一种基于人工智能的风能控制方法

专利名称：一种基于人工智能的风能控制方法
技术领域：
本发明涉及风力发电控制方法，特别是将人工智能、优化计算、数理统计和 频谱分析的理论与方法，应用于风力发电领域变速变浆距风力发电机组，使其以 最大风能捕获为目标的风能控制方法。
背景技术：
一个性能优良的风力发电系统首先要保证风能最大限度地转化为电能。目前 获得最大功率的控制方法有叶尖速比(TSR)控制、功率信号反馈(PSF)控制和爬山 搜索(HCS)控制三种
1、 叶尖速比控制是通过调节风轮桨矩来影响风轮的转速，从而获得一个最优 的叶尖速比的方法。在这个方法中，风速和风轮的速度都要作为已知信息输入。 测量风速会增加成本，并且在实践中建立风轮转速和风速之间的关系也存在困 难。由于最优叶尖速比和风轮的空气动力学特性有关，而且限于风轮的制造水平， 不同风轮之间的特性也会不同，因而在实际应用中最优叶尖速比也不容易获得。
2、 功率信号反馈(PSF)控制方法采用风轮的最大功率曲线作为给定，与系统 输出功率相比较，得到一个功率的误差信号，然后用这个信号控制风力机的转速 和浆距角。该方法避免了风速测量的问题，但在实际应用中存在最大功率曲线很 难获得的问题，以及成本和系统复杂等问题。
3、 爬山搜索(HCS)控制方法的实现途径是尝试小幅度增加风轮转速，如果机 组的转速低于最佳转速，则机组的功率就会随着风轮转速的增加而增加。 一旦功 率出现减少的状况，则说明机组转速高于最佳转速。这表明找到了最大的功率点。 显然，在风轮转动惯量比较小的时候，爬山搜索方法有较好的效果。但当转动惯 量较大时，这种方法会引起机组输出功率的振荡。
另外，风力发电机组在额定风速以上时的恒功率控制采用了以桨距角为控制 变量、以输出功率为反馈的PID调节。该方法以机组的输出功率减去机组的给定 功率得到功率偏差，通过PID调节规律得到桨距角的改变量，在此基础上对风力 机桨距角实施控制。

发明内容
本发明针对变速变浆距风力发电机组，提出一种基于人工智能的风能控制方 法，目的是使风力发电机组在低风速时应用该方法得到风力机的最佳转速，实现 最大风能捕获；在高风速时应用该方法得到使风力发电机组的功率保持恒定的桨 距角。
为了达到上述发明目的，本发明针对变速变桨距控制的风力发电系统，采 用由外环控制器和内环控制器组成的双模控制结构对风力发电机组实施控制，用 基于人工智能的风能控制方法构成外环控制器，在低风速时向内环控制器提供实 现风能的最大捕获的风力机转速"'；在高风速时向内环控制器提供保持额定功率 的桨距角/ *。在此基础上，内环控制器实现对风力机转速和桨距角的闭环调节。 本发明所述基于人工智能的风能控制方法的特征在于针对变速变浆距风力
发电机组，选取风速v的均值^、均方值 和变化频率/;作为特征参数来描述
其统计特性和频率特性；应用人工神经网络的方法在线辨识风速v的特征参数、 风力机转速"、桨距角/ 与风力发电机组输出功率户的非线性关系曲线
= 根据风力发电机组输出功率P与人工神经网络计算功率/^的偏差
值(A/^P-,)，适时启动人工神经网络的训练；在此基础上根据风速的特征
参数变化，实时启动智能搜索在额定风速以下(/^<、)时，搜索使风力发电
机组获得最大风能i^ =Mc {Av,w,^}的最佳转速n、风力发电机组依据《*调节风
力机的转速；在额定风速以上(//v》iv)时，搜索使风力发电机组的输出功率保
持额定值(尸=&)不变的最佳桨距角/T，风力发电机组依据f调节风力机的桨 距角。
应用人工神经网络算法在线辨识风速v的特征参数、风力机转速"、桨距角/
与风力发电机组输出功率的非线性关系曲线P = ;所述人工神经网络
为包括输入层、隐含层和输出层的三层网络结构和BP (Back Propagation)网 络算法(以下简称BP网络)，其中输入层节点包括风速均值^ 、风速均方值 、风速特征频率/"风力机转速"和桨距角"；隐含层节点数在9到15之间；输
出层节点为风力发电机组输出功率P 。
根据风速的特征参数变化与风力发电机组的额定功率，实时启动智能搜索，
在额定风速以下(Av<^)或风力发电机组在额定功率以下(尸<^)时，在人 工神经网络构成的户P(v,",P)曲线上搜索使风力发电机组获得最大风能 / * = Max{P(V,",历}的最佳转速;所述智能搜索采用以转速 为变量的爬山搜索 算法即BP网络中输入当前风速的特征参数A、 、入和桨距角P，并以风力 机当前转速n为初始值，以转速步长A"为增量，增加或减少风轮转速("±A")， 通过BP网络的正向计算，搜索风力发电机组的最大功率点Z及其对应的最佳转 速《*，风力发电机组依据"'调节风力机的转速。
根据风速的特征参数变化，实时启动智能搜索在额定风速以上(/A^W)
时，在BP网络构成的i^P(v,",^)曲线上搜索使风力发电机组的输出功率为额定
值(尸=^)的桨距角"'，所述智能搜索采用以桨距角/ 为变量的爬山搜索算法 即在BP网络中输入当前风速的特征参数^、 CTv、人和转速"，并以风力机当前 桨距角/ 为初始值，以桨距角步长A^为增量，增加或减少风力机桨距角P士A^， 通过BP网络的正向计算，搜索风力发电机组的额定功率点P,及其对应的桨距角 f ，风力发电机组依据/f调节风力机的桨距角。
所述基于BP网络风力机组功率曲线i> =，智能控制根据风力发电机
组输出功率f与BP网络计算功率Z的偏差值(AP = P-_P*)，适时启动BP网络 的训练。BP网络训练的启动条件是当风力发电机组运行于稳定工况即风速v、 风力机转速n、桨距角y9和风力发电机组输出功率稳定时，计算的功率偏差值
Ai^P-f大于允许误差5 (|AP|>(5)，并将该工况条件下的运行参数作为新增
的BP网络训练样本，BP网络的初始训练样本为风力发电机组的理论或试验功率 曲线。
7本发明具有的有益效果是
1) 针对风速v的随机特性，应用数理统计和频谱分析的理论与方法来选取风 速的均值^、均方值 和变化频率人作为风速v的特征参数。因此，特征参数
不仅描述了风速v的统计特性和频率特性，而且在风力发电机组功率控制中具有 抗风速波动的作用，为实现风力发电机组最大功率捕获和恒功率控制提供了基 础。
2) 在风力发电机组最大功率捕获和恒功率控制中，需要精确的风力发电机组 数学模型，由于空气动力学的不确定性、电力电子装置的复杂性、风速变化的随 机性，以及各种扰动的存在，使得风力发电系统的精确模型难以建立。本发明应
用BP网络的方法在线辨识风速v的特征参数、风力机转速《 、桨距角^与风力发
电机组输出功率P的非线性关系曲线i^尸(v,",历，利用人工神经网络的非线性、
变结构和自学习等特点来克服建立风力发电机组非线性、变参数数学模型的困 难。
3)在BP网络构成的/^P(v,",/ )曲线上搜索使风力发电机组获得最大风能
f 二M似^(v,w,/^的最佳转速"'，以及使风力发电机组保持功率恒定的桨距角
f。与其它方法相比，既避免了由于搜索而引起的风力发电机组机械负载力矩和
输出功率振荡，又提高了搜索效率。


图1为采用本发明实现变速变浆距风力发电机组风能控制的系统图； 图中、一风速测量值；P—风力发电机组输出功率；P—风力机桨距角；" 一风力机转速；r一风力发电机组输出功率计算值；^一在额定风速以下时，风 力机获取最大风能的最佳机械转速；f一在额定风速以上时，使风力机保持恒功
率的桨距角；^一启动BP网络训练；c"一启动智能搜索；^一风速均值； 一
风速均方值；人一风速的特征频率，风速，1—风速特征参数计算模块，2
—人工神经网络(BP网络)模±央，3—智能控制模块，4—智能搜索模块。 附图2为采用本发明的人工神经网络(BP网络)结构图。图中5—输入层，6—隐含层，7—输出层。
具体实施例方式
用基于人工智能的风能控制方法构成的外环控制器主要由风速特征参数计 算模块l、人工神经网络(BP网络)模块2、智能控制模块3和智能搜索模块4 组成，其中
1、风速特征参数计算模块将风速的均值^、均方值^和特征频率人作为风
速v的特征参数，并采用数理统计和频谱分析的理论与方法计算
1) 对风速v在时间窗r (30s《7^60s)内进行iV点采样，得到风速v的离散
序列力"=0,1,2，八,W —1);
2) 计算风速均值/^备Y力；
3) 计算风速均方值 -丄S1 -//J2 ;
W ,=0
4) 计算风速特征频率人，其计算方法为
S(/v)= Max SV(A:);
a=0,1,2,a
式中&(" = 5、^力2;^" (fc = 0,l,2，A,W-1)为风速v的频谱。 ,=0
2、 BP网络模块根据智能控制模块的命令，应用人工神经网络算法在线辨识
风速v的特征参数、风力机转速"、桨距角y0与风力发电机组输出功率P的非线
性关系曲线尸=户0;, ,/ )。 BP网络为包括输入层5、隐含层6和输出层7的三层
结构。其中输入层节点包括风速均值^、风速均方值 、风速特征频率y;、
风力机转速n和桨距角P;隐含层节点数不小于9，多在9到15之间；输出层节
点为风力发电机组输出功率P。
3、智能控制模块根据风速和风力发电机组工况的变化，对智能搜索模块和 人工神经网络模块下达控制命令
1) 在额定风速以下(/^<^)或风力发电机组在额定功率以下(P<A)时，
命令智能搜索模块启动最大风能捕获搜索；
2) 在额定风速以上(a^v,)时，命令智能搜索模块启动恒定功率搜索；
93)智能控制根据风力发电机组输出功率P与BP网络计算功率,的偏差值 y)，适时启动BP网络的训练。BP网络训练的启动条件是当风力发 电机组运行于稳定工况(即风速v、风力机转速n、桨距角P和风力发电机组输 出功率稳定)时，计算的功率偏差值AP-P-^大于允许误差5 (|AP|>t5)，并
将该工况条件下的运行参数作为新增的人工神经网络训练样本。
4、智能搜索模块根据智能控制模块发出的最大风能捕获搜索命令和恒定功 率搜索命令，分别执行如下搜索
1) 最大风能捕获搜索采用以转速"为变量的爬山搜索算法在BP网络中输
入当前风速的特征参数^、 、A和桨距角P，并以风力机当前转速n为初始 值，以转速步长A"为增量，增加(或减少)风轮转速(w±A")，通过BP网络的 正向计算，搜索风力发电机组的最大功率点/^及其对应的最佳转速 *;
2) 恒定功率搜索采用以桨距角P为变量的爬山搜索算法在BP网络中输入
当前风速的特征参数^、 、人和转速"，并以风力机当前桨距角y5为初始值， 以桨距角步长A^为增量，增加(或减少)风力机桨距角/ 土AP，通过BP网络的 正向计算，搜索风力发电机组的额定功率点Pf及其对应的桨距角f。
结合图2对BP网络算法进行描述节点/的输出为&。当输入第A个样本时， 第/层的第y个节点的输入为
^一1表示/ -1层的第/个单元节点的输出，该神经元的输出
BP网络算法的计算步骤为
1) 初始化BP网络，选定权值；
2) 正向过程计算每层单元的。y，尸,
10的各个单元，计算5"
4) 修正权值
战
权值调整 A^= 7
修正权值 ^.=ct- 7

权利要求
1、一种基于人工智能的风能控制方法，其特征在于针对变速变浆距风力发电机组，选取风速v的均值μv、均方值σv和频率fv作为特征参数来描述其统计特性和频率特性；应用人工神经网络的方法在线辨识风速v的特征参数、风力机转速n、桨距角β与风力发电机组输出功率P的非线性关系曲线P＝P(v，n，β)，根据风力发电机组输出功率P与人工神经网络计算功率P*的偏差值(ΔP＝P-P*)，适时启动人工神经网络的训练；在此基础上，根据风速的特征参数变化，实时启动智能搜索在额定风速以下(μv＜vr)时，搜索使风力发电机组获得最大风能P*＝Max{P(v，n，β)}的最佳转速n*，风力发电机组依据n*调节风力机的转速；在额定风速以上(μv≥vr)时，搜索使风力发电机组的输出功率保持额定值(P＝Pr)不变的最佳桨距角β*，风力发电机组依据β*调节风力机的桨距角。
2、 根据权利要求1所述的基于人工智能的风能控制方法，其特征在于采用数理统计和频谱分析的理论与方法计算风速v的特征参数，方法为1) 对风速v在时间窗r (30s《r《60s)内进行W点采样，得到风速v的离散序列v々=0,1—,2,A ,W-1);2) 计算风速均值^ =丄^、；3) 计算风速均方值 -丄Wf10「a)2 ;4) 计算风速特征频率/;，其计算方法为S(/v)= Max SV(A:);式中^(;t)^^^vT)27rt"W U = 0,1,2,A ,W-1)为风速v的频谱。
3、 根据权利要求1所述的基于人工智能的风能控制方法，其特征在于应用人工神经网络算法在线辨识风速v的特征参数、风力机转速"、桨距角y9与风力发电机组输出功率？的非线性关系曲线/> = /^，《，^;所述人工神经网络为包括输入层、隐含层和输出层的三层网络结构和bp网络算法，其中输入层节点包括风速均值^、风速均方值 、风速特征频率/;、风力机转速"和桨距角/ ;隐含层节点数不小于9;输出层节点为风力发电机组输出功率p。
4、 根据权利要求1所述的基于人工智能的风能控制方法，其特征在于根据风速的特征参数变化与风力发电机组的额定功率，实时启动智能搜索，在额定风速以下(Av<、)或风力发电机组在额定功率以下(尸<^)时，在人工神经网络构成的户=尸0^,^)曲线上搜索使风力发电机组获得最大风能= MaxVO;,",^}的最佳转速"'；所述智能搜索采用以转速 为变量的爬山搜索算法bp网络中输入当前风速的特征参数^、 、/;和桨距角p，并以风力机当前转速w为初始值，以转速步长A"为增量，增加或减少风轮转速(w土A")，通过bp网络的正向计算，搜索风力发电机组的最大功率点/>*及其对应的最佳转速"、风力发电机组依据"*调节风力机的转速。
5、 根据权利要求1所述的基于人工智能的风能控制方法针，其特征在于根据风速的特征参数变化，实时启动智能搜索在额定风速以上(//v2、)时，在bp网络构成的/> = 7^,",^曲线上搜索使风力发电机组的输出功率为额定值(尸=6)的桨距角f，所述智能搜索采用以桨距角y5为变量的爬山搜索算法即在bp网络网络中输入当前风速的特征参数a、 、人和转速"，并以风力机当前桨距角y9为初始值，以桨距角步长A-为增量，增加或减少风力机桨距角/ ±a/ ，通过bp网络的正向计算，搜索风力发电机组的额定功率点尸,及其对应的桨距角f ，风力发电机组依据/T调节风力机的桨距角。
6、 根据权利要求1或3所述的基于人工智能的风能控制方法其特征在于，所述基于BP网络风力机组功率曲线P = ，智能控制根据风力发电机组输出功率P与BP网络计算功率i^的偏差值(AP = JP-,)，适时启动BP网络的训练，BP网络训练的启动条件是当风力发电机组运行于稳定工况即风速v、风力机转速"、桨距角/ 和风力发电机组输出功率稳定时，计算的功率偏差值AP = i>-f大于允许误差S (|AP|>5)，并将该工况条件下的运行参数作为新增的BP网络训练样本，BP网络的初始训练样本为风力发电机组的理论或试验功率曲线。
全文摘要
一种基于人工智能的风能控制方法，计算风速v的特征参数均值μ_v、均方值σ_v和频率f_v；应用人工神经网络的方法在线辨识风速v的特征参数、风力机转速n、桨距角β与风力发电机组输出功率P的非线性关系曲线P＝P(v，n，β)，智能控制根据风力发电机组输出功率P与人工神经网络计算功率P^*的偏差值(ΔP＝P-P^*)，适时启动人工神经网络的训练；在此基础上，智能控制根据风速的特征参数变化，实时启动智能搜索在额定风速以下(μ_v＜v_r)时，搜索使风力发电机组获得最大风能P^*＝Max{P(v，n，β)}的最佳转速n^*，风力发电机组依据n^*调节风力机的转速；在额定风速以上(μ_v≥v_r)时，搜索使风力发电机组的功率保持额定值(P＝P_r)不变的最佳桨距角β^*，风力发电机组依据β^*调节风力机的桨距角。所述方法可实现风力发电机组最大功率捕获和最佳恒功率控制。
文档编号F03D7/00GK101603502SQ20081004798
公开日2009年12月16日 申请日期2008年6月11日 优先权日2008年6月11日
发明者黎 常, 峰 杨, 明 赵 申请人:武汉事达电气股份有限公司