小型風力機組發電最大功率點跟蹤技術綜述

毛盾

【摘要】 當前能源危機制約著社會的發展，因此發展風力這一清潔能源是國家可持續發展的長久之計。本文中探討了小型風力機發電最大功率點跟蹤的傳統方法，也重點討論了智能算法，包括模糊控制和遺傳算法，并闡明了各自的優缺點，旨在為小型風力機發電系統最大功率點跟蹤方案提供參考和選擇。

【關鍵詞】 小型風力機組 最大功率點跟蹤 最佳葉尖速比法 爬山搜索算法 自適應算法 模糊控制法 遺傳算法

目前在清潔能源這一領域，風力發電和光伏發電發展的最快最好，但是筆者在研究過程中發現，無論在國內還是國外，風力發電研究相比于光伏發電研究要少一些，尤其在智能控制領域。主要也由于風力系統存在非線性，風速變化快，難以捕捉，風機轉速調整難以滿足實時性等。

一、最佳葉尖速比法[1]：

根據貝慈理論風能的利用系數隨著葉尖速比的變化而變化，當風速發生變化時，可以通過調節風力發電機風輪的轉速維持在最大值出，即最佳葉尖速比的位置。

最佳葉尖速比法的缺陷：最佳葉尖速比法長期運行中系統參數的變化會使實際最大功率點偏離原曲線，導致理論調節的最佳轉速與當前狀態所需最佳轉速不符；另外風能又是一種隨機性很強的能源，風速頻繁處于波動過程中且很難短期預測。這些都使MPPT控制下的風機系統絕大部分時間都處于動態過程中，而非運行在穩態工作點上，使跟蹤結果在實際的最大功率點波動[2]。

二、爬山搜索算法[3]

爬山搜索算法的總體思路：為了避免精確捕捉風速的難題，而在當前風速下給風力發電機風輪以一個轉速的干擾，通過檢測風力發電機的輸出功率的變化，與已知轉速與最大輸出功率之間的關系曲線進行對比，以此來決定搜索的方向。

爬山搜索算法的缺陷：爬山搜索算法雖然避免了捕捉風速的難題，但是因為引入擾動，會對系統的穩定性造成影響，使系統在最大功率點附近發生震蕩，擾動步長過大或過小都會對跟蹤效率產生影響，當環境發生突變時，跟蹤會產生誤判。

三、自適應控制

基于微分跟蹤器的功率曲線自尋優控制，它對機組參數如功率特性或轉矩特性等依賴性較小，在風速變化的情況下能夠對機組功率曲線的系數進行實時的修改，并有效地將機組的功率曲線調整到最大功率曲線的位置，根據轉速對時間的一階導數，功率對時間的一階導數，轉速對時間的二階導數確定當前狀態相對于參考值的位置，以此來自動調整到最大功率曲線的位置。

四、模糊邏輯控制法

模糊邏輯控制法是基于人類的邏輯思維而提出的，外界對于人產生刺激信號（給定輸入），由神經組織將信號傳送給中樞神經系統（控制器）進行處理，與此同時，中樞神經系統還受其他神經的控制及經驗的影響，形成控制上的反饋回路，中樞神經系統處理刺激信號后發出控制信息控制肌肉和組織，從而來控制受控信號。而在神經中樞系統中沒有固定的數值和算式語言，而是依據模糊的邏輯變數來控制被控信號，因此模糊控制器不必像傳統的方法那樣建立完整的數學模型。通過設定模糊規則及隸屬函數將模糊輸出變為精確輸出。

模糊控制法的優缺點：由于模糊控制器是一種語言控制器，使得操作人員很容易使用自然語言來實現人機對話，容易控制和掌握理想的非線性量，具有很好的自適應性，穩定性和容錯性，但是模糊控制法的難點在于如何設計出符合要求的控制器。

五、基于遺傳算法的最大功率點跟蹤

遺傳算法在凈化過程中基本不用外部信息，基本靠自身的適應度函數，適應度函數是由目標函數變換而成。建立目標函數之后進行過程選擇，按比例適度分配。隨后進行基因重組，就是把兩個父體內的部分基因取出，疊加組成新個體基因，通過基因重組達到優化。

遺傳算法的優缺點：采用遺傳算法能在ΔD≥0.03時較好的兼顧了系統跟蹤的動態性能和穩定性能，但在經歷編碼-初始種群的生成-過程選擇-基因重組-變異的過程中參數的選擇難以把握，如交叉概率控制著交叉操作的頻率，太大會使高適應值的結構很快遭到破壞，過小則會使搜索停滯不前。

結語：通過對小型風力發電系統的研究發現，不管是將風力發電系統最大功率點跟蹤技術與光伏發電最大功率點跟蹤技術相比，還是風力發電系統最大功率點技術自身的傳統方法與智能控制算法比較，傳統控制算法在跟蹤動態性能和穩態性能方面較智能算法都差一點，而且智能控制算法在跟蹤風速和風機轉速方面有很大的研究空間，因此在研究傳統的小型風力機最大功率點跟蹤技術的同時，要重點研究現代智能控制算法在此領域的應用，并將兩者結合使用。

參 考 文 獻

[1]趙邈 風光互補并網發電系統及最大功率點的跟蹤 長沙理工大學碩士學位論文 2011

[2]張玉，韓金剛，湯天浩 基于爬山法的風電最大功率點跟蹤控制的仿真研究；上海海事大學物流工程學院，上海201306

[3]大型風電機組的功率曲線自尋優控制策略；夏安俊，徐浩，胡書舉，許洪華；高電壓技術 2012.08.31