一種基于人工智能的風能控制方法

專利名稱：一種基于人工智能的風能控制方法
技術領域：
本發明涉及風力發電控制方法，特別是將人工智能、優化計算、數理統計和 頻譜分析的理論與方法，應用于風力發電領域變速變漿距風力發電機組，使其以 最大風能捕獲為目標的風能控制方法。
背景技術：
一個性能優良的風力發電系統首先要保證風能最大限度地轉化為電能。目前 獲得最大功率的控制方法有葉尖速比(TSR)控制、功率信號反饋(PSF)控制和爬山 搜索(HCS)控制三種
1、 葉尖速比控制是通過調節風輪槳矩來影響風輪的轉速，從而獲得一個最優 的葉尖速比的方法。在這個方法中，風速和風輪的速度都要作為已知信息輸入。 測量風速會增加成本，并且在實踐中建立風輪轉速和風速之間的關系也存在困 難。由于最優葉尖速比和風輪的空氣動力學特性有關，而且限于風輪的制造水平， 不同風輪之間的特性也會不同，因而在實際應用中最優葉尖速比也不容易獲得。
2、 功率信號反饋(PSF)控制方法采用風輪的最大功率曲線作為給定，與系統 輸出功率相比較，得到一個功率的誤差信號，然后用這個信號控制風力機的轉速 和漿距角。該方法避免了風速測量的問題，但在實際應用中存在最大功率曲線很 難獲得的問題，以及成本和系統復雜等問題。
3、 爬山搜索(HCS)控制方法的實現途徑是嘗試小幅度增加風輪轉速，如果機 組的轉速低于最佳轉速，則機組的功率就會隨著風輪轉速的增加而增加。 一旦功 率出現減少的狀況，則說明機組轉速高于最佳轉速。這表明找到了最大的功率點。 顯然，在風輪轉動慣量比較小的時候，爬山搜索方法有較好的效果。但當轉動慣 量較大時，這種方法會引起機組輸出功率的振蕩。
另外，風力發電機組在額定風速以上時的恒功率控制采用了以槳距角為控制 變量、以輸出功率為反饋的PID調節。該方法以機組的輸出功率減去機組的給定 功率得到功率偏差，通過PID調節規律得到槳距角的改變量，在此基礎上對風力 機槳距角實施控制。

發明內容
本發明針對變速變漿距風力發電機組，提出一種基于人工智能的風能控制方 法，目的是使風力發電機組在低風速時應用該方法得到風力機的最佳轉速，實現 最大風能捕獲；在高風速時應用該方法得到使風力發電機組的功率保持恒定的槳 距角。
為了達到上述發明目的，本發明針對變速變槳距控制的風力發電系統，采 用由外環控制器和內環控制器組成的雙模控制結構對風力發電機組實施控制，用 基于人工智能的風能控制方法構成外環控制器，在低風速時向內環控制器提供實 現風能的最大捕獲的風力機轉速"'；在高風速時向內環控制器提供保持額定功率 的槳距角/ *。在此基礎上，內環控制器實現對風力機轉速和槳距角的閉環調節。 本發明所述基于人工智能的風能控制方法的特征在于針對變速變漿距風力
發電機組，選取風速v的均值^、均方值 和變化頻率/;作為特征參數來描述
其統計特性和頻率特性；應用人工神經網絡的方法在線辨識風速v的特征參數、 風力機轉速"、槳距角/ 與風力發電機組輸出功率戶的非線性關系曲線
= 根據風力發電機組輸出功率P與人工神經網絡計算功率/^的偏差
值(A/^P-,)，適時啟動人工神經網絡的訓練；在此基礎上根據風速的特征
參數變化，實時啟動智能搜索在額定風速以下(/^<、)時，搜索使風力發電
機組獲得最大風能i^ =Mc {Av,w,^}的最佳轉速n、風力發電機組依據《*調節風
力機的轉速；在額定風速以上(//v》iv)時，搜索使風力發電機組的輸出功率保
持額定值(尸=&)不變的最佳槳距角/T，風力發電機組依據f調節風力機的槳 距角。
應用人工神經網絡算法在線辨識風速v的特征參數、風力機轉速"、槳距角/
與風力發電機組輸出功率的非線性關系曲線P = ;所述人工神經網絡
為包括輸入層、隱含層和輸出層的三層網絡結構和BP (Back Propagation)網 絡算法(以下簡稱BP網絡)，其中輸入層節點包括風速均值^ 、風速均方值 、風速特征頻率/"風力機轉速"和槳距角"；隱含層節點數在9到15之間；輸
出層節點為風力發電機組輸出功率P 。
根據風速的特征參數變化與風力發電機組的額定功率，實時啟動智能搜索，
在額定風速以下(Av<^)或風力發電機組在額定功率以下(尸<^)時，在人 工神經網絡構成的戶P(v,",P)曲線上搜索使風力發電機組獲得最大風能 / * = Max{P(V,",歷}的最佳轉速;所述智能搜索采用以轉速 為變量的爬山搜索 算法即BP網絡中輸入當前風速的特征參數A、 、入和槳距角P，并以風力 機當前轉速n為初始值，以轉速步長A"為增量，增加或減少風輪轉速("±A")， 通過BP網絡的正向計算，搜索風力發電機組的最大功率點Z及其對應的最佳轉 速《*，風力發電機組依據"'調節風力機的轉速。
根據風速的特征參數變化，實時啟動智能搜索在額定風速以上(/A^W)
時，在BP網絡構成的i^P(v,",^)曲線上搜索使風力發電機組的輸出功率為額定
值(尸=^)的槳距角"'，所述智能搜索采用以槳距角/ 為變量的爬山搜索算法 即在BP網絡中輸入當前風速的特征參數^、 CTv、人和轉速"，并以風力機當前 槳距角/ 為初始值，以槳距角步長A^為增量，增加或減少風力機槳距角P士A^， 通過BP網絡的正向計算，搜索風力發電機組的額定功率點P,及其對應的槳距角 f ，風力發電機組依據/f調節風力機的槳距角。
所述基于BP網絡風力機組功率曲線i> =，智能控制根據風力發電機
組輸出功率f與BP網絡計算功率Z的偏差值(AP = P-_P*)，適時啟動BP網絡 的訓練。BP網絡訓練的啟動條件是當風力發電機組運行于穩定工況即風速v、 風力機轉速n、槳距角y9和風力發電機組輸出功率穩定時，計算的功率偏差值
Ai^P-f大于允許誤差5 (|AP|>(5)，并將該工況條件下的運行參數作為新增
的BP網絡訓練樣本，BP網絡的初始訓練樣本為風力發電機組的理論或試驗功率 曲線。
7本發明具有的有益效果是
1) 針對風速v的隨機特性，應用數理統計和頻譜分析的理論與方法來選取風 速的均值^、均方值 和變化頻率人作為風速v的特征參數。因此，特征參數
不僅描述了風速v的統計特性和頻率特性，而且在風力發電機組功率控制中具有 抗風速波動的作用，為實現風力發電機組最大功率捕獲和恒功率控制提供了基 礎。
2) 在風力發電機組最大功率捕獲和恒功率控制中，需要精確的風力發電機組 數學模型，由于空氣動力學的不確定性、電力電子裝置的復雜性、風速變化的隨 機性，以及各種擾動的存在，使得風力發電系統的精確模型難以建立。本發明應
用BP網絡的方法在線辨識風速v的特征參數、風力機轉速《 、槳距角^與風力發
電機組輸出功率P的非線性關系曲線i^尸(v,",歷，利用人工神經網絡的非線性、
變結構和自學習等特點來克服建立風力發電機組非線性、變參數數學模型的困 難。
3)在BP網絡構成的/^P(v,",/ )曲線上搜索使風力發電機組獲得最大風能
f 二M似^(v,w,/^的最佳轉速"'，以及使風力發電機組保持功率恒定的槳距角
f。與其它方法相比，既避免了由于搜索而引起的風力發電機組機械負載力矩和
輸出功率振蕩，又提高了搜索效率。


圖1為采用本發明實現變速變漿距風力發電機組風能控制的系統圖； 圖中、一風速測量值；P—風力發電機組輸出功率；P—風力機槳距角；" 一風力機轉速；r一風力發電機組輸出功率計算值；^一在額定風速以下時，風 力機獲取最大風能的最佳機械轉速；f一在額定風速以上時，使風力機保持恒功
率的槳距角；^一啟動BP網絡訓練；c"一啟動智能搜索；^一風速均值； 一
風速均方值；人一風速的特征頻率，風速，1—風速特征參數計算模塊，2
—人工神經網絡(BP網絡)模±央，3—智能控制模塊，4—智能搜索模塊。 附圖2為采用本發明的人工神經網絡(BP網絡)結構圖。圖中5—輸入層，6—隱含層，7—輸出層。
具體實施例方式
用基于人工智能的風能控制方法構成的外環控制器主要由風速特征參數計 算模塊l、人工神經網絡(BP網絡)模塊2、智能控制模塊3和智能搜索模塊4 組成，其中
1、風速特征參數計算模塊將風速的均值^、均方值^和特征頻率人作為風
速v的特征參數，并采用數理統計和頻譜分析的理論與方法計算
1) 對風速v在時間窗r (30s《7^60s)內進行iV點采樣，得到風速v的離散
序列力"=0,1,2，八,W —1);
2) 計算風速均值/^備Y力；
3) 計算風速均方值 -丄S1 -//J2 ;
W ,=0
4) 計算風速特征頻率人，其計算方法為
S(/v)= Max SV(A:);
a=0,1,2,a
式中&(" = 5、^力2;^" (fc = 0,l,2，A,W-1)為風速v的頻譜。 ,=0
2、 BP網絡模塊根據智能控制模塊的命令，應用人工神經網絡算法在線辨識
風速v的特征參數、風力機轉速"、槳距角y0與風力發電機組輸出功率P的非線
性關系曲線尸=戶0;, ,/ )。 BP網絡為包括輸入層5、隱含層6和輸出層7的三層
結構。其中輸入層節點包括風速均值^、風速均方值 、風速特征頻率y;、
風力機轉速n和槳距角P;隱含層節點數不小于9，多在9到15之間；輸出層節
點為風力發電機組輸出功率P。
3、智能控制模塊根據風速和風力發電機組工況的變化，對智能搜索模塊和 人工神經網絡模塊下達控制命令
1) 在額定風速以下(/^<^)或風力發電機組在額定功率以下(P<A)時，
命令智能搜索模塊啟動最大風能捕獲搜索；
2) 在額定風速以上(a^v,)時，命令智能搜索模塊啟動恒定功率搜索；
93)智能控制根據風力發電機組輸出功率P與BP網絡計算功率,的偏差值 y)，適時啟動BP網絡的訓練。BP網絡訓練的啟動條件是當風力發 電機組運行于穩定工況(即風速v、風力機轉速n、槳距角P和風力發電機組輸 出功率穩定)時，計算的功率偏差值AP-P-^大于允許誤差5 (|AP|>t5)，并
將該工況條件下的運行參數作為新增的人工神經網絡訓練樣本。
4、智能搜索模塊根據智能控制模塊發出的最大風能捕獲搜索命令和恒定功 率搜索命令，分別執行如下搜索
1) 最大風能捕獲搜索采用以轉速"為變量的爬山搜索算法在BP網絡中輸
入當前風速的特征參數^、 、A和槳距角P，并以風力機當前轉速n為初始 值，以轉速步長A"為增量，增加(或減少)風輪轉速(w±A")，通過BP網絡的 正向計算，搜索風力發電機組的最大功率點/^及其對應的最佳轉速 *;
2) 恒定功率搜索采用以槳距角P為變量的爬山搜索算法在BP網絡中輸入
當前風速的特征參數^、 、人和轉速"，并以風力機當前槳距角y5為初始值， 以槳距角步長A^為增量，增加(或減少)風力機槳距角/ 土AP，通過BP網絡的 正向計算，搜索風力發電機組的額定功率點Pf及其對應的槳距角f。
結合圖2對BP網絡算法進行描述節點/的輸出為&。當輸入第A個樣本時， 第/層的第y個節點的輸入為
^一1表示/ -1層的第/個單元節點的輸出，該神經元的輸出
BP網絡算法的計算步驟為
1) 初始化BP網絡，選定權值；
2) 正向過程計算每層單元的。y，尸,
10的各個單元，計算5"
4) 修正權值
戰
權值調整 A^= 7
修正權值 ^.=ct- 7

權利要求
1、一種基于人工智能的風能控制方法，其特征在于針對變速變漿距風力發電機組，選取風速v的均值μv、均方值σv和頻率fv作為特征參數來描述其統計特性和頻率特性；應用人工神經網絡的方法在線辨識風速v的特征參數、風力機轉速n、槳距角β與風力發電機組輸出功率P的非線性關系曲線P＝P(v，n，β)，根據風力發電機組輸出功率P與人工神經網絡計算功率P*的偏差值(ΔP＝P-P*)，適時啟動人工神經網絡的訓練；在此基礎上，根據風速的特征參數變化，實時啟動智能搜索在額定風速以下(μv＜vr)時，搜索使風力發電機組獲得最大風能P*＝Max{P(v，n，β)}的最佳轉速n*，風力發電機組依據n*調節風力機的轉速；在額定風速以上(μv≥vr)時，搜索使風力發電機組的輸出功率保持額定值(P＝Pr)不變的最佳槳距角β*，風力發電機組依據β*調節風力機的槳距角。
2、 根據權利要求1所述的基于人工智能的風能控制方法，其特征在于采用數理統計和頻譜分析的理論與方法計算風速v的特征參數，方法為1) 對風速v在時間窗r (30s《r《60s)內進行W點采樣，得到風速v的離散序列v々=0,1—,2,A ,W-1);2) 計算風速均值^ =丄^、；3) 計算風速均方值 -丄Wf10「a)2 ;4) 計算風速特征頻率/;，其計算方法為S(/v)= Max SV(A:);式中^(;t)^^^vT)27rt"W U = 0,1,2,A ,W-1)為風速v的頻譜。
3、 根據權利要求1所述的基于人工智能的風能控制方法，其特征在于應用人工神經網絡算法在線辨識風速v的特征參數、風力機轉速"、槳距角y9與風力發電機組輸出功率？的非線性關系曲線/> = /^，《，^;所述人工神經網絡為包括輸入層、隱含層和輸出層的三層網絡結構和bp網絡算法，其中輸入層節點包括風速均值^、風速均方值 、風速特征頻率/;、風力機轉速"和槳距角/ ;隱含層節點數不小于9;輸出層節點為風力發電機組輸出功率p。
4、 根據權利要求1所述的基于人工智能的風能控制方法，其特征在于根據風速的特征參數變化與風力發電機組的額定功率，實時啟動智能搜索，在額定風速以下(Av<、)或風力發電機組在額定功率以下(尸<^)時，在人工神經網絡構成的戶=尸0^,^)曲線上搜索使風力發電機組獲得最大風能= MaxVO;,",^}的最佳轉速"'；所述智能搜索采用以轉速 為變量的爬山搜索算法bp網絡中輸入當前風速的特征參數^、 、/;和槳距角p，并以風力機當前轉速w為初始值，以轉速步長A"為增量，增加或減少風輪轉速(w土A")，通過bp網絡的正向計算，搜索風力發電機組的最大功率點/>*及其對應的最佳轉速"、風力發電機組依據"*調節風力機的轉速。
5、 根據權利要求1所述的基于人工智能的風能控制方法針，其特征在于根據風速的特征參數變化，實時啟動智能搜索在額定風速以上(//v2、)時，在bp網絡構成的/> = 7^,",^曲線上搜索使風力發電機組的輸出功率為額定值(尸=6)的槳距角f，所述智能搜索采用以槳距角y5為變量的爬山搜索算法即在bp網絡網絡中輸入當前風速的特征參數a、 、人和轉速"，并以風力機當前槳距角y9為初始值，以槳距角步長A-為增量，增加或減少風力機槳距角/ ±a/ ，通過bp網絡的正向計算，搜索風力發電機組的額定功率點尸,及其對應的槳距角f ，風力發電機組依據/T調節風力機的槳距角。
6、 根據權利要求1或3所述的基于人工智能的風能控制方法其特征在于，所述基于BP網絡風力機組功率曲線P = ，智能控制根據風力發電機組輸出功率P與BP網絡計算功率i^的偏差值(AP = JP-,)，適時啟動BP網絡的訓練，BP網絡訓練的啟動條件是當風力發電機組運行于穩定工況即風速v、風力機轉速"、槳距角/ 和風力發電機組輸出功率穩定時，計算的功率偏差值AP = i>-f大于允許誤差S (|AP|>5)，并將該工況條件下的運行參數作為新增的BP網絡訓練樣本，BP網絡的初始訓練樣本為風力發電機組的理論或試驗功率曲線。
全文摘要
一種基于人工智能的風能控制方法，計算風速v的特征參數均值μ_v、均方值σ_v和頻率f_v；應用人工神經網絡的方法在線辨識風速v的特征參數、風力機轉速n、槳距角β與風力發電機組輸出功率P的非線性關系曲線P＝P(v，n，β)，智能控制根據風力發電機組輸出功率P與人工神經網絡計算功率P^*的偏差值(ΔP＝P-P^*)，適時啟動人工神經網絡的訓練；在此基礎上，智能控制根據風速的特征參數變化，實時啟動智能搜索在額定風速以下(μ_v＜v_r)時，搜索使風力發電機組獲得最大風能P^*＝Max{P(v，n，β)}的最佳轉速n^*，風力發電機組依據n^*調節風力機的轉速；在額定風速以上(μ_v≥v_r)時，搜索使風力發電機組的功率保持額定值(P＝P_r)不變的最佳槳距角β^*，風力發電機組依據β^*調節風力機的槳距角。所述方法可實現風力發電機組最大功率捕獲和最佳恒功率控制。
文檔編號F03D7/00GK101603502SQ20081004798
公開日2009年12月16日 申請日期2008年6月11日 優先權日2008年6月11日
發明者黎 常, 峰 楊, 明 趙 申請人:武漢事達電氣股份有限公司