利用神经网络的自学习和自收敛性进行自适应控制

风力发电系统的控制策略根据控制器的不同可分为两大类：以数学模型为基础的传统控制方法和模拟人类智能活动及其控制与信息传递过程的智能控制。空气动力学的不确定性和电力电子模型的复杂性，使风电机组成为一个复杂多变量非线性系统，具有不确定性和多干扰性等特点，致使风力发电系统很难用数学模型来描述。由于智能控制可充分利用其非线性、变结构、自寻优等各种功能来克服系统的参数时变与非线性因素，因此各种智能控制方案于近几年被开始应用于风力发电机组控制领域。但无论哪一种技术方案，目的都是尽可能追求最大的风能利用率。

7.1.3.1　理论最大功率

在研究垂直轴风力机发电输出功率控制中，有一个重要理论是贝兹理论，这一理论是由德国的贝兹于1926年建立的。

风轮气流图如图7-8所示，设v1为距离风轮一定距离的上游速度，v为通过风轮时的实际风速，v2为离风轮远处的下游风速，气流上游截面面积为S1，风轮处气流截面面积为S，下游截面面积为S2，ρ为空气密度。

图7-8　风轮气流图

假设空气是不可压缩的，可知S1v1=Sv=S2v2。风作用在风轮上的力由Euler理论得出

风轮吸收功率为

气流的动能为，所以经过风轮后，上游至下游风能改变的动能为

由能量守恒定理可知，式（7-3）与式（7-4）相等，可得到

风能所捕获的功率为

对于一定的风速，上游风速v1一定，对于式（7-6）以v2求导得(www.xing528.com)

=0有两个解v2=-v1与。前一个解在物理上无意义，后一个解可求出最大功率为

将式（7-8）与气流流过风轮前所具有的能量相比，可得到风力机捕获风能理论上的最大功率。由捕获的风能比上总风能，即式（7-8）右边项比上，得到最大风能利用率约为0.593，这一数值即为贝兹理论极限值。

以上最大功率仅为理想化模型下的表达式，不同的机型有不同的具体功率表达式和对应的最大功率。根据当前获得的转速信息，参照风力机功率特性曲线，计算出发电机所能输出的最大功率，通过调节发电机的输出功率，以保证风力机运行在最优功率曲线上。该方法相对于变桨控制而言，省去了风速测量装置以及变桨装置，仅需要转速信息，在实际应用中采用较多。

7.1.3.2　最大功率点跟踪（MPPT）控制策略

对于一个风力发电系统，风能利用系数与叶尖速比关系曲线非常重要，垂直轴风力机最大功率运行线如图7-9所示，从图中可以看出，对于一台确定的风力机，在桨距角一定时，总存在一个最佳叶尖速比λopt，对应着一个最大的风能转换系数，此时风力机的能量转换效率最高，对于一个特定的风速，风力机只有运行在一个特定的机械角速度下，风力机才会获得最大的能量转换效率。因此，在任何风速下，只要调节风力机转速，使其叶尖线速度与风速之比保持不变，且都满足λ=λopt，就可以维持风力机在最大风能利用系数下运行。对于一般风力机，可以利用发电机转矩控制和偏航系统来改变风力机的转速，对于垂直轴风力机，由于没有偏航系统，一般只能通过发电机、电力电子系统控制来尽可能接近最大风能利用系数。

图7-9　垂直轴风力机最大功率运行线图

此种方法与风轮的空气动力学特性没有关系，方法简单、成本低、易于实现操作，无需测量风速，能较好地实时追踪最大风能。

7.1.3.3　扰动法

通过对转速或其他参数进行实时扰动，同时根据功率变化情况判断下次扰动的方向，直至促使机组功率调整到最大功率点。该方法不依赖任何风速、转速信息，同时也不需要知道风力机的特性曲线，具有较好的通用性，然而风力机的扰动时间常数很大，导致每次扰动之后的响应速度较慢，容易错过最佳点。

7.1.3.4　模糊控制

模糊控制是一种典型的智能控制方法，其最大特点是将专家的经验和知识表示为语言规则用于控制。它不依赖于被控对象的精确数学模型，能克服非线性因素影响，对被调节对象的参数具有较强的鲁棒性。由于风力发电系统是一个随机性的非线性系统，因此模糊控制非常适合于风力机的控制。模糊控制在发电机转速跟踪、最大风能捕获、发电机最大功率获取以及风力发电系统鲁棒性等方面取得了较好的控制效果。

7.1.3.5　神经网络控制

人工神经网络具有可任意逼近任何非线性模型的非线性映射能力，利用其自学习和自收敛性可作为自适应控制器。在风力发电系统中，神经网络可以用来根据以往观察风速数据预测风速变化等方面。基于数据的机器学习是现代智能技术的重要方面，研究从观测数据出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测，来对工业过程进行有效控制。这些学习方法包括模式识别、神经网络、支持向量机等。在风电系统中，可从运行机组获取大量重要数据，以对机组的动态特性和性能进行研究。因此，将上述基于数据驱动的机器学习方法与风能转换系统的控制相结合，是解决风机控制问题的重要途径之一。