姚萬業(yè), 賈昭鑫, 黃 璞
(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院,河北 保定 071003)
在高于切入風(fēng)速低于額定風(fēng)速段,為了最大限度地捕獲風(fēng)能,風(fēng)電機(jī)組采用最大功率點(diǎn)追蹤(MPPT)控制。其控制的目標(biāo)在于,隨著風(fēng)速的變化,通過調(diào)節(jié)風(fēng)輪的轉(zhuǎn)速使其始終運(yùn)行在最優(yōu)轉(zhuǎn)速即最佳葉尖速比,進(jìn)而最大效率地捕獲風(fēng)能。
常見的最大功率追蹤方法有最佳葉尖速比、功率信號(hào)反饋法、爬山搜索法等[1,2]。憑借不依靠風(fēng)機(jī)特性,不需要測(cè)量風(fēng)速的優(yōu)勢(shì),爬山搜索法是目前無傳感器最大功率追蹤中的研究主流。文獻(xiàn)[3]提出了一種追蹤區(qū)間優(yōu)化的最大功率點(diǎn)追蹤策略,通過徑向基神經(jīng)網(wǎng)絡(luò)優(yōu)化了爬山搜索法的搜索區(qū)間。文獻(xiàn)[4]提出了一種變步長(zhǎng)爬山法控制策略,通過變步長(zhǎng)保證了爬山法的追蹤性能和追蹤速度。文獻(xiàn)[5]將停止機(jī)制引入爬山搜索法,通過舍棄部分低風(fēng)速段的功率避免了爬山搜索法的錯(cuò)誤搜索方向。上述改進(jìn)爬山搜索法的研究工作,突破了傳統(tǒng)方法忽略跟蹤動(dòng)態(tài)的局限性,取得了不錯(cuò)的效果。但是,由于在優(yōu)化問題上很難找到彼此之間的量化關(guān)系,在風(fēng)速條件多變的情況下,改進(jìn)的爬山搜索法很容易出現(xiàn)搜索方向出錯(cuò),步長(zhǎng)過大或過小的問題。
為此,考慮到風(fēng)速對(duì)功率追蹤的影響,本文引入粗略風(fēng)速估計(jì)[6],提出了一種基于風(fēng)速預(yù)測(cè)的改進(jìn)爬山法最大功率追蹤策略。首先利用LSTM神經(jīng)網(wǎng)絡(luò)模型,合理利用包括風(fēng)速在內(nèi)的溫度、氣壓、空氣密度等風(fēng)機(jī)多傳感器融合信息,對(duì)風(fēng)速進(jìn)行了粗略的估計(jì),實(shí)現(xiàn)了較為準(zhǔn)確的風(fēng)速下一步預(yù)測(cè),然后利用預(yù)測(cè)的下一步風(fēng)速優(yōu)化改進(jìn)了現(xiàn)有的最大功率追蹤爬山搜索法。實(shí)驗(yàn)仿真驗(yàn)證了引入了風(fēng)速前饋的最大功率追蹤策略的有效性。
根據(jù)貝茨理論,風(fēng)力發(fā)電機(jī)的功率與風(fēng)速的三次方相關(guān),風(fēng)機(jī)捕獲的機(jī)械能Pm可以由空氣密度ρ,槳距角β,風(fēng)輪半徑R和風(fēng)速V表示[7,8]:
Pm(v,ω)=0.5ρπR2v3Cp(λ,β)/w
(1)
式中:CP稱為風(fēng)能利用系數(shù),是關(guān)于葉尖速比λ和槳距角β的非線性函數(shù)[9],當(dāng)槳距角固定不變時(shí),風(fēng)能利用系數(shù)Cp僅與葉尖速比λ有關(guān),葉尖速比定義為:
λ=Rω/v
(2)
聯(lián)立(2)(4)可得風(fēng)機(jī)的最佳功率Popt:
Popt(ω)=Koptω3
(3)
圖1 最佳功率曲線的確定
爬山法主動(dòng)周期性的施加轉(zhuǎn)速擾動(dòng),根據(jù)風(fēng)力發(fā)電機(jī)功率—轉(zhuǎn)速曲線觀察擾動(dòng)后系統(tǒng)輸出功率的改變方向,從而實(shí)現(xiàn)最大功率追蹤。目前傳統(tǒng)爬山法主要存在2個(gè)問題:
(1)搜索區(qū)間不能自適應(yīng),搜索時(shí)間長(zhǎng)
在爬山法中,最優(yōu)功率點(diǎn)搜索的起始轉(zhuǎn)速,就是上一時(shí)刻穩(wěn)定點(diǎn)的轉(zhuǎn)速。如果該轉(zhuǎn)速與下一時(shí)刻的最優(yōu)轉(zhuǎn)速相差越大,則搜索時(shí)間會(huì)越長(zhǎng),難度會(huì)越大。
(2)搜索方向誤判斷和MPP點(diǎn)振蕩
如圖2所示,大步長(zhǎng)可以加快搜索速度,但是精度無法保證,小步長(zhǎng)可以保證精度,卻不能加快收斂速度。
圖2 不同長(zhǎng)度Δw的擾動(dòng)情況
此外傳統(tǒng)爬山法由于步長(zhǎng)為常量,使得風(fēng)機(jī)在達(dá)到最大功率點(diǎn)后會(huì)一直在該點(diǎn)附近振動(dòng)。圖3反映了這種振動(dòng),頻繁的振蕩會(huì)影響發(fā)電機(jī)的效率和使用壽命。
圖3 MPP處的振蕩
LSTM是一種改進(jìn)的RNN,該模型可以學(xué)習(xí)長(zhǎng)期的依賴信息,避免梯度消失的問題[10]。LSTM在RNN的隱藏層的神經(jīng)節(jié)點(diǎn)中,增加了一種被稱為記憶細(xì)胞(Memory cell)的結(jié)構(gòu)用來記憶過去的信息,并增加了3種門結(jié)構(gòu)(Input,F(xiàn)orget,Output)來控制歷史信息的使用。圖4為L(zhǎng)STM神經(jīng)元結(jié)構(gòu)示意圖,中間部分為一個(gè)Memory Block,每個(gè)Block里面包含有多個(gè)由一組Gate控制的Memory Cell,同一個(gè)Memory Block的多個(gè)Memory Cell由同一組Gate共同控制,與LSTM相連的傳送機(jī)構(gòu)控制信號(hào)在BPTT時(shí)無衰減傳播,通過Input Gate和Output Gate控制信息的流入與流出,通過Forget Gate決定是否重置網(wǎng)絡(luò),這些門的行為通過前一層的輸出、上一時(shí)刻的隱藏層的輸出以及記憶單元信息三者共同控制[11,12]。假設(shè)輸入序列為(x1,x1,…,xr),隱藏層層狀態(tài)為(h1,h2,…,hr),則在t時(shí)刻有:
it=sigmoid(whiht-1+wxixt)
(4)
ft=sigmoid(whfht-1+wxixt)
(5)
ct=ft?ct-1+it?tanh(whcht-1+wxcxt)
(6)
ot=sigmoid(whoht-1+whxxt+wcoct)
(7)
ht=ot?tanh(ct)
(8)
式中:it,ft,ot代表Input Gate,F(xiàn)orget Gate和Output Gate;ct代表cell單元;wh代表遞歸連接的權(quán)重;wx代表輸入層到隱藏層的權(quán)重;sigmoid與tanh為2種激活函數(shù)。
圖4 LSTM神經(jīng)元結(jié)構(gòu)示意圖
通過傳感器可采集的參數(shù)為:風(fēng)速、溫度、風(fēng)向、空氣濕度、氣壓。利用這些參數(shù)作為輸入可設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型完成下一時(shí)刻的風(fēng)速預(yù)測(cè)。預(yù)測(cè)模型結(jié)構(gòu)由模糊粗糙集因素約簡(jiǎn)(FRS)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)(LSTM)兩部分組成,利用前者對(duì)噪聲的敏感性,將輸入信息的空間維數(shù)簡(jiǎn)化,作為后者LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)部分的輸入,利用后者通過訓(xùn)練學(xué)習(xí),抽取逼近隱含的輸入輸出非線性關(guān)系,得到風(fēng)速預(yù)測(cè)的效果。
預(yù)測(cè)模型框圖如圖5所示。
圖5 預(yù)測(cè)模型框圖
利用模糊粗糙集理論[13,14]進(jìn)行屬性約簡(jiǎn),去除冗余信息。將預(yù)測(cè)時(shí)刻的風(fēng)速v(t+1)設(shè)定為決策屬性,選取35個(gè)影響因素作為條件屬性,確定初始決策表。然后根據(jù)各個(gè)屬性的物理特性,選取合適的模糊隸屬度函數(shù)對(duì)各屬性模糊,根據(jù)上文確定的各屬性隸屬度函數(shù),對(duì)35個(gè)條件屬性進(jìn)行約簡(jiǎn),最終確定屬性集為:
R={v(t),v(t-1),v(t-2),
v(t-3),v(t-3),T(t),T(t-1)}
(9)
神經(jīng)網(wǎng)絡(luò)的輸入為經(jīng)過模糊粗糙集約簡(jiǎn)后的屬性集R,輸出為v(t+1)時(shí)刻的預(yù)測(cè)風(fēng)速。
本文提出了基于風(fēng)速預(yù)測(cè)的改進(jìn)爬山法最大功率追蹤策略,根據(jù)融合的傳感器信息,依靠上文提出的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)估風(fēng)速,將預(yù)估的風(fēng)速信息用于轉(zhuǎn)矩控制算法的設(shè)計(jì),優(yōu)化追蹤區(qū)間,確定搜索方向,防止MPP點(diǎn)處的反復(fù)振蕩,改進(jìn)的爬山法控制策略框圖如圖6所示。
圖6 改進(jìn)爬山法控制策略
本文從3個(gè)方面闡述改進(jìn)的爬山法:
(1)優(yōu)化追蹤區(qū)間
如圖7所示,當(dāng)風(fēng)機(jī)運(yùn)行在K時(shí)刻,風(fēng)速為v(k),風(fēng)電機(jī)組能夠穩(wěn)定運(yùn)行在該風(fēng)速下,此時(shí)的轉(zhuǎn)速為最優(yōu)轉(zhuǎn)速wopt(k),即點(diǎn)A,在爬山搜索法中,點(diǎn)A就是下一時(shí)刻搜索的起始位置,該時(shí)刻的轉(zhuǎn)速wopt(k)就是下一時(shí)刻(k+1)時(shí)刻的搜索起始轉(zhuǎn)速。
圖7 追蹤區(qū)間優(yōu)化
假設(shè)(k+1)時(shí)刻,風(fēng)速變?yōu)関(k+1),風(fēng)電機(jī)組將在控制策略的作用下重新搜素新風(fēng)速下對(duì)應(yīng)的最佳功率點(diǎn)。搜索區(qū)域?yàn)锳-C段。此時(shí),利用k時(shí)刻預(yù)測(cè)出(k+1)時(shí)刻的風(fēng)速為vp(k+1),根據(jù)公式(12)推出(k+1)時(shí)刻的風(fēng)電機(jī)組轉(zhuǎn)速wpre(k+1):
wpre(k+1)=λopt·vP(k+1)·N/R
(10)
將轉(zhuǎn)速wpre(k+1)替代wopt(k)作為(k+1)時(shí)刻最大風(fēng)能追蹤的初始轉(zhuǎn)速,即將初始搜索點(diǎn)從A點(diǎn)移動(dòng)到B點(diǎn),搜索區(qū)域變?yōu)锽-C段。(k+1)時(shí)刻,對(duì)應(yīng)風(fēng)速v(k+1)的最優(yōu)功率點(diǎn)轉(zhuǎn)速為wopt(k+1)。(k+1)時(shí)刻的MPPT中,如采用傳統(tǒng)無風(fēng)速預(yù)測(cè)爬山法,起始轉(zhuǎn)速與最優(yōu)轉(zhuǎn)速的差值為:
Δw=wopt(k+1)-wopt(k)=
λopt·[v(k+1)-v(k)]·N/R
(11)
改進(jìn)爬山法后,新的起始轉(zhuǎn)速與最優(yōu)轉(zhuǎn)速的差值為:
Δw′=wopt(k+1)-wini(k+1)=
λopt·[v(k+1)-vp(k+1)]·N/R
(12)
所以使用了提前的風(fēng)速預(yù)測(cè)后,爬山法搜索的區(qū)間由Δw縮減為Δw′,搜索效率大大提高。實(shí)驗(yàn)發(fā)現(xiàn),由于縮小了追蹤區(qū)間,擾動(dòng)值的選取變得比較重要,少許的變化可能就會(huì)產(chǎn)生振蕩,所以在收縮區(qū)間的優(yōu)化上引入收縮系數(shù)α,根據(jù)v(t)與v(t+1)的變化幅度改變系數(shù)α,當(dāng)風(fēng)速變化過快時(shí),大的α保證收縮區(qū)間收縮的不至于過小,當(dāng)風(fēng)速變化不大時(shí),小的收縮系數(shù)α保證收縮的不至于過大。
(2)確定搜索方向
當(dāng)風(fēng)速穩(wěn)定時(shí),根據(jù)爬山法的原理,通常的搜索方向判斷為由式(13)決定:
(13)
當(dāng)風(fēng)速出現(xiàn)波動(dòng)的時(shí)候,用預(yù)測(cè)風(fēng)速的變化代替功率的變化值,完成搜索方向的確定,由式(14)決定:
(14)
(3)避免MPP點(diǎn)的波動(dòng)
當(dāng)(k+1)時(shí)刻最大風(fēng)能追蹤的起始搜索區(qū)域確定為wini(k+1)后,采用變轉(zhuǎn)速擾動(dòng)MPPT控制來找到最優(yōu)功率點(diǎn)。在2個(gè)相鄰的離散時(shí)間點(diǎn)(n-1)和n,對(duì)機(jī)組的輸出功率和轉(zhuǎn)速進(jìn)行采樣,計(jì)算風(fēng)電機(jī)組功率的斜率dPT/dwT:
(15)
風(fēng)電機(jī)組轉(zhuǎn)速擾動(dòng)可取為:
Δw=KMPPT(dPT/dwT)
(16)
當(dāng)|ΔPT|=|PT(n)-PT(n-1)| 采用GH-Bladed軟件進(jìn)行仿真驗(yàn)證,由于軟件仿真的局限性,對(duì)屬性約簡(jiǎn)集進(jìn)行了微調(diào),輸入變量的選取采用了適當(dāng)?shù)膭h減。仿真采用1.5 MW風(fēng)機(jī)模型,風(fēng)機(jī)參數(shù)如表1所示。 表1 風(fēng)力發(fā)電機(jī)組整機(jī)參數(shù) 本文主要仿真的部分在額定風(fēng)速以下,即槳距角為0°狀態(tài)。分別采用平均風(fēng)速6 m/s,7 m/s,8 m/s,9 m/s的4種3D湍流風(fēng)進(jìn)行仿真驗(yàn)證。仿真采用了統(tǒng)一變槳方式,在仿真過程監(jiān)控4個(gè)數(shù)據(jù),分別為:槳角,測(cè)量的轉(zhuǎn)速,設(shè)定的轉(zhuǎn)矩,輪轂處測(cè)量風(fēng)速,輸出功率。 仿真中200~300 s發(fā)生了風(fēng)速突變,選取該100 s內(nèi)進(jìn)行分析,風(fēng)速預(yù)測(cè)效果如圖8所示,控制策略仿真結(jié)果如圖9所示。 圖8 預(yù)測(cè)結(jié)果 圖9 仿真結(jié)果 由仿真結(jié)果可得,新提出的基于風(fēng)速預(yù)測(cè)的改進(jìn)爬山法: (1)有效避免了風(fēng)速變化情況下的錯(cuò)誤搜索方向。如圖圓圈標(biāo)注的部分可以明顯看出,當(dāng)風(fēng)速發(fā)生變化的時(shí)候,傳統(tǒng)爬山搜索法出現(xiàn)了錯(cuò)誤的搜索方向,本應(yīng)該減小轉(zhuǎn)速的時(shí)候,卻朝著轉(zhuǎn)速增大的方向搜索,改進(jìn)的爬山法則有效避免了該方向的錯(cuò)誤。 (2)明顯減少了風(fēng)機(jī)在MPP點(diǎn)處的振蕩。長(zhǎng)方形標(biāo)注的部分可以看出,優(yōu)化的爬山搜索法轉(zhuǎn)速控制更加平滑,避免了頻繁的轉(zhuǎn)速切換。 (3)有效提高了風(fēng)能捕獲效率。由公式(17)計(jì)算的風(fēng)能捕獲效率,改進(jìn)的爬山搜索法為97.1%,傳統(tǒng)的爬山搜索法為95.3%。 (17) 式中:ΔPmax為所示功率;Pcap為實(shí)際捕獲的風(fēng)能;Pmax為捕獲風(fēng)能理論值。 相對(duì)于傳統(tǒng)的最大功率追蹤策略,本文提出了一種基于風(fēng)速預(yù)測(cè)的改進(jìn)爬山法控制策略,融合風(fēng)機(jī)運(yùn)行過程中的各種傳感器信息,利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了下一時(shí)刻風(fēng)速的預(yù)測(cè),通過預(yù)測(cè)的風(fēng)速有效地收縮了風(fēng)機(jī)轉(zhuǎn)速的追蹤區(qū)間,確定了正確的搜索方向,避免了MPP點(diǎn)處頻繁的振蕩,實(shí)驗(yàn)仿真表明了該方法的有效性。 [1]李鑫,曾令全,侯斌,等. 風(fēng)力發(fā)電仿真系統(tǒng)中模擬風(fēng)輪機(jī)的理論研究[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,37(6):17-22. [2]李梓萌,李洪舉,馮潔. 基于模糊控制結(jié)合擾動(dòng)觀察法的風(fēng)力發(fā)電系統(tǒng)MPPT控制策略[J]. 電力科學(xué)與工程,2016,32(11):18-22. [3]殷明慧,張小蓮,鄒云,等. 追蹤區(qū)間優(yōu)化的風(fēng)力機(jī)最大功率點(diǎn)追蹤控制[J].電網(wǎng)技術(shù),2014,38(8):2180-2185. [4]鐘沁宏,阮毅,趙梅花,等.變步長(zhǎng)爬山法在雙饋風(fēng)力發(fā)電系統(tǒng)最大風(fēng)能跟蹤控制中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制,2013,41(9):67-73. [5]張小蓮, 李群, 殷明慧,等. 一種引入停止機(jī)制的改進(jìn)爬山算法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(14):128-134. [6]高陽,鐘宏宇,陳鑫宇,等.基于神經(jīng)網(wǎng)絡(luò)和小波分析的超短期風(fēng)速預(yù)測(cè)[J].可再生能源,2016,34(5):705-711. [7]祝曉燕,張金會(huì),付士鵬,等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)速預(yù)測(cè)模型[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,40(5):60-64. [8]石亞欣. 基于時(shí)間序列的WD-LS-SVM的風(fēng)速周期預(yù)測(cè)模型研究[J]. 電力科學(xué)與工程,2014,30(2):41-45. [9]李東福,董雷,禮曉飛,等. 基于多尺度小波分解和時(shí)間序列法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,39(2):43-48. [10]ZHAO Z,CHEN W,WU X,et al.LSTM network: a deep learning approach for short term traffic forecast[J].Let Intelligent Transport Systems,2017,11(2):68-75. [11]楊訓(xùn)政,柯余洋,梁肖,等.基于LSTM的發(fā)電機(jī)組污染物排放預(yù)測(cè)研究[J].電氣自動(dòng)化,2016,38(5):22-25. [12]LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553):436. [13]劉興杰,岑添云,鄭文書,等.基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2014,34(19):3162-3169. [14]尹東陽,盛義發(fā),蔣明潔,等.基于粗糙集理論-主成分分析的Elman神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2014,42(11):46-51.4 算例分析
5 結(jié)論