模糊專家控制系統的最大風能追蹤

劉 姝，姚興佳，王曉東，單光坤，井艷軍

(1．沈陽工業大學，遼寧沈陽110023;2．沈陽化工大學，遼寧沈陽110142)

0 引 言

能源與環境是當今人類生存和發展所要解決的緊迫問題，風力發電是除水力發電之外最成熟、最具規模開發和有商業化發展前景的發電技術。風能具有儲存量大、分布性廣、利用比較方便并且無污染等優點，因此大規模地開發和利用風能，具有較廣闊的應用前景［1］。

目前在實際風電機組中，變速恒頻風力發電系統已經被廣泛地應用，它可以實時改變風力發電機的轉速，使其運行于最優功率點，從而最大限度地捕獲風能［2］。目前最大風能捕獲控制方法主要有查表法、爬山搜索法、混合控制法等［3］。查表法操作簡單，并且容易實現，還可以快速跟蹤給定，然而它需要實時地測量風速，對風速變化率比較敏感，數據大多由風機廠家直接給出，所以容易受到環境變化和風電機組磨損等外部條件的影響，還容易造成偏離實際最優值;爬山搜索法往往需要預知風機的一些參數，因而參數的準確性直接影響控制的效果;混合控制法結合了查表法和爬山搜索法的各種控制優點，能夠快速實時準確地捕獲最優實際功率，但仍然需要實時測量風速，對風速變化相對敏感［4］。

為此，針對以上算法的不足和缺點，本文在低于額定風速工況下，利用專家經驗和模糊技術，建立一套最大風能追蹤專家控制系統，目的是控制雙饋電機輸出的有功功率來控制電機的電磁轉矩，從而間接的控制機組轉速。

1 風力發電機組的專家控制系統

專家控制系統是新興的一門學科，它是以知識為基礎，把人工智能領域的專家系統技術與控制理論方法相結合，進行靈活的控制并實現復雜問題的控制。作為交叉學科的人工智能和控制理論來說，既可以典型應用于人工智能領域，又是智能控制理論的分支，專家控制涉及低層控制和高層控制兩個方面。

人工智能領域中發展起來的專家系統是一種在特定領域內基于知識的、具有專家智能水平的計算機程序。它通過模擬專家的思維過程，利用人類專家知識和解決問題的經驗方法來處理專家領域的難題。對于知識的控制系統，它的核心控制器是體現知識推理的機制和結構。在不同的控制要求的情況下，專家控制系統的結構不一樣，但是專家控制系統一般都包含知識庫、推理機、控制規則集和控制算法等。圖1 為專家控制系統的基本結構［5］。

圖1 專家控制系統的基本結構

2 模糊專家控制系統最大風能追蹤設計

基于模糊技術的模糊專家系統模型是建立在模糊數學基礎上的，這樣產生了基于模糊規則的專家控制系統，也叫做模糊專家控制系統。模糊專家系統采用隸屬度和模糊集合來表示信息，并利用模糊技術推理的方法來對獲得的信息進一步推理。模糊專家控制可以對得到的信息進行全部或部分的利用模糊技術來獲取知識、表示知識并運用。它的核心是模糊推理機，可以根據模糊知識庫中的不確定性進行推理、策略、解決系統問題，并給出認為合理的控制命令。此控制方法可應用于模型不太充分、不太精確，甚至不存在的復雜對象［6］。下面以風力發電機組為例進行。

風輪的運動方程:

發電機的運動方程:

式中:Jr為風輪轉矩的轉動慣量;Jm為發電機轉子的轉動慣量;Tr為風輪的氣動轉矩;Tm為高速軸的機械轉矩;Tg為發電機的反轉矩;ωr為風輪轉速;ωg為發電機轉速;n 為齒輪箱的傳動比;Dr為風輪部分的傳動阻尼系數;Dg為發電機部分的傳動阻尼系數。

發電機反轉矩公式:

式中:Tg為發電機的反轉矩;p 為發電機極對數;m1為發電機定子相數;U1為電網電壓;C1為修正系數;ωG為發電機的當量轉速;ωl為發電機的同步轉速;r1、x1為定子繞組的電阻和漏抗;r′2、x′2分別為歸算后轉子繞組的電阻和漏抗。

部分參數如下［7］:齒輪傳動比為1∶ 90，風輪轉動慣量為5．45 × 106kg ·m2，發電機轉動慣量為97. 5 kg·m2，定子電阻為0. 002 25 Ω，定子漏抗為0．015 9 Ω，轉子電阻(折合)為0．002 03 Ω，轉子漏抗(折合)為0．020 7 Ω。

本文的最終目標就是捕獲最大風能，提高風力發電機組的效率。其中，對發電機轉矩的控制是最關鍵的。由于風力發電機組具有時間性、非線性、滯后性等特點，用經典的控制理論很難實現，解決這種不太充分、精確的模型，以至于無法建立控制過程而提出的專家控制系統可以解決這類問題。

2.1 最大風能追蹤專家控制器的結構

根據風力發電系統最大風能追蹤的特點，構建如圖2 所示的最大風能控制系統。

圖2 模糊專家控制框圖

系統工作過程如下:首先用數據挖掘系統得到一些最大風能追蹤的有用數據，根據模糊控制系統的需求進行編制，存入到系統的知識庫里，然后系統根據用戶預先設定的狀態實時獲取當前的發電機轉速，并將其與預先設定好的參數相比較，得到與之相應的誤差和誤差變化率。根據以上所述，系統先對參數進行模糊化處理;然后推理機再按照某種規則根據這些數據推理出一種最合理的結果;最后用推理結果去模糊化后轉換成相應的可控制結論，系統再根據結論具體控制發電機的轉矩。

2.2 模糊專家庫的設計

2．2．1 知識庫的表示方法［8］

專家控制系統是基于知識的系統，模糊專家控制系統也是基于知識的。所以，專家系統開發過程中關鍵的一個環節是知識獲取。

本系統中，知識庫的表現形式為產生規則的基礎上增加了模糊表示的能力，其一般表示形式:

式中:P1，P2，…，Pn是規則的子前提條件，即風能捕獲中的模糊性征兆(事實);ωP1，ωP2，…，ωPn是前提子條件的權重系數，表示前提子條件中各事實對捕獲貢獻大小的度量;C1，C2，…，Cn是規則的可信度;τ 是規則成立的閾值，其取值由專家規則決定，通常介于0 和1 之間。

2．2．2 輸入、輸出變量的論域［9－11］

模糊專家控制器輸入為發電機轉速，輸出為轉矩。系統的輸入量和輸出量首先進行規則化處理，再把它們的基本論域和統一的模糊集合論域相對應。

本文將輸入輸出變量的模糊語言狀態值設為7個:分別是負小(NS)、負中(NM)、負大(NB)、零(Z)、正大(PB)、正中(PM)、正小(PS)，論域為{6，5，4，3，2，1，0，－1，－2，－3，－4，－5，－6}。

根據上述控制規律建立控制規則，總結出最大風能追蹤系統的控制經驗，得出模糊控制規則表，如表1 所示。

表1 模糊專家控制規則表

2．2．3 模糊隸屬度函數［12］

以風速為基準，15 m/s 以上風速視為大風(PB)，5 m 以下風速視為小風(NB)，10 m/s 左右風速視為中風(Z)，大風與中風之間12m/s 的風速定義為正中(PM)，中風與小風之間8 m/s 的風速定義為負中(NM)。

模糊語言值實際是一個模糊子集，而語言值最終是通過隸屬函數來描述的。在模糊規則中確定隸屬度值是重要的過程，模糊理論中采用“0”和“1”之間的一個數值來描述某元素以某種程度隸屬于某集合。只要選擇適當的隸屬函數，模糊推理算法，邏輯模糊系統可以在任意精度上逼近某個給定的非線性函數［13］。

根據該系統的特點，輸入輸出隸屬函數采用三角模糊專家隸屬度的形式。本文設計的隸屬度函數如圖3、圖4 所示［16，19］。

2．2．4 模糊專家系統的推理模型［14］

專家系統中實現基于知識推理的部件是推理機，它是基于知識的推理在主機中的實現，是專家系統的核心部分，用來控制、協調整個系統。

以1 MW 風力發電機為研究對象，設風電機組在發電運行時，發電機轉速集合量X = {x1，x2，…，xn}，轉矩集合Y ={y1，y2，…，yn}。X 與Y 之間的模糊關系隸屬度表示為:

式中:R 為專家知識的模糊關系矩陣，R = (rij)m×n，rij∈(0，1］，rij越大，關系越密切;“○”為模糊算子。

首先將1 MW 風力發電機轉速與知識庫中規則前件的隸屬度值進行匹配，確定知識庫中哪些規則可用，然后用模糊關系矩陣表示轉速和轉矩間的關系，當知識庫中所有規則匹配完成后將所有可用規則前件的權重系數組成模糊矩陣R，矩陣中的每個元素的大小表明它們相互間的關系程度。

由此模糊隸屬關系可表示:

式中:∧、∨分別表示最大值和最小值運算。

經過模糊運算，系統對這個結果進行處理，以便得到轉矩輸出量。這種方法方便直接，但主要應用在隸屬值之間差距較大的情況。

3 系統仿真與分析

以1 MW 風電機組為控制對象，在各種工況下對模糊專家控制系統進行仿真。風速隨時間變化的曲線如圖5 所示。電磁轉矩隨時間變化的圖線如圖6 所示。風力發電機功率輸出如圖7 所示。

由于智能控制領域中的模糊控制是一個高度非線性的動力系統，它可以不依賴于數學模型，具有很強的自適應和學習能力，而專家系統的智能化主要表現為能夠在特定的領域內模仿人類專家思維來求解復雜問題。根據幾組曲線圖可以看出，模糊專家控制方法在風電機組中能比較好地完成控制任務，實現風能的最大追蹤。

4 結 語

本文針對風電機組的非線性和時變性，將模糊控制和專家系統相結合，提出了一種基于模糊專家控制系統的最大風能追蹤控制策略，目的是為了充分利用專家知識和人工經驗，克服了風電機組輸出功率的不穩定性，最大限度地利用風能以獲得最大輸出功率。將兩者有機的結合起來，通過仿真結果可以看出，采用模糊專家控制器可以有效地追蹤最大風能，比傳統控制方法要優越很多，該方案具有可行性。

［1］ 陳毅東，楊育林，王立喬，等．風力發電最大功率點跟蹤技術及仿真分析［J］．高電壓技術，2010，36(5):1322－1326．

［2］ 宋樂鵬，李輝，董志明．模糊邏輯的雙饋發電機最大風能捕獲控制［J］．微特電機，2010(10):55－60．

［3］ 張琦瑋，蔡旭．最大風能捕獲風力發電系統及其仿真［J］．電機與控制應用，2007，34(5):45－46．

［4］ Morimoto Shigeo，Nakamura Tomohiko，Takeda Yoji．Power maximization control of variable speed wind generation system using permanent magnet synchronous generator［J］．Electrical engineering in Japan，2005，150(2):11－19．

［5］ 劉建偉，徐興元，龐京玉，等．專家控制系統研究進展［J］．微型機與應用，2005(11):4－5．

［6］ Neammanee Bunlu，Krajangpan Korawit，Sirisumrannuk Sam．Maximum peak power tracking based control algorithms with stall regulation for optimal wind enegy capture［J］．IEEE Transacions on Industry Application，2008，128(4):411－417．

［7］ 蘇憲彬．變速恒頻雙饋風電系統最大風能追蹤研究［D］．沈陽:沈陽工業大學，2010．

［8］ 吳釗．一種專家系統模糊知識庫的設計與實現［J］．襄樊學院學報，2003，24(5):68－69．

［9］ 楊曉紅，葛海濤．基于模糊控制的風力發電機組低風速時最大風能追蹤控制仿真研究［J］．機械設計與制造，2010，8(8):207－209．

［10］ 王欣，王魏．基于神經元網絡和模糊專家系統的電短期負荷預測［J］．沈陽工程學院學報(自然科學版)，2010，6(4):318－319．

［11］ 劉峰，王輝，許琤，等．模糊控制器在最優風能捕捉系統中的應用［J］．微計算機信息(測控自動化)，2008，24(22):18 －19．

［12］ 朱成銀．模糊專家控制系統及其在閘群自動控制系統中的應用研究［D］．四川大學，2004:45－47．

［13］ 劉曉慧，馬玲．模糊理論在專家系統中的應用研究［J］．電腦學習，2009(6):9－10．

［14］ 張曉丹，趙海，王剛，等．基于信息融合的故障診斷模糊專家系統的應用［J］．吉林大學學報(工學版)，2004，1(34):141 －145．