基于风速测量与估计的风电系统MPPT控制装置的制作方法

本实用新型涉及风力发电技术领域，更为具体地，涉及一种基于风速测量与估计的风电系统MPPT控制装置。

背景技术：

风力发电因其蕴藏量大、清洁可再生等特性，已成为当前新能源发电的主要方向之一。与双馈型风机相比，永磁直驱型风机具有无需变速箱、能耗少、维护成本低、更能适应低风速等优点。风力发电系统的输出功率与外界环境以及负载有关，在一定的外界环境下，存在唯一的最大功率点。为了提高风电系统的发电效率，需要为风电系统配备最大功率跟踪(Maximum Power Point Tracking，简称MPPT)控制装置，并实施有效的MPPT控制方法。风力发电系统的最大功率跟踪方法有很多，比如叶尖速比法，爬山搜索法，功率反馈法等。

叶尖速比法：在已知有效风速的条件下，通过调节风机转速，使叶尖速比保持最佳值，即可以实现最大功率跟踪。此方法的优点为思路简单，难点在于有效风速的获取。有效风速为整个风轮面积上的风速有效值，而风速传感器只能对某一点的风速进行测量，且装设较为困难，因此，有效风速的准确测量十分不易，从而导致该方法的实用性受限。

针对有效风速难以准确测量的问题，业界提出了基于风速估计的研究思路：首先测量风机转速与功率信息，再依据风力机的功率特性建立风速方程，进而求解出风速。该类方法的缺陷在于：一是风速方程为非线性方程，直接对其求解较为困难，不易于硬件实现；二是忽略了空气密度对风力机的功率特性影响，由于在不同的气温、气压条件下，空气密度不同，造成求解出的风速与真实有效风速的误差较大，从而影响了最大功率跟踪的准确性。

爬山搜索法：对风机转速或者占空比的控制指令值以一定的步长进行扰动，然后观察风机的功率变化。如果功率增加，那么风机转速或者占空比控制指令的扰动方向不变；如果功率减小，则将风机转速或者占空比控制指令的扰动反向。爬山搜索法的优点在于不需要进行风速测量，难点在于扰动周期以及扰动步长的选择。另外，当风机容量较大时，由于系统存在惯性，扰动并不能得到及时的功率响应，致使爬山搜索法的实际控制效果并不理想。

功率反馈法：此方法是通过转速传感器测量出风机的转速，利用发电机电磁转矩直接控制发电机的有功功率来跟踪已知的最佳转速-功率特性曲线，从而实现系统的最大功率跟踪控制。该方法的难度在于获取风机的最佳转速-功率曲线，需要大量的实验和分析，过程颇为繁杂。

综上所述，现有的风电系统的最大功率跟踪控制方法均存在一定的缺陷，限制了风电系统的最大功率捕获，因此有必要加以改进。

技术实现要素：

鉴于上述背景技术所存在的问题，本实用新型提供一种基于风速测量与估计的风电系统MPPT控制装置。

本实用新型提供的基于风速测量与估计的风电系统MPPT控制装置，风电系统包括永磁直驱风力发电机、整流器、第一电容、第二电容和负载，MPPT控制装置包括MPPT控制器、风速传感器、温度传感器、气压传感器、转速传感器、电压传感器、电流传感器、DC-DC变换器和驱动模块，其中，负载的一端与第二电容的正极连接，另一端接地，而第二电容的负极接地；整流器的三相输入端与永磁直驱风力发电机的三相输出端连接，整流器的单相输出正端与第一电容的正极连接，整流器的单相输出负端与第一电容的负极连接；电压传感器的待测电压输入正端与第一电容的正极连接，电压传感器的待测电压输出入负端与第一电容的负极连接；电压传感器的测量信号输出端与MPPT控制器连接；电流传感器的待测电流输入端与第一电容的正极连接，电流传感器的待测电流输出端与DC-DC变换器的输入正端连接；电流传感器的测量信号输出端与MPPT控制器连接；DC-DC变换器的输入负端与第一电容的负极连接，DC-DC变换器的输出正端与第二电容的正极连接，DC-DC变换器的输出负端接地，DC-DC变换器的脉宽调制信号输入端与驱动模块的一端连接；驱动模块的另一端与MPPT控制器连接；转速传感器的两个输入端与永磁直驱风力发电机的三相输出端中的其中两端连接，转速传感器的测量信号输出端与MPPT控制器连接；风速传感器的测量信号输出端与MPPT控制器连接；温度传感器的测量信号输出端与MPPT控制器连接；气压传感器测量信号输出端与MPPT控制器连接。

本实用新型能够取得以下技术效果：

1、对风速估计信号与风速测量信号进行融合作为最终的风速信号，提高其可靠性；

2、当外界环境发生变化时，借助于最佳叶尖速比法可以直接将工作转速调节至最佳风机转速的附近，避免了传统爬山搜索法逐步试探的过程，具有跟踪速度快的优点，从而提高了风机的发电效率。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本实用新型的更全面理解，本实用新型的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本实用新型实施例的所采用的硬件结构图；

图2为根据本实用新型实施例的径向基神经网络风速估计模型的结构示意图；

图3为根据本实用新型实施例的遗传算法优化径向基神经网络的流程图；

图4为风速为7m/s时传统占空比爬山搜索法的跟踪过程示意图；

图5为风速为7m/s时所提控制方法的跟踪过程示意图；

图6为变风速工况下所提控制方法的跟踪过程示意图。

在所有附图中相同的标号指示相似或相应的特征或功能。

其中的附图标记包括：永磁直驱风力发电机1、整流器2、第一电容3、第二电容4、负载5、MPPT控制器6、风速传感器7、温度传感器8、气压传感器9、转速传感器10、电压传感器11、电流传感器12、DC-DC变换器13、驱动模块14。

附图中和文本中各符号的意义为：V_m为风速信号，ω_r为永磁直驱风力发电机的转速(以下简称风机转速)，P_m为永磁直驱风力发电机的机械功率(简称为风机机械功率)，R为风轮半径，ρ为空气密度，C_p为风能利用系数，λ为叶尖速比，V_z为直流电压，I_z为直流电流，V_m1为径向基神经网络风速估计值，ω_ref为风机转速预测值；c_i为径向基神经网络隐含层第i个神经元基函数的数据中心，δ_i为径向基神经网络隐含层第i个神经元基函数的扩展常数，w_i为径向基神经网络隐含层第i个神经元到输出层的权值，φ_i(x)为隐含层基函数。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

以下将结合附图对本实用新型的具体实施例进行详细描述。

如图1所示，本实用新型实施例提供一种基于风速测量与估计的风电系统MPPT控制装置，其中，风电系统包括：永磁直驱风力发电机1、整流器2、第一电容3、第二电容4和负载5；MPPT控制装置包括：MPPT控制器6、风速传感器7、温度传感器8、气压传感器9、转速传感器10、电压传感器11、电流传感器12、DC-DC变换器13和驱动模块14。

负载5的一端与第二电容4的正极连接，负载5的另一端接地；整流器2的三相输入端与永磁直驱风力发电机1的三相输出端连接，整流器2的单相输出正端与第一电容3的正极连接，整流器2的单相输出负端与第一电容3的负极连接；电压传感器11的待测电压输入正端与第一电容3的正极连接，电压传感器11的待测电压输出入负端与第一电容3的负极连接；电压传感器11的测量信号输出端与MPPT控制器6连接；电流传感器12的待测电流输入端与第一电容3的正极连接，电流传感器12的待测电流输出端与DC-DC变换器13的输入正端连接；电流传感器12的测量信号输出端与MPPT控制器6连接；DC-DC变换器13的输入负端与第一电容3的负极连接，DC-DC变换器13的输出正端与第二电容4的正极连接，第二电容4的负极接地，DC-DC变换器13的输出负端接地，DC-DC变换器13的脉宽调制信号输入端与驱动模块14的一端连接；驱动模块14的另一端与MPPT控制器6连接；转速传感器10的两个输入端与永磁直驱风力发电机1的三相输出端中的其中两端连接，转速传感器10的测量信号输出端与MPPT控制器6连接；风速传感器7的测量信号输出端与MPPT控制器6连接；温度传感器8的测量信号输出端与MPPT控制器6连接；气压传感器9的测量信号输出端与MPPT控制器6连接。

在本实施例中，永磁直驱风力发电机1的主要参数为：风轮直径为1.3m，额定电压为12V，额定转速为1400r/min，额定功率为200W，启动风速为1m/s，额定风速为10m/s，安全风速为25m/s；最大功率跟踪装置的主要参数为：MPPT控制器6采用dsPIC33FJ06GS101单片机，DC-DC变换器13采用Boost电路，驱动模块14为MCP14E3型号，电压传感器11为LV28-P型号，电流传感器12为LA25-NP型号，气压传感器9为MS5611-01BA03型号，温度传感器8为DS18b20型号，转速传感器10选用电压过零检测式频率计，第一电容3为C1＝10uF，第二电容4为C2＝100uF，负载5选择16欧电阻。

上述说明了MPPT控制装置的结构，以及与风电系统的连接关系。下面对MPPT控制装置的工作原理进行说明：

步骤1：通过风速传感器7采集地面某一高度Z₀处的风速信号V₀，并按照以下公式计算风机轮毂高度Z_m处的风速信号V_m：

其中，a为风切变指数。

步骤2：分别利用电压传感器11、电流传感器12采集风电系统中整流器2输出的直流电压V_z与直流电流I_z，利用转速传感器10采集风机转速ω_r，计算出此刻的永磁直驱风力发电机1的输出机械功率P_m为：

步骤3：通过温度传感器8采集空气温度T，气压传感器9采集大气压力p，并将风机转速ω_r、机械功率P_m同空气温度T、大气压力p输入遗传-径向基神经网络风速估计模型，遗传-径向基神经网络风速估计模型输出的是风速的估计值V_m1。

步骤4：将风速的估计值V_m1与风速信号V_m按照以下方式进行融合，得出融合后的风速估计信号为：

V_mr＝w*V_m1+(1-w)*V_m

其中，w为融合系数。

步骤5：利用最佳叶尖速比法，计算出有效风速的估计值V_mr所对应的最佳风机转速预测值ω_ref：

其中，λ_opt为最佳叶尖速比，R为叶轮半径。

步骤6：通过比例积分控制方法调节风机转速ω_r，使之达到最佳风机转速预测值ω_ref；然后以ω_ref为初始值，采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率。

步骤7：若占空比爬山搜索法求得的扰动前后的功率差值大于等于设定阈值T_r，说明风速发生了突变，重复步骤1至步骤7；否则，继续采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率。

其中，步骤3中的遗传-径向基神经网络风速估计模型的建立过程如下：

步骤S1：采集风速-转速-气压-温度-功率训练样本，针对不同空气温度T与大气压力p，查阅空气在不同压力和温度下的密度表获取空气密度p，令风速信号V_w与转速信号ω_r分别在一定范围内变化，并按照如下公式获取风机的机械功率输出信号P_m：

其中：R为风轮半径，C_p为风能利用系数，ρ为空气密度，λ为叶尖速比，通过构造大量风速-转速-气压-温度-功率样本，形成训练样本集{(V_w，ω_r，T，p，P_m)}。

训练样本的采集过程为：针对不同空气温度T与大气压力p，令风速信号V_w与转速信号ω_r分别在一定范围内变化，并按照公式(1)至公式(3)获取风机的机械功率输出信号P_m。在本实施例中，针对一台额定功率200W、风轮半径R＝0.65m的永磁直驱风力发电机，令空气温度T以10℃为间隔在-30℃-+40℃内变化，令大气压力p以1kPa为间隔在97kPa-102kPa内变化，共计48种工况条件，通过查阅压力-温度-空气密度表计算相应的空气密度ρ，并令风速V_w信号在4m/s-13m/s内变化，风机转速ω_r在10rad/s-140rad/s内变化，计算相应的风机机械功率P_m。考虑到实际应用时能量一般单向流动，故将输出功率为负值的样本进行剔除，共采集到132000个(T，p，V_w，ω_r，P_m)样本。

步骤S2：建立遗传-径向基神经网络风速估计模型，输入层为4个神经元，隐含层为10个神经元，输出层为1个神经元。其中，输入层的第一个神经元对应输入为转速ω_r，输入层的第二个神经元对应输入为温度T，输入层的第三个神经元对应输入为气压p，输入层的第四个神经元对应输入为风机机械功率P_m，输出层神经元对应输出为风速V_w。隐含层的基函数选择为高斯函数。

步骤S3：基于训练样本集{(V_w，ω_r，T，p，P_m)}，利用遗传算法对径向基神经网络风速估计模型的参数{(c_i，δ_i，w_i)}进行优化，其中，c_i为径向基神经网络隐含层第i个神经元的基函数的数据中心，δ_i为径向基神经网络隐含层第i个神经元的基函数的扩展常数，w_i为径向基神经网络隐含层第i个神经元到输出层的权值。具体步骤为：

步骤a)：设置染色体的种群规模M，遗传终止进化代数T，染色体适应度函数，采用实数编码方式对染色体进行编码，并进行初始化；其中染色体的适应度函数为该染色体对应的径向基神经网络在训练样本集上的输出误差绝对值之和的倒数，即：

其中，表示该染色体对应的径向基神经网络在第k个训练样本上的输出，Y_k表示目标输出值，m表示训练样本的总个数；

步骤b)：计算种群中每个染色体的适应度函数值，并确定适应度函数值最大的个体为最优秀个体；

步骤c)：判断本次遗传代数是否达到遗传终止进化代数T；如果达到，优化过程结束，最优秀个体对应的径向基神经网络模型即为最终模型；如果未达到，则进行选择、自适应交叉和变异运算，产生下代种群，将遗传代数增加1次，并转至步骤b)；

图2示出了根据本实用新型实施例的径向基神经网络风速估计模型结构。径向基神经网络由输入层，隐含层，输出层组成，本实用新型中隐含层神经元的基函数选择为高斯函数：

其中，X表示输入向量，n为隐含层神经元的个数，c_i表示隐含层第i个神经元的基函数的数据中心，δ_i为隐含层第i个神经元的基函数的扩展常数，范数||X-c_i||表示输入向量X与数据中心δ_i的距离。对于输出层具有单个神经元的径向基神经网络，其输出为：

上述公式中，m代表输出隐含层神经元的个数，w_i为径向基神经网络隐含层神经元到输出层的权值。

径向基神经网络的精度主要取决于三个主要参数，数据中心c_i，扩展常数δ_i和权值w_i，为了取得高精度的径向基神经网络预测模型，本实用新型采用遗传算法对其三个参数进行优化。

遗传算法由4个部分组成，分别为：

第一部分

染色体编码：编码方式一般有两类，一类为二进制法，一类为实属编码法，即将数据用一个常数表示，并赋予常数一定的取值范围进行编码；

第二部分

个体适应度评价：是通过构造适应度函数来实现，适应度函数为实际中的目标函数转换而来，表示解的优劣程度，也可以表示个体从父代中遗传到子代的遗传概率。适应度越高的个体遗传概率越高。

第三部分

遗传算子：遗传算法的遗传算子共有3个，分别为选择运算，交叉运算和变异运算。选择运算即计算适应度，然后进行选择，选择形式有局部选择和比例选择等；交叉运算即在两父代染色体中选择同一交叉点，并将该点前后两段互换并形成子代染色体；变异运算即对群体中的某些基因作更改，使算法保持多样性和局部搜索能力。

第四部分

运行参数：遗传算法的运行参数有群体大小M，遗传终止进化代数T，其中种群大小是指初始化种群时的群体规模，终止进化代数是指遗传的最末代数，这些参数对遗传算法的运行结果有着极大的影响。

如图3所示，本实用新型利用遗传算法对径向基神经网络风速预测模型进行优化的具体步骤如下：

步骤a)：设置染色体的种群规模M，遗传终止进化代数T，染色体适应度函数，采用实数编码方式对染色体进行编码，并进行初始化；种群规模大可以增加遗传算法的选择空间，但会使计算速度下降；种群规模越小可以提高计算速度，但却容易使搜寻结果陷入局部极小值中。实施例中，设置种群规模M＝30，遗传终止进化代数T＝1000次，染色体的适应度函数为该染色体对应的径向基神经网络在训练样本集上的输出误差绝对值之和的倒数，即：

其中，表示该染色体对应的径向基神经网络在第k个训练样本上的输出，Y_k表示目标输出值，m表示训练样本的总个数；

实施例中，对径向基神经网络隐含层神经元的数据中心C_i，扩展常数δ_i以及权值w_i三个参数一起进行编码，组成染色体串。为了提高数据中心C_i和扩展常数δ_i在遗传过程中同时发生变化的概率，对C_i，δ_i两个参数进行交叉排列，即一个数据中心与一个扩展常数组成为一组，再将权重w_i放在最后排列。

若输入层神经元个数为M，隐含层神经元个数为P，输出层神经元个数为N，则权值个数为MN，数据中心和宽度为PN+P个，染色体总长度为MN+PN+P。实施例中，M＝4，P＝10，N＝1，则染色体总长度为24，编码方式采用实数编码法，采用随机数生成的方式对各染色体进行初始化；

步骤b)：计算种群中每个染色体的适应度函数值，并确定适应度函数值最大的个体为最优秀个体；

步骤c)：判断本次遗传代数是否达到遗传终止进化代数T；若达到，优化过程结束，最优秀个体对应的径向基神经网络模型即为最终模型；若未达到，则进行选择、交叉和变异运算，产生下代种群，将遗传代数增加1次，并转至步骤b)；

在本实施方式中，选择运算采用比例选择法，交叉运算使用3点算数交叉法，变异运算采用均匀变异法。优化过程结束后，对种群中染色体的适应度函数值大小进行比较，最大值为0.0085，其所对应的染色体所代表的参数即为优化后的径向基神经网络模型参数。

结合具体实施方式对某一时刻的MPPT控制装置的运作方式进行说明：

1、通过风速传感器采集地面某一高度Z₀处的风速信号V₀，并按照以下公式计算风机轮毂高度Z_m处的风速信号V_m：

其中，a为风切变指数；

在本实施方式中，取Z₀＝1m，Z_m＝8m，a＝0.12；通过风速传感器采集地面风速信号V₀＝5.19m/s，计算得风机轮毂高度处的风速信号V_m＝6.66m/s；

2、分别利用电压传感器、电流传感器采集风电系统中整流器输出的直流电压V_z与直流电流I_z，利用转速传感器采集风机转速ω_r，计算出此刻的风机输出机械功率P_m为：

在本实施方式中，通过电压传感器采集的整流器输出的直流电压V_z＝12.6V，直流电流I_z＝8.2A，通过转速传感器采集到的风机转速ω_r＝93.8rad/s，得出此时的风机输出机械功率P_m＝106.4W；

3、通过温度传感器采集空气温度T，气压传感器采集大气压力p，并将风机转速ω_r、机械功率P_m同空气温度T、大气压力p输入遗传-径向基神经网络风速估计模型，风速估计模型输出为风速的估计值V_m1；

在本实施方式中，通过温度传感器采集空气温度T＝20℃，通过气压传感器采集大气压力p＝101kPa，将风机转速ω_r＝93.8rad/s、机械功率P_m＝106.4W同空气温度T＝20℃、大气压力p＝101kPa输入遗传-径向基神经网络风速估计模型，风速估计模型输出为风速的估计值V_m1＝6.84m/s；

4、将风速的估计值V_m1与风速信号V_m按照以下方式进行融合，得出融合后的风速估计信号为：

V_mr＝w*V_m1+(1-w)*V_m；

在本实施方式中，取w＝0.8，得出融合后的风速估计信号V_mr＝6.81m/s；

5、利用最佳叶尖速比法，计算出有效风速的估计值V_mr所对应的最佳风机转速预测值ω_ref：

其中，λ_opt为最佳叶尖速比，R为叶轮半径；

在本实施方式中，取λ_opt＝6.4，R＝0.65m，计算出有效风速的估计值V_mr所对应的最佳风机转速预测值ω_ref＝67.1rad/s；

6、通过比例积分控制方法调节风机的转速，使之达到最佳风机转速预测值ω_ref；然后以ω_ref为初始值，采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率；在实施例中，取扰动步长Δd＝0.01；

7、若占空比爬山搜索法求得的扰动前后的功率差值大于等于设定阈值T_r，说明风速发生了突变，重复步骤1)至步骤7)；否则，继续采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率。实例中，取阈值T_r＝15W。

将上述的MPPT方法写入控制芯片中，输出PWM信号驱动DC-DC变换器，就可以实现最大功率跟踪功能。

为了说明本实用新型的功效，在不同风速工况下对本实用新型所提出的最大功率控制算法进行仿真验证。其中，占空比爬山搜索法的扰动周期为1s，比例积分控制器的控制周期为0.2s。

工况1：考虑风速恒定，设定风速V_w＝7m/s。仿真时间t＝2s时，系统进入稳态，此时风机转速ω_r＝93.8rad/s，风轮机械功率P_m＝96.3W。仿真时间t＝4s时，采用传统占空比爬山搜索法进行最大功率跟踪控制，扰动步长Δd＝0.02，如图4所示。可知，需经过连续11拍的正向扰动后，风机转速ω_r＝67.9rad/s，风轮机械功率P_m＝122.2W，开始进入稳态过程，即系统工作点开始在最大功率点附近波动。

在同样的工况下，仿真时间t＝4s时，采用本实用新型所提控制方法进行最大功率跟踪控制，其中占空比爬山搜索过程的扰动步长Δd＝0.01，如图5所示。可知，首先本实用新型计算出融合后的风速估计信号V_mr＝6.81m/s，由最佳叶尖速比法(λ_opt＝6.4)计算出对应的最佳转速为67.1rad/s。利用PI控制器将风机调到此最佳转速，调整时间仅为1.4s，此时风机转速ω_r＝67.6rad/s，风轮机械功率P_m＝121.5W，然后开始进行占空比爬山搜索过程，由于此时的工作点已经很接近最大功率点，仅仅经过2拍的正向扰动便进入了稳态过程，相对于占空比爬山搜索法而言大大减少了跟踪时间。

工况2：考虑变风速工况。设定风速按照正弦规律变化，即V_w＝[7+sin(0.314t+1.57)]m/s。采用本实用新型所提控制方法的跟踪曲线如图6所示。可知，在变风速工况下，所提控制方法能够不断地对转速进行调节，从而使得系统工作点不断地向最大功率点靠近。在风速V_w＝8m/s时，风轮机械功率P_m＝182.4W；在风速为V_w＝6m/s时，风轮机械功率P_m＝73.1W，对比工况1，在风速V_w＝7m/s条件下达到的最大功率点风轮机械功率P_m＝122.4W，均符合功率与风速的三次方成正比这一关系，说明了本实用新型所提控制方法进行最大功率跟踪的有效性。

如上参照附图以示例的方式描述了根据本实用新型提出的基于风速测量与估计的风电系统MPPT控制装置。但是，本领域技术人员应当理解，对于上述本实用新型所提出的基于风速测量与估计的风电系统MPPT控制装置，还可以在不脱离本实用新型内容的基础上对其中的实现细节做出各种改进。因此，本实用新型的保护范围应当由所附的权利要求书的内容确定。