风力发电机组优化控制器的设计

杨德亮 李泰 邹博 刘海舰 王琪祥 高斌

摘 要：风力发电机组是一种复杂时变非线性系统，当风在额定值以上时，机械载荷能力和功率波动的范圍是影响风电机组稳定性的重要因素。在风轮、传动系统、风力电机基础上建立风速双频环模型；并且通过低频环PI控制变浆距系统来实现额定功率控制；高频环设神经网络控制器以减少系统的机械振荡和保持系统运行的稳定性。仿真结果表明该双频环优化控制器能够实现的功率稳定输出，有效减少负载的扰动，同时为神经网络控制器在风能转换系统中的应用提供了一种新的思路。

关键词：风能转换系统 双频环 优化控制 节距角

中图分类号：TP273 文献标识码：A 文章编号：1674-098X（2015）03（c）-0062-03

20世纪90年代以来，全球风能产业迅速发展[1]，风能逐步被广泛应用到很多领域。在风速低于额定值时，提高风能转换效率是最受到人们关注的问题之一，国内外相关学者就捕获最大风能方面的研究已经取得了很多的成果，常用方法是MPPT和LPV [2-3]。当风速在额定值以上时，常用到的控制方法有PI、LQG等[4-5]。但是会出现PI控制超调值过大、LQG控制参数过多等问题。近年来，神经网络技术因其在处理非线性和不确定性方面的优势以及自身的并行性和不依赖数学模型的独立性，以及每个神经元具有的非线性激活函数， 为解决风电变桨距问题提供了一种有效的方案[6-7]。神经网络自身的并行性和硬件实现在变桨距中的应用有着十分重要的理论研究和工程应用价值[8-10]。

文中建立风轮，风机的数学模型，针对额定风速以上的情况，设计了神经网络控制器，建立了仿真模型，结果表明该方法可以有效保持功率稳定输出及维持风能转换系统稳定。为神经网络在风电控制系统中的应用提供了较好的思路。

1 风能转换系统的建模

1.1 风轮数学模型

风经过风轮时产生的功率和气动转矩为：

（1）

（2）

其中，为空气密度，为风轮半径，为风速，为节距角；为叶尖速比，且，为风轮转动的角速度；为风轮的功率系数，其表达式如下：

（3）

其中，风能利用系数随着节距角的增加而减小。

1.2 变桨伺服系统

液压式变桨伺服动态系统和传递函数可分别用一阶微分方程（4）和（5）表示：

（4）

（5）

其中，为参考节距角，为变桨伺服系统的时间常数。一般来讲，为延迟时间。

1.3 双频环设计

双频环优化控制如图1所示。对应风速的低频分量和高频脉动分量，风能转换系统的非线性模型也可以分为低频模型和高频模型。记为对应的系统低频变量，一般来讲，也作为风能转换系统处在稳态运行点时的变量。则高频变量为。双频环优化控制结构设计步骤如下：

（1）测量风速值和风力发电机高速轴转速。

（2）通过低通滤波器获取低频环风速，并且推出高频环风速。

（3）通过转速低通滤波器获得高速轴低频环转速，从而得出高速轴高频环转速。

（4）分别将低频环风速和低频环转速作为低频环的输入信号；将高频环风速和高频环转速作为高频环的输入信号

（5）总的节距角通过低频环节距角和高频环节距角求和得出：=+。作为转换系统的控制输入。

2 变桨距控制器的设计

2.1 PI稳定控制器设计

低频环稳态优化的目的为使功率及转子转速保持在其额定值，采用PI控制，PI控制器的输入分别为电机高速轴低频转速和低频风速，为低频节距角输出。低频环PI控制结构图如图2所示。

2.2 神经网络BP控制器设计

高频环稳态优化的目的为使功率保持在其额定值，采用结构为2-4-1的BP网络，网络输入分别为高频参考风速与实际高频风速误差和电机高频转速，网络输出为高频节距角，BP网络结构如图3所示：

3 仿真分析

仿真参数如表1。

参考文献[5]给出了低频环PI，高频环采用LQG控制方法，其输出功率为如图4所示，图5给出了低频环采用PI控制方法和高频环采用BP神经网络控制的风能转换系统的输出功率。

调节风速在15m/s到22m/s之间变化，从而调整节距角使得功率保持在额定值1.5MW附近，实现了风能转换系统的恒功率输出控制。

比较图4和图5可以明显看出采用高频环BP控制可以更加有效保持功率稳定输出。

4 结论

该文对额定风速以上风能转换系统的双频环优化控制进行了研究。首先建立了风能转换系统的机理模型，并将其线性化；然后根据频率分离原理，将风速分解为低频风速及高频脉动风速，设计了低频环PI控制器及高频环BP控制器。仿真结果表明本文设计的双频环优化控制器能实现功率的恒定控制，同时将该方法与PI-LQG双频环控制方法进行了比较，充分证明了该方法的有效性。为神经网络控制算法在风能转换效率应用上提供了一个新的思路。

参考文献

[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，谢赐戮，刘颖明，等.大型风力发电机组控制器优化设计[J].控制理论与应用，2008，25（1）：134-138.

[10] 梁艳.组合径向基函数神经网络的硬件实现[J].清华大学学报，2009，49（10）：120-123.