变速变距风力发电机的神经网络 PID 变距控制仿真
陈雷,邢作霞,姚兴佳 (沈阳工业大学风能技术研究所,110023,email:turbine@163.com) [摘要] 文章针对变速变距型风力发电机组的液压驱动式变距执行机构, 提出基于 BP 神经网 络的 PID 变桨距控制方法,分析了 3 种不同工况下的液压油路变化,数学模型和参数变化, 阐述了 BP 神经网络的 PID 控制算法,并根据 7.5kW 变速恒频试验机组液压变距机构设计数 据进行仿真结果比较,分析. [关键词] 变速恒频;风电机组;变距控制;神经网络;PID 功率控制器.系统构成如图 1 所示. 0,引言 主控制器主要完成机组运行逻辑控 风力发电是可再生能源中技术最成熟, 制,如偏航,对风,解绕等,并在桨距调节 最具规模开发条件和商业化发展前景的发 器和功率控制器之间进行协调控制. 电方式之一. 大型风力发电机组的发展向大 桨距调节器主要完成叶片节距调节, 容量,高效率,高可靠性方向发展,变速恒 控制叶片桨距角,在额定风速之下,保持最 频机组符合此发展趋势, 取代常规的失速定 大风能捕获效率,在额定风速之上,限制功 [1] 桨距型机组逐渐占据市场主导地位 . 率输出. 变速恒频机组中,按照变桨距机构的不 功率控制器主要完成变速恒频控制, 同,可分为变速变距型和变速定桨距型,变 保证上网电能质量,与电网同压,同频,同 速变距型机组的控制技术要更为复杂一些. 相输出,在额定风速之下,在最大升力桨距 变桨距机构根据驱动性质可分为电机驱动 角位置,调节发电机,叶轮转速,保持最佳 方式和液压驱动方式两种,在大,中型并网 叶尖速比运行,达到最大风能捕获效率,在 型风电机组中,液压驱动方式体积小,更为 额定风速之上,配合变桨距机构,最大恒功 常用. 率输出. 由于风速的随机性,不确定性,塔影, 小范围内的抑制功率波动,由功率控 风切变,偏航回转等引起的负载扰动,变桨 制器驱动变流器完成, 大范围内的超功率由 距开关桨的往复动作, 液压驱动大质量叶轮 变桨距控制完成.由此可见,变桨距机构动 负载的惯性环节, 使得变桨距控制系统有参 作的准确,实时,快速对机组发电质量密切 数非线性,参数时变性,外界负载干扰大, 相关,尤其在阵风,台风,风暴等恶劣环境 滞后性技术特点, 采用先进的控制理论如自 下,变距控制系统的性能对减轻机组的机 适应,模糊,变结构等可以试图来解决这些 [9][10][11] 械,气动负载更为重要 . [2][3] 问题 ,前人已有许多应用,有文献针对 垂直轴风力发电机组, 采用神经网络辨识电 齿轮箱 [4] 机控制系统参数 ,有文献应用神经网络按 照最大功率捕获机理, 模拟风速和功率之间 [5][16] 的关系 ,有文献应用 BP 神经网络辨识 [6][7][8] 或估计机组功率输出曲线 ,本文首先 介绍变速变距机组的控制系统构成和液压 变距机构动作过程, 数学模型, 然后针对 PID 主控制器 变距控制结构,应用 BP 神经网络算法进行 实时 PID 参数调节,解决上述存在问题,最 图 1:变速变距型风电机组控制系统构成图 后进行仿真结果分析.
电网 变流器 桨距角 发电机 桨距 调节器 功率 控制器
电功率
桨距角 参考值
功率 参考值
1,变速变距型风电机组控制系统构成
变速变距型风力发电机组的控制系统 主要有三部分组成, 主控制器, 桨距调节器,
2,液压变距执行机构
变距执行机构为曲柄同步盘推动,驱动 系统采用缸内放置位移传感器的电液比例
1
阀控位移系统组成, 主要的控制阀采用四通 换向比例阀.如图 2 所示,PID 控制器输出 经过放大器把信号变为±10V 内的模拟量, 输出到比例阀, 电量信号的大小强弱决定比 例阀阀位开度,从而调节油路流量,电量信 号的正负决定油路方向,如图 4 所示,2 种 不同的油路方向. 油液到达液压缸推动活塞 杆前进或后退, 活塞杆通过曲柄连接机构在 0 -2~90 之间转动,如图 3 所示.
(b) 带电正常关桨(normal close )
FL
k ce A2 p
Vt 1 + S 4 β e k ce
e -0.5s S2 2ξ h S 2 + S + 1 ω ωh h
k1
k sv
1/A p
图 2:变距液压执行机构结构框图
(c) 带电紧急关桨(emergency ) 图 4:3 种工况下变距机构油路变化
图 3:变距驱动系统示意图 变距机构执行的动作有开桨,带电正常 关桨(顺桨) ,带电紧急关桨,每一种动作 油液回路不同, 控制对象数学模型参数也会 略有改变.如图 4 所示,开桨动作时,油液 沿回路 1 推动活塞向开桨方向运动, 带电正 常关桨时, 油液沿回路 2 推动活塞向开桨方 向运动,作用的活塞面积较前面大,带电紧 急关桨时, 油液沿回路 2 和回路 3 同时推动 活塞向开桨方向运动,不同的状况下,被控 对象的动态参数会有所变化.
不论油液为何种运动形式,变距液压执 行机构系统组成都可用图 2 中的系统方块图 表示[12],其中,作基本分析时,放大器,伺 服阀都可视为比例环节, 伺服液压缸为纯惯 性负载, 动态特性为比例积分和二阶振荡特 [13][14] 性 ,外界负载干扰力 FL 也不可忽略, 尤其阵风情况,干扰因素更大. 系统关于输入量的开环传递函数为:
G1 (S) =
k v e τs S2 2ξ S 2 + h S + 1 ω h ωh
系统关于负载的开环传递函数为:
G1 (S) =
kce Vt τs 1 + e 2 A p 4β e kce S2 2ξ S 2 + h S + 1 ω h ωh
系统稳定判据为: 以上描述中:
(a) 开桨(open)
ωh
kv
< 2ξ h
k sv :电液比例阀增益; A p :推动活塞
2
作 用 面 积 ; kv : 系 统 开 环 增 益 ,
述.
β 液压油弹性模数; L : F k v = k1k sv / A p ; e :
θ*
KP K I KD
负载质量; Vt :油压缩容积; ω h :液压系 统固有频率;ξ h :液压系统阻尼比;τ :系 统响应滞后时间参数; . 系统变化的参数有:推动活塞 A p ,在 开桨和关桨两种状态下,根据设计要求,活 塞作用面积不同; 系统开环增益也随作用面 积变化; 开桨和关桨两种状态下油压缩容积 也不相同; 不同工况下系统的固有频率和阻 尼比会有所变化. 外界负载干扰力 FL 为平均值和随风速 变化量的合成[15],可以表示为:
θ
图 5:基于 BP 神经网络的 PID 控制系统结构
采用三层 3-8-3 结构的神经网络 结构如图 6 所示.
[19]
, 其
FL = F0 (1 + ∑ Ak sin (ωk t ) + Fg (t ))
k
图 6:ANN—BP 网络结构
其中: F0 为负载平均值, Ak 为 k 次谐 波变化幅值,ωk 为 k 次谐波频率,Fg (t ) 为 阵风引起负载. 如图 5 所示,缸内位移传感器测得的油 缸行程 y 对应桨距角 θ 的转换关系为:
上图中,M=3,Q=3,L=3.输入节点对 应桨距调节误差,并进行归一化处理,输出 节点对应 PID 控制器的 3 个可调参数 kp, ki, kd, 输出层活化函数取非负的 Sigmoid 函数, 隐含层的活化函数取非正负对称的 Sigmoid 函数.由图可见 BP 神经网络 ANN 输入层的 输入为:
y = R[sin α + cos αtg (θ α )]
其中: α 为曲柄机构正负转动角度范 围,R 为相对于叶根截面中心的曲柄半径.
O (j1) = x k j = e(k j )
j=0,1,……M-1(M=3)
(1 OM ) ≡ 1
θ 为桨距角.
3,基于 BP 神经网络的 PID 控制算法
BP 神经网络具有逼近任意非线性函数 的能力,结构和算法简单明确,通过神经网 络自学习找到 PID 控制最优 kp,ki,kd 参 [16] 数 .控制系统结构如图 5 所示,给定桨距 角 θ 与反馈量 θ 的误差为 BP 神经网络的输
*
隐含层的输入输出为:
( net i( 2) (k ) = ∑ wij2 ) o (j1) (k ) j =0 M
oi( 2 ) (k ) = f [neti( 2 ) (k )] = tanh(neti( 2 ) (k ))
(i=0,1,…Q-1)
( oQ2 ) (k ) ≡ 1 ( 2)
入信号, 由神经网络实时调节 PID 控制器参 它的框 数, 输出到变距液压执行机构[17][18], 图如前面图 2 所示. 输入反馈的检测由缸内 放置的位移传感器完成,变化关系如前所
式中, wij :隐含层加权系数
(2 wiM) :阈值, θ i
3
输出层的输入输出为:
( net l( 3) (k ) = ∑ wli3) oi( 2 ) (k ) i =0 Q
u (k ) = e(k ) 2e(k 1) + e(k 2) ( o23) (k )
隐含层加权系数的计算公式为:
( ( ( wij2 ) ( k + 1) = wij2 ) ( k ) + wij2 ) ( k + 1) ( ( = wij2 ) ( k ) + ηδ i( 2 ) o (j1) ( k ) + αwij2 ) ( k )
( δ i( 2 ) = [1 (tanh(net i( 2) (k ))) 2 ]∑ δ l(3) wli3) (k ) l =0
1 ol(3) (k ) = g[net l(3) (k )] = [1 + tanh( net l( 3) (k )) 2
(l=0,1, …L-1)
o (k ) = K P
( 3) 0
o1( 3) (k ) = K I
( o23) (k ) = K D
1 2
2
(i=0,1, …Q-1) 由于 y (k + 1) / u (k ) 未知,近似用符 号函数 sgn(y (k + 1) / u (k )) 取代,由此带 来的计算不精确通过调节学习速率 η 补偿.
式中, w
( 3) li ——输出层加权系数
w
( 3) lQ ——阈值,
θl
取性能指标函数为:
2 1 1 J = θ * ( k + 1) θ ( k + 1) = z 2 (k + 1) 2 2
[
]
4,仿真结果与分析
根据 7.5kW 变速恒频试验机组液压变距 系统设计数据,采用 Matlab 工具进行控制 算法仿真分析. 液压变距系统实验数据:
依最速下降法修正网络的加权系数, 按 对加权系数的负梯度方向搜索调整, 并附加 一使快速收敛全局极小的惯性项,则有:
( wli3) (k + 1) = η
k f = 0.8 ×10 -2 ; k sv = 89 × 10 6 ;
A p = 28.5 × 10 2 / 14.3 × 10 2 m 2
; ; ;
J ( + αwli3) (k ) ( 3) wli
其中: η 为学习速率, α 为惯性系数 因此 BP 神经网络输出层加权系数的计算公 式为:
( ( ( wli3) ( k + 1) = wli3) ( k ) + wli3) ( k + 1) ( ( = wli3) ( k ) + ηδ l( 3) o i( 2 ) ( k ) + αwli3) ( k )
k v = 2.5 ~ 35
;
β e = 700
Vt = 0.1254 ~ 0.063m 3
ξ h = 0.15 ~ 0.6 ; ω h = 130 ~ 200rad/s ;
R = 100mm ; = 450 ; 取 0.5 采样时间. τ α
各参数的时变情况如图 7 所示,计算次 数 k<250 时,活塞面积 A p 为大面积,之后 为压缩小面积,随之的油压缩容积 Vt 也改 变,阻尼比和频率也给定一个变化曲线. 外界负载干扰力 FL 的扰动考虑阵风的 影响,变化曲线取下面公式,取向如图 7 所 示.
δ l( 3) = e(k + 1) sgn(
y(k + 1) u(k ) ) × ( 3) u(k ) ol (k )
1 1 × [1 + tanh(netl( 3) (k ))] ×{1 [1 + tanh(netl( 3) (k ))]} 2 2
(l=0,1,2)
u (k ) = e(k ) e(k 1) ( o03) (k ) u (k ) = e( k ) o1( 3) (k )
4
π π FL = 2.5(1+ 0.25sin( / 5)t + 0.15sin( / 15)t
+ 1 1+ e
4(sin(π / 10)t 1)
+
2 1+ e
4(sin(π / 20)t 1)
)kg
BP 神经网络实验数据: 学习速率η=0.3, 平 滑 因 子 α =0.3, 权 系 数 初 始 值 取 区 间 [-0.5,0.5] 上 的 随 机 数 , 输 入 参 考 信 号
θ * (k ) 取幅值为+0.5 和 1,周期为 100 的方
波信号.最大计算次数 500 次. 基于 BP 神经网络的仿真结果如图 8 所 示,上图为系统输入与输出的对比,显示系 统的输出响应情况,y (k ) 代表输出, (k ) 代 r 表输入参考信号 θ (k ) ;中间图为 PID 调节
*
图 8:基于 BP 神经网络的 PID 变距控制系统仿 真曲线
5,结论
经证明, 对于变速变距式风力发电机组 中的液压驱动式变距机构,采用基于 BP 神 经网络的 PID 控制算法, 可以有效克服液压 系统非线性,参数时变,抗干扰波动,滞后 性的缺点,控制快速,准确,可以达到良好 的控制效果. 不足之处是要依赖于控制模型的准确 性, 控制性能与位移传感器的精确程度有密 切关系. 另外在额定风速之上限制功率输出 的效果要视给定桨距角 θ 的准确性而定.
*
器的控制输出信号 u (k ) 变化情况;下图为 PID 调节器可调参数的变化情况. 由仿真结果可见,基于 BP 神经网络的 液压变桨距系统有良好的控制效果, 系统响 应速度快,动态跟随性能好,调节无误差, PID 参数变化较平稳. 可见液压系统开桨,正常关桨,紧急关 桨不同工况下参数时变,负载扰动情况下, 前后基于 BP 神经网络的 PID 控制系统性能 曲线没有大的变化,系统具有良好的抗扰 动,抗参数时变的性能.
这些问题将另文解决. [参考文献]
1. Sz.Trkhk;ahin, Ahmet Duran,Progress and recent trends in wind energy[J], Progress
in Energy and Combustion Science Volume:
30, Issue: 5, 2004, pp. 501-543 2. 3. 杨金明, 吴捷, 风力发电系统中控制技术的最 新进展,中国电力,2003(8),p65-67 Horiuchi N, Kawahito T,Torque and power limitations turbines generator of power variable pitch speed control wind and using
control[C] , Summer
Meeting of the Power-Engineering-Society, 图 7:参数变化和负载扰动曲线 JUL 15-19, 2001,2001 POWER ENGINEERING SOCIETY 4. SUMMER MEETING, VOLS 1-3, CONFERENCE PROCEEDINGS : 638-643, 2001 Kanellos, F.D.; Hatziargyriou, N.D., new A control scheme for variable speed wind
5
5.
turbines using neural networks[C],Power Engineering Society Winter Meeting, 2002. IEEE,Volume 1, 27-31 Jan. 2002 Page(s):360 - 365 vol.1 Shi, K.L.; Li, H., A novel control of a small wind turbine driven generator based on neural networks[C],Power Engineering Society General Meeting, 2004. IEEE,6-10 June 2004 Page(s):1999 - 2005 Vol.2 Kelouwani, S.; Agbossou, K. , Nonlinear model identification of wind turbine with a neural network[J];Energy Conversion, IEEE Transactionsion,Volume 19, 3, Sept. 2004 Page(s):607 – 612 Issue
OCT 22-28, 2000,IECON 2000: 26TH ANNUAL CONFERENCE CENTURY OF THE IEEE AND INDUSTRIAL INDUSTRIAL ELECTRONICS SOCIETY, VOLS 1-4 - 21ST TECHNOLOGIES OPPORTUNITIES : 1497-1502, 2000 12. 关景泰著,机电液控制技术[M],上海,同济 大学出版社,2003.2,P164-167 13. 黄卉, 关于比例阀控非对称缸系统的建模问题 [J],机床电器.2000,27(3).p4-7 14. 游张平,王卫锋,基于 SIMULINK 的液压伺服 系统动态仿真[J],机床与液压,2004(6), p47-49 15. Z.lubosny, Wind Turbine Operation in Electric Power Systems Advanced Modeling[M], Springer-Verlag Berlin Heidelberg 2003, printed in Germany. P92-96 16. Hui Li; McLaren, P.; Shi, K.L , Neural network based sensorless maximum wind energy capture with compensated power coefficient[C] , Industry Applications Conference, 2004. 39th IAS Annual Meeting. Conference IEEE Record 4 of , 3-7 the Oct. 2004 2004 , Volume:
6.
7.
Shuhui Li; Wunsch, D.C.; O'Hair, E.A.; Giesselmann, M.G.;Using neural networks to estimate wind turbine 16, power Issue using generation[J] , Energy Conversion, IEEE Transactionsion , Volume 3, Sept. 2001 Page(s):276 – 282 S.;Wind power prediction
8.
Li,
recurrent multilayer perceptron neural networks[C] , Power Engineering Society General 4, 9. Meeting, 2003, IEEE Volume 13-17 July 2003 Page(s):2325-2330
Pages:2600 - 2608 vol.4 17. M.L.; Silvino, J.L.; de Resende, P. Lima, H∞ control for a variable-speed adjustable-pitch wind energy conversion system[C],Industrial Electronics, 1999. ISIE '99. Proceedings of the IEEE International Symposium on,Volume 2, 12-16 July 1999 Page(s):556 - 561 vol.2 18. Horiuchi N, Kawahito T,Torque and power limitations turbines generator of power variable pitch speed control wind and using
Larsen TJ, Madsen HA, Thomsen K,Active load reduction using individual pitch, based on local blade flow measurements[C],Conference on Science of Making Torque from Wind, APR 19-21, 2004 WIND ENERGY 8 (1): 67-80, JAN-MAR 2005
10. Trudnowski D, LeMieux D, Independent pitch control using rotor position feedback for wind-shear and gravity fatigue reduction in a wind turbine[C],20th Annual American Control Conference (ACC), MAY 08-10, 2002,PROCEEDINGS OF THE 2002 AMERICAN CONTROL CONFERENCE, VOLS 1-6 : 4335-4340, 2002 11. Prats MAM, Carrasco JM, Galvan E, et al., Improving variable turbines transition speed, using between pitch power wind optimization and power limitation of variable Fuzzy control
control[C] , Summer
Meeting of the Power-Engineering-Society, JUL 15-19, 2001,2001 POWER ENGINEERING SOCIETY SUMMER MEETING, VOLS 1-3, CONFERENCE PROCEEDINGS : 638-643, 2001 19. 陶永华著, 新型 PID 控制及其应用[M], 北京, 机械工业出版社,2002.9,P172-175
techniques[C],26th Annual Conference of the IEEE-Industrial-Electronics-Society, 6