作者/ 黄俊梅 陕西动力作业技能学院电子工程系(陕西 咸阳 712000)
摘要：风力发电的开发对添加我国动力供应、调整动力结构具有重要意义。为了优化风电体系的安稳性，本文使用神经网络在非线性建模方面的优越性，树立了一个依据神经网络的风电机组变桨距恒功率操控体系。该体系在BP神经网络变桨距模型的基础上，使用SIMULINK工具箱树立了风电机组变桨距恒功率操控体系模型。经仿真和实践运转验证，该模型操控作用杰出，能依据风速检测值调理桨距角，完成在不同风速段对发电机输出功率的安稳操控，具有杰出的安稳性和快速收敛性。
前语
伴跟着全球动力供应的环保化，风力发电作为一种清洁的可再生动力，有着取之不尽，用之不竭的优势，具有十分宽广的市场前景[1]。但风向、风速的随机性所带来的风力发电安稳性差是约束风力发电的瓶颈[2]。为了战胜这一技能难题，具有智能、高效的风力发电变桨距恒功率操控体系显得极其重要[3]。
因为风力发电体系是一个非线性、强藕合、多变量、大时滞的体系，难以完成精确建模。而人工神经网络技能不依赖于数学模型，可迫临恣意非线性函数，具有较强的自适应、自学习和非线性映射才能，特别适应于杂乱的风电变桨距操控体系建模[4-5]。因而，本规划拟选用BP神经网络进行风电机组变桨建模。在该BP变桨模型基础上，使用MATLAB sumulink工具箱树立风力发电变桨恒功率操控体系，并进行仿真验证。为了进一步验证本规划的合理性，将本BP变桨恒功率操控体系使用于山东长星风力发电机组，进行试验验证。
1 风力发电变桨恒功率操控体系
变桨距操控和恒功率操控是风力发电两大核心技能[6-7]。在风速低于额外风速时，为了最大极限盯梢风速，此刻没有必要变桨，只需调整叶片桨距角为规则的最小桨矩角，即β=0°，使其风能使用系数最大。当风速超越额外风速时，体系输出功率将会跟着风速的增高而不断变大，这一进程对电网的安稳运转及设备安全有重要影响[8-9]。因而，必须将输出功率约束在额外规模内。本规划将经过改动桨距角的巨细，调整风能使用率，然后完成操控风轮转速和确保风电机组恒功率输出[10-11]。
针对这一现象，本研讨将首要针对额外风速以上的变桨恒功率操控体系进行建模仿真，其操控流程如图1所示。
为了确保发电机组向电网供给平稳电能，本风力发电变桨恒功率操控体系选用功率闭环操控办法。其间，变桨操控器使用BP神经网络建模完成。在此建模基础上，使用MATLAB sumulink工具箱树立风力发电变桨恒功率操控体系模型，将发电机输出功率反应到输入端与额外功率进行比较，其偏差值作用于变桨操控器，终究使发电机的输出功率安稳在额外值邻近。
2 依据BP神经网络的变桨距操控模型
2.1 BP神经网络操控原理
BP神经网络是一种按差错逆传达算法练习的多层前馈网络，其结构简略、作业状况安稳、易于硬件完成，是现在使用广泛的神经网络模型之一。
BP网络能学习和存贮很多的输入-输出形式映射联系，而无需提醒描绘这种映射联系的数学方程。经过反向传达来不断调整网络的权值和阈值，使网络的差错平方和最小。BP神经网络模型拓扑结构如图2所示。
BP神经网络一般由输入层(input)、输出层(output layer)和若干隐含层(hidden layer)构成。每层有若干个神经元组成，各神经元与下一层一切的神经元经过权衔接，一个神经元能够处理多个输入信息。BP神经网络的自适应学习可概括为 “信息正传达”→“差错逆传达”→“回忆练习”→“学习收敛”四个进程。
信息正传达：外界信息经由输入层各神经元进入隐含层的神经元，并依据处理信息的杂乱程度决议隐含层的层数，经隐含层和输出层各神经元逐层信息处理后向外输出信息成果。
差错逆传达：假如实践输出与预期方针存在差异，则将差错信息反向传送，不断回忆练习修整权值巨细，终究到达期望值停止，然后完成神经网络的学习进程。
2.2 依据BP神经网络的变桨距建模
一个BP神经网络的树立一般包含网络层数、各层神经元个数、学习速率、初始权值和答应差错等参数。
1)BP模型网络层数和各层神经元个数的确认
BP网络一般包含1个输入层，1个或几个隐含层和1个输出层。尽管添加层数能够进步精度、下降差错，但这一起添加了网络的杂乱性和练习时刻。结合本研讨实践，本建模将选用单隐层BP网络进行仿真。
经过剖析影响风电机组输出功率的不同影响要素，终究确认输入向量分别为风速，风轮角速度，输出向量为变桨组织桨距角。使用试凑法，经过比较输出差错和收敛速度，终究确认隐层节点数为8。
2)传递函数的挑选
该BP模型的网络的生成句子如下：
net=newff(minmax(pn),[8,1],{'tansig','purelin'},'trainlm')。其间，练习选用trainlm函数，隐层选用tansig传递函数，输出层选用purelin传递函数。
3)答应差错和初始权值的设置
本文答应差错设为0.005，初始权值选取(-1,1)之间的随机数。
4) 学习速率的挑选
学习速率是优化核算中一个重要因子，反映网络一次循环练习中权值的改动量，取值规模一般在0.01-0.8之间。取值太小将导致练习时刻过长，取值太大会导致体系不稳，因而本文中学习速率为0.05。
依据BP神经网络的变桨距操控模型结构，如图3所示。
BP神经网络变桨操控器模型树立之后，需求使用很多样本数据进行模型的学习练习。本文中的样本数据来源于山东长星风力发电试验室10kW风力机组的130组典型时段的样本数据，选取前104组数据用于网络练习，后26组数据用于网络的猜测。
其间输入样本为各时段的风速、风轮角速度，输出样本为对应的桨距角。将练习样本数据做归一化处理后再输入神经网络模型中进行练习，得到网络的阈值和权值;把猜测数据经归一化处理后，输入到练习好的神经网络中，就能够核算输出对应的桨距角值，如图4所示。
已知，该风电机组的额外风速为10.5m/s。从图4可知，跟着风速的不断改动，该BP模型的桨距角猜测值能够很好地盯梢实践值，猜测作用较好。在额外风速以下时，桨距角为规则的最小桨矩角β=0°，能够最大极限地捕获风能。当风速超越额外风速时，桨距角不断添加，以期使风能使用率减小，然后将输出功率约束在额外值邻近。
3 风电机组变桨距恒功率操控体系模型仿真
3.1 风电机组变桨距恒功率操控体系模型仿真
在已建好的BP神经网络变桨距模型的基础上，使用MATLAB仿真软件的SIMULINK工具箱树立风电机组变桨距恒功率操控体系模型，结构如图5所示。
图6为60s的随机风速下，风电机组变桨距恒功率操控体系模型的输出功率状况。由图6可知，在60s的随机风速下，本文所规划的风电机组变桨距恒功率操控体系模型能够很快完成额外功率10kW的安稳输出，该体系具有很好的快速性和安稳性。
3.2 BP神经网络变桨距模型的实践测验成果
为进一步验证本变桨距恒功率操控体系在发电生产中的运转作用，将本模型嵌入至山东长星风力发电项目中，上机运转测验，测验成果如图7所示。
由图7(a)和图7(b)可知，在实践运转中桨距角跟着风速的改动而随之主动调理。验证了BP神经网络变桨距操控体系发挥了操控作用。由图7(c)可知，机组的输出功率根本安稳于10kW，其上下动摇归于合理操控规模内。图7阐明BP神经网络变桨距操控体系，能够经过改动叶片攻角而到达机组功率输出安稳的意图，取得抱负的操控作用。
综上所述，因为风电的强非线性，在不同风速下，桨距角的单位改动对发电机输出功率影响不同。为确保额外功率为10kW的安稳输出，在高风速段和额外风速邻近，产生相同的风速改动△V，BP神经网络变桨距操控体系经过桨距角的不同调理能够很快完成额外功率的安稳输出。
4 定论
经仿真和实践运转验证，本文所规划的依据神经网络的风电机组变桨距恒功率操控体系模型操控作用杰出，能依据风速测定值调理桨距角，完成在不同风速段对发电机输出功率的安稳操控，具有较好的安稳性和快速收敛性。
参考文献：
[1]边伟,谢毅.变桨矩风力发电机组输出功率操控办法的使用研讨[J].华北电力技能,2011,5.
[2]叶杭冶.风力发电机组的操控技能[M].北京:机械工业出版社,2002,81-95.
[3]杜志伟,赵峰,田铭兴,等,变速恒频风力发电的最大功率捕获操控研讨[J].电气传动,2007,37(3):7~10.
[4]吕跃刚,依据神经网络的风力发电机组变桨距复合[J].2009,9(1) :28~34.
[5]崔冉,王维庆,赵春平,等.PID神经网络在风机变桨操控中的使用[J].新疆:新疆大学,2008.
[6]张玉杰.依据IPC的风电机组智能操控与仿真技能研讨[D].内蒙古科技大学,2014.6.
[7]张雅楠.变桨距与智能操控在风电机组中的使用,[J].沈阳:沈阳工业大学, 2010.
[8]薛永平.同步无刷风力发电机偏航变桨操控体系研讨[D].陕西科技大学,2011.6.
[9]郭百顺,秦斌,李鹏程.风电机组独立变桨距操控战略研讨[J].湖南工业大学学报,2014,28(2):42-45.
[10]许国东,潘东浩,叶杭冶.大型风电机组独立变桨操控技能研讨[J].太阳能学报,2011,32(6):891-896.
[11]邢作霞,陈雷,孙宏利,等.独立变桨距操控战略研讨[J].我国电机工程学报,2011,31(26):131-138.
本文来源于《电子产品世界》2017年第5期第76页，欢迎您写论文时引证，并注明出处。
