郝曉弘 ，史寧波 ，高 超

(1.蘭州理工大學 電氣工程與信息工程學院，甘肅 蘭州 730050；2.哈電發(fā)電設備國家工程研究中心有限公司 自動化控制部，黑龍江 哈爾濱 150036)

風力發(fā)電過程中，需要在額定風速以上保持功率在額定值以滿足風電系統(tǒng)自身的機械電氣強度要求，實現(xiàn)系統(tǒng)的優(yōu)化運行。參考文獻[1]應用模糊控制算法設計出模糊控制器。參考文獻[2]基于模糊邏輯推理系統(tǒng)采用變論域自適應模糊控制器實現(xiàn)了較高的控制精度。但是簡單模糊控制器的缺點是模糊規(guī)則的獲取及隸屬度函數(shù)的確定主要依靠專家經(jīng)驗而沒有統(tǒng)一的方法，缺乏自適應能力。因此研究先進的模糊控制算法及其在大型風力發(fā)電機組中的應用，改善機組的控制性能，是風力發(fā)電機組控制領(lǐng)域的主要研究熱點之一。

基于以上分析，本文將神經(jīng)網(wǎng)絡應用于模糊系統(tǒng)，將兩者結(jié)合設計出的控制器可用網(wǎng)絡實現(xiàn)模糊映射過程，學習的目標是根據(jù)輸入-輸出訓練數(shù)據(jù)自動地提取控制規(guī)則，確定前件和后件參數(shù)。

1 風力發(fā)電機組的控制原理及控制方式

根據(jù)貝茲理論，風力機從風中捕捉到的機械功率如下：

式中：Pm為風輪吸收的功率(W)；ρ為空氣密度(kg/m3)；ν為風速(m/s)；A為風力機的掃瓊面積(m2)；Cp為風能利用系數(shù)，反映了風輪機利用風能的效率，λ為葉尖速比，β為槳葉節(jié)距角。

為了在有效獲取風能的同時保證安全運行，風力機應該工作在下面3個與風速、最大允許轉(zhuǎn)子速度和額定功率有關(guān)的基本模式下，如圖1所示。圖1中：vw0為風力機切入風速；vw1為達到最大允許轉(zhuǎn)速時的風速；vw2為額定風速；vw3為切出風速。

模式I：變速、最大風能利用系數(shù) Cp，max

給定風速vw在額定值以下時，風力機葉片槳距角β被固定在最優(yōu)值βopt。風力機通過不斷調(diào)整轉(zhuǎn)速以工作在最佳葉尖速比λopt時刻，從而獲得最大風能利用系數(shù)Cp，max實現(xiàn)風力機的效率最大化。 發(fā)電機轉(zhuǎn)速參考值 ωt，opt可以表示為：

式中：R為風力機風輪半徑。

模式II：定速、變?nèi)~尖速比

當風速上升使風力機轉(zhuǎn)速達到限制值后，風能利用系數(shù)Cp將減小但由于轉(zhuǎn)矩的增大使風力機捕獲的風能將繼續(xù)增加。

模式III：變速、定功率輸出

當風速超出額定值，因發(fā)電機和功率變換器的容量限制，必須要限制從風中捕獲的能量。這時應將發(fā)電機轉(zhuǎn)速和輸出功率穩(wěn)定在額定值。風速達到切出風速后，系統(tǒng)將出于保護風力機的目的而停機。

2 槳距角模糊神經(jīng)網(wǎng)絡控制

2.1 模糊神經(jīng)網(wǎng)絡的結(jié)構(gòu)

變槳距功率控制是機組起動后變槳距系統(tǒng)最主要的任務，其控制效果是評價變槳距系統(tǒng)的重要依據(jù)。本文采用FMLP模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)，該網(wǎng)絡主要是根據(jù)模糊系統(tǒng)的結(jié)構(gòu)來決定等價結(jié)構(gòu)的神經(jīng)網(wǎng)絡，使神經(jīng)網(wǎng)絡的每個層、每個節(jié)點對應模糊系統(tǒng)的一部分。該網(wǎng)絡模型共分5層，如圖2所示，它是具有1個輸入層、3個隱含層和1個輸出層的5層神經(jīng)網(wǎng)絡[3]。

模糊神經(jīng)網(wǎng)絡(FNN)融合了模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡的優(yōu)點，具有很強的自學習能力，可以自動地產(chǎn)生模糊規(guī)則和調(diào)整隸屬度函數(shù)。

第1層為輸入層，該層為輸入變量層，每個節(jié)點代表經(jīng)過預處理過的輸入變量x=[x1x2…xn]T，本設計的該層節(jié)點數(shù) n=2，即 x=[E EC]T，采用功率誤差 E=Pref-P，及功率誤差變化率EC為輸入變量。

第2層為隸屬函數(shù)層，實現(xiàn)輸入變量的模糊化(即隸屬度劃分)，隸屬度函數(shù)(激活函數(shù))采用高斯函數(shù)：

式中：i=1，2，…n，j=1，2，…mi，n 是輸入變量維數(shù)，mi是xi的模糊分割數(shù)。每個節(jié)點代表一個語言變量值，如PB、NS等，節(jié)點的個數(shù)為各個輸入變量的模糊集合數(shù)之和，本文取 mi=7。

第3層為模糊規(guī)則強度匹配層，每個節(jié)點代表一條模糊規(guī)則，計算出每條規(guī)則的適用度：

式中：i1∈{1，2，…m1}，i2∈{1，2，…m2}，…in∈{1，2，…mn}，j=1，2， …m，mmi，總的節(jié)點個數(shù) m=7×7=49。

第4層為歸一化層，節(jié)點數(shù)與第3層相同，每個節(jié)點代表一個可能的模糊規(guī)則的then部分：

式中：j=1，2，…m

第5層為反模糊化層，用于實現(xiàn)清晰化計算，將模糊規(guī)則推理得到的輸出變量的各個模糊集合的隸屬度值(第4層各個節(jié)點的輸出)，轉(zhuǎn)換為輸出變量槳距角變化的精確數(shù)值：

式中：i=1，2，…r，本文取 r=1，wij寫為 wj相當于 yj的第j個語言隸屬函數(shù)的中心值，在模糊神經(jīng)網(wǎng)絡控制系統(tǒng)中，任意的k時刻，49條規(guī)則中只有1條推理得到的規(guī)則有輸出，其他48條規(guī)則輸出均為0。

2.2 模糊神經(jīng)網(wǎng)絡的學習算法

根據(jù)以上定義的FNN各層節(jié)點的操作，各輸入變量的模糊分割數(shù)個數(shù)已預先確定，現(xiàn)在需要學習的參數(shù)主要是最后一層的連接權(quán)值wj，以及第2層的隸屬度函數(shù)的中心值cij和寬度σij。下面推導出針對這種FNN的誤差反向傳播學習算法(FBP算法)來修正網(wǎng)絡的可調(diào)參數(shù)。定義FBP算法的目標函數(shù)為[4]：

式中：yd和y分別為教師信號和實際輸出，根據(jù)FBP算法誤差信號將由第5層向第2層依次反向傳遞。利用一階梯度尋優(yōu)算法調(diào)節(jié)參數(shù) wj、cij、σij。

第5層反傳誤差信號公式：

權(quán)值修正：

第4層反傳誤差信號公式：

第3層反傳誤差信號公式：

第2層反傳誤差信號公式：

中心值和寬度調(diào)整公式：

其中，i＝1，2；j=1，2，…7。 η 為按梯度搜索的步長，0<η<1。k為離散時間變量。

該模糊神經(jīng)網(wǎng)絡和BP網(wǎng)絡及CMAC等一樣，本質(zhì)上也是實現(xiàn)從輸入到輸出的非線性映射。結(jié)構(gòu)上是多層前饋網(wǎng)，學習算法是通過誤差反傳的方法，和CMAC一樣屬于局部逼近網(wǎng)絡。

3 仿真結(jié)果

通過圖3的變槳距控制原理建立機組各部分模型的連接。風速在額定值以下時通過調(diào)節(jié)發(fā)電機轉(zhuǎn)速進行速度控制追蹤最大功率輸出，額定值以上通過槳距角的調(diào)節(jié)保證風力機在額定功率發(fā)電。

在進行學習前，必須提供輸入輸出訓練數(shù)據(jù)對、隸屬函數(shù)形狀、輸入數(shù)據(jù)的模糊論域個數(shù)。再利用神經(jīng)網(wǎng)絡的有效學習算法，從這些數(shù)據(jù)中學習控制規(guī)則和隸屬函數(shù)。本文預先給定了輸入的隸屬度函數(shù)，如圖4所示。需調(diào)整的參數(shù)只有輸出層的連接權(quán)值wj(j=1，2，…m)。根據(jù)變槳距控制問題本身定義輸入層為功率誤差E及功率誤差變化率EC，并在訓練前將網(wǎng)絡訓練數(shù)據(jù)規(guī)范到論域(-6，6)之間，輸出層為槳距角變化量。

運用Matlab語言實現(xiàn)網(wǎng)絡并進行訓練，選擇120組隸屬度值作為訓練樣本，當網(wǎng)絡達到誤差精度要求時，結(jié)束訓練過程。每次訓練的迭代次數(shù)取1 000次，訓練結(jié)束MSE為 1.34785×10-7，訓練過程誤差曲線如圖5所示，訓練誤差在允許誤差范圍內(nèi)。再通過13組數(shù)據(jù)作為測試樣本，誤差均小于0.5。這說明基于Fussy-Neuro網(wǎng)絡模型可以比較準確地充分描述輸入與輸出之間的映射關(guān)系，具有較好的容錯能力和學習能力，能補償風力機的固有的非線性和整個系統(tǒng)的不可預測性，如參數(shù)隨時間時刻變化。

由于風輪機械響應比電磁響應慢得多，發(fā)電機和電力電子器件的動態(tài)特性沒有包含在仿真模型中，槳距角幅值限制在 0～20°之間，變槳距速率為 5°/s。仿真模型的數(shù)據(jù)采用國產(chǎn)兆瓦級變速恒頻直驅(qū)風電機組的主要相關(guān)技術(shù)參數(shù)，如表1所示。

表1 仿真風電機組的主要參數(shù)

在相同風速條件下，采用PI控制器與本文提出的模糊神經(jīng)網(wǎng)絡控制器作為對比仿真，結(jié)果如圖6所示。

由仿真結(jié)果可知，該模糊神經(jīng)網(wǎng)絡控制器在高風速時能控制槳葉節(jié)距角的變化使功率保持在額定值附近且具有較小的波動，比同種狀態(tài)下采用PI控制器的控制效果優(yōu)越，非常適用于時變的風力發(fā)電系統(tǒng)微處理器控制。

針對額定風速以上情況，本文設計并驗證了一種適用于風電系統(tǒng)的模糊神經(jīng)網(wǎng)絡控制器。該控制器基于實時數(shù)據(jù)進行計算，因此能夠不斷優(yōu)化其內(nèi)部參數(shù)使系統(tǒng)可以克服非線性及時變性，滿足了系統(tǒng)的動態(tài)特性和穩(wěn)態(tài)性能。FNN控制策略不但具有一般模糊控制的優(yōu)點，而且具有神經(jīng)網(wǎng)絡的自學習能力。仿真結(jié)果表明了提出方法的有效性，高風速時，模糊神經(jīng)網(wǎng)絡控制器的控制效果比采用功率的PI控制方法更適用于當今的風力發(fā)電系統(tǒng)。

[1]劉新海，于書芳.模糊控制在大型風力發(fā)電機控制中的應用[J].自動化儀表，2004，25(5)∶13-17.

[2]張新房，徐大平，呂躍剛，等.大型變速風力發(fā)電機組的自適應模糊控制[J].系統(tǒng)仿真學報，2004，16(3)∶573-577.

[3]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡[M].西安：西安電子科技大學出版社，2007.

[4]楊宇姝，馮江，曹然.模糊神經(jīng)網(wǎng)絡在施肥決策系統(tǒng)的應 用[J].農(nóng) 機 化 研 究，2004(3)∶175-179.