自學(xué)習(xí)優(yōu)化算法對風(fēng)電機(jī)組的功率控制

文 | 高鵬飛，吳浙攀，田德，趙毅

近年來，我國環(huán)境狀況引起社會高度重視，尋找環(huán)境友好的可再生能源是我們的需求。風(fēng)能是目前世界上技術(shù)較成熟、成本較低的可再生能源之一，發(fā)展前景較好。現(xiàn)在，我國已成為全球最大的風(fēng)電市場，新增裝機(jī)容量和累計(jì)裝機(jī)容量均居世界首位。但一些因素也制約著風(fēng)電的發(fā)展，例如，風(fēng)的間歇性、波動性引起的機(jī)組安全和電網(wǎng)安全問題。因此，如何控制風(fēng)電機(jī)組在多變的風(fēng)速中安全高效運(yùn)行成為熱門話題，而神經(jīng)網(wǎng)絡(luò)正好可以解決這一問題。

目前，神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容主要包括神經(jīng)網(wǎng)絡(luò)理論研究、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)和神經(jīng)網(wǎng)絡(luò)應(yīng)用研究3個方面。其中在水電方面，利用方向自學(xué)習(xí)遺傳算法解決水庫優(yōu)化調(diào)度問題，證明該算法相對于傳統(tǒng)遺傳算法，計(jì)算速度快、收斂性好，提高了計(jì)算效率?？刂品矫?，雖然對于神經(jīng)網(wǎng)絡(luò)及各種算法已經(jīng)進(jìn)行了幾十年的理論研究和改進(jìn)，在人工智能、自動控制等方面也取得了一定成果，但是對于風(fēng)力發(fā)電行業(yè)，尤其是風(fēng)電機(jī)組控制方面，神經(jīng)網(wǎng)絡(luò)及各種優(yōu)化算法的結(jié)合和研究仍然很少。

為了提高過渡區(qū)域雙饋式風(fēng)電機(jī)組發(fā)電質(zhì)量的穩(wěn)定性并減少發(fā)電量損失，將自學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)應(yīng)用到雙饋風(fēng)電機(jī)組過渡區(qū)控制中，與傳統(tǒng)PID變槳控制進(jìn)行對比分析，為雙饋式風(fēng)電機(jī)組的控制策略提供一種新的方法和思路。

運(yùn)用Matlab編程軟件，編寫B(tài)P神經(jīng)網(wǎng)絡(luò)模型，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對1.5MW雙饋風(fēng)電機(jī)組模型的運(yùn)行參數(shù)進(jìn)行預(yù)測。根據(jù)預(yù)測的機(jī)組狀態(tài)參數(shù)，采用一定的自學(xué)習(xí)算法，對原始的PID控制參數(shù)進(jìn)行更改，得到新的控制下的風(fēng)電機(jī)組運(yùn)行狀態(tài)參數(shù)。通過對比分析預(yù)測值和期望值間的誤差以及新舊控制下的狀態(tài)參數(shù)間的誤差，分析該自學(xué)習(xí)算法的優(yōu)化效果和適用性。

基本原理

一、BP神經(jīng)網(wǎng)絡(luò)基本原理

目前，在神經(jīng)網(wǎng)絡(luò)領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)是發(fā)展最為成熟的一種神經(jīng)網(wǎng)絡(luò)算法，有很多優(yōu)化算法都是基于BP神經(jīng)網(wǎng)絡(luò)發(fā)展得到的。BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)。最典型的BP神經(jīng)網(wǎng)絡(luò)有3層拓?fù)浣Y(jié)構(gòu)，如圖1所示。由圖可以看出，BP神經(jīng)網(wǎng)絡(luò)包括：輸入層、輸出層和隱含層。各層神經(jīng)元只與下層神經(jīng)元有權(quán)值連接，與同層的神經(jīng)元沒有連接。

二、自學(xué)習(xí)算法原理

為了提高PID控制器的準(zhǔn)確性、快速性，使得機(jī)組運(yùn)行更加穩(wěn)定，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測下的自學(xué)習(xí)優(yōu)化算法，在原有的PID控制器基礎(chǔ)上進(jìn)行改進(jìn)。

自學(xué)習(xí)優(yōu)化算法定義：運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對機(jī)組未來的特性進(jìn)行預(yù)測，通過預(yù)測值判斷是否提前增強(qiáng)或減弱變速和變矩控制。

圖1 典型BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

（1）首先，讓風(fēng)電機(jī)組在原有控制策略下運(yùn)行一段時間，得到一系列SCADA數(shù)據(jù)；

（2）將這些數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)輸入信號，進(jìn)行訓(xùn)練，預(yù)測一定時間后的風(fēng)電機(jī)組參數(shù)；

（3）對參數(shù)進(jìn)行分析，當(dāng)達(dá)到一定條件時，反饋給控制器一個激勵，使得變槳和變速控制參數(shù)發(fā)生變化，生成一組新的控制參數(shù)；

（4）過一段時間后，再對新一組的SCADA數(shù)據(jù)進(jìn)行收集；

（5）重復(fù)第二步。

將這種自學(xué)習(xí)優(yōu)化算法主要運(yùn)用于過渡區(qū)控制，其目的是增大過渡區(qū)風(fēng)能轉(zhuǎn)化效率，減小過渡區(qū)功率、轉(zhuǎn)速的波動。

三、自學(xué)習(xí)算法控制策略

通過特定的BP神經(jīng)網(wǎng)絡(luò)，可以對風(fēng)電機(jī)組過渡區(qū)機(jī)組特性參數(shù)進(jìn)行短期預(yù)測。因此，可以通過對預(yù)測值、實(shí)時值和額定值進(jìn)行一系列的計(jì)算、對比和判斷，按照特定策略對原有PID控制參數(shù)進(jìn)行一定時間的臨時微調(diào)，增強(qiáng)或減緩控制動作，最終使得風(fēng)電機(jī)組在過渡區(qū)的運(yùn)行更加穩(wěn)定。邏輯框圖如圖 2所示。

圖2 自學(xué)習(xí)算法邏輯框圖

將選擇的研究數(shù)據(jù)的槳距角、轉(zhuǎn)速、轉(zhuǎn)矩、功率和對應(yīng)的加速度作為輸入信號。因?yàn)樵陲L(fēng)電機(jī)組中，主要控制量為槳距角、轉(zhuǎn)矩，主要控制目標(biāo)為功率和轉(zhuǎn)速，因此，選擇未來的槳距角、轉(zhuǎn)矩、功率和轉(zhuǎn)速為輸出信號；同時，考慮到變槳驅(qū)動和轉(zhuǎn)矩作用的滯后性，以及控制的及時性，分別選擇研究數(shù)據(jù)延遲0.5s、1s、1.5s、2s后的數(shù)據(jù)作為輸出期望。最終得到了超過1萬個數(shù)據(jù)組，為了方便計(jì)算和程序的編寫，選擇1萬個參數(shù)作為訓(xùn)練和測試樣本：訓(xùn)練樣本為8000個，測試樣本（期望值）為2000個。（1）通過輸入8000個相同訓(xùn)練信號進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)。（2）輸入2000個相同測試值x，通過神經(jīng)網(wǎng)絡(luò)計(jì)算，得到預(yù)測的y值。（3）將預(yù)測值y與相對應(yīng)的期望值x進(jìn)行相對誤差計(jì)算，并生成相對誤差變化圖。（4）對每一類型相對誤差進(jìn)行均方根計(jì)算。最終得到4類誤差值。（5）對比相對誤差變化圖和均方根誤差值，判斷最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始值。

由于在0.5s時間步長下，BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測的準(zhǔn)確性更高，因此，在自學(xué)習(xí)算法控制策略中，可以使用BP神經(jīng)網(wǎng)絡(luò)所得功率預(yù)測值。而圖3、圖4和圖5所示分別為槳距角、轉(zhuǎn)矩和轉(zhuǎn)速的預(yù)測值與期望值對比圖。從圖中可以看出，轉(zhuǎn)矩和轉(zhuǎn)速的預(yù)測值與期望值誤差值很小，可以認(rèn)為此時的預(yù)測基本準(zhǔn)確，同樣可以在控制策略計(jì)算中使用。但槳距角的誤差仍然明顯，且在槳距角較大時預(yù)測值普遍偏小，認(rèn)為其原因是變槳控制為變增益控制，且槳距角越大增益越大。鑒于槳距角預(yù)測誤差較大，在控制策略計(jì)算中不能使用槳距角預(yù)測值。

圖3 BP神經(jīng)網(wǎng)絡(luò)槳距角預(yù)測與期望對比圖

圖4 BP神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)矩預(yù)測與期望對比圖

圖5 BP神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速預(yù)測與期望對比圖

四、自學(xué)習(xí)算法的控制邏輯

過渡區(qū)控制主要目的是為了確保風(fēng)速在額定風(fēng)速附近波動時，轉(zhuǎn)矩控制和槳距角控制能夠合理交替，使得風(fēng)電機(jī)組的轉(zhuǎn)速穩(wěn)定在額定轉(zhuǎn)速附近的同時，功率穩(wěn)定在額定功率附近。

實(shí)驗(yàn)所用風(fēng)電機(jī)組模型的額定功率為1.5MW，額定轉(zhuǎn)速為188.495rad/s。因此，通過比較預(yù)測值和額定值，可以判斷未來風(fēng)電機(jī)組運(yùn)行狀態(tài)以及需要加強(qiáng)的控制模塊。

五、訓(xùn)練數(shù)據(jù)風(fēng)況控制結(jié)果

在自學(xué)習(xí)算法的控制策略控制下，對比新的與原有的動態(tài)功率曲線和電機(jī)轉(zhuǎn)速曲線，如圖6和圖7所示。其中原始PID控制所得功率標(biāo)準(zhǔn)差為32885，最大、最小功率值分別為1.64MW和1.32MW，而自學(xué)習(xí)算法控制下功率標(biāo)準(zhǔn)差為27659，最大、最小功率值分別為1.64MW和1.32MW；同時，原始PID控制所得的轉(zhuǎn)速標(biāo)準(zhǔn)差為2.746，最大、最小轉(zhuǎn)速分別為197.05rad/s和178.986rad/s，而自學(xué)習(xí)算法控制下轉(zhuǎn)速標(biāo)準(zhǔn)差為2.541，最大、最小轉(zhuǎn)速分別為196.55rad/s和178.986rad/s；并且原始PID控制所得的600s發(fā)電量為250.11kWh，而自學(xué)習(xí)算法控制下600s的發(fā)電量為249.91kWh。

因此，可以認(rèn)為：在原有的PID控制中引入自學(xué)習(xí)算法，理論上可以降低過渡區(qū)風(fēng)電機(jī)組發(fā)電功率和轉(zhuǎn)速的振蕩，使得風(fēng)電機(jī)組在過渡區(qū)的運(yùn)行更加平穩(wěn)。同時，雖然減小了一些高于額定功率的發(fā)電量，但由于提高了一些低于額定功率的風(fēng)能吸收，所以在增加穩(wěn)定性的同時，發(fā)電量也沒有過多減少。所以，可以認(rèn)為，在某一穩(wěn)定風(fēng)況，基于該BP神經(jīng)網(wǎng)絡(luò)下的自學(xué)習(xí)算法，能優(yōu)化原有PID控制。

自學(xué)習(xí)算法控制的適用性

同一風(fēng)況下，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)優(yōu)化控制，能使風(fēng)電機(jī)組在過渡區(qū)的運(yùn)行更加穩(wěn)定，并且發(fā)電量不會有太大損失。接下來將驗(yàn)證該BP神經(jīng)網(wǎng)絡(luò)對其他風(fēng)況的適應(yīng)性。

一、同一訓(xùn)練后神經(jīng)網(wǎng)絡(luò)對不同風(fēng)況的適用性

雖然基于某一特定的訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法，對不同的均風(fēng)速風(fēng)況有較好的適應(yīng)性，其控制結(jié)果對原始PID控制有一定的優(yōu)化作用。但在實(shí)驗(yàn)過程中，仍發(fā)現(xiàn)了一定的問題，可以對控制算法作進(jìn)一步改進(jìn)。

為了驗(yàn)證基于某一特定的訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法，對不同風(fēng)況的適用性，分別輸入了10m/s、12m/s、14m/s和16m/s的平均風(fēng)速風(fēng)況，并將其控制結(jié)果和原始PID控制下的風(fēng)電機(jī)組運(yùn)行參數(shù)進(jìn)行對比。圖8至圖15即為不同平均風(fēng)速風(fēng)況下，引入自學(xué)習(xí)算法的控制和原始PID控制，得到的風(fēng)電機(jī)組功率與轉(zhuǎn)速的對比曲線圖。

表1 控制邏輯

圖6 自學(xué)習(xí)算法與原始PID控制下的功率曲線圖

圖7 自學(xué)習(xí)算法與原始PID控制下的運(yùn)行轉(zhuǎn)速曲線圖

從圖中可以看出，引入自學(xué)習(xí)算法的控制，對風(fēng)電機(jī)組功率和轉(zhuǎn)速的穩(wěn)定性都有一定的提高作用。

為了更直觀地驗(yàn)證自學(xué)習(xí)算法的優(yōu)化作用，將不同均風(fēng)速風(fēng)況下，基于自學(xué)習(xí)算法的控制和原始PID控制的機(jī)組功率標(biāo)準(zhǔn)差、轉(zhuǎn)速標(biāo)準(zhǔn)差、最大/最小功率、最大/最小轉(zhuǎn)速和600s的總發(fā)電量列于表2。

由表格中數(shù)據(jù)可以看出：

（1）所有風(fēng)況下，控制器在引入自學(xué)習(xí)算法后，風(fēng)電機(jī)組轉(zhuǎn)速的標(biāo)準(zhǔn)差都有所降低，說明基于該神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法，能夠優(yōu)化過渡區(qū)風(fēng)電機(jī)組對轉(zhuǎn)速控制的穩(wěn)定性。

圖8 均速10m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行功率

圖9 均速10m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行轉(zhuǎn)速

圖10 均速12m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行功率

圖11 均速12m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行轉(zhuǎn)速

圖12 均速14m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行功率

圖13 均速14m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行轉(zhuǎn)速

圖14 均速16m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行功率

圖15 均速16m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行轉(zhuǎn)速

（2）在低平均風(fēng)速風(fēng)況下，由于低于過渡區(qū)風(fēng)速的時間段較多，高于額定風(fēng)速的時間段較少，而本文的自學(xué)習(xí)算法策略在低風(fēng)速段不動作，因此，低風(fēng)速段的功率與原始PID控制下的功率一致。而過渡區(qū)經(jīng)過自學(xué)習(xí)算法優(yōu)化，風(fēng)電機(jī)組的風(fēng)能利用率有所提高，因此，高風(fēng)速段功率提高。此種情況，導(dǎo)致了低平均風(fēng)速風(fēng)況下，引入自學(xué)習(xí)算法的控制策略比原始PID控制策略得到的機(jī)組功率標(biāo)準(zhǔn)差略高。這也能說明自學(xué)習(xí)算法下的機(jī)組總發(fā)電量高于原始PID控制。

（3）在高平均風(fēng)速風(fēng)況下，由于過渡區(qū)中高于額定風(fēng)速的時間段較多，自學(xué)習(xí)算法下的控制有效地降低了超額定發(fā)電的功率，因此，引入自學(xué)習(xí)算法的機(jī)組功率標(biāo)準(zhǔn)差低于原始PID控制下的機(jī)組功率標(biāo)準(zhǔn)差。這也能說明自學(xué)習(xí)算法下的機(jī)組總發(fā)電量略低于原始PID控制下的機(jī)組總發(fā)電量。

表2 不同風(fēng)況自學(xué)習(xí)算法與原始控制運(yùn)行參數(shù)狀態(tài)

圖16 特定訓(xùn)練后神經(jīng)網(wǎng)絡(luò)對均速10m/s風(fēng)況的運(yùn)行功率預(yù)測

圖17 特定訓(xùn)練后神經(jīng)網(wǎng)絡(luò)對均速12m/s風(fēng)況的運(yùn)行功率預(yù)測

圖18 特定訓(xùn)練后神經(jīng)網(wǎng)絡(luò)對均速14m/s風(fēng)況的運(yùn)行功率預(yù)測

圖19 特定訓(xùn)練后神經(jīng)網(wǎng)絡(luò)對另一均速16m/s風(fēng)況的運(yùn)行功率預(yù)測

以上結(jié)果可以證明，基于某一特定訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)下的自學(xué)習(xí)算法，對各種均風(fēng)速風(fēng)況的適用性較好，能有效提高過渡區(qū)機(jī)組風(fēng)能利用率、降低超額定發(fā)電功率，同時增加風(fēng)電機(jī)組轉(zhuǎn)速穩(wěn)定性。

二、再訓(xùn)練神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法的適用性

本文采用的特定訓(xùn)練后神經(jīng)網(wǎng)絡(luò)，為某一16m/s均速風(fēng)況下風(fēng)電機(jī)組運(yùn)行參數(shù)訓(xùn)練所得，其對10m/s、12m/s、14m/s和另一16m/s的均風(fēng)速風(fēng)況的功率預(yù)測能力如圖16至圖19所示。

可見，均風(fēng)速差別越大，預(yù)測的誤差越大，自學(xué)習(xí)算法對控制的優(yōu)化也就越差。隨著機(jī)組運(yùn)行時間增加，風(fēng)況變化，甚至可能導(dǎo)致原始PID控制下的機(jī)組運(yùn)行特性反優(yōu)于自學(xué)習(xí)算法控制下的機(jī)組運(yùn)行特性。

因此，本文考慮針對不同的平均風(fēng)速風(fēng)況，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)再訓(xùn)練，得到針對不同均風(fēng)速風(fēng)況的訓(xùn)練后神經(jīng)網(wǎng)絡(luò)。運(yùn)用這一系列訓(xùn)練后神經(jīng)網(wǎng)絡(luò)，對各自對應(yīng)的均風(fēng)速風(fēng)況進(jìn)行機(jī)組功率預(yù)測和控制。

以14m/s均速風(fēng)況為例，圖20和圖21分別為：14m/s均風(fēng)速風(fēng)況訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對機(jī)組功率的預(yù)測與期望的對比折線圖，以及基于該神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法控制策略下的機(jī)組功率與原始PID控制下的機(jī)組功率對比折線圖。

從圖中可以看出，經(jīng)過再訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，對相應(yīng)風(fēng)況的功率預(yù)測更加準(zhǔn)確。而從控制效果來看，圖21和圖12有一定的差別，能夠看出再訓(xùn)練后自學(xué)習(xí)算法的效果要優(yōu)于固定神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法的效果，更要優(yōu)于原始PID控制效果。從數(shù)據(jù)看，此時的自學(xué)習(xí)算法控制的功率標(biāo)準(zhǔn)差為53058.94，轉(zhuǎn)速標(biāo)準(zhǔn)差為2.03353，總發(fā)電量為248.27kWh。與表2中14m/s風(fēng)況對應(yīng)的數(shù)據(jù)相比，可以發(fā)現(xiàn)再訓(xùn)練后的自學(xué)習(xí)算法控制效果更好，功率的穩(wěn)定性和轉(zhuǎn)速的穩(wěn)定性都有很大程度提高，而總發(fā)電量的降低主要原因是降低了超額定發(fā)電功率。

因此，可以認(rèn)為，用不同風(fēng)況下的機(jī)組參數(shù)訓(xùn)練出不同的神經(jīng)網(wǎng)絡(luò)，針對不同風(fēng)況使用相對應(yīng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，能使自學(xué)習(xí)算法對原始PID控制的優(yōu)化效果更好。

圖20 再訓(xùn)練神經(jīng)網(wǎng)絡(luò)對均速14m/s風(fēng)況的運(yùn)行功率預(yù)測

圖21 再訓(xùn)練后均速14m/s風(fēng)況下的自學(xué)習(xí)算法與原始控制所得運(yùn)行功率

由于10分鐘到2小時時間尺度上，風(fēng)況的變化程度最小，因此，在同時考慮風(fēng)況變化和計(jì)算成本后，可以采用：每間隔一段時間，運(yùn)用該時間間隔中記錄的過渡區(qū)風(fēng)電機(jī)組運(yùn)行參數(shù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行一次再訓(xùn)練，使新得到的神經(jīng)網(wǎng)絡(luò)能夠在接下來的一段時間內(nèi)更準(zhǔn)確地預(yù)測機(jī)組運(yùn)行參數(shù)。同時，還可以考慮晝夜風(fēng)速風(fēng)況變化和季風(fēng)帶風(fēng)況季節(jié)性變化設(shè)置再訓(xùn)練時間間隔。

結(jié)論和展望

運(yùn)用神經(jīng)網(wǎng)絡(luò)對不同平均風(fēng)速風(fēng)況下機(jī)組運(yùn)行參數(shù)的預(yù)測，采用一定的自學(xué)習(xí)算法策略，對原始的PID控制參數(shù)進(jìn)行臨時調(diào)整，最終得到引入自學(xué)習(xí)算法優(yōu)化控制后風(fēng)電機(jī)組運(yùn)行參數(shù)。通過比較自學(xué)習(xí)算法優(yōu)化后的參數(shù)與原始PID控制下的參數(shù)，討論了基于固定BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法和針對不同風(fēng)況再訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法的優(yōu)化效果和適用性。由于本文所用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相對簡單，只有一層隱含層，在計(jì)算資源允許的情況下，可以考慮建立更加復(fù)雜的多隱含層BP神經(jīng)網(wǎng)絡(luò)提高預(yù)測的準(zhǔn)確性?；蛘咴陬A(yù)測階段，對神經(jīng)網(wǎng)絡(luò)進(jìn)行如遺傳算法等算法的優(yōu)化，以提高預(yù)測準(zhǔn)確性。