金俊喆， 武 鵬， 董祥祥， 葛傳九， 陳 蓓

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620)

0 引 言

風(fēng)能是一種重要的低碳能源，已被廣泛用來發(fā)電[1]。然而，風(fēng)力發(fā)電受風(fēng)速變化影響較大。由于短期風(fēng)速的隨機(jī)性和非線性特性,使風(fēng)速難以精確預(yù)測(cè)[2,3]。為最大限度利用風(fēng)能，風(fēng)電機(jī)組需采用最大功率點(diǎn)跟蹤(maximum power point tracking,MPPT)控制，使風(fēng)機(jī)出力可以跟蹤風(fēng)能，保持最大功率輸出。

目前常用的MPPT控制算法有葉尖速比法、功率反饋法、爬山法[4]等。文獻(xiàn)[4]比較了不同的MPPT算法的優(yōu)缺點(diǎn)；文獻(xiàn)[5]提出了變步長(zhǎng)爬山法與模糊算法結(jié)合的算例，通過模糊算法追蹤至最大功率點(diǎn)附近，再通過多等級(jí)變步長(zhǎng)爬山法精確定位到最大功率點(diǎn)。在風(fēng)速預(yù)測(cè)方面，文獻(xiàn)[6]提出了通過改進(jìn)條件極大似然估計(jì)法優(yōu)化多重離群點(diǎn)平滑轉(zhuǎn)換自回歸模型參數(shù)，再以此模型進(jìn)行風(fēng)電功率估計(jì)；文獻(xiàn)[7]提出了一種支持向量機(jī)與自適應(yīng)原理結(jié)合的風(fēng)速預(yù)測(cè)MPPT方法；文獻(xiàn)[8]將風(fēng)速預(yù)測(cè)與爬山法相結(jié)合，運(yùn)用長(zhǎng)短期記憶(long short term memory,LSTM)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)風(fēng)速，在此基礎(chǔ)上調(diào)整爬山法的步長(zhǎng)和方向來實(shí)現(xiàn)MPPT跟蹤。上述方法在短期風(fēng)速預(yù)測(cè)及風(fēng)電MPPT追蹤上都有著不錯(cuò)的效果，但其模型過于復(fù)雜，且風(fēng)速的實(shí)際影響未能考慮其中。

為此，考慮到風(fēng)速的實(shí)際影響及傳感器所得數(shù)據(jù)的一定延遲性，本文提出了預(yù)測(cè)與追蹤同步控制的精簡(jiǎn)策略。首先，運(yùn)用隨機(jī)森林(random forest,RF)算法尋找與風(fēng)速相關(guān)度最高的變量進(jìn)行變量降維，以此數(shù)據(jù)集構(gòu)建門控循環(huán)單元(gated recurrent unit,GRU)神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)短期風(fēng)速預(yù)測(cè)；然后，在短期風(fēng)速預(yù)測(cè)的基礎(chǔ)上，提出了改進(jìn)的粒子群優(yōu)化(improved particle swarm optimization,IPSO)算法；最后，利用MATLAB進(jìn)行仿真，驗(yàn)證了本文方法的有效性。

1 風(fēng)速預(yù)測(cè)模型

1.1 風(fēng)機(jī)模型

根據(jù)貝茲理論可知,風(fēng)機(jī)的機(jī)械功率與轉(zhuǎn)速、槳距角、半徑有如下關(guān)系[9]

(1)

λ=Rω/v

(2)

式中Pm為風(fēng)機(jī)功率，ρ為空氣密度，R為風(fēng)輪半徑，v,ω分別為風(fēng)速和電機(jī)轉(zhuǎn)速，λ為葉尖速比，Cp為最大風(fēng)能捕獲系數(shù)，是λ和ω的一個(gè)非線性函數(shù)[10]。 在槳距角一定時(shí)，存在著一個(gè)λ，使得Pm達(dá)到最大值[11]。由此可知，風(fēng)電MPPT控制需要較準(zhǔn)確的風(fēng)速信息，才能進(jìn)行葉尖速比的調(diào)節(jié)。而風(fēng)速變化很快，周期性差，且傳感器測(cè)得的風(fēng)速具有一定的延遲性，所得數(shù)據(jù)不能進(jìn)行實(shí)時(shí)MPPT，因此，可以采用預(yù)測(cè)風(fēng)速的方法，實(shí)現(xiàn)實(shí)時(shí)MPPT。

1.2 RF-GRU的風(fēng)速預(yù)測(cè)

1) 數(shù)據(jù)的降維處理

在風(fēng)電場(chǎng)中，風(fēng)速的變化與許多變量有關(guān)系，如果直接運(yùn)用這些變量，會(huì)產(chǎn)生梯度消失的問題。RF法是一種集成學(xué)習(xí)方法，以決策樹為基本單元，可計(jì)算標(biāo)簽與輸入之間的關(guān)聯(lián)程度大小。其先根據(jù)參數(shù)建立決策樹，記為N，之后隨機(jī)分配輸入變量至每一顆決策樹進(jìn)行訓(xùn)練，完成之后，計(jì)算袋外誤差記OB1，再隨機(jī)加入干擾重復(fù)上述步驟，其袋外誤差記OB2，根據(jù)式(3)計(jì)算變量對(duì)于標(biāo)簽貢獻(xiàn)度G大小，進(jìn)行貢獻(xiàn)度排序，得出前4個(gè)貢獻(xiàn)度最高的變量，記為{M1,M2,M3,M4}。運(yùn)用此方法，可以使風(fēng)速相關(guān)變量由20個(gè)變成4個(gè)

(3)

2)GRU網(wǎng)絡(luò)的建立

GRU是一種改進(jìn)的RNN，相對(duì)于另一種變形LSTM來說，GRU結(jié)構(gòu)更加簡(jiǎn)單，運(yùn)算快且不容易過度擬合[12]。GRU的單元內(nèi)部結(jié)構(gòu)如圖1所示，其在LSTM的基礎(chǔ)上，通過重新整合，組成了新的門控單元，分別稱為更新門和重置門。重置門依據(jù)門控信號(hào)可以決定之前信息保留下來的程度，記憶最重要的信息，再傳輸進(jìn)入更新門，更新門根據(jù)前者相關(guān)信息和門控信號(hào)進(jìn)行信息更新，得到這一單元的輸出結(jié)果。

圖1 GRU網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)

nt=sigmod(ωzxt+mzht-1)

(4)

rt=sigmod(ωrxt+mrht-1)

(5)

(6)

(7)

式中 sigmod為激勵(lì)函數(shù)，將結(jié)果反饋至0～1之間，其表達(dá)式如式(8)所示。ωz,mz,ωr,mr為相應(yīng)的權(quán)值矩陣。tanh為雙曲正切激活函數(shù)，其表達(dá)式如式(9)所示

(8)

(9)

GRU風(fēng)速預(yù)測(cè)流程圖如圖2所示。

圖2 GRU風(fēng)速預(yù)測(cè)流程圖

2 基于IPSO算法的風(fēng)電MPPT控制

粒子群優(yōu)化(PSO)算法可以通過粒子的飛翔在空間內(nèi)進(jìn)行搜索，在位置的更新變化下得到函數(shù)極值，從而實(shí)現(xiàn)MPPT控制。

2.1 粒子群算法原理

在粒子群算法中，粒子有兩個(gè)屬性：速度和位置。粒子之間通過各自的信息交流，更新自己的位置和速度，在誤差范圍內(nèi)聚集至最大點(diǎn)處，即視為找到了最佳解[13]。其速度和位置更新如式(10),式(11)所示

(10)

(11)

式中k為迭代次數(shù)，ω為慣性權(quán)重，c1,c2為學(xué)習(xí)因子，r1，r2為[0,1]上的隨機(jī)數(shù)，Pid為個(gè)體極值，Pgd為全局極值，Xid為粒子所在的位置，Vid為粒子速度。

粒子群算法在搜索過程中會(huì)出現(xiàn)速度過慢、全局搜索能力不足等問題。由式(10)可知，其更新速度由ω，c1，c2的大小決定。ω控制著全局搜索能力。ω越大，收斂速度較慢，但可以提高全局搜索能力；ω越小，收斂速度加快，但容易出現(xiàn)局部最優(yōu)。c1，c2代表著粒子本身的信息和對(duì)外交流的信息[14]。

基于1.2節(jié)預(yù)測(cè)所得的風(fēng)速信息，從粒子分布、權(quán)重等多個(gè)方面對(duì)粒子群參數(shù)進(jìn)行優(yōu)化，使其能滿足風(fēng)電功率曲線MPPT跟蹤的要求。

2.2 改進(jìn)的粒子群算法

1)粒子分布優(yōu)化

圖3(a)是風(fēng)輪角速度與最大功率系數(shù)的關(guān)系圖。

假定在t0時(shí)刻，風(fēng)速為v0，此時(shí)搜索到的最佳轉(zhuǎn)速記為ω0，取得的最大功率點(diǎn)記為A點(diǎn)，兩端點(diǎn)分別記為O點(diǎn)和B點(diǎn)。在搜索的同時(shí)，預(yù)測(cè)網(wǎng)絡(luò)已經(jīng)預(yù)測(cè)到下一時(shí)刻，即t1時(shí)刻，設(shè)其預(yù)測(cè)風(fēng)速為v1，由式(1),式(2)可知，若v1大于v0，則t1時(shí)刻搜索到的最大功率點(diǎn)在A點(diǎn)的右側(cè)，在預(yù)測(cè)風(fēng)速的基礎(chǔ)上，可以將粒子分布在A點(diǎn)和B點(diǎn)之間。同時(shí)，B點(diǎn)的位置也可以根據(jù)式(12)進(jìn)行移動(dòng)，移動(dòng)到的最終位置記為C。這樣，通過上述步驟，搜索范圍由O點(diǎn)至B點(diǎn)的大范圍變成A點(diǎn)至C點(diǎn)的小區(qū)間，優(yōu)化后的粒子分布如圖3(b)所示。式(12)如下

(12)

式中Xt+1為C點(diǎn)位置，Xt為B點(diǎn)位置，vt+1為t1時(shí)刻預(yù)測(cè)風(fēng)速，vt為t0時(shí)刻風(fēng)速，m為調(diào)節(jié)系數(shù)。

圖3 優(yōu)化前后粒子分布

由圖3(b)可知，區(qū)間的縮小使得每次的粒子分布更加緊湊，在此條件下只需增加粒子群的局部搜索能力即可粒子找到最優(yōu)值，避免了粒子群全局搜索能力的不足及系統(tǒng)出現(xiàn)震蕩。

2)種群規(guī)模調(diào)整

粒子群種群規(guī)模對(duì)于搜索速度有著一定影響，因此需要對(duì)種群進(jìn)行調(diào)整，在風(fēng)速變化平穩(wěn)時(shí)，將粒子種群限制在20以內(nèi)；在風(fēng)速變化劇烈時(shí)，將粒子種群規(guī)模提升至50～80之間，其隨著風(fēng)速差值的變化而進(jìn)行實(shí)時(shí)調(diào)整。

3)慣性權(quán)重、學(xué)習(xí)因子優(yōu)化

慣性權(quán)重對(duì)搜索過程有著重要的影響。在搜索過程中，應(yīng)保持高效的全局搜索能力，并且在搜索的后期，逐漸提高收斂速度。因此，ω應(yīng)逐漸減小。其計(jì)算表達(dá)式如式(13)～式(15)所示

(13)

(14)

(15)

式中k為目前迭代次數(shù)，n為最大迭代次數(shù)，隨著迭代次數(shù)的增加，ω呈指數(shù)衰減。在搜索的后期，當(dāng)最后三次搜索結(jié)果的方差不大于0.4，說明已找到最大功率點(diǎn)，終止搜索過程。因此，ω可以在后期穩(wěn)定在一個(gè)較小數(shù)值下，增加局部搜索能力，防止系統(tǒng)在最大功率點(diǎn)處振蕩?；赗F-GRU風(fēng)速預(yù)測(cè)的改進(jìn)粒子群算法總流程圖如圖4所示。

圖4 基于RF-GRU風(fēng)速預(yù)測(cè)的改進(jìn)粒子群算法總流程圖

3 仿真實(shí)現(xiàn)

采用MATLAB 2018a軟件對(duì)該策略進(jìn)行仿真，以O(shè)DE23算法對(duì)模型求解，步長(zhǎng)隨著模型的求解過程而實(shí)時(shí)改變。仿真過程中，先驗(yàn)證風(fēng)速預(yù)測(cè)精度，再通過RF-GRU模型預(yù)測(cè)風(fēng)速后進(jìn)行MPPT控制。仿真時(shí)長(zhǎng)設(shè)為2 s，初始風(fēng)速為8 m/s，在0.3～1 s時(shí)間內(nèi)風(fēng)速發(fā)生改變：0.3 s時(shí)風(fēng)速變?yōu)?2 m/s;0.6 s時(shí)風(fēng)速變?yōu)?6 m/s;0.8 s時(shí)風(fēng)速下降為14 m/s。

3.1 風(fēng)速預(yù)測(cè)模型仿真

風(fēng)機(jī)模型參數(shù)：切入風(fēng)速為5 m/s，切出風(fēng)速為18 m/s，槳距角為0°，風(fēng)輪半徑為6 m，Cp理論最大值為0.48。

在風(fēng)速預(yù)測(cè)訓(xùn)練網(wǎng)絡(luò)過程中，選取了某風(fēng)電場(chǎng)1月內(nèi)的風(fēng)速數(shù)據(jù)及相關(guān)變量，運(yùn)用RF提取出特征變量，構(gòu)建GRU模型訓(xùn)練，共選取3 000組數(shù)據(jù)，其中選擇80%進(jìn)行訓(xùn)練，選擇200組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其預(yù)測(cè)風(fēng)速誤差如圖5所示。

圖5 風(fēng)速預(yù)測(cè)誤差結(jié)果

由圖5可知，GRU預(yù)測(cè)所得風(fēng)速最大誤差在0.1左右，并經(jīng)多次仿真得均方差為0.23，符合預(yù)測(cè)的精度，表明RF-GRU預(yù)測(cè)所得風(fēng)速可用于之后的MPPT控制。

3.2 粒子群MPPT算法結(jié)果

通過風(fēng)速預(yù)測(cè)模型，在風(fēng)速變化的基礎(chǔ)上，以改進(jìn)的的粒子群進(jìn)行MPPT控制，其參數(shù)設(shè)置：種群規(guī)模M=25，最大迭代次數(shù)N=30，初始值ω=0.8，c1=c2=3.5。Cp變化過程如圖6所示。

圖6 粒子群風(fēng)電MPPT仿真結(jié)果比較

由圖6可知，在風(fēng)速突變時(shí)，傳統(tǒng)的粒子群會(huì)因重新搜索，造成Cp大幅滑落；而基于風(fēng)速預(yù)測(cè)的粒子群算法由于預(yù)測(cè)了下一時(shí)刻的風(fēng)速，從而可以進(jìn)行更平滑的搜索，不會(huì)造成風(fēng)電系統(tǒng)振蕩。

基于以上數(shù)據(jù)可知

1)RF-GRU可以較為準(zhǔn)確預(yù)測(cè)風(fēng)速，為后面粒子群優(yōu)化提供理論依據(jù)。

2)基于風(fēng)速預(yù)測(cè)的優(yōu)化粒子群算法由于粒子群的粒子分布邊界的限制及慣性權(quán)重的實(shí)時(shí)改變可以更快、更平滑地找到最大功率點(diǎn)，避免了風(fēng)電系統(tǒng)振蕩的情況，可以很好實(shí)現(xiàn)風(fēng)電MPPT。

4 結(jié) 論

對(duì)于傳統(tǒng)的風(fēng)電MPPT控制策略，本文提出一種基于RF-GRU風(fēng)速預(yù)測(cè)的改進(jìn)粒子群MPPT控制策略。首先，通過一個(gè)風(fēng)電場(chǎng)的歷史數(shù)據(jù)，使用RF法進(jìn)行特征提取，建立GRU進(jìn)行輸入輸出數(shù)據(jù)的擬合訓(xùn)練，通過前一時(shí)刻預(yù)測(cè)了下一時(shí)刻的風(fēng)速；然后，運(yùn)用該風(fēng)速信息，確定粒子分布情況和種群規(guī)模，再調(diào)整粒子群算法的慣性權(quán)重和學(xué)習(xí)因子，增加其搜索速度和精度；最后，通過MATLAB仿真驗(yàn)證了所提策略的正確性和有效性。