8所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，
10.根据权利要求9所述的基于ga-ann联合优化的抽蓄双馈电机直接转矩控制方法，其特征在于，
