基于神经网络的风力发电机组变桨距控制方法

基于神经网络的风力发电机组变桨距控制方法

人工神经网络由各种开元处理单元广泛连接而成。它具有较强的学习能力、非线性映射能力、自适应能力和容错性，鲁棒性强。风力发电机系统是一个非线性的高阶、强耦合、多变量的时变系统,常规PID控制很难满足要求。本文针对变距控制结构,应用BP神经网络进行PID参数调节并进行仿真。1风力发电机动态建模首先运用电机学、空气动力学、转子动力学等方面的基础理论对所研究风力发电机组进行了动态建模,从而更好地分析风力发电机组的系统特性,检验所提出的控制方法的有效性。图1为风力发电机组动态模型结构,将风力发电机分为空气动力系统、传动系统、双馈异步发电机系统和变桨距执行系统等4个部分。1.1风能利用系数cp风轮从风能中捕获的气动转矩和功率为:Ρm=12ρπR2Cp(λ,β)V3(1)Τr=12ρπR3CΤ(λ,β)V2(2)式中V——风速,m/s;ρ——空气密度;Pr——风轮吸收功率,W;Tr——风轮气动转矩,N·m;CT——气动转矩系数,Cp(β,λ)=λCT(β,λ);Cp——风能利用系数;R——风轮半径,m;β——桨距角;ω——风轮转速,rad/s;λ——叶尖速比,λ=ωR/V。风能利用系数Cp代表了风轮从风能中吸收功率的能力,是叶尖速比λ和桨距角β的高阶非线性函数:Cp(λ,β)=0.22(116λi-0.4β-5)e-12.5λi(3)1λi=1λ+0.08β-0.035β3+1(4)根据式(3)和式(4)可以看出风能利用系数随着桨距角的增大而减小,风力机在高于额定风速而又低于切出风速运行时,叶尖速比变化很小,通过改变桨距角β,可通过限制风轮吸收的风能来控制功率输出的恒定。风在流经风轮产生转矩的同时也受到风轮的反作用力从而形成尾涡流,与旋转方向相反。桨叶表面的气压差会在桨叶周围产生涡流,从而在实际旋转风轮叶片的后缘会拖出尾涡流。尾涡效应使得风轮轴功率有所损失以及功率系数减小。因此需要修正功率系数Cp,从而减小模型误差,使风轮模型更接近实际风力发电机。1.2发电机的转速系统在非直驱式风力发电机组的风轮与发电机之间设置增速齿轮箱,增速比为γ=ωg/ω。这里假设系统传动轴绝对刚性,在靠近风轮的低速轴一侧有转子动力学方程为:Jrdωdt=Τr-ΤD-γΤm(5)式中Jr——风轮转动惯量;Tm——高速轴传递给刚性齿轮的扭矩;TD——假定集中于低速轴一侧的能量传递系统的阻力矩。ΤD=C1+C2ω+C3ω(6)式中C1,C2和C3分别为常数。在靠近发电机的高速轴侧,忽略发电机自身的机械阻力矩:Jgdωgdt=Τm-Τe(7)式中ωg——异步发电机转动角速度;Jg——双馈异步发电机的转动惯量;Tc——发电机反扭矩。根据ωg=γω,将式(5)代入式(7)可得传动系统与风轮转速的联系:(Jr+γ2Jg)dωdt=Τr-ΤD-γΤe(8)在并网前由于发电机未带负载,不产生反力矩,Te=0。1.3u3000转子转子导电和漏抗忽略磁滞、铁磁饱和、定子和转子齿槽及涡流等因素影响,假定所讨论的异步电机为理想电机。定子、转子绕组每相均在气隙中产生正弦分布的磁通势及磁密:Τe=g1U21r2(gmg-ω1)[(r1-C1r2ω1gωg-ω1)2+(x1+C1x2)2](9)式中m1——相数;g为发电机极对数;U1——电网电压;ω1——发电机同步转速;r1,x1——分别为归算后定子绕组的电阻和漏抗;r2,x2——分别为转子绕组的电阻和漏抗;C1——修正系数。1.4液压驱动系统的时滞特性变距执行系统模型描述控制器产生的参考节距角与实际节距角之间的动态关系,液压驱动采用电液比例阀控制的伺服液压缸系统,变桨距机械执行机构采用曲柄滑块机构。系统方程为:Jgdβdt=1Τβ(βr-β)(10)用带迟延的一阶惯性环节来模拟液压驱动系统的时滞特性,传递函数可表示为:β(s)βr(s)=1Τβs+1e-ts(11)式中βr为参考节距角;Tβ为时间常数;τ为迟延时间。2机组的变桨控制图2给出风力机转速转矩关系曲线,变桨距功率调节在风力机整个控制系统中地位重要。横坐标a点之前为启动阶段,风速从零上升到切入风速,若风速大于或等于切入风速,发电机并入电网,若风速小于切入风速,发电机与电网脱离。在ab段实行最大风能追踪控制,以最大限度的获取能量,该段为Cp恒定区,转速小于风力机额定转速。转速随风速变化调节,桨距角被设定在零度附近,从而保证风力机的风能利用系数Cp恒定为Cpmax。bc段为转速恒定区,因为b点已达到转速极限,故随着风速增大,转速保持恒定。为了保护机组不受损坏,不再进行最大风能追踪,而是通过变桨距调节桨距角调整功率系数,使功率保持恒定;cd段为功率恒定区,高风速占主导地位,通过调节桨距角减小输出功率,使之维持在额定功率上下并沿着cd线保持最大功率。当风速达到切出风速时,风力发电机与电网脱离,直到合适的并网风速再次出现。3神经网络模型的自适应控制3.1控制序列计算图3为BP神经网络模型参考自适应PID控制器结构,图中r为输入序列且有界;yref为参考模型输出序列;PID所需要的3参数Kp,Ki,Kd由BP神经网络调整输出;NNI为BP神经网络辨识器;u为控制输出序列;yout为对象输出序列;e1为参考模型输出与对象输出之间的误差;e2为对象输出与辨识器之间的误差。在图3中参考模型要求稳定和完全可控,yout为被控对象的期望输出,目的是确定控制序列u(k)达到:E(k)=lim‖yref(k)-yout(k)‖≤ε(12)式中ε——期望误差值,ε>0;E(k)——k采样点的控制误差。系统的输出yout(k)在k≥k0时能跟踪模型参考的输出yref(k),从而使得ymout渐渐趋近于yout来获得期望的控制输出。3.2神经网络加权系数采用三层3-8-3结构的神经网络,其中M=3,Q=8,L=3,输入节点对应模型参考输出与实际输出的差值即桨距调节误差,进行归一化处理。输出节点对应PID控制器的3个可调参数Kp,Ki,Kd,选取非负正负对称的Sigmoid函数作为隐含层的活化函数,选取非负Sigmoid函数作为输出层活化函数。由图3可见,BP神经网络输入层为:O(1)j=xk-j=e1(k-j)j=0,1,…,M-1(13)隐含层输入输出分别为:net(2)i(k)=Μ∑j=0ω(2)ijΟ(1)j(k)(14)O(2)i(k)=f[net(2)i(k)]=tan(net(2)i(k))i=0,1,…,Q-1(15)式中:ω(2)ij为隐含层的加权系数;ω(2)iΜ为阈值θi。输出层输入输出分别为:net(3)i(k)=Q∑l=0ω(3)liΟ(2)i(k)(16)Ο(3)l(k)=g[net(3)l(k)]=12[1+tan(net(3)l(k))](17)当l=0,1,…,L-1时,则:O(3)0(k)=Kp;O(3)1(k)=Ki;O(3)2(k)=Kd(18)式中:ω(3)li为隐含层的加权系数;ω(2)lQ为阈值θ1。选取性能指标函数为:J=12[yref-yout]2(19)根据最速下降法修正神经网络加权系数,在附加加速收敛全局极小的惯性项的情形下,加权系数按负梯度方向搜索调整,则有:Δω(3)li(k+1)=-η∂J∂ω(3)li+αΔω(3)li(k)(20)式中η——学习速率;α——惯性系数。因此BP神经网络输出层加权系数的计算公式为:ωli(3)(k+1)=ωli(3)(k)+ηδ(3)lOi(2)(k)+αΔωli(3)(k)(21)δl(3)=e1(k)sgn∂y(k+1)∂u(k)×∂u(k)∂Οl(3)(k)×12[1+tan(net)](22)∂u(k)∂Ο0(3)(k)=e1(k)-e1(k-1)(23)∂u(k)∂Ο1(3)(k)=e1(k)(24)∂u(k)∂Ο2(3)(k)=e1(k)-2e1(k-1)+e1(k-2)(25)隐含层加权系数的计算公式为:ωij(2)(k+1)=ωij(2)(k)+ηδ(2)iOj(1)(k)+αΔωij(2)(k)(26)δi(2)=12[1-tan(neti(2)(k))]2∑l=02δl(3)ωli(3)(27)由于∂y(k+1)/∂u(k)未知,近似用符号函数sgn(∂y(k+1)/∂u(k))取代,由此带来的计算不精确通过调节学习速率η补偿。4风速下风力机运行特性仿真以MATLAB软件为基础,在Simulink中建立风力机变桨距控制系统。风力发电机组的参数如下:风轮直径为62m;额定风速为16m/s;额定功率为1300kW;发电机额定转速为1719r/min;定子额定相电压为690V;电机极对数为P=2;修正系数设为0.81;空气密度为1.225kg/m3;风力机叶轮转动惯量为2.64kg·m2,设定桨距角β调整范围0～30°,发电机转子的转动惯量为6.27×104kg·m2,风力机额定转速为4.15rad/s。风力发电机组切入风速为3m/s,当风速达到20m/s时,风力发电机组制动刹车。图4为风速8m/s时发电机输出功率和转速响应曲线,图4中(a)为常规PID控制的仿真结果,(b)为神经网络模型参考自适应控制的仿真结果。由图4可见,当风速大小位于6m/s和19m/s之间时,转速大体能够跟据风速的变化趋势而变化,在120s后,发电机输出功率和转速都达到了额定值并保持恒定,转速约维持在1700r/min。图4表明风力机能够上按照最佳叶尖速比运行,从而最大限度地捕获风能;而另一方面,风力机为了避免高频震动,没有完全跟随风速的波动而变化,提高了机组运行的稳定性。图5为在200s附近风速突变时发电机的输出功率和转速响应曲线,此时风速从8m/s迅速增大至12m/s,发电机转速在这种恶劣风况下基本维持在1600r/min之下,无超速,发电机的输出功率和转速都保持在允许范围内,系统能够保持稳定。由仿真结果可知:发电机的输出功率和转速响应曲线与预期的控制要求完全一致。在低于额定风速的情况下,为到最大的发电功率,桨距角始终保持在0°,风轮转速跟随着风速而变化。在高于额定风速的情况下,通过改变桨距角减小风能利用系数,从而保持发电机输出功率恒定。由图中可以看出基于神经网络模糊自适应的方法在风电机组变桨距控制中能够获得良好、有效的跟踪效果。5仿真控制应用对变桨距风力发电机控制提出了一种神经