基于風速預測的改進爬山法最大功率追蹤策略

姚萬業， 賈昭鑫， 黃 璞

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

0 引言

在高于切入風速低于額定風速段，為了最大限度地捕獲風能，風電機組采用最大功率點追蹤(MPPT)控制。其控制的目標在于，隨著風速的變化，通過調節風輪的轉速使其始終運行在最優轉速即最佳葉尖速比，進而最大效率地捕獲風能。

常見的最大功率追蹤方法有最佳葉尖速比、功率信號反饋法、爬山搜索法等[1,2]。憑借不依靠風機特性，不需要測量風速的優勢，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[3]提出了一種追蹤區間優化的最大功率點追蹤策略，通過徑向基神經網絡優化了爬山搜索法的搜索區間。文獻[4]提出了一種變步長爬山法控制策略，通過變步長保證了爬山法的追蹤性能和追蹤速度。文獻[5]將停止機制引入爬山搜索法，通過舍棄部分低風速段的功率避免了爬山搜索法的錯誤搜索方向。上述改進爬山搜索法的研究工作，突破了傳統方法忽略跟蹤動態的局限性，取得了不錯的效果。但是，由于在優化問題上很難找到彼此之間的量化關系，在風速條件多變的情況下，改進的爬山搜索法很容易出現搜索方向出錯，步長過大或過小的問題。

為此，考慮到風速對功率追蹤的影響，本文引入粗略風速估計[6]，提出了一種基于風速預測的改進爬山法最大功率追蹤策略。首先利用LSTM神經網絡模型，合理利用包括風速在內的溫度、氣壓、空氣密度等風機多傳感器融合信息，對風速進行了粗略的估計，實現了較為準確的風速下一步預測，然后利用預測的下一步風速優化改進了現有的最大功率追蹤爬山搜索法。實驗仿真驗證了引入了風速前饋的最大功率追蹤策略的有效性。

1 爬山法最大功率追蹤

1.1 MPPT的原理

根據貝茨理論，風力發電機的功率與風速的三次方相關，風機捕獲的機械能Pm可以由空氣密度ρ，槳距角β，風輪半徑R和風速V表示[7,8]：

Pm(v,ω)=0.5ρπR2v3Cp(λ,β)/w

(1)

式中：CP稱為風能利用系數，是關于葉尖速比λ和槳距角β的非線性函數[9]，當槳距角固定不變時，風能利用系數Cp僅與葉尖速比λ有關，葉尖速比定義為：

λ=Rω/v

(2)

聯立(2)(4)可得風機的最佳功率Popt：

Popt(ω)=Koptω3

(3)

圖1 最佳功率曲線的確定

1.2 爬山法

爬山法主動周期性的施加轉速擾動，根據風力發電機功率—轉速曲線觀察擾動后系統輸出功率的改變方向，從而實現最大功率追蹤。目前傳統爬山法主要存在2個問題：

(1)搜索區間不能自適應，搜索時間長

在爬山法中，最優功率點搜索的起始轉速，就是上一時刻穩定點的轉速。如果該轉速與下一時刻的最優轉速相差越大，則搜索時間會越長，難度會越大。

(2)搜索方向誤判斷和MPP點振蕩

如圖2所示，大步長可以加快搜索速度，但是精度無法保證，小步長可以保證精度，卻不能加快收斂速度。

圖2 不同長度Δw的擾動情況

此外傳統爬山法由于步長為常量，使得風機在達到最大功率點后會一直在該點附近振動。圖3反映了這種振動，頻繁的振蕩會影響發電機的效率和使用壽命。

圖3 MPP處的振蕩

2 FRS-LSTM風速預測模型

2.1 LSTM神經網絡

LSTM是一種改進的RNN，該模型可以學習長期的依賴信息，避免梯度消失的問題[10]。LSTM在RNN的隱藏層的神經節點中，增加了一種被稱為記憶細胞(Memory cell)的結構用來記憶過去的信息，并增加了3種門結構(Input，Forget，Output)來控制歷史信息的使用。圖4為LSTM神經元結構示意圖，中間部分為一個Memory Block，每個Block里面包含有多個由一組Gate控制的Memory Cell，同一個Memory Block的多個Memory Cell由同一組Gate共同控制，與LSTM相連的傳送機構控制信號在BPTT時無衰減傳播，通過Input Gate和Output Gate控制信息的流入與流出，通過Forget Gate決定是否重置網絡，這些門的行為通過前一層的輸出、上一時刻的隱藏層的輸出以及記憶單元信息三者共同控制[11,12]。假設輸入序列為(x1,x1,…,xr)，隱藏層層狀態為(h1,h2,…,hr)，則在t時刻有：

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，Forget Gate和Output Gate；ct代表cell單元；wh代表遞歸連接的權重；wx代表輸入層到隱藏層的權重；sigmoid與tanh為2種激活函數。

圖4 LSTM神經元結構示意圖

2.2 預測模型

通過傳感器可采集的參數為：風速、溫度、風向、空氣濕度、氣壓。利用這些參數作為輸入可設計神經網絡模型完成下一時刻的風速預測。預測模型結構由模糊粗糙集因素約簡(FRS)和神經網絡預測(LSTM)兩部分組成，利用前者對噪聲的敏感性，將輸入信息的空間維數簡化，作為后者LSTM神經網絡預測部分的輸入，利用后者通過訓練學習，抽取逼近隱含的輸入輸出非線性關系，得到風速預測的效果。

預測模型框圖如圖5所示。

圖5 預測模型框圖

利用模糊粗糙集理論[13,14]進行屬性約簡，去除冗余信息。將預測時刻的風速v(t+1)設定為決策屬性，選取35個影響因素作為條件屬性，確定初始決策表。然后根據各個屬性的物理特性，選取合適的模糊隸屬度函數對各屬性模糊，根據上文確定的各屬性隸屬度函數，對35個條件屬性進行約簡，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)

神經網絡的輸入為經過模糊粗糙集約簡后的屬性集R，輸出為v(t+1)時刻的預測風速。

3 基于風速預測的改進爬山法

本文提出了基于風速預測的改進爬山法最大功率追蹤策略，根據融合的傳感器信息，依靠上文提出的LSTM神經網絡預估風速，將預估的風速信息用于轉矩控制算法的設計，優化追蹤區間，確定搜索方向，防止MPP點處的反復振蕩，改進的爬山法控制策略框圖如圖6所示。

圖6 改進爬山法控制策略

本文從3個方面闡述改進的爬山法：

(1)優化追蹤區間

如圖7所示，當風機運行在K時刻，風速為v(k)，風電機組能夠穩定運行在該風速下，此時的轉速為最優轉速wopt(k)，即點A，在爬山搜索法中，點A就是下一時刻搜索的起始位置，該時刻的轉速wopt(k)就是下一時刻(k+1)時刻的搜索起始轉速。

圖7 追蹤區間優化

假設(k+1)時刻，風速變為v(k+1),風電機組將在控制策略的作用下重新搜素新風速下對應的最佳功率點。搜索區域為A-C段。此時，利用k時刻預測出(k+1)時刻的風速為vp(k+1)，根據公式(12)推出(k+1)時刻的風電機組轉速wpre(k+1)：

wpre(k+1)=λopt·vP(k+1)·N/R

(10)

將轉速wpre(k+1)替代wopt(k)作為(k+1)時刻最大風能追蹤的初始轉速,即將初始搜索點從A點移動到B點，搜索區域變為B-C段。(k+1)時刻，對應風速v(k+1)的最優功率點轉速為wopt(k+1)。(k+1)時刻的MPPT中，如采用傳統無風速預測爬山法，起始轉速與最優轉速的差值為：

Δw=wopt(k+1)-wopt(k)=

λopt·[v(k+1)-v(k)]·N/R

(11)

改進爬山法后，新的起始轉速與最優轉速的差值為：

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速預測后，爬山法搜索的區間由Δw縮減為Δw′，搜索效率大大提高。實驗發現，由于縮小了追蹤區間，擾動值的選取變得比較重要，少許的變化可能就會產生振蕩，所以在收縮區間的優化上引入收縮系數α，根據v(t)與v(t+1)的變化幅度改變系數α，當風速變化過快時，大的α保證收縮區間收縮的不至于過小，當風速變化不大時，小的收縮系數α保證收縮的不至于過大。

(2)確定搜索方向

當風速穩定時，根據爬山法的原理，通常的搜索方向判斷為由式(13)決定：

(13)

當風速出現波動的時候，用預測風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點的波動

當(k+1)時刻最大風能追蹤的起始搜索區域確定為wini(k+1)后，采用變轉速擾動MPPT控制來找到最優功率點。在2個相鄰的離散時間點(n-1)和n，對機組的輸出功率和轉速進行采樣，計算風電機組功率的斜率dPT/dwT：

(15)

風電機組轉速擾動可取為：

Δw=KMPPT(dPT/dwT)

(16)

當|ΔPT|=|PT(n)-PT(n-1)|

4 算例分析

采用GH-Bladed軟件進行仿真驗證，由于軟件仿真的局限性，對屬性約簡集進行了微調，輸入變量的選取采用了適當的刪減。仿真采用1.5 MW風機模型，風機參數如表1所示。

表1 風力發電機組整機參數

本文主要仿真的部分在額定風速以下，即槳距角為0°狀態。分別采用平均風速6 m/s，7 m/s，8 m/s，9 m/s的4種3D湍流風進行仿真驗證。仿真采用了統一變槳方式，在仿真過程監控4個數據，分別為：槳角，測量的轉速，設定的轉矩，輪轂處測量風速，輸出功率。

仿真中200～300 s發生了風速突變，選取該100 s內進行分析，風速預測效果如圖8所示，控制策略仿真結果如圖9所示。

圖8 預測結果

圖9 仿真結果

由仿真結果可得，新提出的基于風速預測的改進爬山法：

(1)有效避免了風速變化情況下的錯誤搜索方向。如圖圓圈標注的部分可以明顯看出，當風速發生變化的時候，傳統爬山搜索法出現了錯誤的搜索方向，本應該減小轉速的時候，卻朝著轉速增大的方向搜索，改進的爬山法則有效避免了該方向的錯誤。

(2)明顯減少了風機在MPP點處的振蕩。長方形標注的部分可以看出，優化的爬山搜索法轉速控制更加平滑，避免了頻繁的轉速切換。

(3)有效提高了風能捕獲效率。由公式(17)計算的風能捕獲效率，改進的爬山搜索法為97.1%，傳統的爬山搜索法為95.3%。

(17)

式中：ΔPmax為所示功率；Pcap為實際捕獲的風能；Pmax為捕獲風能理論值。

5 結論

相對于傳統的最大功率追蹤策略，本文提出了一種基于風速預測的改進爬山法控制策略，融合風機運行過程中的各種傳感器信息，利用深度學習神經網絡，實現了下一時刻風速的預測，通過預測的風速有效地收縮了風機轉速的追蹤區間，確定了正確的搜索方向，避免了MPP點處頻繁的振蕩，實驗仿真表明了該方法的有效性。

[1]李鑫,曾令全,侯斌,等. 風力發電仿真系統中模擬風輪機的理論研究[J]. 華北電力大學學報(自然科學版),2010,37(6):17-22.

[2]李梓萌,李洪舉,馮潔. 基于模糊控制結合擾動觀察法的風力發電系統MPPT控制策略[J]. 電力科學與工程,2016,32(11):18-22.

[3]殷明慧，張小蓮，鄒云，等. 追蹤區間優化的風力機最大功率點追蹤控制[J].電網技術，2014，38(8)：2180-2185.

[4]鐘沁宏，阮毅，趙梅花，等.變步長爬山法在雙饋風力發電系統最大風能跟蹤控制中的應用[J]. 電力系統保護與控制，2013，41(9)：67-73.

[5]張小蓮, 李群, 殷明慧,等. 一種引入停止機制的改進爬山算法[J]. 中國電機工程學報, 2012, 32(14):128-134.

[6]高陽,鐘宏宇,陳鑫宇,等.基于神經網絡和小波分析的超短期風速預測[J].可再生能源,2016,34(5):705-711.

[7]祝曉燕,張金會,付士鵬,等. 基于集合經驗模態分解和支持向量機的短期風速預測模型[J]. 華北電力大學學報(自然科學版),2013,40(5):60-64.

[8]石亞欣. 基于時間序列的WD-LS-SVM的風速周期預測模型研究[J]. 電力科學與工程,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間序列法的風電場風速預測[J]. 華北電力大學學報(自然科學版),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]楊訓政，柯余洋，梁肖，等.基于LSTM的發電機組污染物排放預測研究[J].電氣自動化，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聚類的神經網絡風速預測[J].中國電機工程學報，2014，34(19)：3162-3169.

[14]尹東陽，盛義發，蔣明潔，等.基于粗糙集理論-主成分分析的Elman神經網絡短期風速預測[J].電力系統保護與控制，2014，42(11)：46-51.