一种基于NN-RISE的风电机组最大风能捕获方法

技术领域

本发明涉及变速风力发电机组控制技术领域，特别涉及一种基于NN-RISE的风电机组最大风能捕获方法。

背景技术

随着时代的发展，人类对能源需求的逐步提高，寻找清洁、廉价、可持续的新型能源已经成为当今社会的热点方向。

目前主流的新能源有水力发电、光伏发电和风力发电等，其中风力发电技术以其清洁、可再生、无污染的特点，近几年来装机容量增长迅速，已经超过光伏发电，成为了仅次于水电的第二大可再生能源，在全球的能源市场占据了一席之地。

然而风作为自然资源也具有间歇性、波动性以及不稳定性等特点，这些特点会影响发电质量，若不采取措施应对，严重时还容易对发电设备造成损害，威胁人员安全。因此，为了最大限度地利用风能，提高能源产出，提升发电质量，在低风速段实现风机的最优转矩控制是很有必要的。

风力发电机组的输出功率应该被控制在由切入风速(v

第一和第四区域分别低于v

最大功率点跟踪算法大致可分为间接功率控制器(Indirect power controller,IPC)和直接功率控制器(Direct power controller,DPC)。传统的间接功率控制方法通过最大化捕获的风功率来使输出功率最大化，如叶尖速比算法，它有较高的跟踪效率，但是需要一个精确的风速计来测量风速，这导致该系统成本更高，尤其是对于小型风能转换系统；最优转矩控制算法(Optimal torque control,OTC)在风能转换系统中被广泛使用，但该控制算法属于无需风速的开环控制，但当风速抖动比较厉害的时候控制效果会比较差，并且当风电机组特性发生变化时(老化、结冰)控制效果也会变差。直接控制方法直接使输出功率最大化。一些传统的直接控制方法比如爬山搜索(Hill climb search,HCS)MPPT算法，它是一种数学优化策略，用于定位给定函数的局部最大点，通过搜索最佳操作点来提取最大功率，基于以一定步长干扰控制变量，并观察目标函数的变化，直到斜率变为零。然而，在风的快速变化过程中，它跟踪缓慢，并容易检测到错误的方向从而降低MPPT的跟踪效率。爬山搜索算法还取决于适当的步长，较低的步长导致系统响应慢，而较高的步长导致系统在峰值点振荡。

为克服外界环境参数变化以及保证控制信号的连续性，本发明提出了一种基于NN-RISE的风电机组最大风能捕获方法。相比于传统的OTC算法，本发明方法中神经网络以一种在线的方式进行学习风电机组内部的未知动态，因此可应对系统老化使得机械参数漂移等外界干扰，并且控制方法简单灵活，节约了人力物力成本；相比于传统的爬山搜索算法，本发明方法可以通过选择适当的参数使得控制器可应对不同的风速变化，并且保证发电功率的跟踪控制达到一个渐进稳定的控制效果，从而使得风能捕获效率更高、产能更加显著；另外，本发明方法所设计的转矩控制器可以保证控制信号的连续性，因此降低了机械磨损，提高了风电机组运行时的安全性能。

发明内容

为了使得控制器在不依赖气动转矩和机组机械参数等信息的条件下，依然能够保证控制信号的连续性，且能实现风轮转速跟踪效果的渐近稳定，本发明所采用的技术方案是：一种基于NN-RISE的风电机组最大风能捕获方法，包括下述步骤：

一种基于NN-RISE的风电机组最大风能捕获方法，该方法包括以下步骤：

步骤1：使用TurbSim软件生成随机风速信息。

用TurbSim生成湍流风文件TurbSim_Hydro.bts，将该文件作为Openfast-Matlab/Simulink的输入风文件。

步骤2：利用测量风速信息以及机组信息求得参考发电功率

其中，

步骤3：将参考发电功率和实际发电功率P

步骤4：对风电机组进行系统建模；

传动轴系主要由低速的风轮端和高速的发电机端组成，风轮和发电机的动态方程分别为：

其中T

变速箱比n

则由上式可得到风机简化的传动链模型：

式中：

T

为消除控制器对气动转矩的依赖，在本步骤中假设气动转矩T

则考虑气动转矩的不确定性后系统的传动链模型写为：

发电机功率为：P

则：

令：

则：

令：

则：

由于

步骤5：引入神经网络，让其学习风电机组系统模型中的未知动态，并根据NN-RISE原理设计神经网络输出层权重变化率：

Φ()为激活函数；

从

ε(Y)为构造误差，ε

则：

令：

其中，T表示求转置，是一种运算方式，D为D(t)的简写；

则此时系统动态

为正实数

但由于神经网络的理想权重W是未知的，因此用

步骤6：引入误差反馈信号的符号函数项并让其乘以一个自适应增益，根据NN-RISE原理设计自适应增益的变化率：

步骤7：根据NN-RISE原理设计控制信号的最终输出变化率：

通过T

进一步的，步骤四中，T

δ(t)为有界噪声，|δ(t)|≤δ

通过T

本发明的有益效果是：相比于传统的OTC算法，本发明方法中神经网络以一种在线的方式进行学习风电机组内部的未知动态，因此可应对系统老化使得机械参数漂移等外界干扰，并且控制方法简单灵活，节约了人力物力成本；相比于传统的爬山搜索算法，本发明方法可以通过选择适当的参数使得控制器可应对不同的风速变化，并且保证发电功率的跟踪控制达到一个渐进稳定的控制效果，从而使得风能捕获效率更高、产能更加显著。另外，本发明方法所设计的转矩控制器可以保证控制信号的连续性，因此降低了机械磨损，提高了风电机组运行时的安全性能。

附图说明

图1为风力发电机在不同工作区域时的最优产能轨迹；

图2为风速-时间曲线；

图3是本发明控制方法设计流程图；

图4为本发明控制器框图；

图5为实际风轮转速和最优转速跟踪效果对比图；

图6为发电功率对比图；

图7为发电功率对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

实施例1

本发明提供的一种基于NN-RISE的风电机组最大风能捕获方法，包括以下步骤：

步骤1：使用TurbSim软件生成随机风速信息；

用Nrel开发的一款开源湍流风随机模拟器TurbSim生成一段300s的平均风速为7m/s的湍流风文件TurbSim_Hydro.bts，将该文件作为Openfast-Matlab/Simulink的输入风文件。

步骤2：利用测量风速信息以及机组信息求得参考发电功率

其中，

步骤3：将参考发电功率和实际发电功率做差得到反馈误差e，即：

步骤4：对风电机组进行系统建模；

传动轴系主要由低速的风轮端和高速的发电机端组成，风轮和发电机的动态方程分别为：

其中T

则由上式可得到风机简化的传动链模型：

式中：

T

δ(t)为有界噪声，|δ(t)|≤δ

考虑到气动转矩T

则考虑气动转矩的不确定性后系统的传动链模型可写为：

发电机功率为：P

则：

令：

则：

令：

则：

由于

步骤5：引入神经网络，让其学习风电机组系统模型中的未知动态，并根据NN-RISE原理设计神经网络输出权重变化率:

从

ε为构造误差，ε

则：

令：

则此时系统动态

为正实数

但由于神经网络的理想权重W是未知的，因此用

步骤6：引入误差反馈信号的符号函数项并让其乘以一个自适应增益，根据NN-RISE原理设计自适应增益的变化率：

步骤7：根据NN-RISE原理设计控制信号的最终输出变化率：

通过T

为量化本发明提出的控制器的控制效果，需要对控制器的评价指标进行说明。为验证本发明在风能捕获方面的控制效果，采用相同的风速文件，将本发明方法与滑模控制方法进行比较。

本发明使用发电功率对转矩控制进行评价，评价指标如下：

P

其中，P

本实施例中˙表示对其进行求导。

实施例2

现对本发明所设计的控制器可以使得发电功率的跟踪控制达到渐进稳定的控制效果进行证明：

令：

设：

取李亚普洛夫函数：

k

代入步骤5、步骤6、步骤7中：

则：

其中，由于前面的积分上限是t，为了防止混淆，所以另外选取了一个变量τ。

根据李亚普洛夫定理，可知e、

实施例3

本实施例使用风电技术开发软件OpenFAST-Matlab/simulink联合仿真平台，对本发明方法的有效性进行验证。

实施例中使用5MW三叶片水平轴变速风力发电机组模型，其主要参数如下表所示：

图1为风力发电机在不同工作区域时的最优产能轨迹图。可以看出，由于工作区域不同，风力发电机的最优产能轨迹也不同。在低风速段，风力发电机组主要控制目标是尽最大可能地捕获风能，即实现最大风能捕获。

图2是为风速-时间曲线。使用TurbSim软件生成一个平均风速为7m/s的湍流风风速文件。

图3为是本发明控制方法设计流程图。

图4为本发明NN-RISE转矩控制器框图。

图5为转矩对比图。从图中可以看出本算法的转矩控制信号更为平滑，而滑模控制算法的转矩控制信号抖动更为明显。

图6为发电功率跟踪误差对比图。可以看出本算法的跟踪效果更好。

图7为发电功率对比图。相比于滑模控制算法，本发明发电量提高了0.35％。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。