基于神经网络优化起始转速的最大功率点跟踪控制方法

摘要

本发明提出一种基于神经网络优化起始转速的最大功率点跟踪控制方法。该方法基于现有MPPT控制方法提出采用神经网络根据风速条件动态优化补偿系数以获得最佳起始发电转速，进而进一步提高风能捕获效率。采用的神经网络以平均风速和湍流强度作为输入，以最佳补偿系数作为输出。本发明利用遍历算法得到的大量训练数据对神经网络进行训练，采用完成训练的神经网络根据变化的风速条件计算得到对应的最佳补偿系数，然后将其用于优化起始发电转速，以获得最佳的MPPT跟踪区间，实现对风能捕获效率的进一步提高。本发明的实施例将该方法与几种传统MPPT控制方法对比，验证了该算法的有效性和优越性。

说明书

技术领域

本发明属于风力发电领域，特别是一种基于神经网络优化起始转速的 最大功率点跟踪控制方法。

背景技术

为了提高低于额定风速区间的风能捕获效率，变速恒频风力发电机组一般采 用最大功率点跟踪（Maximum Power Point Tracking，MPPT）控制策略。功率曲 线法（也称为功率信号反馈法或转矩曲线法）是应用最广泛的MPPT控制方法 之一。

传统的MPPT控制，特别是功率曲线法，多基于系统稳态设计，而忽略了 风机系统在不同稳态工作点之间跟踪的动态过程。但是，面对不断提升的单机容 量导致风轮不断增大的转动惯量及其愈发缓慢的动态响应性能，以及风速频繁处 于波动过程中且很难短期预测，传统MPPT控制下的风机系统绝大部分时间处 于动态过程中，而非运行在稳态工作点上。因此，风机实际的风速跟踪效果仍有 待改善。

为此，美国国家可再生能源实验室的L.J.Fingersh和P.W.Carlin首次提出了 利用发电机电磁转矩帮助风机加速或减速的改进思路；在此基础上，Johnson K.E. 等人提出了减小转矩增益（Decreased Torque Gain，DTG）控制。该控制方法不 仅通过减小电磁转矩提高了风机在跟踪渐强阵风时的加速性能，更首次应用了以 放弃部分低风速段的转速跟踪效果换取高风速段的高风能捕获效率的控制思想； 进一步地，考虑到DTG控制采用恒定的增益系数，Johnson K.E.等人又设计出 自适应转矩控制，利用自适应算法和历史运行工况的统计数据，迭代搜索并在线 修正最优增益系数，以响应迭代周期时间尺度上的风速条件变化。但是，该思路 面临的关键难题是转矩调整的最优状态与风速条件密切相关，但却很难找到它们 之间直接的量化关系。鉴于此，殷明慧等人提出基于收缩跟踪区间的改进最大功 率点跟踪控制，通过缩短跟踪路程达到改善MPPT跟踪效果的目的。

上述研究工作可以归纳为两条研究思路，即通过调整电磁制动转矩和缩短跟 踪路程两个方面来改善风机的动态性能和跟踪效果，突破了传统功率曲线法忽略 跟踪动态的局限性。然而，基于收缩跟踪区间的改进最大功率点跟踪控制并未给 出最优的跟踪区间（即最佳补偿系数），由于跟踪区间的设置将显著影响MPPT 的跟踪效果，因而对于跟踪区间的优化显得十分重要。但是现有技术中尚无相关 描述。

发明内容

本发明所解决的技术问题在于提供一种基于神经网络优化起始转速的 最大功率点跟踪控制方法，通过优化起始发电转速获得最优的转速跟 踪区间以进一步提高风能捕获效率。

实现本发明目的的技术解决方案为：一种基于神经网络优化起始转速的最大 功率点跟踪控制方法，以基于起始转速调整的改进功率曲线法为基础，采用神经 网络调整起始发电转速来实现最大功率点跟踪控制，所述基于起始转速调整的改 进功率曲线法所用公式为：

$M\stackrel{·}{\omega }=T_m(v,\omega )-T_e\left(\omega \right)$

$T_m(v,\omega )=\frac{0.5\mathrm{\rho \pi }{R}^5{C}_p\left(\lambda \right)}{{\lambda }^3}{\omega }^2$

$T_e\left(\omega \right)=\left(\begin{array}{cc}0& \omega <{\omega }_{\mathrm{bgn}}\\ T_{\mathrm{opt}}& \omega >{\omega }_{\mathrm{bgn}}\end{array}\right)$

${\omega }_{\mathrm{bgn}}={\lambda }_{\mathrm{opt}}({\bar{v}}_T-\alpha )/R$

上式中，M为转动惯量，T_m为风轮的机械驱动转矩，T_e为电磁制动转矩， v为风速，ω为风轮的角速度，为风轮角加速度，ρ为空气密度，R为风轮半 径，C_P为风能利用系数，λ＝ωR/v是叶尖速比，ω_bgn为起始发电转速即起始转 速，λ_opt为最佳叶尖速比，为一个周期内的风速采样值序列的平均值，α为补 偿系数，用于周期性地调整起始转速，T_opt为风机的最优转矩曲线，具体为：

T_opt(ω)＝K_mω²

$K_m=\frac{0.5\mathrm{\rho \pi }{R}^5{C}_p^{\max }}{{\lambda }_{\mathrm{opt}}^3}$

上式中为最大风能利用系数；

其中起始发电转速ω_bgn采用神经网络进行调整的步骤如下：

步骤1、进行初始化，即对风速采样频率和起始转速更新周期T_r进行设置， 其中风速采样频率为1～4Hz；清空T_r所对应的风速采样值序列，将ω_bgn初始化 为风机最大功率点跟踪控制阶段的最小转速；起始转速更新周期T_r优选为20分 钟。

步骤2、训练神经网络，即利用遍历算法获得多种平均风速和湍流强度 TI下对应的最佳补偿系数α_opt，将其作为神经网络的训练样本；训练时，以风速 的平均值和湍流强度TI为神经网络的输入变量，以最佳补偿系数为输出变量；

步骤3、进入新的起始转速更新周期T_r，以风速采样周期T_w在该周期T_r中对 风速值进行采样即读取风速测量值，并保存至风速采样值序列；

步骤4、判定当前起始转速更新周期T_r是否完成，若完成，则执行步骤5； 否则，继续以风速采样周期T_w在该周期T_r中对风速值进行采样并保存至风速采 样值序列；

步骤5、求取风速采样值序列的平均值和湍流强度TI；

步骤6、以步骤5求取的风速采样值序列的平均值和湍流强度TI为输入， 调用神经网络获得对应的最佳补偿系数α_opt；

步骤7、根据步骤6获得的最佳补偿系数α_opt对起始转速ω_bgn进行调整，具 体为：

将ω_bgn调整为之后以更新后的ω_bgn进入新的更新周 期T_r，电磁制动转矩仍按以下公式调整

$T_e\left(\omega \right)=\left(\begin{array}{cc}0& \omega <{\omega }_{\mathrm{bgn}}\\ T_{\mathrm{opt}}& \omega >{\omega }_{\mathrm{bgn}}\end{array}\right)$

之后清空风速采样值序列，并跳至步骤3。

本发明与现有技术相比，其显著优点为：1）本发明采用神经网络优化MPPT 控制的跟踪区间，进一步提高了风能捕获效率；2）本发明根据具体的风速条件 调整跟踪区间，使其能更好地跟踪风速；3）本发明以近期的平均风速直接预估 最优起始转速，不易受到风速条件变化的影响；4）本发明不需要复杂的迭代搜 索过程，算法非常简单易行；5）本发明需要量测的信息少，计算负担轻。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明的基于神经网络优化起始转速的最大功率点跟踪控制 方法的流程图。

图2为高波动程度的构造风速序列。

图3为本发明的基于神经网络优化起始转速的最大功率点跟踪控制方法与 其他方法的对比图。

具体实施方式

本发明将基于现有MPPT控制方法提出采用神经网络根据风速条件动态优 化补偿系数以获得最佳起始发电转速（即最优跟踪区间），进而进一步提高风能 捕获效率。

结合图1，本发明的一种基于神经网络优化起始转速的最大功率点跟 踪控制方法，以基于起始转速调整的改进功率曲线法为基础，采用神经网络调 整起始发电转速来实现最大功率点跟踪控制，所述基于起始转速调整的改进功率 曲线法所用公式为：

$M\stackrel{·}{\omega }=T_m(v,\omega )-T_e\left(\omega \right)$

$T_m(v,\omega )=\frac{0.5\mathrm{\rho \pi }{R}^5{C}_p\left(\lambda \right)}{{\lambda }^3}{\omega }^2$

$T_e\left(\omega \right)=\left(\begin{array}{cc}0& \omega <{\omega }_{\mathrm{bgn}}\\ T_{\mathrm{opt}}& \omega >{\omega }_{\mathrm{bgn}}\end{array}\right)$

${\omega }_{\mathrm{bgn}}={\lambda }_{\mathrm{opt}}({\bar{v}}_T-\alpha )/R$

上式中，M为转动惯量，T_m为风轮的机械驱动转矩，T_e为电磁制动转矩， v为风速，ω为风轮的角速度，为风轮角加速度，ρ为空气密度，R为风轮半 径，C_P为风能利用系数，λ＝ωR/v是叶尖速比，ω_bgn为起始发电转速即起始转 速，λ_opt为最佳叶尖速比，为一个周期内的风速采样值序列的平均值，α为补 偿系数，用于周期性地调整起始转速，T_opt为风机的最优转矩曲线，具体为：

T_opt(ω)＝K_mω²

$K_m=\frac{0.5\mathrm{\rho \pi }{R}^5{C}_p^{\max }}{{\lambda }_{\mathrm{opt}}^3}$

上式中为最大风能利用系数；

其中起始发电转速ω_bgn采用神经网络进行调整的步骤如下：

步骤1、进行初始化，即对风速采样频率和起始转速更新周期T_r进行设置， 其中风速采样频率为1～4Hz；清空T_r所对应的风速采样值序列，将ω_bgn初始化 为风机最大功率点跟踪控制阶段的最小转速；起始转速更新周期T_r优选为20分 钟。

步骤2、训练神经网络，即利用遍历算法获得多种平均风速和湍流强度 TI下对应的最佳补偿系数α_opt，将其作为神经网络的训练样本；训练时，以风速 的平均值和湍流强度TI为神经网络的输入变量，以最佳补偿系数为输出变量；

步骤3、进入新的起始转速更新周期T_r，以风速采样周期T_w在该周期T_r中对 风速值进行采样即读取风速测量值，并保存至风速采样值序列；

步骤4、判定当前起始转速更新周期T_r是否完成，若完成，则执行步骤5； 否则，继续以风速采样周期T_w在该周期T_r中对风速值进行采样并保存至风速采 样值序列；

步骤5、求取风速采样值序列的平均值和湍流强度TI；

步骤6、以步骤5求取的风速采样值序列的平均值和湍流强度TI为输入， 调用神经网络获得对应的最佳补偿系数α_opt；

步骤7、根据步骤6获得的最佳补偿系数α_opt对起始转速ω_bgn进行调整，具 体为：

将ω_bgn调整为之后以更新后的ω_bgn进入新的更新周 期T_r，电磁制动转矩仍按以下公式调整

$T_e\left(\omega \right)=\left(\begin{array}{cc}0& \omega <{\omega }_{\mathrm{bgn}}\\ T_{\mathrm{opt}}& \omega >{\omega }_{\mathrm{bgn}}\end{array}\right)$

之后清空风速采样值序列，并跳至步骤3。

下面结合实施例对本发明做进一步详细的描述：

通过对模拟风速序列的仿真计算和统计分析，对本发明提出的基于神经网络 优化起始转速的最大功率点跟踪控制方法和传统功率曲线法、自适应转矩控制以 及基于收缩跟踪区间的改进MPPT控制（the improved MPPT control based on  reduction of tracking range，简称为RTR-MPPT控制）进行比较，以验证本发明 的有效性和优越性。

1、实施例的仿真模型

1）简化风机模型的参数

风机模型的主要参数设置为：风机容量1.0MW，风轮直径52.67m，转动惯 量1.1204×10⁶Kgm²。风机的最大C_P值为0.4109，最佳叶尖速比λ_opt为8.0。

2）风速序列的构造

结合图2说明模拟风速序列的构造方法。根据自回归滑动平均（ARMA）方 法，构造80个持续时间为20分钟的风速时段。并按风速平均值对上述风速时段 进行排列组合，构造出平均风速的上升斜坡或上升/下降交替斜坡（如图2所示）， 以构造高波动程度的风速条件。每个风速时段的湍流强度设为IEC-614000-1标 准中定义的A类（高）湍流级别。

3）神经网络的设置

本实施例采用基于径向基函数（radical basis function，RBF）的神经网络， 其误差性能指标设为0.1。误差性能指标决定了神经网络对训练数据的拟合程度， 将最终决定神经网络对最佳补偿系数的逼近精度。

4）基于神经网络优化起始转速的最大功率点跟踪控制方法的仿真实现

依据发明内容中所述步骤采用神经网络周期性地优化ω_bgn可实现基于神经 网络优化起始转速的最大功率点跟踪控制方法，具体如下：

以基于起始转速调整的改进功率曲线法为基础并采用神经网络调整起始发 电转速来实现最大功率点跟踪控制，采用神经网络周期性地优化ω_bgn的步骤如 下：

步骤1、进行初始化，即对风速采样频率和起始转速更新周期T_r进行设置， 其中风速采样频率为4Hz；T_r为20分钟，清空T_r所对应的风速采样值序列，将ω_bgn初始化为风机最大功率点跟踪控制阶段的最小转速；

步骤2、训练神经网络，即利用遍历算法获得多种平均风速和湍流强度 TI下对应的最佳补偿系数α_opt，将其作为神经网络的训练样本；训练时，以风速 的平均值和湍流强度TI为神经网络的输入变量，以最佳补偿系数为输出变量。

步骤3、进入新的起始转速更新周期T_r，以风速采样周期T_w在该周期T_r中对 风速值进行采样即读取风速测量值，并保存至风速采样值序列；所述风速采样周 期T_w为0.25s；

步骤4、判定当前起始转速更新周期T_r是否完成，若完成，则执行步骤5； 否则，继续以风速采样周期T_w在该周期T_r中对风速值进行采样并保存至风速采 样值序列；

步骤5、求取风速采样值序列的平均值和湍流强度TI；

步骤6、以步骤5求取的和TI为输入调用神经网络获得对应的最佳补偿 系数α_opt；

步骤7、按对起始转速ω_bgn进行调整，之后以更新后 的ω_bgn进入新更新周期T_r。清空风速采样值序列，并跳至步骤3。

2、风能捕获效率的对比分析

本发明依据上述风速构造方法构造了75组仿真实验算例。针对每组算例， 分别应用传统功率曲线法、自适应转矩控制、RTR-MPPT控制和本发明的基于神 经网络优化起始转速的最大功率点跟踪控制方法，并通过统计分析风速时段的平 均风能利用率P_favg来比较上述方法。P_favg定义如下：

$P_{\mathrm{favg}}=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{P}_{\mathrm{cap}}\left(i\right)}{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{P}_{\mathrm{wy}}\left(i\right)},$

P_wy＝0.5ρπR²v³cos³ψ

其中，n为一个统计时段（即迭代周期）内的采样次数；ψ为偏航误差角，本文 忽略为0度。

结合图3对比上述4种方法的风能捕获效率。将上述4种方法应用于上述构 造的包含80个风速时段的风速序列，可分别计算出对应于每种方法及该风速序 列的P_favg的平均值，记为具体为：

${\bar{P}}_{\mathrm{favg}}=\underset{i=1}{\overset{80}{\Sigma }}{P}_{\mathrm{favg}}^i/80$

进一步地，计算出75组仿真算例获得的的平均值，记为如图3所示。 由图3可见，本发明提出的基于神经网络优化起始转速的最大功率点跟踪控制方 法的（第4个柱状图）比传统功率曲线法提高了2.03%，比自适应转矩控制 提高了0.84%，比RTR-MPPT控制提高了0.14%。验证了本发明基于神经网络 优化起始转速的最大功率点跟踪控制方法的优越性。