姚萬業(yè)， 賈昭鑫， 黃 璞

(華北電力大學(xué) 控制與計算機(jī)工程學(xué)院，河北 保定 071003)

0 引言

在高于切入風(fēng)速低于額定風(fēng)速段，為了最大限度地捕獲風(fēng)能，風(fēng)電機(jī)組采用最大功率點(diǎn)追蹤(MPPT)控制。其控制的目標(biāo)在于，隨著風(fēng)速的變化，通過調(diào)節(jié)風(fēng)輪的轉(zhuǎn)速使其始終運(yùn)行在最優(yōu)轉(zhuǎn)速即最佳葉尖速比，進(jìn)而最大效率地捕獲風(fēng)能。

常見的最大功率追蹤方法有最佳葉尖速比、功率信號反饋法、爬山搜索法等[1,2]。憑借不依靠風(fēng)機(jī)特性，不需要測量風(fēng)速的優(yōu)勢，爬山搜索法是目前無傳感器最大功率追蹤中的研究主流。文獻(xiàn)[3]提出了一種追蹤區(qū)間優(yōu)化的最大功率點(diǎn)追蹤策略，通過徑向基神經(jīng)網(wǎng)絡(luò)優(yōu)化了爬山搜索法的搜索區(qū)間。文獻(xiàn)[4]提出了一種變步長爬山法控制策略，通過變步長保證了爬山法的追蹤性能和追蹤速度。文獻(xiàn)[5]將停止機(jī)制引入爬山搜索法，通過舍棄部分低風(fēng)速段的功率避免了爬山搜索法的錯誤搜索方向。上述改進(jìn)爬山搜索法的研究工作，突破了傳統(tǒng)方法忽略跟蹤動態(tài)的局限性，取得了不錯的效果。但是，由于在優(yōu)化問題上很難找到彼此之間的量化關(guān)系，在風(fēng)速條件多變的情況下，改進(jìn)的爬山搜索法很容易出現(xiàn)搜索方向出錯，步長過大或過小的問題。

為此，考慮到風(fēng)速對功率追蹤的影響，本文引入粗略風(fēng)速估計[6]，提出了一種基于風(fēng)速預(yù)測的改進(jìn)爬山法最大功率追蹤策略。首先利用LSTM神經(jīng)網(wǎng)絡(luò)模型，合理利用包括風(fēng)速在內(nèi)的溫度、氣壓、空氣密度等風(fēng)機(jī)多傳感器融合信息，對風(fēng)速進(jìn)行了粗略的估計，實(shí)現(xiàn)了較為準(zhǔn)確的風(fēng)速下一步預(yù)測，然后利用預(yù)測的下一步風(fēng)速優(yōu)化改進(jìn)了現(xiàn)有的最大功率追蹤爬山搜索法。實(shí)驗(yàn)仿真驗(yàn)證了引入了風(fēng)速前饋的最大功率追蹤策略的有效性。

1 爬山法最大功率追蹤

1.1 MPPT的原理

根據(jù)貝茨理論，風(fēng)力發(fā)電機(jī)的功率與風(fēng)速的三次方相關(guān)，風(fēng)機(jī)捕獲的機(jī)械能Pm可以由空氣密度ρ，槳距角β，風(fēng)輪半徑R和風(fēng)速V表示[7,8]：

Pm(v,ω)=0.5ρπR2v3Cp(λ,β)/w

(1)

式中：CP稱為風(fēng)能利用系數(shù)，是關(guān)于葉尖速比λ和槳距角β的非線性函數(shù)[9]，當(dāng)槳距角固定不變時，風(fēng)能利用系數(shù)Cp僅與葉尖速比λ有關(guān)，葉尖速比定義為：

λ=Rω/v

(2)

聯(lián)立(2)(4)可得風(fēng)機(jī)的最佳功率Popt：

Popt(ω)=Koptω3

(3)

圖1 最佳功率曲線的確定

1.2 爬山法

爬山法主動周期性的施加轉(zhuǎn)速擾動，根據(jù)風(fēng)力發(fā)電機(jī)功率—轉(zhuǎn)速曲線觀察擾動后系統(tǒng)輸出功率的改變方向，從而實(shí)現(xiàn)最大功率追蹤。目前傳統(tǒng)爬山法主要存在2個問題：

(1)搜索區(qū)間不能自適應(yīng)，搜索時間長

在爬山法中，最優(yōu)功率點(diǎn)搜索的起始轉(zhuǎn)速，就是上一時刻穩(wěn)定點(diǎn)的轉(zhuǎn)速。如果該轉(zhuǎn)速與下一時刻的最優(yōu)轉(zhuǎn)速相差越大，則搜索時間會越長，難度會越大。

(2)搜索方向誤判斷和MPP點(diǎn)振蕩

如圖2所示，大步長可以加快搜索速度，但是精度無法保證，小步長可以保證精度，卻不能加快收斂速度。

圖2 不同長度Δw的擾動情況

此外傳統(tǒng)爬山法由于步長為常量，使得風(fēng)機(jī)在達(dá)到最大功率點(diǎn)后會一直在該點(diǎn)附近振動。圖3反映了這種振動，頻繁的振蕩會影響發(fā)電機(jī)的效率和使用壽命。

圖3 MPP處的振蕩

2 FRS-LSTM風(fēng)速預(yù)測模型

2.1 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM是一種改進(jìn)的RNN，該模型可以學(xué)習(xí)長期的依賴信息，避免梯度消失的問題[10]。LSTM在RNN的隱藏層的神經(jīng)節(jié)點(diǎn)中，增加了一種被稱為記憶細(xì)胞(Memory cell)的結(jié)構(gòu)用來記憶過去的信息，并增加了3種門結(jié)構(gòu)(Input，F(xiàn)orget，Output)來控制歷史信息的使用。圖4為LSTM神經(jīng)元結(jié)構(gòu)示意圖，中間部分為一個Memory Block，每個Block里面包含有多個由一組Gate控制的Memory Cell，同一個Memory Block的多個Memory Cell由同一組Gate共同控制，與LSTM相連的傳送機(jī)構(gòu)控制信號在BPTT時無衰減傳播，通過Input Gate和Output Gate控制信息的流入與流出，通過Forget Gate決定是否重置網(wǎng)絡(luò)，這些門的行為通過前一層的輸出、上一時刻的隱藏層的輸出以及記憶單元信息三者共同控制[11,12]。假設(shè)輸入序列為(x1,x1,…,xr)，隱藏層層狀態(tài)為(h1,h2,…,hr)，則在t時刻有：

it=sigmoid(whiht-1+wxixt)

(4)

ft=sigmoid(whfht-1+wxixt)

(5)

ct=ft?ct-1+it?tanh(whcht-1+wxcxt)

(6)

ot=sigmoid(whoht-1+whxxt+wcoct)

(7)

ht=ot?tanh(ct)

(8)

式中：it，ft，ot代表Input Gate，F(xiàn)orget Gate和Output Gate；ct代表cell單元；wh代表遞歸連接的權(quán)重；wx代表輸入層到隱藏層的權(quán)重；sigmoid與tanh為2種激活函數(shù)。

圖4 LSTM神經(jīng)元結(jié)構(gòu)示意圖

2.2 預(yù)測模型

通過傳感器可采集的參數(shù)為：風(fēng)速、溫度、風(fēng)向、空氣濕度、氣壓。利用這些參數(shù)作為輸入可設(shè)計神經(jīng)網(wǎng)絡(luò)模型完成下一時刻的風(fēng)速預(yù)測。預(yù)測模型結(jié)構(gòu)由模糊粗糙集因素約簡(FRS)和神經(jīng)網(wǎng)絡(luò)預(yù)測(LSTM)兩部分組成，利用前者對噪聲的敏感性，將輸入信息的空間維數(shù)簡化，作為后者LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測部分的輸入，利用后者通過訓(xùn)練學(xué)習(xí)，抽取逼近隱含的輸入輸出非線性關(guān)系，得到風(fēng)速預(yù)測的效果。

預(yù)測模型框圖如圖5所示。

圖5 預(yù)測模型框圖

利用模糊粗糙集理論[13,14]進(jìn)行屬性約簡，去除冗余信息。將預(yù)測時刻的風(fēng)速v(t+1)設(shè)定為決策屬性，選取35個影響因素作為條件屬性，確定初始決策表。然后根據(jù)各個屬性的物理特性，選取合適的模糊隸屬度函數(shù)對各屬性模糊，根據(jù)上文確定的各屬性隸屬度函數(shù)，對35個條件屬性進(jìn)行約簡，最終確定屬性集為：

R={v(t),v(t-1),v(t-2),

v(t-3),v(t-3),T(t),T(t-1)}

(9)

神經(jīng)網(wǎng)絡(luò)的輸入為經(jīng)過模糊粗糙集約簡后的屬性集R，輸出為v(t+1)時刻的預(yù)測風(fēng)速。

3 基于風(fēng)速預(yù)測的改進(jìn)爬山法

本文提出了基于風(fēng)速預(yù)測的改進(jìn)爬山法最大功率追蹤策略，根據(jù)融合的傳感器信息，依靠上文提出的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)估風(fēng)速，將預(yù)估的風(fēng)速信息用于轉(zhuǎn)矩控制算法的設(shè)計，優(yōu)化追蹤區(qū)間，確定搜索方向，防止MPP點(diǎn)處的反復(fù)振蕩，改進(jìn)的爬山法控制策略框圖如圖6所示。

圖6 改進(jìn)爬山法控制策略

本文從3個方面闡述改進(jìn)的爬山法：

(1)優(yōu)化追蹤區(qū)間

如圖7所示，當(dāng)風(fēng)機(jī)運(yùn)行在K時刻，風(fēng)速為v(k)，風(fēng)電機(jī)組能夠穩(wěn)定運(yùn)行在該風(fēng)速下，此時的轉(zhuǎn)速為最優(yōu)轉(zhuǎn)速wopt(k)，即點(diǎn)A，在爬山搜索法中，點(diǎn)A就是下一時刻搜索的起始位置，該時刻的轉(zhuǎn)速wopt(k)就是下一時刻(k+1)時刻的搜索起始轉(zhuǎn)速。

圖7 追蹤區(qū)間優(yōu)化

假設(shè)(k+1)時刻，風(fēng)速變?yōu)関(k+1),風(fēng)電機(jī)組將在控制策略的作用下重新搜素新風(fēng)速下對應(yīng)的最佳功率點(diǎn)。搜索區(qū)域?yàn)锳-C段。此時，利用k時刻預(yù)測出(k+1)時刻的風(fēng)速為vp(k+1)，根據(jù)公式(12)推出(k+1)時刻的風(fēng)電機(jī)組轉(zhuǎn)速wpre(k+1)：

wpre(k+1)=λopt·vP(k+1)·N/R

(10)

將轉(zhuǎn)速wpre(k+1)替代wopt(k)作為(k+1)時刻最大風(fēng)能追蹤的初始轉(zhuǎn)速,即將初始搜索點(diǎn)從A點(diǎn)移動到B點(diǎn)，搜索區(qū)域變?yōu)锽-C段。(k+1)時刻，對應(yīng)風(fēng)速v(k+1)的最優(yōu)功率點(diǎn)轉(zhuǎn)速為wopt(k+1)。(k+1)時刻的MPPT中，如采用傳統(tǒng)無風(fēng)速預(yù)測爬山法，起始轉(zhuǎn)速與最優(yōu)轉(zhuǎn)速的差值為：

Δw=wopt(k+1)-wopt(k)=

λopt·[v(k+1)-v(k)]·N/R

(11)

改進(jìn)爬山法后，新的起始轉(zhuǎn)速與最優(yōu)轉(zhuǎn)速的差值為：

Δw′=wopt(k+1)-wini(k+1)=

λopt·[v(k+1)-vp(k+1)]·N/R

(12)

所以使用了提前的風(fēng)速預(yù)測后，爬山法搜索的區(qū)間由Δw縮減為Δw′，搜索效率大大提高。實(shí)驗(yàn)發(fā)現(xiàn)，由于縮小了追蹤區(qū)間，擾動值的選取變得比較重要，少許的變化可能就會產(chǎn)生振蕩，所以在收縮區(qū)間的優(yōu)化上引入收縮系數(shù)α，根據(jù)v(t)與v(t+1)的變化幅度改變系數(shù)α，當(dāng)風(fēng)速變化過快時，大的α保證收縮區(qū)間收縮的不至于過小，當(dāng)風(fēng)速變化不大時，小的收縮系數(shù)α保證收縮的不至于過大。

(2)確定搜索方向

當(dāng)風(fēng)速穩(wěn)定時，根據(jù)爬山法的原理，通常的搜索方向判斷為由式(13)決定：

(13)

當(dāng)風(fēng)速出現(xiàn)波動的時候，用預(yù)測風(fēng)速的變化代替功率的變化值，完成搜索方向的確定，由式(14)決定：

(14)

(3)避免MPP點(diǎn)的波動

當(dāng)(k+1)時刻最大風(fēng)能追蹤的起始搜索區(qū)域確定為wini(k+1)后，采用變轉(zhuǎn)速擾動MPPT控制來找到最優(yōu)功率點(diǎn)。在2個相鄰的離散時間點(diǎn)(n-1)和n，對機(jī)組的輸出功率和轉(zhuǎn)速進(jìn)行采樣，計算風(fēng)電機(jī)組功率的斜率dPT/dwT：

(15)

風(fēng)電機(jī)組轉(zhuǎn)速擾動可取為：

Δw=KMPPT(dPT/dwT)

(16)

當(dāng)|ΔPT|=|PT(n)-PT(n-1)|

4 算例分析

采用GH-Bladed軟件進(jìn)行仿真驗(yàn)證，由于軟件仿真的局限性，對屬性約簡集進(jìn)行了微調(diào)，輸入變量的選取采用了適當(dāng)?shù)膭h減。仿真采用1.5 MW風(fēng)機(jī)模型，風(fēng)機(jī)參數(shù)如表1所示。

表1 風(fēng)力發(fā)電機(jī)組整機(jī)參數(shù)

本文主要仿真的部分在額定風(fēng)速以下，即槳距角為0°狀態(tài)。分別采用平均風(fēng)速6 m/s，7 m/s，8 m/s，9 m/s的4種3D湍流風(fēng)進(jìn)行仿真驗(yàn)證。仿真采用了統(tǒng)一變槳方式，在仿真過程監(jiān)控4個數(shù)據(jù)，分別為：槳角，測量的轉(zhuǎn)速，設(shè)定的轉(zhuǎn)矩，輪轂處測量風(fēng)速，輸出功率。

仿真中200～300 s發(fā)生了風(fēng)速突變，選取該100 s內(nèi)進(jìn)行分析，風(fēng)速預(yù)測效果如圖8所示，控制策略仿真結(jié)果如圖9所示。

圖8 預(yù)測結(jié)果

圖9 仿真結(jié)果

由仿真結(jié)果可得，新提出的基于風(fēng)速預(yù)測的改進(jìn)爬山法：

(1)有效避免了風(fēng)速變化情況下的錯誤搜索方向。如圖圓圈標(biāo)注的部分可以明顯看出，當(dāng)風(fēng)速發(fā)生變化的時候，傳統(tǒng)爬山搜索法出現(xiàn)了錯誤的搜索方向，本應(yīng)該減小轉(zhuǎn)速的時候，卻朝著轉(zhuǎn)速增大的方向搜索，改進(jìn)的爬山法則有效避免了該方向的錯誤。

(2)明顯減少了風(fēng)機(jī)在MPP點(diǎn)處的振蕩。長方形標(biāo)注的部分可以看出，優(yōu)化的爬山搜索法轉(zhuǎn)速控制更加平滑，避免了頻繁的轉(zhuǎn)速切換。

(3)有效提高了風(fēng)能捕獲效率。由公式(17)計算的風(fēng)能捕獲效率，改進(jìn)的爬山搜索法為97.1%，傳統(tǒng)的爬山搜索法為95.3%。

(17)

式中：ΔPmax為所示功率；Pcap為實(shí)際捕獲的風(fēng)能；Pmax為捕獲風(fēng)能理論值。

5 結(jié)論

相對于傳統(tǒng)的最大功率追蹤策略，本文提出了一種基于風(fēng)速預(yù)測的改進(jìn)爬山法控制策略，融合風(fēng)機(jī)運(yùn)行過程中的各種傳感器信息，利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了下一時刻風(fēng)速的預(yù)測，通過預(yù)測的風(fēng)速有效地收縮了風(fēng)機(jī)轉(zhuǎn)速的追蹤區(qū)間，確定了正確的搜索方向，避免了MPP點(diǎn)處頻繁的振蕩，實(shí)驗(yàn)仿真表明了該方法的有效性。

[1]李鑫,曾令全,侯斌,等. 風(fēng)力發(fā)電仿真系統(tǒng)中模擬風(fēng)輪機(jī)的理論研究[J]. 華北電力大學(xué)學(xué)報(自然科學(xué)版),2010,37(6):17-22.

[2]李梓萌,李洪舉,馮潔. 基于模糊控制結(jié)合擾動觀察法的風(fēng)力發(fā)電系統(tǒng)MPPT控制策略[J]. 電力科學(xué)與工程,2016,32(11):18-22.

[3]殷明慧，張小蓮，鄒云，等. 追蹤區(qū)間優(yōu)化的風(fēng)力機(jī)最大功率點(diǎn)追蹤控制[J].電網(wǎng)技術(shù)，2014，38(8)：2180-2185.

[4]鐘沁宏，阮毅，趙梅花，等.變步長爬山法在雙饋風(fēng)力發(fā)電系統(tǒng)最大風(fēng)能跟蹤控制中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制，2013，41(9)：67-73.

[5]張小蓮, 李群, 殷明慧,等. 一種引入停止機(jī)制的改進(jìn)爬山算法[J]. 中國電機(jī)工程學(xué)報, 2012, 32(14):128-134.

[6]高陽,鐘宏宇,陳鑫宇,等.基于神經(jīng)網(wǎng)絡(luò)和小波分析的超短期風(fēng)速預(yù)測[J].可再生能源,2016,34(5):705-711.

[7]祝曉燕,張金會,付士鵬,等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)速預(yù)測模型[J]. 華北電力大學(xué)學(xué)報(自然科學(xué)版),2013,40(5):60-64.

[8]石亞欣. 基于時間序列的WD-LS-SVM的風(fēng)速周期預(yù)測模型研究[J]. 電力科學(xué)與工程,2014,30(2):41-45.

[9]李東福,董雷,禮曉飛,等. 基于多尺度小波分解和時間序列法的風(fēng)電場風(fēng)速預(yù)測[J]. 華北電力大學(xué)學(xué)報(自然科學(xué)版),2012,39(2):43-48.

[10]ZHAO Z，CHEN W，WU X，et al.LSTM network: a deep learning approach for short term traffic forecast[J].Let Intelligent Transport Systems，2017，11(2)：68-75.

[11]楊訓(xùn)政，柯余洋，梁肖，等.基于LSTM的發(fā)電機(jī)組污染物排放預(yù)測研究[J].電氣自動化，2016，38(5)：22-25.

[12]LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553):436.

[13]劉興杰，岑添云，鄭文書，等.基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測[J].中國電機(jī)工程學(xué)報，2014，34(19)：3162-3169.

[14]尹東陽，盛義發(fā)，蔣明潔，等.基于粗糙集理論-主成分分析的Elman神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2014，42(11)：46-51.