韓旭杉,陳翡

(1.甘肅省電力公司,甘肅 蘭州 730050;2.甘肅蘭州供電公司,甘肅 蘭州 730050)

風力發(fā)電系統(tǒng)中,當風速超過額定值后,槳距角的微小變化都會引起輸出功率的大幅波動,因此研究先進的控制算法使其在大型風電機組變槳距控制中達到更高的精度,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。文獻[1]對基于模糊PID的變槳距控制器進行設(shè)計和仿真;文獻[2]設(shè)計了一個神經(jīng)網(wǎng)絡(luò)控制器用來控制變槳距大型風力發(fā)電機組,通過Matlab仿真,證明控制效果比采用PID控制器能更有效地減少振蕩且能較快地達到穩(wěn)態(tài)。但是簡單模糊系統(tǒng)的主要缺點是模糊規(guī)則的獲取及隸屬度函數(shù)的確定需要依靠專家經(jīng)驗,缺乏自學習、自適應能力;神經(jīng)網(wǎng)絡(luò)具有容錯能力強及自學習等優(yōu)點,卻在訓練過程中不能很好地利用已有的經(jīng)驗知識,從而增加了訓練時間且易陷入非要求的局部值。

基于以上分析,本文將二者優(yōu)勢進行互補,采用模糊神經(jīng)網(wǎng)絡(luò)控制策略可自動地產(chǎn)生模糊規(guī)則和調(diào)整隸屬度函數(shù) 。

1 風力發(fā)電機組的變槳距控制原理

圖1描述了風速通過風輪的變化情況,其中,v1為距風力機一定距離的上游風速;v為通過風輪時的實際風速為風輪機較遠處的下游風速。根據(jù)Euler理論經(jīng)過推導可以得到風輪能夠提供的最大功率:

式中:ρ為空氣密度,kg/m3;A為風力機的掃掠面積,A=πR2(m2)。

由貝茲(Betz)氣動理論知:

它說明,風力機從自然風中所能索取的能量是有限的,其功率損失部分可以解釋為留在尾流中的旋轉(zhuǎn)動能。風力機從自然風能中得到能量的大小程度為風能利用率系數(shù)Cp:

式中:P為風力機實際獲取的軸功率;v為風速,m/s;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。

本文風力機部分的風能利用系數(shù)可近似用以下公式表示[3]:

在式(4)基礎(chǔ)上可以通過Matlab進行計算得到大致的風輪變槳距的葉尖速比與風能利用系數(shù)之間的關(guān)系,見圖2。

圖1 風速通過風輪的變化Fig.1 Wind speed changes through the wind wheel

圖2 能量特性曲線Fig.2 Power characteritic curves

由圖2得:對于任意的葉尖速比λ,槳葉節(jié)距角β=0°下的風能利用系數(shù)相對最大。并且隨著槳葉節(jié)距角β增大,風能利用系數(shù)Cp明顯減小。因此當風速高于額定風速時,可以通過調(diào)節(jié)槳葉節(jié)距角改變風輪對風能的吸收從而改變發(fā)電機的輸出功率,降低風輪輸入給發(fā)電機的能量,使輸出功率穩(wěn)定在額定功率附近。這就是變槳距控制的理論基礎(chǔ)。

2 槳距角模糊RBF神經(jīng)網(wǎng)絡(luò)控制

2.1 電動變槳控制系統(tǒng)

目前,由于電動伺服結(jié)構(gòu)簡單、可靠,并可對單一槳葉進行控制,大多廠家變槳都采用電動變槳方式。該方式是使用異步電機來驅(qū)動一個固定在行程推桿上的與球形螺栓相嚙合的球形螺母。變槳距行程桿隨葉輪旋轉(zhuǎn),電動機掉電引起球形螺栓調(diào)整槳角為順槳狀態(tài),使槳葉處于失效-安全狀態(tài)。因此在實現(xiàn)中要考慮以下幾個方面的部件:

1)帶有位移傳感器的電機;

2)能夠準確知道輪轂轉(zhuǎn)動角度的編碼器;

3)連接伺服電機和槳葉輪轂的減速箱以及齒輪;

4)在出現(xiàn)異常現(xiàn)象時能夠保證風輪平穩(wěn)停止的控制器及后備電源。

變槳驅(qū)動系統(tǒng)根據(jù)變槳主控系統(tǒng)決定葉片角度來精確控制每個葉片的角度位置。每個葉片有單獨的驅(qū)動系統(tǒng)以保證最大的安全性和效率。電動變槳控制系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 獨立型電動變槳控制系統(tǒng)結(jié)構(gòu)Fig.3 Independent electric variable pitch control sy stem

2.2 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

目前風力發(fā)電控制算法的研究熱點集中在新型智能控制算法上,希望能進一步提高風力機的運行效率,減小疲勞載荷,改善輸出電能的質(zhì)量。本文采用模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),該網(wǎng)絡(luò)主要是用神經(jīng)網(wǎng)絡(luò)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)。

模糊神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)和模糊邏輯系統(tǒng)的基礎(chǔ)上發(fā)展起來的,它充分考慮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯系統(tǒng)之間的互補性,集學習、聯(lián)想、識別、自適應及模糊信息處理于一體。例如,對于某些實際問題,人們事先無法確定模糊規(guī)則、隸屬度函數(shù)以及模糊決策算法的最佳方案,而神經(jīng)網(wǎng)絡(luò)可以通過對實際輸入、輸出數(shù)據(jù)的學習來確定這些規(guī)則、函數(shù)和決策算法;另一方面,盡管神經(jīng)網(wǎng)絡(luò)本身所存儲的知識難以理解,但模糊神經(jīng)網(wǎng)絡(luò)能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)的學習結(jié)果轉(zhuǎn)化成模糊邏輯系統(tǒng)的規(guī)則和知識,從而更加有利于知識的解釋和利用[3- 4]。

這里要介紹的模糊RBF神經(jīng)網(wǎng)絡(luò)是采用模糊理論與RBF(radial basic function徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)串聯(lián)結(jié)合而成的,選擇RBF神經(jīng)網(wǎng)絡(luò)是因為它的逼近能力、分類能力和學習速度等均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。首先,對神經(jīng)網(wǎng)絡(luò)的輸入樣本進行模糊化。該模糊化是利用高斯隸屬度函數(shù)來實現(xiàn)的。然后,神經(jīng)網(wǎng)絡(luò)部分采用的是RBF神經(jīng)網(wǎng)絡(luò)。同樣將上述輸入樣本模糊化之后的量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,這樣就構(gòu)成了一個模糊RBF神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

圖4 模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of fuzzy RBF neural netwo rk

模糊RBF神經(jīng)網(wǎng)絡(luò)為4層網(wǎng)絡(luò)結(jié)構(gòu)。

第1層為輸入層:起著將輸入值傳送到下一層的作用。該層每個節(jié)點代表經(jīng)過預處理過的輸入變量x=,根據(jù)變槳距問題本身將該層節(jié)點數(shù)設(shè)置為m=2,即x=[EEC]T,采用功率誤差E=P-Pref及功率誤差變化率EC為輸入變量,預處理過程是指將這兩個連續(xù)變化量轉(zhuǎn)化為(-6,6)之間的連續(xù)變化量。

第3層為模糊推理層:該層對應于RBF網(wǎng)絡(luò)的隱含層,在該模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)中各級模糊算子的隸屬度函數(shù)均取為高斯隸屬度函數(shù),其表達式為

式中:ci為高斯隸屬度函數(shù)的中心值;σi為高斯隸屬度函數(shù)的寬度。

對于初始參數(shù),各個模糊論域的寬度都選擇2,中心值選為各寬度的中點。隱含層,又稱為模糊推理層,共包含7×7=49個神經(jīng)元。

第4層為輸出層:Y=[,…,],該層由n個節(jié)點構(gòu)成,其計算公式為

式中:p為隱層單元數(shù)為49是隱層第i個神經(jīng)元至輸出層第j個神經(jīng)元的連接權(quán)值;本文j=1是輸入向量經(jīng)過模糊化以后又被徑向基函數(shù)(高斯基函數(shù))作用以后得到的向量,該向量由輸出的第i個語言隸屬函數(shù)的中心值組成。

該層用于實現(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轉(zhuǎn)換為輸出變量槳距角的精確數(shù)值。

該模糊RBF神經(jīng)網(wǎng)絡(luò)控制器的學習方法采用有教師信號的誤差反向傳播學習算法,

將式(7)作為學習目標來修正網(wǎng)絡(luò)的可調(diào)參數(shù)。

2.3 訓練網(wǎng)絡(luò)

圖5 訓練過程誤差曲線Fig.5 Error curves of the training process

圖6 測試樣本誤差Fig.6 Error curves of the test

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(luò)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)。

運用Matlab語言實現(xiàn)網(wǎng)絡(luò)并進行訓練,通過120組值作為訓練樣本,當網(wǎng)絡(luò)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1000次,訓練結(jié)束MSE為8.60653e-005,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50組數(shù)據(jù)作為測試樣本,測試結(jié)果如圖6所示,結(jié)果說明模糊RBF神經(jīng)網(wǎng)絡(luò)模型可以比較準確地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,能補償風機固有的非線性和整個系統(tǒng)的不可預測性。

3 變槳距功率控制仿真

通過圖7的變槳距控制原理建立機組各部分的模型。風速在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[57]。

圖7 風力機變槳距控制Simulink圖Fig.7 Simulation block diag ram of pitch angle control using Matlab/Simulink

圖8 仿真對比結(jié)果Fig.8 Comparison of simulation results

在均采用1s平均風速條件下[8],采用PI控制器與本文提出的模糊神經(jīng)網(wǎng)絡(luò)控制器作為對比仿真,結(jié)果如圖8所示。

由仿真結(jié)果可知,本文設(shè)計的模糊RBF神經(jīng)網(wǎng)絡(luò)系統(tǒng)在風速高于額定值時,通過調(diào)節(jié)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控制器的控制效果要好,非常適用于時變的、非線性的風力發(fā)電系統(tǒng)的控制。

4 結(jié)論

本文利用基于模糊神經(jīng)網(wǎng)絡(luò)的人工智能方法在額定風速以上的工況下,設(shè)計并驗證了一種適用于風電系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)控制器。該控制器基于實時數(shù)據(jù)進行計算,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。模糊RBF神經(jīng)網(wǎng)絡(luò)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(luò)的自學習能力。仿真結(jié)果表明了提出方法的有效性,模糊神經(jīng)網(wǎng)絡(luò)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)電變槳距系統(tǒng)。

[1] 盛旺.直驅(qū)風力發(fā)電模糊 PID變槳距控制[J].制造業(yè)自動化,2008,30(10):100-103.

[2] Kyoung soo Ro,Han-ho Cboi.Application of Neural Network Controller for Maximum Power Extraction of a Gridconnected Wind Turbine System[J].Eleetrical Engineering,2005,88(1):45-53.

[3] 曾光奇,胡均安,王東,等.模糊控制理論與工程應用[M].武漢:華中科技大學出版社,2006.

[4] 倫淑嫻,張化光,馮健.自適應模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)在管道泄漏檢測中的應用[J].石油學報,2004,25(4):101-104.

[5] 李穎,朱伯立,張威.SIM ULINK動態(tài)系統(tǒng)建模與仿真基礎(chǔ)[M].西安:西安電子科技大學出版社,2004.

[6] 張新房.大型風力發(fā)電機組的智能控制研究[D].保定:華北電力大學,2004.

[7] 董萍.風力發(fā)電系統(tǒng)的建模、控制及其仿真研究[D].廣州:華南理工大學,2004.

[8] 張建中.定子永磁電機及其風力發(fā)電應用研究[D].南京:東南大學,2008.

修改稿日期:2010-09-28