風力發(fā)電機組優(yōu)化控制器的設計

楊德亮 李泰 鄒博 劉海艦 王琪祥 高斌

摘 要：風力發(fā)電機組是一種復雜時變非線性系統(tǒng)，當風在額定值以上時，機械載荷能力和功率波動的范圍是影響風電機組穩(wěn)定性的重要因素。在風輪、傳動系統(tǒng)、風力電機基礎上建立風速雙頻環(huán)模型；并且通過低頻環(huán)PI控制變漿距系統(tǒng)來實現(xiàn)額定功率控制；高頻環(huán)設神經(jīng)網(wǎng)絡控制器以減少系統(tǒng)的機械振蕩和保持系統(tǒng)運行的穩(wěn)定性。仿真結果表明該雙頻環(huán)優(yōu)化控制器能夠實現(xiàn)的功率穩(wěn)定輸出，有效減少負載的擾動，同時為神經(jīng)網(wǎng)絡控制器在風能轉換系統(tǒng)中的應用提供了一種新的思路。

關鍵詞：風能轉換系統(tǒng) 雙頻環(huán) 優(yōu)化控制 節(jié)距角

中圖分類號：TP273 文獻標識碼：A 文章編號：1674-098X（2015）03（c）-0062-03

20世紀90年代以來，全球風能產(chǎn)業(yè)迅速發(fā)展[1]，風能逐步被廣泛應用到很多領域。在風速低于額定值時，提高風能轉換效率是最受到人們關注的問題之一，國內外相關學者就捕獲最大風能方面的研究已經(jīng)取得了很多的成果，常用方法是MPPT和LPV [2-3]。當風速在額定值以上時，常用到的控制方法有PI、LQG等[4-5]。但是會出現(xiàn)PI控制超調值過大、LQG控制參數(shù)過多等問題。近年來，神經(jīng)網(wǎng)絡技術因其在處理非線性和不確定性方面的優(yōu)勢以及自身的并行性和不依賴數(shù)學模型的獨立性，以及每個神經(jīng)元具有的非線性激活函數(shù)， 為解決風電變槳距問題提供了一種有效的方案[6-7]。神經(jīng)網(wǎng)絡自身的并行性和硬件實現(xiàn)在變槳距中的應用有著十分重要的理論研究和工程應用價值[8-10]。

文中建立風輪，風機的數(shù)學模型，針對額定風速以上的情況，設計了神經(jīng)網(wǎng)絡控制器，建立了仿真模型，結果表明該方法可以有效保持功率穩(wěn)定輸出及維持風能轉換系統(tǒng)穩(wěn)定。為神經(jīng)網(wǎng)絡在風電控制系統(tǒng)中的應用提供了較好的思路。

1 風能轉換系統(tǒng)的建模

1.1 風輪數(shù)學模型

風經(jīng)過風輪時產(chǎn)生的功率和氣動轉矩為：

（1）

（2）

其中，為空氣密度，為風輪半徑，為風速，為節(jié)距角；為葉尖速比，且，為風輪轉動的角速度；為風輪的功率系數(shù)，其表達式如下：

（3）

其中，風能利用系數(shù)隨著節(jié)距角的增加而減小。

1.2 變槳伺服系統(tǒng)

液壓式變槳伺服動態(tài)系統(tǒng)和傳遞函數(shù)可分別用一階微分方程（4）和（5）表示：

（4）

（5）

其中，為參考節(jié)距角，為變槳伺服系統(tǒng)的時間常數(shù)。一般來講，為延遲時間。

1.3 雙頻環(huán)設計

雙頻環(huán)優(yōu)化控制如圖1所示。對應風速的低頻分量和高頻脈動分量，風能轉換系統(tǒng)的非線性模型也可以分為低頻模型和高頻模型。記為對應的系統(tǒng)低頻變量，一般來講，也作為風能轉換系統(tǒng)處在穩(wěn)態(tài)運行點時的變量。則高頻變量為。雙頻環(huán)優(yōu)化控制結構設計步驟如下：

（1）測量風速值和風力發(fā)電機高速軸轉速。

（2）通過低通濾波器獲取低頻環(huán)風速，并且推出高頻環(huán)風速。

（3）通過轉速低通濾波器獲得高速軸低頻環(huán)轉速，從而得出高速軸高頻環(huán)轉速。

（4）分別將低頻環(huán)風速和低頻環(huán)轉速作為低頻環(huán)的輸入信號；將高頻環(huán)風速和高頻環(huán)轉速作為高頻環(huán)的輸入信號

（5）總的節(jié)距角通過低頻環(huán)節(jié)距角和高頻環(huán)節(jié)距角求和得出：=+。作為轉換系統(tǒng)的控制輸入。

2 變槳距控制器的設計

2.1 PI穩(wěn)定控制器設計

低頻環(huán)穩(wěn)態(tài)優(yōu)化的目的為使功率及轉子轉速保持在其額定值，采用PI控制，PI控制器的輸入分別為電機高速軸低頻轉速和低頻風速，為低頻節(jié)距角輸出。低頻環(huán)PI控制結構圖如圖2所示。

2.2 神經(jīng)網(wǎng)絡BP控制器設計

高頻環(huán)穩(wěn)態(tài)優(yōu)化的目的為使功率保持在其額定值，采用結構為2-4-1的BP網(wǎng)絡，網(wǎng)絡輸入分別為高頻參考風速與實際高頻風速誤差和電機高頻轉速，網(wǎng)絡輸出為高頻節(jié)距角，BP網(wǎng)絡結構如圖3所示：

3 仿真分析

仿真參數(shù)如表1。

參考文獻[5]給出了低頻環(huán)PI，高頻環(huán)采用LQG控制方法，其輸出功率為如圖4所示，圖5給出了低頻環(huán)采用PI控制方法和高頻環(huán)采用BP神經(jīng)網(wǎng)絡控制的風能轉換系統(tǒng)的輸出功率。

調節(jié)風速在15m/s到22m/s之間變化，從而調整節(jié)距角使得功率保持在額定值1.5MW附近，實現(xiàn)了風能轉換系統(tǒng)的恒功率輸出控制。

比較圖4和圖5可以明顯看出采用高頻環(huán)BP控制可以更加有效保持功率穩(wěn)定輸出。

4 結論

該文對額定風速以上風能轉換系統(tǒng)的雙頻環(huán)優(yōu)化控制進行了研究。首先建立了風能轉換系統(tǒng)的機理模型，并將其線性化；然后根據(jù)頻率分離原理，將風速分解為低頻風速及高頻脈動風速，設計了低頻環(huán)PI控制器及高頻環(huán)BP控制器。仿真結果表明本文設計的雙頻環(huán)優(yōu)化控制器能實現(xiàn)功率的恒定控制，同時將該方法與PI-LQG雙頻環(huán)控制方法進行了比較，充分證明了該方法的有效性。為神經(jīng)網(wǎng)絡控制算法在風能轉換效率應用上提供了一個新的思路。

參考文獻

[1] Kittipong Methaprayoon， Chitra Yingvivatanapong， Wei-Jen Lee， James R. Liao，et al.An Integration of ANN Wind Power Estimation Into Unit Commitment Considering theForecasting Uncertainty[J]. IEEE Transactions on Industray Applications，2007，43（6）： 1441-1448.

[2] Camblong H，Martinez de Alegria I，Rodrigrez M et al .Experimental Evaluation of Wind Turbines Maximum Power Point Tracking Controllers[J].Energy Conversion and Management，2006，47（18）：2846-2858.

[3] F. D. Bianchi ，R. J. Mantz ， C. F. Christiansen.Control of variable-speed wind turbines by LPV gain scheduling[J].Wind Energy，2004，7（1）：1-8.

[4] Endusa Billy Muhando， Tomonobu Senjyu， Hiroshi Kinjo， et al. Augmented LQG controller for enhancement of online dynamic performance for WTG system[J]. Renewable Energy， 2008， 33（8）： 1942-1952.

[5] Inlian Munteanu， Antoneta Iuliana Brarcu， Nicolaos-Antonic Cutululis et，al. Optimal control of Wind Energy Systems[M]. London： Springer， 2008， 52-57.

[6] Ahmet Serdar Yilmaz， Zafer OZer.Pitch angle control in wind turbines above the rated wind speed by multi-layer perceptron and radial basis function neural networks[J]. Expert Systems with Applications，2009，36（6）： 9767-9775.

[7] J. Sargolzaei， A. Kianifar.Modeling and simulation of wind turbine Savonius rotors using artificial neural networks for estimation of the power ratio and torque[J].Simulation Modelling Practice and Theory，2009，17（7）： 1290-1298.

[8] Da Zhang， Hui Li. A Stochastic-Based FPGA Controller for an Induction Motor Drive With Integrated Neural Network Algorithms[J]. IEEE Transactions on Industrial Electronics，2008，55（2）：551-561.

[9] 姚興佳，謝賜戮，劉穎明，等.大型風力發(fā)電機組控制器優(yōu)化設計[J].控制理論與應用，2008，25（1）：134-138.

[10] 梁艷.組合徑向基函數(shù)神經(jīng)網(wǎng)絡的硬件實現(xiàn)[J].清華大學學報，2009，49（10）：120-123.