模糊神經(jīng)網(wǎng)絡(luò)控制在風(fēng)力發(fā)電系統(tǒng)中的應(yīng)用*

郝曉弘 ，史寧波 ，高 超

(1.蘭州理工大學(xué) 電氣工程與信息工程學(xué)院，甘肅 蘭州 730050；2.哈電發(fā)電設(shè)備國家工程研究中心有限公司 自動(dòng)化控制部，黑龍江 哈爾濱 150036)

風(fēng)力發(fā)電過程中，需要在額定風(fēng)速以上保持功率在額定值以滿足風(fēng)電系統(tǒng)自身的機(jī)械電氣強(qiáng)度要求，實(shí)現(xiàn)系統(tǒng)的優(yōu)化運(yùn)行。參考文獻(xiàn)[1]應(yīng)用模糊控制算法設(shè)計(jì)出模糊控制器。參考文獻(xiàn)[2]基于模糊邏輯推理系統(tǒng)采用變論域自適應(yīng)模糊控制器實(shí)現(xiàn)了較高的控制精度。但是簡單模糊控制器的缺點(diǎn)是模糊規(guī)則的獲取及隸屬度函數(shù)的確定主要依靠專家經(jīng)驗(yàn)而沒有統(tǒng)一的方法，缺乏自適應(yīng)能力。因此研究先進(jìn)的模糊控制算法及其在大型風(fēng)力發(fā)電機(jī)組中的應(yīng)用，改善機(jī)組的控制性能，是風(fēng)力發(fā)電機(jī)組控制領(lǐng)域的主要研究熱點(diǎn)之一。

基于以上分析，本文將神經(jīng)網(wǎng)絡(luò)應(yīng)用于模糊系統(tǒng)，將兩者結(jié)合設(shè)計(jì)出的控制器可用網(wǎng)絡(luò)實(shí)現(xiàn)模糊映射過程，學(xué)習(xí)的目標(biāo)是根據(jù)輸入-輸出訓(xùn)練數(shù)據(jù)自動(dòng)地提取控制規(guī)則，確定前件和后件參數(shù)。

1 風(fēng)力發(fā)電機(jī)組的控制原理及控制方式

根據(jù)貝茲理論，風(fēng)力機(jī)從風(fēng)中捕捉到的機(jī)械功率如下：

式中：Pm為風(fēng)輪吸收的功率(W)；ρ為空氣密度(kg/m3)；ν為風(fēng)速(m/s)；A為風(fēng)力機(jī)的掃瓊面積(m2)；Cp為風(fēng)能利用系數(shù)，反映了風(fēng)輪機(jī)利用風(fēng)能的效率，λ為葉尖速比，β為槳葉節(jié)距角。

為了在有效獲取風(fēng)能的同時(shí)保證安全運(yùn)行，風(fēng)力機(jī)應(yīng)該工作在下面3個(gè)與風(fēng)速、最大允許轉(zhuǎn)子速度和額定功率有關(guān)的基本模式下，如圖1所示。圖1中：vw0為風(fēng)力機(jī)切入風(fēng)速；vw1為達(dá)到最大允許轉(zhuǎn)速時(shí)的風(fēng)速；vw2為額定風(fēng)速；vw3為切出風(fēng)速。

模式I：變速、最大風(fēng)能利用系數(shù) Cp，max

給定風(fēng)速vw在額定值以下時(shí)，風(fēng)力機(jī)葉片槳距角β被固定在最優(yōu)值βopt。風(fēng)力機(jī)通過不斷調(diào)整轉(zhuǎn)速以工作在最佳葉尖速比λopt時(shí)刻，從而獲得最大風(fēng)能利用系數(shù)Cp，max實(shí)現(xiàn)風(fēng)力機(jī)的效率最大化。 發(fā)電機(jī)轉(zhuǎn)速參考值 ωt，opt可以表示為：

式中：R為風(fēng)力機(jī)風(fēng)輪半徑。

模式II：定速、變?nèi)~尖速比

當(dāng)風(fēng)速上升使風(fēng)力機(jī)轉(zhuǎn)速達(dá)到限制值后，風(fēng)能利用系數(shù)Cp將減小但由于轉(zhuǎn)矩的增大使風(fēng)力機(jī)捕獲的風(fēng)能將繼續(xù)增加。

模式III：變速、定功率輸出

當(dāng)風(fēng)速超出額定值，因發(fā)電機(jī)和功率變換器的容量限制，必須要限制從風(fēng)中捕獲的能量。這時(shí)應(yīng)將發(fā)電機(jī)轉(zhuǎn)速和輸出功率穩(wěn)定在額定值。風(fēng)速達(dá)到切出風(fēng)速后，系統(tǒng)將出于保護(hù)風(fēng)力機(jī)的目的而停機(jī)。

2 槳距角模糊神經(jīng)網(wǎng)絡(luò)控制

2.1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

變槳距功率控制是機(jī)組起動(dòng)后變槳距系統(tǒng)最主要的任務(wù)，其控制效果是評(píng)價(jià)變槳距系統(tǒng)的重要依據(jù)。本文采用FMLP模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)主要是根據(jù)模糊系統(tǒng)的結(jié)構(gòu)來決定等價(jià)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)的每個(gè)層、每個(gè)節(jié)點(diǎn)對(duì)應(yīng)模糊系統(tǒng)的一部分。該網(wǎng)絡(luò)模型共分5層，如圖2所示，它是具有1個(gè)輸入層、3個(gè)隱含層和1個(gè)輸出層的5層神經(jīng)網(wǎng)絡(luò)[3]。

模糊神經(jīng)網(wǎng)絡(luò)(FNN)融合了模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有很強(qiáng)的自學(xué)習(xí)能力，可以自動(dòng)地產(chǎn)生模糊規(guī)則和調(diào)整隸屬度函數(shù)。

第1層為輸入層，該層為輸入變量層，每個(gè)節(jié)點(diǎn)代表經(jīng)過預(yù)處理過的輸入變量x=[x1x2…xn]T，本設(shè)計(jì)的該層節(jié)點(diǎn)數(shù) n=2，即 x=[E EC]T，采用功率誤差 E=Pref-P，及功率誤差變化率EC為輸入變量。

第2層為隸屬函數(shù)層，實(shí)現(xiàn)輸入變量的模糊化(即隸屬度劃分)，隸屬度函數(shù)(激活函數(shù))采用高斯函數(shù)：

式中：i=1，2，…n，j=1，2，…mi，n 是輸入變量維數(shù)，mi是xi的模糊分割數(shù)。每個(gè)節(jié)點(diǎn)代表一個(gè)語言變量值，如PB、NS等，節(jié)點(diǎn)的個(gè)數(shù)為各個(gè)輸入變量的模糊集合數(shù)之和，本文取 mi=7。

第3層為模糊規(guī)則強(qiáng)度匹配層，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，計(jì)算出每條規(guī)則的適用度：

式中：i1∈{1，2，…m1}，i2∈{1，2，…m2}，…in∈{1，2，…mn}，j=1，2， …m，mmi，總的節(jié)點(diǎn)個(gè)數(shù) m=7×7=49。

第4層為歸一化層，節(jié)點(diǎn)數(shù)與第3層相同，每個(gè)節(jié)點(diǎn)代表一個(gè)可能的模糊規(guī)則的then部分：

式中：j=1，2，…m

第5層為反模糊化層，用于實(shí)現(xiàn)清晰化計(jì)算，將模糊規(guī)則推理得到的輸出變量的各個(gè)模糊集合的隸屬度值(第4層各個(gè)節(jié)點(diǎn)的輸出)，轉(zhuǎn)換為輸出變量槳距角變化的精確數(shù)值：

式中：i=1，2，…r，本文取 r=1，wij寫為 wj相當(dāng)于 yj的第j個(gè)語言隸屬函數(shù)的中心值，在模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中，任意的k時(shí)刻，49條規(guī)則中只有1條推理得到的規(guī)則有輸出，其他48條規(guī)則輸出均為0。

2.2 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

根據(jù)以上定義的FNN各層節(jié)點(diǎn)的操作，各輸入變量的模糊分割數(shù)個(gè)數(shù)已預(yù)先確定，現(xiàn)在需要學(xué)習(xí)的參數(shù)主要是最后一層的連接權(quán)值wj，以及第2層的隸屬度函數(shù)的中心值cij和寬度σij。下面推導(dǎo)出針對(duì)這種FNN的誤差反向傳播學(xué)習(xí)算法(FBP算法)來修正網(wǎng)絡(luò)的可調(diào)參數(shù)。定義FBP算法的目標(biāo)函數(shù)為[4]：

式中：yd和y分別為教師信號(hào)和實(shí)際輸出，根據(jù)FBP算法誤差信號(hào)將由第5層向第2層依次反向傳遞。利用一階梯度尋優(yōu)算法調(diào)節(jié)參數(shù) wj、cij、σij。

第5層反傳誤差信號(hào)公式：

權(quán)值修正：

第4層反傳誤差信號(hào)公式：

第3層反傳誤差信號(hào)公式：

第2層反傳誤差信號(hào)公式：

中心值和寬度調(diào)整公式：

其中，i＝1，2；j=1，2，…7。 η 為按梯度搜索的步長，0<η<1。k為離散時(shí)間變量。

該模糊神經(jīng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)及CMAC等一樣，本質(zhì)上也是實(shí)現(xiàn)從輸入到輸出的非線性映射。結(jié)構(gòu)上是多層前饋網(wǎng)，學(xué)習(xí)算法是通過誤差反傳的方法，和CMAC一樣屬于局部逼近網(wǎng)絡(luò)。

3 仿真結(jié)果

通過圖3的變槳距控制原理建立機(jī)組各部分模型的連接。風(fēng)速在額定值以下時(shí)通過調(diào)節(jié)發(fā)電機(jī)轉(zhuǎn)速進(jìn)行速度控制追蹤最大功率輸出，額定值以上通過槳距角的調(diào)節(jié)保證風(fēng)力機(jī)在額定功率發(fā)電。

在進(jìn)行學(xué)習(xí)前，必須提供輸入輸出訓(xùn)練數(shù)據(jù)對(duì)、隸屬函數(shù)形狀、輸入數(shù)據(jù)的模糊論域個(gè)數(shù)。再利用神經(jīng)網(wǎng)絡(luò)的有效學(xué)習(xí)算法，從這些數(shù)據(jù)中學(xué)習(xí)控制規(guī)則和隸屬函數(shù)。本文預(yù)先給定了輸入的隸屬度函數(shù)，如圖4所示。需調(diào)整的參數(shù)只有輸出層的連接權(quán)值wj(j=1，2，…m)。根據(jù)變槳距控制問題本身定義輸入層為功率誤差E及功率誤差變化率EC，并在訓(xùn)練前將網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)規(guī)范到論域(-6，6)之間，輸出層為槳距角變化量。

運(yùn)用Matlab語言實(shí)現(xiàn)網(wǎng)絡(luò)并進(jìn)行訓(xùn)練，選擇120組隸屬度值作為訓(xùn)練樣本，當(dāng)網(wǎng)絡(luò)達(dá)到誤差精度要求時(shí)，結(jié)束訓(xùn)練過程。每次訓(xùn)練的迭代次數(shù)取1 000次，訓(xùn)練結(jié)束MSE為 1.34785×10-7，訓(xùn)練過程誤差曲線如圖5所示，訓(xùn)練誤差在允許誤差范圍內(nèi)。再通過13組數(shù)據(jù)作為測試樣本，誤差均小于0.5。這說明基于Fussy-Neuro網(wǎng)絡(luò)模型可以比較準(zhǔn)確地充分描述輸入與輸出之間的映射關(guān)系，具有較好的容錯(cuò)能力和學(xué)習(xí)能力，能補(bǔ)償風(fēng)力機(jī)的固有的非線性和整個(gè)系統(tǒng)的不可預(yù)測性，如參數(shù)隨時(shí)間時(shí)刻變化。

由于風(fēng)輪機(jī)械響應(yīng)比電磁響應(yīng)慢得多，發(fā)電機(jī)和電力電子器件的動(dòng)態(tài)特性沒有包含在仿真模型中，槳距角幅值限制在 0～20°之間，變槳距速率為 5°/s。仿真模型的數(shù)據(jù)采用國產(chǎn)兆瓦級(jí)變速恒頻直驅(qū)風(fēng)電機(jī)組的主要相關(guān)技術(shù)參數(shù)，如表1所示。

表1 仿真風(fēng)電機(jī)組的主要參數(shù)

在相同風(fēng)速條件下，采用PI控制器與本文提出的模糊神經(jīng)網(wǎng)絡(luò)控制器作為對(duì)比仿真，結(jié)果如圖6所示。

由仿真結(jié)果可知，該模糊神經(jīng)網(wǎng)絡(luò)控制器在高風(fēng)速時(shí)能控制槳葉節(jié)距角的變化使功率保持在額定值附近且具有較小的波動(dòng)，比同種狀態(tài)下采用PI控制器的控制效果優(yōu)越，非常適用于時(shí)變的風(fēng)力發(fā)電系統(tǒng)微處理器控制。

針對(duì)額定風(fēng)速以上情況，本文設(shè)計(jì)并驗(yàn)證了一種適用于風(fēng)電系統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)控制器。該控制器基于實(shí)時(shí)數(shù)據(jù)進(jìn)行計(jì)算，因此能夠不斷優(yōu)化其內(nèi)部參數(shù)使系統(tǒng)可以克服非線性及時(shí)變性，滿足了系統(tǒng)的動(dòng)態(tài)特性和穩(wěn)態(tài)性能。FNN控制策略不但具有一般模糊控制的優(yōu)點(diǎn)，而且具有神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力。仿真結(jié)果表明了提出方法的有效性，高風(fēng)速時(shí)，模糊神經(jīng)網(wǎng)絡(luò)控制器的控制效果比采用功率的PI控制方法更適用于當(dāng)今的風(fēng)力發(fā)電系統(tǒng)。

[1]劉新海，于書芳.模糊控制在大型風(fēng)力發(fā)電機(jī)控制中的應(yīng)用[J].自動(dòng)化儀表，2004，25(5)∶13-17.

[2]張新房，徐大平，呂躍剛，等.大型變速風(fēng)力發(fā)電機(jī)組的自適應(yīng)模糊控制[J].系統(tǒng)仿真學(xué)報(bào)，2004，16(3)∶573-577.

[3]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007.

[4]楊宇姝，馮江，曹然.模糊神經(jīng)網(wǎng)絡(luò)在施肥決策系統(tǒng)的應(yīng) 用[J].農(nóng) 機(jī) 化 研 究，2004(3)∶175-179.