風電機組控制系統(tǒng)的設(shè)計方法

引言

上個世紀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(yīng)用到很多領(lǐng)域。在風速低于額定值時,提高風能轉(zhuǎn)換效率是最受到人們關(guān)注的問題之一，國內(nèi)外相關(guān)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(diào)值過大、LQG控制參數(shù)過多等問題。近年來，神經(jīng)網(wǎng)絡(luò)技術(shù)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(luò)自身的并行性和硬件實現(xiàn)在變槳距中的應(yīng)用有著十分重要的理論研究和工程應(yīng)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(shè)計了神經(jīng)網(wǎng)絡(luò)控制器，建立了仿真模型，結(jié)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(zhuǎn)換系統(tǒng)穩(wěn)定。為神經(jīng)網(wǎng)絡(luò)在風電控制系統(tǒng)中的應(yīng)用提供了較好的思路。

1 風能轉(zhuǎn)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(zhuǎn)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(zhuǎn)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(shè)計

圖1 雙頻環(huán)控制結(jié)構(gòu)圖

雙頻環(huán)優(yōu)化控制如圖1所示。對應(yīng)風速的低頻分量和高頻脈動分量，風能轉(zhuǎn)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(yīng)的系統(tǒng)低頻變量，一般來講，也作為風能轉(zhuǎn)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(jié)構(gòu)設(shè)計步驟如下：

1，測量風速值和風力發(fā)電機高速軸轉(zhuǎn)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(zhuǎn)速低通濾波器獲得高速軸低頻環(huán)轉(zhuǎn)速，從而得出高速軸高頻環(huán)轉(zhuǎn)速。

4，分別將低頻環(huán)風速和低頻環(huán)轉(zhuǎn)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(zhuǎn)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(zhuǎn)換系統(tǒng)的控制輸入。

2 變槳距控制器的設(shè)計

2.1 PI穩(wěn)定控制器設(shè)計

低頻環(huán)穩(wěn)態(tài)優(yōu)化的目的為使功率及轉(zhuǎn)子轉(zhuǎn)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(zhuǎn)速和低頻風速，為低頻節(jié)距角輸出。低頻環(huán)PI控制結(jié)構(gòu)圖如圖2所示：

圖2 低頻環(huán)PI控制圖

2.3 神經(jīng)網(wǎng)絡(luò)BP控制器設(shè)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(jié)構(gòu)為2-4-1的BP網(wǎng)絡(luò)，網(wǎng)絡(luò)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(zhuǎn)速，網(wǎng)絡(luò)輸出為高頻節(jié)距角，BP網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

圖3  BP網(wǎng)路結(jié)構(gòu)圖

3 仿真分析

     仿真參數(shù)如表1：

表1 相關(guān)參數(shù)值

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(luò)控制的風能轉(zhuǎn)換系統(tǒng)的輸出功率。

調(diào)節(jié)風速在15 m/s到22 m/s之間變化，從而調(diào)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(zhuǎn)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。

圖4  PI-LQG控制輸出功率

圖5  PI-BP控制輸出功率

4 結(jié)論

本文對額定風速以上風能轉(zhuǎn)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(zhuǎn)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(shè)計了低頻環(huán)PI控制器及高頻環(huán)BP控制器。仿真結(jié)果表明本文設(shè)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(luò)控制算法在風能轉(zhuǎn)換效率應(yīng)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, 邵冬.大型風力發(fā)電機組控制器優(yōu)化設(shè)計[J]. 控制理論與應(yīng)用,2008,25(1):134-138

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