[发明专利]基于神经网络优化起始转速的最大功率点跟踪控制方法

说明书

技术领域

本发明属于风力发电领域，特别是一种基于神经网络优化起始转速的最大功率点跟踪控制方法。

背景技术

为了提高低于额定风速区间的风能捕获效率，变速恒频风力发电机组一般采用最大功率点跟踪（Maximum Power Point Tracking，MPPT）控制策略。功率曲线法（也称为功率信号反馈法或转矩曲线法）是应用最广泛的MPPT控制方法之一。

传统的MPPT控制，特别是功率曲线法，多基于系统稳态设计，而忽略了风机系统在不同稳态工作点之间跟踪的动态过程。但是，面对不断提升的单机容量导致风轮不断增大的转动惯量及其愈发缓慢的动态响应性能，以及风速频繁处于波动过程中且很难短期预测，传统MPPT控制下的风机系统绝大部分时间处于动态过程中，而非运行在稳态工作点上。因此，风机实际的风速跟踪效果仍有待改善。

为此，美国国家可再生能源实验室的L.J.Fingersh和P.W.Carlin首次提出了利用发电机电磁转矩帮助风机加速或减速的改进思路；在此基础上，Johnson K.E.等人提出了减小转矩增益（Decreased Torque Gain，DTG）控制。该控制方法不仅通过减小电磁转矩提高了风机在跟踪渐强阵风时的加速性能，更首次应用了以放弃部分低风速段的转速跟踪效果换取高风速段的高风能捕获效率的控制思想；进一步地，考虑到DTG控制采用恒定的增益系数，Johnson K.E.等人又设计出自适应转矩控制，利用自适应算法和历史运行工况的统计数据，迭代搜索并在线修正最优增益系数，以响应迭代周期时间尺度上的风速条件变化。但是，该思路面临的关键难题是转矩调整的最优状态与风速条件密切相关，但却很难找到它们之间直接的量化关系。鉴于此，殷明慧等人提出基于收缩跟踪区间的改进最大功率点跟踪控制，通过缩短跟踪路程达到改善MPPT跟踪效果的目的。

上述研究工作可以归纳为两条研究思路，即通过调整电磁制动转矩和缩短跟踪路程两个方面来改善风机的动态性能和跟踪效果，突破了传统功率曲线法忽略跟踪动态的局限性。然而，基于收缩跟踪区间的改进最大功率点跟踪控制并未给出最优的跟踪区间（即最佳补偿系数），由于跟踪区间的设置将显著影响MPPT的跟踪效果，因而对于跟踪区间的优化显得十分重要。但是现有技术中尚无相关描述。

发明内容

本发明所解决的技术问题在于提供一种基于神经网络优化起始转速的最大功率点跟踪控制方法，通过优化起始发电转速获得最优的转速跟踪区间以进一步提高风能捕获效率。

实现本发明目的的技术解决方案为：一种基于神经网络优化起始转速的最大功率点跟踪控制方法，以基于起始转速调整的改进功率曲线法为基础，采用神经网络调整起始发电转速来实现最大功率点跟踪控制，所述基于起始转速调整的改进功率曲线法所用公式为：

上式中，M为转动惯量，T_m为风轮的机械驱动转矩，T_e为电磁制动转矩，v为风速，ω为风轮的角速度，为风轮角加速度，ρ为空气密度，R为风轮半径，C_P为风能利用系数，λ＝ωR/v是叶尖速比，ω_bgn为起始发电转速即起始转速，λ_opt为最佳叶尖速比，为一个周期内的风速采样值序列的平均值，α为补偿系数，用于周期性地调整起始转速，T_opt为风机的最优转矩曲线，具体为：

T_opt(ω)＝K_mω²

上式中为最大风能利用系数；

其中起始发电转速ω_bgn采用神经网络进行调整的步骤如下：

步骤1、进行初始化，即对风速采样频率和起始转速更新周期T_r进行设置，其中风速采样频率为1～4Hz；清空T_r所对应的风速采样值序列，将ω_bgn初始化为风机最大功率点跟踪控制阶段的最小转速；起始转速更新周期T_r优选为20分钟。

步骤2、训练神经网络，即利用遍历算法获得多种平均风速和湍流强度TI下对应的最佳补偿系数α_opt，将其作为神经网络的训练样本；训练时，以风速的平均值和湍流强度TI为神经网络的输入变量，以最佳补偿系数为输出变量；