基于记忆的分散式直驱风电机组控制方法研究

周文庆，周 莉

(安徽理工大学电气与信息工程学院，安徽 淮南 232001)

基于记忆的分散式直驱风电机组控制方法研究

周文庆，周 莉

(安徽理工大学电气与信息工程学院，安徽 淮南 232001)

基于对能源需求的增加，建立大型的、分散式的、高效利用率的风电场已是大势所趋。为此设计了一种基于记忆的分散式直驱风电机组控制方法，将记忆控制与分散式永磁直驱风电机组相结合，相比于其他主流控制方法如变结构控制、智能控制、自适应控制等，有其独特的优势。从仿生学角度设计机组控制器，利用当前响应，联系过去响应，产生新的控制指令，仿真结果表明该控制策略可为机组提供高效的风能利用和可靠的变浆控制。

风力发电；记忆控制；变桨距角；最大功率跟踪

风能是一种取之不尽的清洁能源，我国的风能资源十分丰富，目前我国的风电场建设发展十分迅速，但我国大型风电场一般处于地形复杂的内陆或近岸海上，受地形环境因素的限制，线路布局繁琐，设备成本较大[1]。为此，分散式风电场应运而生，它让每台风电机组都分布在合适的风力区域，使其最大程度利用风能资源，再通过长距离的直流输电线路送至逆变端进行统一处理，从而实现风力机最佳布局[2]。

风轮机组是将风能转化为电能的重要装置，直接影响发电效率和电能质量。风能具有不稳定和随机性特点，风电机组属于复杂非线性动力学系统；因此机组控制技术是风力机安全高效运行的关键[3]；研制运行可靠、效率高、控制性能良好的风电机组控制系统是风力发电应用中的关键。

考虑到我国低风速区域占全部风能资源的一半左右，适合永磁直驱式这种低速运转的风电机组运行。而分散式永磁直驱风电机组需要可靠高效的控制策略作为支撑才能发挥其应有的优势，目前关于风电机组的控制主流控制技术有变结构控制、智能控制、自适应控制等多种控制策略；这些技术各有特点和优势，但也存在固有局限性[4]；为此，从优化技术的角度，考虑仿生学的应用，研究基于记忆控制的方法，让控制器在运行中不断优化自身，提高控制精度和准确性。控制策略主要包括电磁转矩控制和变桨执行电流控制，即在中低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率。

1 风电机组主流控制技术综述

1.1 风电机组主流控制技术

风电机组的现代控制方法主要包括最优控制、滑模变结构控制、非线性自适应控制及智能控制；根据具体方法特征，有针对的应用到变浆、偏航以及变流控制中。

滑模变结构控制本质上是一种不连续的开关型控制，响应快速、对系统参数变化不敏感、设计简单，能很好的应对风力发电系统在实际运行过程中参数无法精确确定的状况。

自适应控制在风电领域的作用为用于辨识风力发电系统的状态，并据此选择合适的控制算法和切换时机。目前已有研究基于Lyapunov函数设计非线性自适应控制器，实现风力发电机全程速度跟踪，保证了闭环系统控制的快速性和稳定性。

智能控制是指模拟人类智能活动及其信息传递过程。风电机组是一个复杂多变量非线性动力学系统，很难用数学模型描述。而智能控制可利用其非线性、变结构、自寻优等功能来克服系统参数时变与非线性等因素；因此各种智能控制方案，如模糊控制、神经网络控制等，近几年被应用于风电机组控制领域。

模糊控制在转速跟踪、功率控制方面有较强鲁棒性。目前可查阅文献采用的多是简单模糊控制器，主要缺点是控制精度不高、存在稳态误差、依赖于知识规则以及自适应能力不高。

人工神经网络具有任意逼近任何非线性模型的非线性映射能力。在风电系统中，神经网络控制可以根据已有风速数据预测风速变化、在线学习、修正风能特性曲线。

1.2 智能控制应用于变桨距控制

风电机组控制系统由“空气动力学系统”、“发电系统”、“变流系统”及其附属结构组成；固定在轮毂上的叶片是现代升力型风力发电机组的核心部件，吸收风能带动叶轮旋转，是风力发电机的动力来源。而变桨距控制的优劣对风能转换效率、功率稳定输出及机组安全维护至关重要，是风机控制系统的重点研究内容。

变桨距控制的实质是功率控制。目前大功率风力机组都是变速变桨距风力发电机组，额定转速以下，主要使用转矩控制；额定转速以上，转矩与变浆综合控制，通过调整叶片桨距角限制功率吸收，保持机组获得最大风能状态，同时保证转速与功率相对平稳。

基于数据的机器学习是现代智能控制中的重要技术。而基于记忆推理的变桨距风机控制算法，无需精确的系统动力学信息，只需通过已有的系统响应和先验知识进行记忆算法运算，优化控制；提高了桨距控制的稳定性、精确性和适应性；符合变桨距控制主要目的——快速而精确的动作。

2 风能动力学模型

2.1 风能转换系数

叶尖速比λ定义如下

(1)

ωt、Rrotor、Vwind分别表示风力机角速度、风力机叶片半径和风速。

给定叶尖速比λ和叶片浆距角β，风能利用系数Cp(λ,β)由经验公式得

(2)

(3)

式中，C1=0.5173，C2=116，C3=0.4，C4=5，C5=21，C6=0.0068，均为常数。

根据式(2)和式(3)，把λ和β作为输入量，Cp(λ,β)作为输出量，仿真变桨距控制下的Cp(λ,β)系数曲线图。将叶尖速比λ设置为斜坡函数信号，节距角β依次为设为0°、12°、15°、20°。仿真图波形如图1所示。

图1 变桨距风力机仿真曲线图

由图可看出，对于不同的节距角，风能利用系数Cp随节距角β的减小而增大；对于给定的节距角，总存在一个最佳叶尖速比使风能利用系数最大。如当节距角β为零时，风能利用系数最大，为Cpmax=0.48，此时有最佳的叶尖速比，为λopt=8.1。所以，为了保证最大功率跟踪和限额调节，需要调节桨距角和机组转速，即进行可靠的变桨距控制和电磁转矩控制。

2.2 变桨距控制模型

机组动力学的数学模型如下

(4)

式中J、α、Tt、Ta、Td、Te、ρ、Aw分别表示机组转动部分总惯量、旋转加速度、净转矩、空气动力转矩、扰动转矩、电磁转矩、空气密度和叶片扫掠面积。

根据变浆动力学特性，其方程可描述为

(5)

3 记忆控制器的原理与建模

通过控制风轮转速获得最佳叶尖速比，得到最大风能利用系数，从而实现低风速下的最大功率跟踪。采用直接风能利用系数的跟踪控制方法，控制效果快速简单高效。

3.1 跟踪误差定义

e=C-C*

(6)

其中C为实际风能利用系数；C*为风能利用系数期望值。式(6)微分形式如下

(7)

把式(5)代入上式并拆分再配对得

(8)

其中

(9)

3.2 基于记忆的仿生学原理

人类基于记忆的学习过程如图2所示。人的行为是由外接刺激(固有响应，NR)和经验响应(ER)共同控制的，即一个由一开始固有响应所刺激的不成熟响应，慢慢到由经验响应主导的成熟响应过程。仿照这种控制方法，利用过去的响应和反馈信息，结合当前不成熟的响应，不断优化控制，提高精度的策略，即是基于记忆的机组控制方法。

图2 人类基于记忆的原理图

人类记忆系统(HMS)和基于记忆的控制系统(MCS)的对比环节(见表1)。

表1 HMS与MCS各环节对比

基于记忆原理构造的数学模型如下

C(t)=(1-σ(t))CNR+σ(t)CER

(10)

上式中，C(t)为当前响应行为，σ(t)为影响因子，取值为σ(t)∈[0,1]，CNR和CER分别为系统的固有响应和经验响应。即固有响应对应的影响因子为1-σ(t)，经验响应对应为σ(t)，它们共同影响系统的当前响应行为，影响比重由影响因子σ(t)所决定。

构造影响因子σ(t)函数时需要考虑如下：

a.σ(t)应为时间和误差变量e的函数；

b. 误差变量的值应当满足如下要求：

(1)e的值较大时，系统误差大，系统不具有精确信息记忆，表现为(1-σ(t))CNR比重大，系统主要由固有响应所主导；

(2)e值较小时，系统误差小，系统获得较为准确的经验信息，表现为σ(t)CNR比重大，系统主要由经验响应所主导；

(3)随着时间的推移，e越来越小，σ(t)应该越来越接近1，系统最终由CNR控制。

综上所述，影响因子可设为如下形式函数：

(11)

上式中c和ε均为大于零的常数，保证函数的收敛及分母不为零。

3.3 基于记忆的一阶控制器设计

式(8)改写如下

(12)

其中L=f3+f4，为非线性项和扰动项。

基于记忆的电磁转矩控制和变浆控制方法数学模型如下

(14)

上述式中,w0=1,w2=-2,w3=1,w4=-1,w5=1。

将上述算法编写成程序算法，写进控制芯片，使记忆算法在运行中获取有效数据，不断更新数据列表，从而优化控制。

由式(13)、(14)可得误差变量另一形式

ek=T(Lk-1-Lk-2)

(15)

当周期T足够小时，对L项求导得

(16)

(17)

(18)

3.4 记忆控制器工作流程

为减小机组空气动力载荷，增强风电转换效率，采取控制策略Vin≤V

式中，λ、ρ、Aw、Cp分别表示叶尖速比、空气密度、叶片扫掠面积以及风能转化为风力机输出转换比例的功率系数。

流程图如图3所示。

图3 记忆控制器工作流程图

4 系统控制流程

目前，寻找叶片的最优工作位置一般是通过软件仿真叶片在不同的风况下，其对应的最优工作位置，然后通过程序将叶片角度限制在这个仿真的角度左右以获得最多的风能。

目前确定最优工作位置的方法具有不可避免的缺点和局限性，一方面，实际风况与仿真情况有差异，另一方面，仿真过程参数也会因不同型号叶片而有所差异，这些最终都会导致仿真得到的最优工作位置与实际值存在差异。

考虑到可在实验室通过软件仿真获得风力机在个风速下获取最大风能时的最佳桨距角，首先由仿真得到的实验数据构成系统的初始运行数据。再由记忆控制器根据有误差的初始数据进行运行，在运行过程中通过自身程序不断“升级”优化自身，提高控制精度。具体表述为：将原始的仿真数据转换为转矩控制和变桨距控制所需要数据，一一对应构成对应表，风力机根据原始仿真数据制作成的对应表在不同的风速下执行不同的变桨距控制；对应表存储在数字信号处理芯片(DSP)的数据存储器内；而基于记忆的电磁转矩控制和变浆控制方法的数学模型算法写在芯片的程序存储器里。当查询后有当前风速对应的数据时，执行相应指令，并将当前的执行过程(经验响应)放进记忆控制器的数学模型中，使控制算法具有“记忆化”，不断优化自身，而后更新对应表；当查询后没有当前风速对应的数据时，以附近风速对应的数据为参考值，使叶片从参考位置开始，在预设的角度范围内执行变浆运动，并记录下变浆过程中功率与变浆角度的关系，保存数据，再从保存的数据中找出最大功率点对应的桨距角，保存这对数据，继而更新对应表。随着系统的运行，对应表则不断更新，数据的更新不占用系统内存，而变桨距控制精度却越来越高，记忆控制开始发挥其优势和作用，系统运行效率也越来越高。流程图如图4所示。

图4 系统变桨距控制流程图

5 数值案例仿真结果与分析

5.1 模型搭建与参数设置

叶片的最优工作位置决定了风电机组吸收风能的效率，最优工作位置即某一风速下(风速近似恒定)，输出功率达到最大时所对应的叶片工作角度。实际机组中，叶片的工作位置一般在-4°～2°，额定风速以下为0°，顺浆位置(刹车位置，此时叶片与风向近似平行，吸收风能最小)一般在86°～92°；具体位置取决于实际情况。

(20)

其中Vin=2m/s,VR=15m/s,Vout=20m/s。

图5 模拟风速信号

5.2 仿真结果分析

对仿真结果进行分析，包括误差分析，电磁转矩和变浆执行电流分析等。

由仿真结果可知，记忆控制器的跟踪误差在一开始比较大，达到10-3，但随着时间增加，误差慢慢减小趋于稳定，为10-5左右，说明随着时间推移，记忆控制器开始发挥自动优化作用，跟踪性能越来越好；

额定风速以下，即大概0到1 175s时，采用电磁转矩控制，如图7所示，电磁转矩曲线与风速曲线变化趋势相吻合，符合控制要求；

由图8可知，额定风速以上，即大概在1 175s到1 340s之间时，风速大于VR=15m/s，变浆执行电流出现，变桨距控制开始作用。

图10为功率输出曲线，在额定风速以下时，输出功率与风速成正比，超过额定风速时，执行变桨距控制，以限值超额风能吸收，保持风电机组额定功率输出。

由仿真结果可知，基于记忆控制器的机组变桨距控制系统，符合设计要求，在不同的风速区间内都能完成最佳响应；一阶记忆控制器发挥了其“学习”的作用，使系统性能在运行中逐渐得到增强，跟踪误差和控制精度都在理想范围内，能满足可靠性指标。

图6 记忆控制器跟踪误差曲线

图7 电磁转矩曲线

图8 变浆执行电流曲线

图9 桨距角变化曲线

图10 功率输出曲线

6 结 语

介绍了一种基于记忆的分散式直驱风电机组控制方法，从仿生学角度设计机组控制器，让控制器具有智能，在运行中利用当前响应，联系过去响应，不断优化控制，产生新的控制命令，提高精度和准确性，性能不断增强却不增加记忆存储空间；将记忆控制与分散式永磁直驱风电机机组相结合，分散式的机组保证了风力机最佳布局，记忆控制则在低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率；控制策略主要包括电磁转矩控制和变桨执行电流控制；整个系统高效、节能、可靠，具有良好的应用前景。

[1] 刘万琨，张志英，李银凤，等．风能与风力发电技术[M]．北京：化学工业出版社，2007：8-200．

[2] 祁和生，胡书举.分布式利用是风能发展的重要方向[J]. 中国科学院院刊.2016,31(2):173-181.

[3] 孟宗，付立元.风电机组传动系统非线性动力学分析[J].机械设计与制造.2013(2)：150-154.

[4] 刘颖明.永磁式直驱风电机组控制技术研究[D]. 沈阳：沈阳工业大学,2011:5-8.

[5] 曹娜，赵海翔，任普春，等．风电场动态分析中风速模型的建立及应用[J]．中国电机工程学报，2007，(36)：68-72．

[6] 李丹，贾琳，许晓菲，等．谢旭风电机组脱网原因及对策分析[J]．电力系统自动化，2011，(22)：41-44．

[7] 赵祥，张新丽，张世福．大型永磁同步发电机在风力发电中的应用[J] ．电气技术，2010，(11)：23-27．

[8] 应有，许国东．基于载荷优化的风电机组变桨控制技术研究 [J] ．机械工程学报，2011，47(16)：106-111．

[9] 肖运启，贺贯举，王昆朋，等．电网约束下变速风电机组的限负荷控制策略[J] ．电网技术，2014， 38(2)：456-462．

[10] 周雁晖，李晓峰．风力发电系统运行控制技术综述[J] ．江西电力，2011，35(1)：9-13.

[11] 陈鸣，杨刚．风力发电技术及其发展趋势[J]．可再生能源，2008，23(4)：272-275．

[12] 路甬祥.清洁、可再生能源利用的回顾与展望[J].科技导报.2014,32(Z2):15-26.[13] 李征，蔡旭，郭浩，等.分散式风电发展关键技术及政策分析[J]. 电器与能效管理技.2014,(9):39-44.

Research on the Control Method of Dispersed Direct Drive Wind Turbine Based on Biological Memory

ZHOU Wen-qing，ZHOU Li

(School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan Anhui 232001, China)

Based on the increase of energy demand, the establishment of large-scale, decentralized, efficient utilization rate of wind farm is the general trend. To design a control method of the decentralized direct drive wind turbines based on memory, memory control and dispersion type direct drive permanent magnet wind turbine combination was designed. Compared with other mainstream control methods such as variable structure control, intelligent control, adaptive control, etc., it has its unique advantages. From the perspective of bionics design unit controller, using the current response, contacting the past response and generating new control instruction, the simulation results show that the control strategy provides efficient use of wind energy and reliable Pitch angle control.

wind power generation; the memory control; variable pitch angle; maximum power tracking

2015-10-10

周文庆(1991-),男，安徽安庆人,在读硕士,研究方向:双馈调速。

TM614

A

1672-1098(2016)06-0022-08