基于RBF網(wǎng)絡(luò)的風(fēng)電機(jī)組變槳距滑?？刂?/h1>
2013-01-16 00:57:32秦斌周浩杜康王欣
電工技術(shù)學(xué)報(bào) 2013年5期
秦 斌 周 浩 杜 康 王 欣
（湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 株洲 412007）
1 引言
目前，風(fēng)能取之不盡，用之不竭，已成為水能之外最具規(guī)模應(yīng)用前景的零排放、可再生能源。近年來(lái)，變速風(fēng)力發(fā)電機(jī)組已成為大型并網(wǎng)風(fēng)力發(fā)電機(jī)組的主流機(jī)型[1]。風(fēng)力發(fā)電機(jī)向著大型化的方向發(fā)展，變槳距控制技術(shù)已經(jīng)成為風(fēng)力發(fā)電的關(guān)鍵技術(shù)之一。
變槳距控制系統(tǒng)作為風(fēng)力發(fā)電控制系統(tǒng)的外環(huán)，它負(fù)責(zé)空氣動(dòng)力系統(tǒng)的槳距自動(dòng)調(diào)節(jié)，高風(fēng)速段穩(wěn)定發(fā)電機(jī)功率輸出；在并網(wǎng)過(guò)程中實(shí)現(xiàn)快速無(wú)沖擊并網(wǎng)。變槳伺服系統(tǒng)具有非線性、強(qiáng)耦合等特點(diǎn)，精確的數(shù)學(xué)模型難以建立，其控制性能受數(shù)學(xué)模型的影響較大，而變槳系統(tǒng)應(yīng)具有位置無(wú)超調(diào)、穩(wěn)態(tài)精度高、抗負(fù)載擾動(dòng)能力強(qiáng)和動(dòng)態(tài)響應(yīng)速度快等特點(diǎn)，調(diào)節(jié)器全部采用傳統(tǒng)的調(diào)節(jié)器進(jìn)行控制要達(dá)到比較好的性能比較困難，甚至不可能[2-4]。
近年來(lái)，各種變槳距控制策略得到深入研究。Anca對(duì)變槳距控制系統(tǒng)進(jìn)行了深入分析，在 PI控制基礎(chǔ)上加入增益調(diào)整環(huán)節(jié)以改善系統(tǒng)在高風(fēng)速段的控制性能[5]；張新房、徐大平將變論域自適應(yīng)模糊控制應(yīng)用到風(fēng)電機(jī)組的轉(zhuǎn)速和槳距角控制系統(tǒng)中，改善了風(fēng)力發(fā)電機(jī)組的風(fēng)能捕獲性能[6]；Tapia研究了變速變槳距風(fēng)電機(jī)組模糊控制的仿真和實(shí)際應(yīng)用，模糊控制可以改善風(fēng)力發(fā)電機(jī)組在功率優(yōu)化和功率限制兩種工況之間的切換暫態(tài)響應(yīng)[7]；張雷提出了一種基于準(zhǔn)滑動(dòng)模態(tài)控制變槳距控制器，使一定范圍內(nèi)的狀態(tài)點(diǎn)均被吸引至切平面的某一鄰域內(nèi)，在邊界層上進(jìn)行結(jié)構(gòu)變換的控制系統(tǒng)[8]。各種變槳距控制策略有不同的適應(yīng)場(chǎng)合及自身局限性，針對(duì)不同的性能要求可采用不同的控制方法。
滑?？刂葡到y(tǒng)不僅對(duì)系統(tǒng)不確定因素具有較強(qiáng)的魯棒性和抗干擾性，而且可以通過(guò)滑模的設(shè)計(jì)獲得滿意的動(dòng)態(tài)品質(zhì)[9]?？紤]到受限的實(shí)際控制系統(tǒng)，滑模增益引起高頻抖振，可能激發(fā)未建模成分，導(dǎo)致系統(tǒng)不穩(wěn)定。由于RBF神經(jīng)網(wǎng)絡(luò)能在一定條件下任意精度逼近非線性函數(shù)，且具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)和容錯(cuò)能力，許多基于神經(jīng)網(wǎng)絡(luò)的控制方案也因此產(chǎn)生[10]。針對(duì)變速恒頻風(fēng)電系統(tǒng)變槳距控制問(wèn)題，本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的變槳距滑?？刂疲≧BF-SMC）方案，選取若干既反映對(duì)象特性又有良好控制效果的樣本數(shù)據(jù)，對(duì) RBF-SMC變槳距控制器進(jìn)行離線學(xué)習(xí)，得到控制器的初步參數(shù)和結(jié)構(gòu)，然后結(jié)合滑模到達(dá)條件，根據(jù)梯度算法進(jìn)行在線學(xué)習(xí)，實(shí)現(xiàn)自適應(yīng)控制。該方案減弱了滑?？刂浦械臉嘟嵌墩瘳F(xiàn)象，保證了系統(tǒng)穩(wěn)定性和魯棒性。
2 變槳距風(fēng)力發(fā)電系統(tǒng)建模
2.1 風(fēng)力機(jī)數(shù)學(xué)模型
風(fēng)力發(fā)電系統(tǒng)風(fēng)輪將風(fēng)能轉(zhuǎn)化為風(fēng)力機(jī)動(dòng)能的過(guò)程是一個(gè)復(fù)雜的氣動(dòng)力問(wèn)題。為了表示風(fēng)輪在不同風(fēng)速中的狀態(tài)，用葉片的葉尖圓周速與風(fēng)速之比來(lái)衡量，稱(chēng)為葉尖速比λ
式中，n為風(fēng)輪轉(zhuǎn)速；ωr為風(fēng)輪旋轉(zhuǎn)角速度。
風(fēng)力機(jī)從自然風(fēng)能中吸取能量的大小程度用風(fēng)能利用系數(shù)Cp表示。根據(jù)貝茲（Betz）理論，理想風(fēng)力機(jī)的風(fēng)能利用系數(shù)Cp的極限值為 0.593，說(shuō)明風(fēng)力機(jī)從自然風(fēng)中索取能量是有限的。Cp(β,λ) 是葉尖速比和槳葉節(jié)距角的非線性函數(shù)，可以用下列表達(dá)式近似：
葉片長(zhǎng)度為R的風(fēng)力機(jī)的捕捉功率和風(fēng)輪轉(zhuǎn)矩可表示為
2.2 傳動(dòng)系統(tǒng)模型與風(fēng)力發(fā)電機(jī)動(dòng)態(tài)特性
假設(shè)在整個(gè)變速范圍內(nèi)有恒定的機(jī)械傳動(dòng)效率，并對(duì)結(jié)構(gòu)特性進(jìn)行一些簡(jiǎn)化假設(shè)（例如忽略傳動(dòng)鏈內(nèi)部和發(fā)電機(jī)及其電力電子變換器動(dòng)態(tài)過(guò)程），高速軸下的動(dòng)態(tài)模型可用一個(gè)一階運(yùn)動(dòng)方程表示：
式中，Tw是氣動(dòng)轉(zhuǎn)矩；TG是電磁轉(zhuǎn)矩；n是傳動(dòng)比；電機(jī)轉(zhuǎn)速=nωr；JH是高速軸轉(zhuǎn)動(dòng)慣量，JH=Jw/n2，其中Jw是風(fēng)輪轉(zhuǎn)動(dòng)慣量。
2.2 變槳距執(zhí)行機(jī)構(gòu)模型
變槳的靈敏度與精確度對(duì)功率輸出影響很大。變槳距執(zhí)行機(jī)構(gòu)通過(guò)液壓裝置或電機(jī)驅(qū)動(dòng)系統(tǒng)實(shí)現(xiàn)，可以等效為一個(gè)一階慣性環(huán)節(jié)
式中，τβ為槳距角響應(yīng)時(shí)間常數(shù)；βref為參考槳距角。
3 基于RBF神經(jīng)網(wǎng)絡(luò)滑模變槳距控制器設(shè)計(jì)
3.1 滑模變結(jié)構(gòu)控制
設(shè)非線性控制系統(tǒng)的狀態(tài)方程
當(dāng)風(fēng)電機(jī)組運(yùn)行在高風(fēng)速區(qū)時(shí)，控制系統(tǒng)采用變槳距調(diào)節(jié)。將風(fēng)力機(jī)轉(zhuǎn)速作為跟蹤對(duì)象，取轉(zhuǎn)速反饋得出狀態(tài)誤差及其導(dǎo)數(shù)，選取切換平面
3.2 基于RBF網(wǎng)絡(luò)的變槳距滑模變結(jié)構(gòu)控制
RBF神經(jīng)網(wǎng)絡(luò)是一種具有單隱含層的高度非線性的三層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。RBF網(wǎng)絡(luò)能通過(guò)優(yōu)化開(kāi)關(guān)增益來(lái)優(yōu)化滑?？刂?，也能通過(guò)優(yōu)化等效滑?？刂谱饔脕?lái)改善滑?？刂破鬏敵?。
圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of RBF neural network
本文用 RBF神經(jīng)網(wǎng)絡(luò)近似滑模面與輸出控制量之間的非線性映射，將切換函數(shù)s及其導(dǎo)數(shù)s˙作為RBF網(wǎng)絡(luò)的輸入，滑模控制器作為RBF網(wǎng)絡(luò)的輸出，由Lyapunov理論可知滑模面可達(dá)條件ss˙＜0，如果能夠選擇適當(dāng)?shù)目刂屏?，使可達(dá)條件成立，那么控制系統(tǒng)將會(huì)收斂于設(shè)計(jì)的滑模面上。等效滑?？刂谱饔每梢杂?個(gè)輸入單個(gè)輸出的三層RBF神經(jīng)元網(wǎng)絡(luò)來(lái)擬合，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能實(shí)現(xiàn)風(fēng)力發(fā)電變槳距控制系統(tǒng)的神經(jīng)滑?？刂啤；赗BF網(wǎng)絡(luò)的變槳距滑?？刂葡到y(tǒng)結(jié)構(gòu)如圖2所示。
圖2 RBF神經(jīng)網(wǎng)絡(luò)滑模變槳距控制框圖Fig.2 SMC block diagram of RBFNN
在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，滑模面s以及s的導(dǎo)數(shù)為網(wǎng)絡(luò)的輸入。設(shè) RBF網(wǎng)絡(luò)的徑向基矢量為H=[h1,h2,…,hn]，其中h為高斯基函數(shù)，即
式中，m為隱含層神經(jīng)個(gè)數(shù)。
將滑模控制器設(shè)計(jì)為RBF網(wǎng)絡(luò)的輸出，即
式中，cj和bj網(wǎng)絡(luò)為第j個(gè)神經(jīng)元中心和基寬矢量；ωj為網(wǎng)絡(luò)第j個(gè)神經(jīng)元的權(quán)值矢量。
3.3 離線學(xué)習(xí)
為避免學(xué)習(xí)初始階段對(duì)控制過(guò)程產(chǎn)生大的擾動(dòng)，在上述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和輸入、輸出參數(shù)的基礎(chǔ)上，選取若干既反映對(duì)象特性又有良好控制效果的數(shù)據(jù)樣本，對(duì)變槳距控制器進(jìn)行離線學(xué)習(xí)。離線學(xué)習(xí)第一階段采用模糊C-均值（FCM）聚類(lèi)算法，對(duì)數(shù)據(jù)樣本進(jìn)行聚類(lèi)，從而確定隱含層節(jié)點(diǎn)高斯核函數(shù)的中心，基函數(shù)寬度的選取根據(jù)聚類(lèi)的結(jié)果來(lái)確定。第二階段在確定好隱含層的參數(shù)后，根據(jù)訓(xùn)練樣本，利用最小二乘原理（RLS），求出輸出層的權(quán)值[11,12]。
上述算法可消除對(duì)初始值選取的敏感性，避免陷入局部最小，得到的變槳距控制器的初步參數(shù)和結(jié)構(gòu)，保證在控制初期就可以滿足系統(tǒng)控制品質(zhì)的要求，減輕控制器在線學(xué)習(xí)的負(fù)擔(dān)。
3.4 在線學(xué)習(xí)
為了削弱抖振，應(yīng)沿著使ss˙的值減小的方向調(diào)整權(quán)值。通過(guò)RBF網(wǎng)絡(luò)自學(xué)習(xí)切換函數(shù)，以滑?？刂频牡竭_(dá)條件作為網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)，使滑模誤差快速收斂到零，驅(qū)使系統(tǒng)狀態(tài)在滑模面上運(yùn)動(dòng)。RBF網(wǎng)絡(luò)的權(quán)值調(diào)整指標(biāo)為
根據(jù)梯度下降法，對(duì)于網(wǎng)絡(luò)權(quán)值、方差和中心值的學(xué)習(xí)算法為[13]
式中，η為學(xué)習(xí)速率；α為慣性系數(shù)；Δcji、Δbj、Δωj為第n個(gè)樣本輸入后中心值、方差值、權(quán)值修正量，往復(fù)訓(xùn)練直到滑模誤差滿足要求為止。
4 仿真結(jié)果及分析
為驗(yàn)證上述設(shè)計(jì)和控制方法，本文采用 Matlab/Simulink仿真分析工具建立 2MW風(fēng)力發(fā)電系統(tǒng)變槳距控制仿真模型，機(jī)組主要參數(shù)見(jiàn)表。在所建模型基礎(chǔ)上，進(jìn)行相關(guān)仿真并分析基于RBF神經(jīng)網(wǎng)絡(luò)的滑模變槳距控制器的性能。
表 風(fēng)力發(fā)電機(jī)組參數(shù)Tab. Wind power generation unit parameter
采用PI控制算法中，通過(guò)粒子群自尋優(yōu)方法得到比例系數(shù)kp=43.3，積分系數(shù)ki=22.6；在基于RBF的滑?？刂品桨钢?，滑模參數(shù)C=25，RBF網(wǎng)絡(luò)學(xué)習(xí)速率和慣性系數(shù)分別為η=0.5，α=0.02。
圖3為在基于凱馬（Kaimal）頻譜的隨機(jī)風(fēng)速模型下槳距角和風(fēng)機(jī)轉(zhuǎn)速的波動(dòng)圖。設(shè)定基本風(fēng)速為15m/s，湍流強(qiáng)度為12%。
圖3 隨機(jī)風(fēng)作用時(shí)槳距角和風(fēng)機(jī)轉(zhuǎn)速Fig.3 Pitch angle and rotational speed of the wind turbine under random wind
相比PI控制，基于RBF神經(jīng)網(wǎng)絡(luò)的滑?？刂破鬏敵瞿軌蚩焖夙憫?yīng)變化的風(fēng)速，對(duì)于維持風(fēng)電機(jī)組輸出功率有更好的穩(wěn)定性。由圖3b和圖3c可知，RBF滑?？刂破鹘o定的變槳幅度和速度相對(duì)較小，進(jìn)而有效地減輕變槳距執(zhí)行機(jī)構(gòu)的疲勞度、減少部件間的磨損，能夠延長(zhǎng)其使用壽命和降低故障發(fā)生率。RBF滑?？刂破鬏敵鰳嘟堑淖兓瘦^小，卻沒(méi)有影響系統(tǒng)的功率輸出特性。由圖 3d可以看出PI控制時(shí)轉(zhuǎn)速波動(dòng)較大，抑制轉(zhuǎn)速波動(dòng)幅值的效果不夠理想。基于RBF網(wǎng)絡(luò)的變槳距滑?？刂破髂苁罐D(zhuǎn)速快速穩(wěn)定，平滑的變槳?jiǎng)幼鳒p小了輸出功率幅值變化，將轉(zhuǎn)速波動(dòng)抑制在額定轉(zhuǎn)速的0.87%以?xún)?nèi)。綜上所述，基于RBF的滑?？刂破骶哂辛己玫目刂菩阅?，在應(yīng)用中不需建立精確的被控對(duì)象數(shù)學(xué)模型，適用于風(fēng)電系統(tǒng)這類(lèi)難以精確建模、風(fēng)速擾動(dòng)較強(qiáng)的控制問(wèn)題，仿真結(jié)果證明了它的優(yōu)越性。
5 結(jié)論
本文針對(duì)兆瓦級(jí)風(fēng)力發(fā)電系統(tǒng)的變槳距控制問(wèn)題，設(shè)計(jì)了基于 RBF 網(wǎng)絡(luò)的變槳距滑?？刂破?，由離線學(xué)習(xí)得到控制器初步參數(shù)后，利用在線學(xué)習(xí)機(jī)制實(shí)現(xiàn)自適應(yīng)控制。仿真結(jié)果表明，基于RBF網(wǎng)絡(luò)的變槳距滑?？刂破骶C合了滑?？刂坪蜕窠?jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，能夠根據(jù)被控對(duì)象的特點(diǎn)，調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值，使系統(tǒng)既具有滑?？刂频目焖傩?、強(qiáng)魯棒性，同時(shí)又能有效地減弱抖振，能夠使被控槳距角較平穩(wěn)的調(diào)節(jié)，未產(chǎn)生頻繁的動(dòng)作，延長(zhǎng)了槳葉壽命，達(dá)到了較好的控制效果。
[1] 葉杭冶. 風(fēng)力發(fā)電機(jī)組的控制技術(shù)[M]. 2版. 北京:機(jī)械工業(yè)出版社, 2007.
[2] 郭金東, 趙棟利, 林資旭, 等. 兆瓦級(jí)變速恒頻風(fēng)力發(fā)電機(jī)組控制系統(tǒng)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2007,27(6): 1-6.Guo Jindong, Zhao Dongli, Lin Zixu, et al. Research of the megawatt level variable speed constant frequency wind power unit control system[J].Proceedings of the CSEE, 2007, 27(6): 1-6.
[3] 廖勇, 何金波, 姚駿, 等. 基于變槳距和轉(zhuǎn)矩動(dòng)態(tài)控制的直驅(qū)永磁同步風(fēng)力發(fā)電機(jī)功率平滑控制[J].中國(guó)電機(jī)工程學(xué)報(bào), 2009, 29(18): 71-77.Liao Yong, He Jinbo, Yao Jun, et al. Power smoothing control strategy of direct-driven permanent magnet synchronous generator of wind turbines with pitch angle control and torque dynamic control[J].Proceedings of the CSEE, 2009, 29(18): 71-77.
[4] Kusiak A, Li W, Song Z. Dynamic control of wind turbines[J]. Renewable Energy, 2010, 35(2): 456-463.
[5] Anca Hansen, Florin Iov, Poul Sorensen, et al.Overall control strategy of variable speed doubly-fed induction generator wind turbine[C]. Nordic Wind Power Conference, Gotebog, Sweden, 2004.
[6] 張新房, 徐大平. 風(fēng)力發(fā)電機(jī)組的變論域自適應(yīng)模糊控制[J]. 控制工程, 2003, 10(4): 342-345.Zhang Xinfang, Xu Daping. Adaptive fuzzy control based on variable universe of wind turbines[J].Control Engineering of China, 2003, 10(4): 342-345.
[7] A Tapia, J X Ostolaza. Modeling and control of a wind turbine driven doubly-fed induction generator[J].IEEE Transactions on Energy Conversion, 2003,18(2): 194-200.
[8] 張雷. 滑模變結(jié)構(gòu)控制在風(fēng)力發(fā)電機(jī)組變槳控制中的應(yīng)用[J]. 電氣應(yīng)用, 2009, 28(4): 78-81.Zhang Lei. Application of sliding mode control in pitch angle control of wind power system[J].Electrotechnical Application, 2009, 28(4): 78-81.
[9] 胡劍波, 莊開(kāi)宇. 高級(jí)變結(jié)構(gòu)控制理論與應(yīng)用[M].西安: 西北工業(yè)大學(xué)出版社, 2008.
[10] Kanellos F D, Hatziargyriou N D. A new control scheme for variable speed wind turbines using neural networks[C]. Power Engineering Society Winter Meeting, New York, USA, 2002, 1: 360-365.
[11] 秦斌, 吳敏, 王欣. 模糊神經(jīng)網(wǎng)絡(luò)模型混沌混合優(yōu)化學(xué)習(xí)算法及應(yīng)用[J]. 控制與決策, 2005, 20(3):261-265.Qin Bin, Wu Min, Wang Xin. Hybrid chaos optimization algorithm for fuzzy neural network model and its applications[J]. Control and Decision,2005, 20(3): 261-265.
[12] Young Woon Woo, Doo Heon Song, et al. FCM-based RBF network in identifying concrete slab surface cracks[J]. IEEE Intelligent Systems Design and Applications, 2008, 1(1): 664 -669.
[13] 秦斌, 吳敏, 王欣, 等. 基于模糊神經(jīng)網(wǎng)絡(luò)的多變量解耦控制[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2002, 23(5):561-564.Qin Bin, Wu Min, Wang Xin, et al. Multivariable decoupling control based on fuzzy neural networks[J].Mini-Micro System, 2002, 23(5): 561-564.
猜你喜歡
基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組最優(yōu)槳距角 辨識(shí)方法電力科學(xué)與工程(2022年9期)2022-10-10 03:20:36 煤氣發(fā)電機(jī)組DEH控制系統(tǒng)的優(yōu)化山東冶金(2022年4期)2022-09-14 08:59:30 考慮風(fēng)速差異的風(fēng)電場(chǎng)減載方案與一次調(diào)頻策略電力建設(shè)(2022年7期)2022-07-04 02:50:50 風(fēng)力發(fā)電機(jī)組最優(yōu)槳距角自尋優(yōu)控制算法設(shè)計(jì)東方汽輪機(jī)(2020年3期)2020-11-04 11:07:34 兆瓦級(jí)風(fēng)電機(jī)組變槳距系統(tǒng)設(shè)計(jì)大電機(jī)技術(shù)(2018年4期)2018-09-26 03:11:38 變速風(fēng)力發(fā)電機(jī)組變槳距建模與仿真通信電源技術(shù)(2016年1期)2016-04-16 04:57:28 基于PLC控制柴油發(fā)電機(jī)組3D 模型通信電源技術(shù)(2016年4期)2016-04-04 02:57:28 基于最小化多變量的獨(dú)立變槳距控制研究電源技術(shù)(2016年2期)2016-02-27 09:05:15 變槳距風(fēng)力機(jī)在全風(fēng)速段內(nèi)的槳距角控制策略仿真研究電機(jī)與控制應(yīng)用(2015年3期)2015-03-01 03:49:52 八鋼歐冶爐TRT發(fā)電機(jī)組成功并網(wǎng)發(fā)電新疆鋼鐵(2015年3期)2015-02-20 14:13:56
秦 斌 周 浩 杜 康 王 欣
（湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 株洲 412007）
1 引言
目前，風(fēng)能取之不盡，用之不竭，已成為水能之外最具規(guī)模應(yīng)用前景的零排放、可再生能源。近年來(lái)，變速風(fēng)力發(fā)電機(jī)組已成為大型并網(wǎng)風(fēng)力發(fā)電機(jī)組的主流機(jī)型[1]。風(fēng)力發(fā)電機(jī)向著大型化的方向發(fā)展，變槳距控制技術(shù)已經(jīng)成為風(fēng)力發(fā)電的關(guān)鍵技術(shù)之一。
變槳距控制系統(tǒng)作為風(fēng)力發(fā)電控制系統(tǒng)的外環(huán)，它負(fù)責(zé)空氣動(dòng)力系統(tǒng)的槳距自動(dòng)調(diào)節(jié)，高風(fēng)速段穩(wěn)定發(fā)電機(jī)功率輸出；在并網(wǎng)過(guò)程中實(shí)現(xiàn)快速無(wú)沖擊并網(wǎng)。變槳伺服系統(tǒng)具有非線性、強(qiáng)耦合等特點(diǎn)，精確的數(shù)學(xué)模型難以建立，其控制性能受數(shù)學(xué)模型的影響較大，而變槳系統(tǒng)應(yīng)具有位置無(wú)超調(diào)、穩(wěn)態(tài)精度高、抗負(fù)載擾動(dòng)能力強(qiáng)和動(dòng)態(tài)響應(yīng)速度快等特點(diǎn)，調(diào)節(jié)器全部采用傳統(tǒng)的調(diào)節(jié)器進(jìn)行控制要達(dá)到比較好的性能比較困難，甚至不可能[2-4]。
近年來(lái)，各種變槳距控制策略得到深入研究。Anca對(duì)變槳距控制系統(tǒng)進(jìn)行了深入分析，在 PI控制基礎(chǔ)上加入增益調(diào)整環(huán)節(jié)以改善系統(tǒng)在高風(fēng)速段的控制性能[5]；張新房、徐大平將變論域自適應(yīng)模糊控制應(yīng)用到風(fēng)電機(jī)組的轉(zhuǎn)速和槳距角控制系統(tǒng)中，改善了風(fēng)力發(fā)電機(jī)組的風(fēng)能捕獲性能[6]；Tapia研究了變速變槳距風(fēng)電機(jī)組模糊控制的仿真和實(shí)際應(yīng)用，模糊控制可以改善風(fēng)力發(fā)電機(jī)組在功率優(yōu)化和功率限制兩種工況之間的切換暫態(tài)響應(yīng)[7]；張雷提出了一種基于準(zhǔn)滑動(dòng)模態(tài)控制變槳距控制器，使一定范圍內(nèi)的狀態(tài)點(diǎn)均被吸引至切平面的某一鄰域內(nèi)，在邊界層上進(jìn)行結(jié)構(gòu)變換的控制系統(tǒng)[8]。各種變槳距控制策略有不同的適應(yīng)場(chǎng)合及自身局限性，針對(duì)不同的性能要求可采用不同的控制方法。
滑?？刂葡到y(tǒng)不僅對(duì)系統(tǒng)不確定因素具有較強(qiáng)的魯棒性和抗干擾性，而且可以通過(guò)滑模的設(shè)計(jì)獲得滿意的動(dòng)態(tài)品質(zhì)[9]?？紤]到受限的實(shí)際控制系統(tǒng)，滑模增益引起高頻抖振，可能激發(fā)未建模成分，導(dǎo)致系統(tǒng)不穩(wěn)定。由于RBF神經(jīng)網(wǎng)絡(luò)能在一定條件下任意精度逼近非線性函數(shù)，且具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)和容錯(cuò)能力，許多基于神經(jīng)網(wǎng)絡(luò)的控制方案也因此產(chǎn)生[10]。針對(duì)變速恒頻風(fēng)電系統(tǒng)變槳距控制問(wèn)題，本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的變槳距滑?？刂疲≧BF-SMC）方案，選取若干既反映對(duì)象特性又有良好控制效果的樣本數(shù)據(jù)，對(duì) RBF-SMC變槳距控制器進(jìn)行離線學(xué)習(xí)，得到控制器的初步參數(shù)和結(jié)構(gòu)，然后結(jié)合滑模到達(dá)條件，根據(jù)梯度算法進(jìn)行在線學(xué)習(xí)，實(shí)現(xiàn)自適應(yīng)控制。該方案減弱了滑?？刂浦械臉嘟嵌墩瘳F(xiàn)象，保證了系統(tǒng)穩(wěn)定性和魯棒性。
2 變槳距風(fēng)力發(fā)電系統(tǒng)建模
2.1 風(fēng)力機(jī)數(shù)學(xué)模型
風(fēng)力發(fā)電系統(tǒng)風(fēng)輪將風(fēng)能轉(zhuǎn)化為風(fēng)力機(jī)動(dòng)能的過(guò)程是一個(gè)復(fù)雜的氣動(dòng)力問(wèn)題。為了表示風(fēng)輪在不同風(fēng)速中的狀態(tài)，用葉片的葉尖圓周速與風(fēng)速之比來(lái)衡量，稱(chēng)為葉尖速比λ
式中，n為風(fēng)輪轉(zhuǎn)速；ωr為風(fēng)輪旋轉(zhuǎn)角速度。
風(fēng)力機(jī)從自然風(fēng)能中吸取能量的大小程度用風(fēng)能利用系數(shù)Cp表示。根據(jù)貝茲（Betz）理論，理想風(fēng)力機(jī)的風(fēng)能利用系數(shù)Cp的極限值為 0.593，說(shuō)明風(fēng)力機(jī)從自然風(fēng)中索取能量是有限的。Cp(β,λ) 是葉尖速比和槳葉節(jié)距角的非線性函數(shù)，可以用下列表達(dá)式近似：
葉片長(zhǎng)度為R的風(fēng)力機(jī)的捕捉功率和風(fēng)輪轉(zhuǎn)矩可表示為
2.2 傳動(dòng)系統(tǒng)模型與風(fēng)力發(fā)電機(jī)動(dòng)態(tài)特性
假設(shè)在整個(gè)變速范圍內(nèi)有恒定的機(jī)械傳動(dòng)效率，并對(duì)結(jié)構(gòu)特性進(jìn)行一些簡(jiǎn)化假設(shè)（例如忽略傳動(dòng)鏈內(nèi)部和發(fā)電機(jī)及其電力電子變換器動(dòng)態(tài)過(guò)程），高速軸下的動(dòng)態(tài)模型可用一個(gè)一階運(yùn)動(dòng)方程表示：
式中，Tw是氣動(dòng)轉(zhuǎn)矩；TG是電磁轉(zhuǎn)矩；n是傳動(dòng)比；電機(jī)轉(zhuǎn)速=nωr；JH是高速軸轉(zhuǎn)動(dòng)慣量，JH=Jw/n2，其中Jw是風(fēng)輪轉(zhuǎn)動(dòng)慣量。
2.2 變槳距執(zhí)行機(jī)構(gòu)模型
變槳的靈敏度與精確度對(duì)功率輸出影響很大。變槳距執(zhí)行機(jī)構(gòu)通過(guò)液壓裝置或電機(jī)驅(qū)動(dòng)系統(tǒng)實(shí)現(xiàn)，可以等效為一個(gè)一階慣性環(huán)節(jié)
式中，τβ為槳距角響應(yīng)時(shí)間常數(shù)；βref為參考槳距角。
3 基于RBF神經(jīng)網(wǎng)絡(luò)滑模變槳距控制器設(shè)計(jì)
3.1 滑模變結(jié)構(gòu)控制
設(shè)非線性控制系統(tǒng)的狀態(tài)方程
當(dāng)風(fēng)電機(jī)組運(yùn)行在高風(fēng)速區(qū)時(shí)，控制系統(tǒng)采用變槳距調(diào)節(jié)。將風(fēng)力機(jī)轉(zhuǎn)速作為跟蹤對(duì)象，取轉(zhuǎn)速反饋得出狀態(tài)誤差及其導(dǎo)數(shù)，選取切換平面
3.2 基于RBF網(wǎng)絡(luò)的變槳距滑模變結(jié)構(gòu)控制
RBF神經(jīng)網(wǎng)絡(luò)是一種具有單隱含層的高度非線性的三層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。RBF網(wǎng)絡(luò)能通過(guò)優(yōu)化開(kāi)關(guān)增益來(lái)優(yōu)化滑?？刂?，也能通過(guò)優(yōu)化等效滑?？刂谱饔脕?lái)改善滑?？刂破鬏敵?。
圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of RBF neural network
本文用 RBF神經(jīng)網(wǎng)絡(luò)近似滑模面與輸出控制量之間的非線性映射，將切換函數(shù)s及其導(dǎo)數(shù)s˙作為RBF網(wǎng)絡(luò)的輸入，滑模控制器作為RBF網(wǎng)絡(luò)的輸出，由Lyapunov理論可知滑模面可達(dá)條件ss˙＜0，如果能夠選擇適當(dāng)?shù)目刂屏?，使可達(dá)條件成立，那么控制系統(tǒng)將會(huì)收斂于設(shè)計(jì)的滑模面上。等效滑?？刂谱饔每梢杂?個(gè)輸入單個(gè)輸出的三層RBF神經(jīng)元網(wǎng)絡(luò)來(lái)擬合，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能實(shí)現(xiàn)風(fēng)力發(fā)電變槳距控制系統(tǒng)的神經(jīng)滑?？刂啤；赗BF網(wǎng)絡(luò)的變槳距滑?？刂葡到y(tǒng)結(jié)構(gòu)如圖2所示。
圖2 RBF神經(jīng)網(wǎng)絡(luò)滑模變槳距控制框圖Fig.2 SMC block diagram of RBFNN
在RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，滑模面s以及s的導(dǎo)數(shù)為網(wǎng)絡(luò)的輸入。設(shè) RBF網(wǎng)絡(luò)的徑向基矢量為H=[h1,h2,…,hn]，其中h為高斯基函數(shù)，即
式中，m為隱含層神經(jīng)個(gè)數(shù)。
將滑模控制器設(shè)計(jì)為RBF網(wǎng)絡(luò)的輸出，即
式中，cj和bj網(wǎng)絡(luò)為第j個(gè)神經(jīng)元中心和基寬矢量；ωj為網(wǎng)絡(luò)第j個(gè)神經(jīng)元的權(quán)值矢量。
3.3 離線學(xué)習(xí)
為避免學(xué)習(xí)初始階段對(duì)控制過(guò)程產(chǎn)生大的擾動(dòng)，在上述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和輸入、輸出參數(shù)的基礎(chǔ)上，選取若干既反映對(duì)象特性又有良好控制效果的數(shù)據(jù)樣本，對(duì)變槳距控制器進(jìn)行離線學(xué)習(xí)。離線學(xué)習(xí)第一階段采用模糊C-均值（FCM）聚類(lèi)算法，對(duì)數(shù)據(jù)樣本進(jìn)行聚類(lèi)，從而確定隱含層節(jié)點(diǎn)高斯核函數(shù)的中心，基函數(shù)寬度的選取根據(jù)聚類(lèi)的結(jié)果來(lái)確定。第二階段在確定好隱含層的參數(shù)后，根據(jù)訓(xùn)練樣本，利用最小二乘原理（RLS），求出輸出層的權(quán)值[11,12]。
上述算法可消除對(duì)初始值選取的敏感性，避免陷入局部最小，得到的變槳距控制器的初步參數(shù)和結(jié)構(gòu)，保證在控制初期就可以滿足系統(tǒng)控制品質(zhì)的要求，減輕控制器在線學(xué)習(xí)的負(fù)擔(dān)。
3.4 在線學(xué)習(xí)
為了削弱抖振，應(yīng)沿著使ss˙的值減小的方向調(diào)整權(quán)值。通過(guò)RBF網(wǎng)絡(luò)自學(xué)習(xí)切換函數(shù)，以滑?？刂频牡竭_(dá)條件作為網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)，使滑模誤差快速收斂到零，驅(qū)使系統(tǒng)狀態(tài)在滑模面上運(yùn)動(dòng)。RBF網(wǎng)絡(luò)的權(quán)值調(diào)整指標(biāo)為
根據(jù)梯度下降法，對(duì)于網(wǎng)絡(luò)權(quán)值、方差和中心值的學(xué)習(xí)算法為[13]
式中，η為學(xué)習(xí)速率；α為慣性系數(shù)；Δcji、Δbj、Δωj為第n個(gè)樣本輸入后中心值、方差值、權(quán)值修正量，往復(fù)訓(xùn)練直到滑模誤差滿足要求為止。
4 仿真結(jié)果及分析
為驗(yàn)證上述設(shè)計(jì)和控制方法，本文采用 Matlab/Simulink仿真分析工具建立 2MW風(fēng)力發(fā)電系統(tǒng)變槳距控制仿真模型，機(jī)組主要參數(shù)見(jiàn)表。在所建模型基礎(chǔ)上，進(jìn)行相關(guān)仿真并分析基于RBF神經(jīng)網(wǎng)絡(luò)的滑模變槳距控制器的性能。
表 風(fēng)力發(fā)電機(jī)組參數(shù)Tab. Wind power generation unit parameter
采用PI控制算法中，通過(guò)粒子群自尋優(yōu)方法得到比例系數(shù)kp=43.3，積分系數(shù)ki=22.6；在基于RBF的滑?？刂品桨钢?，滑模參數(shù)C=25，RBF網(wǎng)絡(luò)學(xué)習(xí)速率和慣性系數(shù)分別為η=0.5，α=0.02。
圖3為在基于凱馬（Kaimal）頻譜的隨機(jī)風(fēng)速模型下槳距角和風(fēng)機(jī)轉(zhuǎn)速的波動(dòng)圖。設(shè)定基本風(fēng)速為15m/s，湍流強(qiáng)度為12%。
圖3 隨機(jī)風(fēng)作用時(shí)槳距角和風(fēng)機(jī)轉(zhuǎn)速Fig.3 Pitch angle and rotational speed of the wind turbine under random wind
相比PI控制，基于RBF神經(jīng)網(wǎng)絡(luò)的滑?？刂破鬏敵瞿軌蚩焖夙憫?yīng)變化的風(fēng)速，對(duì)于維持風(fēng)電機(jī)組輸出功率有更好的穩(wěn)定性。由圖3b和圖3c可知，RBF滑?？刂破鹘o定的變槳幅度和速度相對(duì)較小，進(jìn)而有效地減輕變槳距執(zhí)行機(jī)構(gòu)的疲勞度、減少部件間的磨損，能夠延長(zhǎng)其使用壽命和降低故障發(fā)生率。RBF滑?？刂破鬏敵鰳嘟堑淖兓瘦^小，卻沒(méi)有影響系統(tǒng)的功率輸出特性。由圖 3d可以看出PI控制時(shí)轉(zhuǎn)速波動(dòng)較大，抑制轉(zhuǎn)速波動(dòng)幅值的效果不夠理想。基于RBF網(wǎng)絡(luò)的變槳距滑?？刂破髂苁罐D(zhuǎn)速快速穩(wěn)定，平滑的變槳?jiǎng)幼鳒p小了輸出功率幅值變化，將轉(zhuǎn)速波動(dòng)抑制在額定轉(zhuǎn)速的0.87%以?xún)?nèi)。綜上所述，基于RBF的滑?？刂破骶哂辛己玫目刂菩阅?，在應(yīng)用中不需建立精確的被控對(duì)象數(shù)學(xué)模型，適用于風(fēng)電系統(tǒng)這類(lèi)難以精確建模、風(fēng)速擾動(dòng)較強(qiáng)的控制問(wèn)題，仿真結(jié)果證明了它的優(yōu)越性。
5 結(jié)論
本文針對(duì)兆瓦級(jí)風(fēng)力發(fā)電系統(tǒng)的變槳距控制問(wèn)題，設(shè)計(jì)了基于 RBF 網(wǎng)絡(luò)的變槳距滑?？刂破?，由離線學(xué)習(xí)得到控制器初步參數(shù)后，利用在線學(xué)習(xí)機(jī)制實(shí)現(xiàn)自適應(yīng)控制。仿真結(jié)果表明，基于RBF網(wǎng)絡(luò)的變槳距滑?？刂破骶C合了滑?？刂坪蜕窠?jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，能夠根據(jù)被控對(duì)象的特點(diǎn)，調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值，使系統(tǒng)既具有滑?？刂频目焖傩?、強(qiáng)魯棒性，同時(shí)又能有效地減弱抖振，能夠使被控槳距角較平穩(wěn)的調(diào)節(jié)，未產(chǎn)生頻繁的動(dòng)作，延長(zhǎng)了槳葉壽命，達(dá)到了較好的控制效果。
[1] 葉杭冶. 風(fēng)力發(fā)電機(jī)組的控制技術(shù)[M]. 2版. 北京:機(jī)械工業(yè)出版社, 2007.
[2] 郭金東, 趙棟利, 林資旭, 等. 兆瓦級(jí)變速恒頻風(fēng)力發(fā)電機(jī)組控制系統(tǒng)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2007,27(6): 1-6.Guo Jindong, Zhao Dongli, Lin Zixu, et al. Research of the megawatt level variable speed constant frequency wind power unit control system[J].Proceedings of the CSEE, 2007, 27(6): 1-6.
[3] 廖勇, 何金波, 姚駿, 等. 基于變槳距和轉(zhuǎn)矩動(dòng)態(tài)控制的直驅(qū)永磁同步風(fēng)力發(fā)電機(jī)功率平滑控制[J].中國(guó)電機(jī)工程學(xué)報(bào), 2009, 29(18): 71-77.Liao Yong, He Jinbo, Yao Jun, et al. Power smoothing control strategy of direct-driven permanent magnet synchronous generator of wind turbines with pitch angle control and torque dynamic control[J].Proceedings of the CSEE, 2009, 29(18): 71-77.
[4] Kusiak A, Li W, Song Z. Dynamic control of wind turbines[J]. Renewable Energy, 2010, 35(2): 456-463.
[5] Anca Hansen, Florin Iov, Poul Sorensen, et al.Overall control strategy of variable speed doubly-fed induction generator wind turbine[C]. Nordic Wind Power Conference, Gotebog, Sweden, 2004.
[6] 張新房, 徐大平. 風(fēng)力發(fā)電機(jī)組的變論域自適應(yīng)模糊控制[J]. 控制工程, 2003, 10(4): 342-345.Zhang Xinfang, Xu Daping. Adaptive fuzzy control based on variable universe of wind turbines[J].Control Engineering of China, 2003, 10(4): 342-345.
[7] A Tapia, J X Ostolaza. Modeling and control of a wind turbine driven doubly-fed induction generator[J].IEEE Transactions on Energy Conversion, 2003,18(2): 194-200.
[8] 張雷. 滑模變結(jié)構(gòu)控制在風(fēng)力發(fā)電機(jī)組變槳控制中的應(yīng)用[J]. 電氣應(yīng)用, 2009, 28(4): 78-81.Zhang Lei. Application of sliding mode control in pitch angle control of wind power system[J].Electrotechnical Application, 2009, 28(4): 78-81.
[9] 胡劍波, 莊開(kāi)宇. 高級(jí)變結(jié)構(gòu)控制理論與應(yīng)用[M].西安: 西北工業(yè)大學(xué)出版社, 2008.
[10] Kanellos F D, Hatziargyriou N D. A new control scheme for variable speed wind turbines using neural networks[C]. Power Engineering Society Winter Meeting, New York, USA, 2002, 1: 360-365.
[11] 秦斌, 吳敏, 王欣. 模糊神經(jīng)網(wǎng)絡(luò)模型混沌混合優(yōu)化學(xué)習(xí)算法及應(yīng)用[J]. 控制與決策, 2005, 20(3):261-265.Qin Bin, Wu Min, Wang Xin. Hybrid chaos optimization algorithm for fuzzy neural network model and its applications[J]. Control and Decision,2005, 20(3): 261-265.
[12] Young Woon Woo, Doo Heon Song, et al. FCM-based RBF network in identifying concrete slab surface cracks[J]. IEEE Intelligent Systems Design and Applications, 2008, 1(1): 664 -669.
[13] 秦斌, 吳敏, 王欣, 等. 基于模糊神經(jīng)網(wǎng)絡(luò)的多變量解耦控制[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2002, 23(5):561-564.Qin Bin, Wu Min, Wang Xin, et al. Multivariable decoupling control based on fuzzy neural networks[J].Mini-Micro System, 2002, 23(5): 561-564.
猜你喜歡
電力科學(xué)與工程(2022年9期)2022-10-10 03:20:36
山東冶金(2022年4期)2022-09-14 08:59:30
電力建設(shè)(2022年7期)2022-07-04 02:50:50
東方汽輪機(jī)(2020年3期)2020-11-04 11:07:34
大電機(jī)技術(shù)(2018年4期)2018-09-26 03:11:38
通信電源技術(shù)(2016年1期)2016-04-16 04:57:28
通信電源技術(shù)(2016年4期)2016-04-04 02:57:28
電源技術(shù)(2016年2期)2016-02-27 09:05:15
電機(jī)與控制應(yīng)用(2015年3期)2015-03-01 03:49:52
新疆鋼鐵(2015年3期)2015-02-20 14:13:56
