论文部分内容阅读
[摘要]风力资源是一种极具大规模发展潜力的可再生能源。很多发达国家凭借自身技术优势和地理优势，早已开始利用风能资源发电。而我国风力发电事业起步相对较晚，各方面技术与发达国家存在一定差距。特别是风力发电机组控制技术明显落后发达国家，致使我国风力发电事业耗费巨大成本，却难获得对等的产出。由此看来，引入新型风力发电机组控制技术，改进风力发电机组控制方法是我国风力发电事业发展的必然要求。
[关键词]风力发电；电机组；控制技术
【分类号】：TD353.5
1 风力发电机组及主要分类
1.1 风力发电机组
风力发电电源由风力发电機组、支撑发电机组的塔架、蓄电池充电控制器、逆变器、卸荷器、并网控制器、蓄电池组等组成；风力发电机组包括风轮、发电机；风轮中含叶片、轮毂、加固件等组成；它有叶片受风力旋转发电、发电机机头转动等功能。
1.2 风力发电机组主要分类
1）基于失速型的分离发电机组
基于失速型的风力发电机组种类较少，现有的主要包括两种，即定桨距失速型和变桨距失速型等两种。
2）双馈变速恒频型风力发电机组
该类型的风力发电机组能够实现对分论叶片桨距角的调节，还可以采用能够变速的双馈性发电机，实现对恒频恒压电能的输出。
3）直驱型性风力发电机组
该类型发电机组是一种不带齿轮箱的变桨距变速发电机组，其中的风轮轴能够与低速发电机直接相连接。所以，在使用中，该类型的发电机组需要采用全功率变流器。
4）混合型的风力发电机组
该类型的发电组中包含有单级齿轮箱以及中速发电机，可以认为是直驱型和传统型的混合类型。在使用中，该类型的发电机组也需要采用全功率变流器。
2 风力发电系统的现代控制技术
2.1滑模变结构控制
风电机组属于非线性系统，在实际使用过程中复杂多变，也容易受到风向、阵风或负载等变化的影响，所以也不能建立一个完善的数学模型对其进行控制。使用滑模变结构进行控制，将其当作一种间断性的开关。在设定系统的匹配条件后，就只能做定向的滑模运动，不受系统参数变化扰动、高速响应、鲁棒性高、设计轻盈、方便实现等众多优点，确保在参数不稳定时仍可以实现系统的稳定。符合了风力系统最大功率的设计要求，促进了风力发电机组的良好控制。
滑模变结构控制能够较好地抑制外加的干扰对双向反馈变速稳频型风力发电机组的不利作用，保证了控制系统的鲁棒性，唯一的缺点就是系统的抖振现象。最近有学者提到可以使用高阶滑模变控制方法，就是在高阶微分上使用不连续的控制量，延续了传统滑模的优势，还能较好地消除系统的抖振，使得输出功率维持在稳定状态。
2.2最优控制
风力发电机组的实际运行处在风速多变、干扰多、非线性的恶劣条件下，所以用数学模型来做不到对系统的精确控制，而利用线性模型设计的最优系统来进行控制，可以查找附近的工作点，并借助反馈系统完成大范围的精确解耦线性化，进一步保证风能、风力的最大搜集与控制，这就是风力发电机组中所谓的最优控制。该系统可以很好地处理有功、无功率输出、电功率变化小等之间的相互矛盾，还能较好地抑制因线路故障导致的电压波动。
2.3模糊控制
模糊控制属于高级控制策略，它用到了语言规则、模糊推理两种方法，对被控制对象不需要很精确的数学模型，对非线性因素也不敏感，鲁棒性非常高。模糊控制是一种具有代表性的智能控制方法，在增强风能利用率、进行最大功率跟踪和变速稳频等方面显示出了巨大的作用。
典型的例子如：1）当将其使用于变桨距并网型风力发电机组中时，有效调节了控制系统的动态性能，还调整了风轮的桨距角、风力机转速和叶尖速比等，保证了风力发电机组功率和频率的稳定输出。与以往使用的PID控制器相比，抖振现象大大减少，系统的效率与质量明显得到提高。
2）依靠TS模糊模型系统，将局部的非线性功能用于风力混合动力发电系统中，再使用语言规将其划分为低级系统。配合最合适的分割时间序列，再使用线性二次调节系统进一步提高控制。该方法比过去的控制方式更能抵制外界的扰动，可以较好地适应风速与负载实时变化的恶劣条件。
3）将最优的模糊控制逻辑使用到双馈异步风力发电机组中，如果发动机转速低于预设的转速，此时依靠整流器和逆变器可以有效调节发电机的转速，尽量保证转速与风速的变化同步，最大程度提高风能利用率；如果发动机转速高于预设的转速，此时通过模糊控制器来调节桨距角，不搜集多余的风能，减少风能捕获率。这种通过风轮的转速来实现存储、释放能量的方法，使得功率传输链易于控制，保证了风力发电机组功率的稳定输出。
模糊控制理论凭借自身的优点，又将人工智能、仿人智能、神经元网络等技术综合在一起，使其在风力发电机组的控制领域跻身前列。
2.4人工神经网络控制
人工神经网络控制是一种智能控制技术。神经网络理论综合了人类和生物的适应性、学习和判断能力等，所以该理论的自适应与自组织性比较高，可以监视和察觉风力快速变化的不确定性，也促进了风力发电机组的智能化水平大为提高。
风速的预测必须依靠风的性质、预测周期和地点，所以使用神经网络理论进行短期风速预测，确定时间序列模型来计算风速的变化，采用反向传播和回归两种神经网络方式来预测采集到的风速变化量。人工神经网络对数学模型没有精确的要求，它是一种非线性系统，它的自适应性与良好的控制能力可以在风速、风向不确定的实际环境保证系统高效、稳定的运行，将风能转化为电能。在风力不确定与扰动较多的际环境中，首先会考虑到将滑模变结构完善为积分模糊滑模变来进行变量的控制，解除了精确数学模型和风力发电机组控制不可分割性的限制。最近有研究中提到，在控制风力发电机组的系统时，模糊神经网络控制算法的发展将最具优势。但是它只有在风速超过额定风速时适用，而忽视了风速低于预设风速的情况。
参考文献：
[1] 贾晨霞.浅谈风力发电机组控制技术[J].科协论坛（下半月），2013（12）：171-172.
[2] 谭芝，陈众，汤敏，李奇，鲁晶.风力发电机组偏航优化控制方法[J].电力学报，2014（1）：66-69.
[3] 王剑彬，付小林，孔朝志.风力发电机组控制策略优化分析[J].内蒙古电力技术，2013（4）：47-50.
[关键词]风力发电；电机组；控制技术
【分类号】：TD353.5
1 风力发电机组及主要分类
1.1 风力发电机组
风力发电电源由风力发电機组、支撑发电机组的塔架、蓄电池充电控制器、逆变器、卸荷器、并网控制器、蓄电池组等组成；风力发电机组包括风轮、发电机；风轮中含叶片、轮毂、加固件等组成；它有叶片受风力旋转发电、发电机机头转动等功能。
1.2 风力发电机组主要分类
1）基于失速型的分离发电机组
基于失速型的风力发电机组种类较少，现有的主要包括两种，即定桨距失速型和变桨距失速型等两种。
2）双馈变速恒频型风力发电机组
该类型的风力发电机组能够实现对分论叶片桨距角的调节，还可以采用能够变速的双馈性发电机，实现对恒频恒压电能的输出。
3）直驱型性风力发电机组
该类型发电机组是一种不带齿轮箱的变桨距变速发电机组，其中的风轮轴能够与低速发电机直接相连接。所以，在使用中，该类型的发电机组需要采用全功率变流器。
4）混合型的风力发电机组
该类型的发电组中包含有单级齿轮箱以及中速发电机，可以认为是直驱型和传统型的混合类型。在使用中，该类型的发电机组也需要采用全功率变流器。
2 风力发电系统的现代控制技术
2.1滑模变结构控制
风电机组属于非线性系统，在实际使用过程中复杂多变，也容易受到风向、阵风或负载等变化的影响，所以也不能建立一个完善的数学模型对其进行控制。使用滑模变结构进行控制，将其当作一种间断性的开关。在设定系统的匹配条件后，就只能做定向的滑模运动，不受系统参数变化扰动、高速响应、鲁棒性高、设计轻盈、方便实现等众多优点，确保在参数不稳定时仍可以实现系统的稳定。符合了风力系统最大功率的设计要求，促进了风力发电机组的良好控制。
滑模变结构控制能够较好地抑制外加的干扰对双向反馈变速稳频型风力发电机组的不利作用，保证了控制系统的鲁棒性，唯一的缺点就是系统的抖振现象。最近有学者提到可以使用高阶滑模变控制方法，就是在高阶微分上使用不连续的控制量，延续了传统滑模的优势，还能较好地消除系统的抖振，使得输出功率维持在稳定状态。
2.2最优控制
风力发电机组的实际运行处在风速多变、干扰多、非线性的恶劣条件下，所以用数学模型来做不到对系统的精确控制，而利用线性模型设计的最优系统来进行控制，可以查找附近的工作点，并借助反馈系统完成大范围的精确解耦线性化，进一步保证风能、风力的最大搜集与控制，这就是风力发电机组中所谓的最优控制。该系统可以很好地处理有功、无功率输出、电功率变化小等之间的相互矛盾，还能较好地抑制因线路故障导致的电压波动。
2.3模糊控制
模糊控制属于高级控制策略，它用到了语言规则、模糊推理两种方法，对被控制对象不需要很精确的数学模型，对非线性因素也不敏感，鲁棒性非常高。模糊控制是一种具有代表性的智能控制方法，在增强风能利用率、进行最大功率跟踪和变速稳频等方面显示出了巨大的作用。
典型的例子如：1）当将其使用于变桨距并网型风力发电机组中时，有效调节了控制系统的动态性能，还调整了风轮的桨距角、风力机转速和叶尖速比等，保证了风力发电机组功率和频率的稳定输出。与以往使用的PID控制器相比，抖振现象大大减少，系统的效率与质量明显得到提高。
2）依靠TS模糊模型系统，将局部的非线性功能用于风力混合动力发电系统中，再使用语言规将其划分为低级系统。配合最合适的分割时间序列，再使用线性二次调节系统进一步提高控制。该方法比过去的控制方式更能抵制外界的扰动，可以较好地适应风速与负载实时变化的恶劣条件。
3）将最优的模糊控制逻辑使用到双馈异步风力发电机组中，如果发动机转速低于预设的转速，此时依靠整流器和逆变器可以有效调节发电机的转速，尽量保证转速与风速的变化同步，最大程度提高风能利用率；如果发动机转速高于预设的转速，此时通过模糊控制器来调节桨距角，不搜集多余的风能，减少风能捕获率。这种通过风轮的转速来实现存储、释放能量的方法，使得功率传输链易于控制，保证了风力发电机组功率的稳定输出。
模糊控制理论凭借自身的优点，又将人工智能、仿人智能、神经元网络等技术综合在一起，使其在风力发电机组的控制领域跻身前列。
2.4人工神经网络控制
人工神经网络控制是一种智能控制技术。神经网络理论综合了人类和生物的适应性、学习和判断能力等，所以该理论的自适应与自组织性比较高，可以监视和察觉风力快速变化的不确定性，也促进了风力发电机组的智能化水平大为提高。
风速的预测必须依靠风的性质、预测周期和地点，所以使用神经网络理论进行短期风速预测，确定时间序列模型来计算风速的变化，采用反向传播和回归两种神经网络方式来预测采集到的风速变化量。人工神经网络对数学模型没有精确的要求，它是一种非线性系统，它的自适应性与良好的控制能力可以在风速、风向不确定的实际环境保证系统高效、稳定的运行，将风能转化为电能。在风力不确定与扰动较多的际环境中，首先会考虑到将滑模变结构完善为积分模糊滑模变来进行变量的控制，解除了精确数学模型和风力发电机组控制不可分割性的限制。最近有研究中提到，在控制风力发电机组的系统时，模糊神经网络控制算法的发展将最具优势。但是它只有在风速超过额定风速时适用，而忽视了风速低于预设风速的情况。
参考文献：
[1] 贾晨霞.浅谈风力发电机组控制技术[J].科协论坛（下半月），2013（12）：171-172.
[2] 谭芝，陈众，汤敏，李奇，鲁晶.风力发电机组偏航优化控制方法[J].电力学报，2014（1）：66-69.
[3] 王剑彬，付小林，孔朝志.风力发电机组控制策略优化分析[J].内蒙古电力技术，2013（4）：47-50.