模糊神經網絡控制在風力發電系統中的應用*

郝曉弘 ，史寧波 ，高 超

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

風力發電過程中，需要在額定風速以上保持功率在額定值以滿足風電系統自身的機械電氣強度要求，實現系統的優化運行。參考文獻[1]應用模糊控制算法設計出模糊控制器。參考文獻[2]基于模糊邏輯推理系統采用變論域自適應模糊控制器實現了較高的控制精度。但是簡單模糊控制器的缺點是模糊規則的獲取及隸屬度函數的確定主要依靠專家經驗而沒有統一的方法，缺乏自適應能力。因此研究先進的模糊控制算法及其在大型風力發電機組中的應用，改善機組的控制性能，是風力發電機組控制領域的主要研究熱點之一。

基于以上分析，本文將神經網絡應用于模糊系統，將兩者結合設計出的控制器可用網絡實現模糊映射過程，學習的目標是根據輸入-輸出訓練數據自動地提取控制規則，確定前件和后件參數。

1 風力發電機組的控制原理及控制方式

根據貝茲理論，風力機從風中捕捉到的機械功率如下：

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

為了在有效獲取風能的同時保證安全運行，風力機應該工作在下面3個與風速、最大允許轉子速度和額定功率有關的基本模式下，如圖1所示。圖1中：vw0為風力機切入風速；vw1為達到最大允許轉速時的風速；vw2為額定風速；vw3為切出風速。

模式I：變速、最大風能利用系數 Cp，max

給定風速vw在額定值以下時，風力機葉片槳距角β被固定在最優值βopt。風力機通過不斷調整轉速以工作在最佳葉尖速比λopt時刻，從而獲得最大風能利用系數Cp，max實現風力機的效率最大化。 發電機轉速參考值 ωt，opt可以表示為：

式中：R為風力機風輪半徑。

模式II：定速、變葉尖速比

當風速上升使風力機轉速達到限制值后，風能利用系數Cp將減小但由于轉矩的增大使風力機捕獲的風能將繼續增加。

模式III：變速、定功率輸出

當風速超出額定值，因發電機和功率變換器的容量限制，必須要限制從風中捕獲的能量。這時應將發電機轉速和輸出功率穩定在額定值。風速達到切出風速后，系統將出于保護風力機的目的而停機。

2 槳距角模糊神經網絡控制

2.1 模糊神經網絡的結構

變槳距功率控制是機組起動后變槳距系統最主要的任務，其控制效果是評價變槳距系統的重要依據。本文采用FMLP模糊神經網絡結構，該網絡主要是根據模糊系統的結構來決定等價結構的神經網絡，使神經網絡的每個層、每個節點對應模糊系統的一部分。該網絡模型共分5層，如圖2所示，它是具有1個輸入層、3個隱含層和1個輸出層的5層神經網絡[3]。

模糊神經網絡(FNN)融合了模糊邏輯系統和神經網絡的優點，具有很強的自學習能力，可以自動地產生模糊規則和調整隸屬度函數。

第1層為輸入層，該層為輸入變量層，每個節點代表經過預處理過的輸入變量x=[x1x2…xn]T，本設計的該層節點數 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層為隸屬函數層，實現輸入變量的模糊化(即隸屬度劃分)，隸屬度函數(激活函數)采用高斯函數：

式中：i=1，2，…n，j=1，2，…mi，n 是輸入變量維數，mi是xi的模糊分割數。每個節點代表一個語言變量值，如PB、NS等，節點的個數為各個輸入變量的模糊集合數之和，本文取 mi=7。

第3層為模糊規則強度匹配層，每個節點代表一條模糊規則，計算出每條規則的適用度：

式中：i1∈{1，2，…m1}，i2∈{1，2，…m2}，…in∈{1，2，…mn}，j=1，2， …m，mmi，總的節點個數 m=7×7=49。

第4層為歸一化層，節點數與第3層相同，每個節點代表一個可能的模糊規則的then部分：

式中：j=1，2，…m

第5層為反模糊化層，用于實現清晰化計算，將模糊規則推理得到的輸出變量的各個模糊集合的隸屬度值(第4層各個節點的輸出)，轉換為輸出變量槳距角變化的精確數值：

式中：i=1，2，…r，本文取 r=1，wij寫為 wj相當于 yj的第j個語言隸屬函數的中心值，在模糊神經網絡控制系統中，任意的k時刻，49條規則中只有1條推理得到的規則有輸出，其他48條規則輸出均為0。

2.2 模糊神經網絡的學習算法

根據以上定義的FNN各層節點的操作，各輸入變量的模糊分割數個數已預先確定，現在需要學習的參數主要是最后一層的連接權值wj，以及第2層的隸屬度函數的中心值cij和寬度σij。下面推導出針對這種FNN的誤差反向傳播學習算法(FBP算法)來修正網絡的可調參數。定義FBP算法的目標函數為[4]：

式中：yd和y分別為教師信號和實際輸出，根據FBP算法誤差信號將由第5層向第2層依次反向傳遞。利用一階梯度尋優算法調節參數 wj、cij、σij。

第5層反傳誤差信號公式：

權值修正：

第4層反傳誤差信號公式：

第3層反傳誤差信號公式：

第2層反傳誤差信號公式：

中心值和寬度調整公式：

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

該模糊神經網絡和BP網絡及CMAC等一樣，本質上也是實現從輸入到輸出的非線性映射。結構上是多層前饋網，學習算法是通過誤差反傳的方法，和CMAC一樣屬于局部逼近網絡。

3 仿真結果

通過圖3的變槳距控制原理建立機組各部分模型的連接。風速在額定值以下時通過調節發電機轉速進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節保證風力機在額定功率發電。

在進行學習前，必須提供輸入輸出訓練數據對、隸屬函數形狀、輸入數據的模糊論域個數。再利用神經網絡的有效學習算法，從這些數據中學習控制規則和隸屬函數。本文預先給定了輸入的隸屬度函數，如圖4所示。需調整的參數只有輸出層的連接權值wj(j=1，2，…m)。根據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，并在訓練前將網絡訓練數據規范到論域(-6，6)之間，輸出層為槳距角變化量。

運用Matlab語言實現網絡并進行訓練，選擇120組隸屬度值作為訓練樣本，當網絡達到誤差精度要求時，結束訓練過程。每次訓練的迭代次數取1 000次，訓練結束MSE為 1.34785×10-7，訓練過程誤差曲線如圖5所示，訓練誤差在允許誤差范圍內。再通過13組數據作為測試樣本，誤差均小于0.5。這說明基于Fussy-Neuro網絡模型可以比較準確地充分描述輸入與輸出之間的映射關系，具有較好的容錯能力和學習能力，能補償風力機的固有的非線性和整個系統的不可預測性，如參數隨時間時刻變化。

由于風輪機械響應比電磁響應慢得多，發電機和電力電子器件的動態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。仿真模型的數據采用國產兆瓦級變速恒頻直驅風電機組的主要相關技術參數，如表1所示。

表1 仿真風電機組的主要參數

在相同風速條件下，采用PI控制器與本文提出的模糊神經網絡控制器作為對比仿真，結果如圖6所示。

由仿真結果可知，該模糊神經網絡控制器在高風速時能控制槳葉節距角的變化使功率保持在額定值附近且具有較小的波動，比同種狀態下采用PI控制器的控制效果優越，非常適用于時變的風力發電系統微處理器控制。

針對額定風速以上情況，本文設計并驗證了一種適用于風電系統的模糊神經網絡控制器。該控制器基于實時數據進行計算，因此能夠不斷優化其內部參數使系統可以克服非線性及時變性，滿足了系統的動態特性和穩態性能。FNN控制策略不但具有一般模糊控制的優點，而且具有神經網絡的自學習能力。仿真結果表明了提出方法的有效性，高風速時，模糊神經網絡控制器的控制效果比采用功率的PI控制方法更適用于當今的風力發電系統。

[1]劉新海，于書芳.模糊控制在大型風力發電機控制中的應用[J].自動化儀表，2004，25(5)∶13-17.

[2]張新房，徐大平，呂躍剛，等.大型變速風力發電機組的自適應模糊控制[J].系統仿真學報，2004，16(3)∶573-577.

[3]侯媛彬，杜京義，汪梅.神經網絡[M].西安：西安電子科技大學出版社，2007.

[4]楊宇姝，馮江，曹然.模糊神經網絡在施肥決策系統的應 用[J].農 機 化 研 究，2004(3)∶175-179.