自學習優化算法對風電機組的功率控制

文 | 高鵬飛，吳浙攀，田德，趙毅

近年來，我國環境狀況引起社會高度重視，尋找環境友好的可再生能源是我們的需求。風能是目前世界上技術較成熟、成本較低的可再生能源之一，發展前景較好。現在，我國已成為全球最大的風電市場，新增裝機容量和累計裝機容量均居世界首位。但一些因素也制約著風電的發展，例如，風的間歇性、波動性引起的機組安全和電網安全問題。因此，如何控制風電機組在多變的風速中安全高效運行成為熱門話題，而神經網絡正好可以解決這一問題。

目前，神經網絡的研究內容主要包括神經網絡理論研究、神經網絡實現技術和神經網絡應用研究3個方面。其中在水電方面，利用方向自學習遺傳算法解決水庫優化調度問題，證明該算法相對于傳統遺傳算法，計算速度快、收斂性好，提高了計算效率。控制方面，雖然對于神經網絡及各種算法已經進行了幾十年的理論研究和改進，在人工智能、自動控制等方面也取得了一定成果，但是對于風力發電行業，尤其是風電機組控制方面，神經網絡及各種優化算法的結合和研究仍然很少。

為了提高過渡區域雙饋式風電機組發電質量的穩定性并減少發電量損失，將自學習算法和神經網絡應用到雙饋風電機組過渡區控制中，與傳統PID變槳控制進行對比分析，為雙饋式風電機組的控制策略提供一種新的方法和思路。

運用Matlab編程軟件，編寫BP神經網絡模型，并運用BP神經網絡模型對1.5MW雙饋風電機組模型的運行參數進行預測。根據預測的機組狀態參數，采用一定的自學習算法，對原始的PID控制參數進行更改，得到新的控制下的風電機組運行狀態參數。通過對比分析預測值和期望值間的誤差以及新舊控制下的狀態參數間的誤差，分析該自學習算法的優化效果和適用性。

基本原理

一、BP神經網絡基本原理

目前，在神經網絡領域，BP神經網絡是發展最為成熟的一種神經網絡算法，有很多優化算法都是基于BP神經網絡發展得到的。BP神經網絡是一種多層的前饋神經網絡。最典型的BP神經網絡有3層拓撲結構，如圖1所示。由圖可以看出，BP神經網絡包括：輸入層、輸出層和隱含層。各層神經元只與下層神經元有權值連接，與同層的神經元沒有連接。

二、自學習算法原理

為了提高PID控制器的準確性、快速性，使得機組運行更加穩定，本文提出了一種基于BP神經網絡預測下的自學習優化算法，在原有的PID控制器基礎上進行改進。

自學習優化算法定義：運用BP神經網絡對機組未來的特性進行預測，通過預測值判斷是否提前增強或減弱變速和變矩控制。

圖1 典型BP神經網絡拓撲結構圖

（1）首先，讓風電機組在原有控制策略下運行一段時間，得到一系列SCADA數據；

（2）將這些數據作為BP神經網絡輸入信號，進行訓練，預測一定時間后的風電機組參數；

（3）對參數進行分析，當達到一定條件時，反饋給控制器一個激勵，使得變槳和變速控制參數發生變化，生成一組新的控制參數；

（4）過一段時間后，再對新一組的SCADA數據進行收集；

（5）重復第二步。

將這種自學習優化算法主要運用于過渡區控制，其目的是增大過渡區風能轉化效率，減小過渡區功率、轉速的波動。

三、自學習算法控制策略

通過特定的BP神經網絡，可以對風電機組過渡區機組特性參數進行短期預測。因此，可以通過對預測值、實時值和額定值進行一系列的計算、對比和判斷，按照特定策略對原有PID控制參數進行一定時間的臨時微調，增強或減緩控制動作，最終使得風電機組在過渡區的運行更加穩定。邏輯框圖如圖 2所示。

圖2 自學習算法邏輯框圖

將選擇的研究數據的槳距角、轉速、轉矩、功率和對應的加速度作為輸入信號。因為在風電機組中，主要控制量為槳距角、轉矩，主要控制目標為功率和轉速，因此，選擇未來的槳距角、轉矩、功率和轉速為輸出信號；同時，考慮到變槳驅動和轉矩作用的滯后性，以及控制的及時性，分別選擇研究數據延遲0.5s、1s、1.5s、2s后的數據作為輸出期望。最終得到了超過1萬個數據組，為了方便計算和程序的編寫，選擇1萬個參數作為訓練和測試樣本：訓練樣本為8000個，測試樣本（期望值）為2000個。（1）通過輸入8000個相同訓練信號進行訓練，得到神經網絡。（2）輸入2000個相同測試值x，通過神經網絡計算，得到預測的y值。（3）將預測值y與相對應的期望值x進行相對誤差計算，并生成相對誤差變化圖。（4）對每一類型相對誤差進行均方根計算。最終得到4類誤差值。（5）對比相對誤差變化圖和均方根誤差值，判斷最優神經網絡結構和初始值。

由于在0.5s時間步長下，BP神經網絡功率預測的準確性更高，因此，在自學習算法控制策略中，可以使用BP神經網絡所得功率預測值。而圖3、圖4和圖5所示分別為槳距角、轉矩和轉速的預測值與期望值對比圖。從圖中可以看出，轉矩和轉速的預測值與期望值誤差值很小，可以認為此時的預測基本準確，同樣可以在控制策略計算中使用。但槳距角的誤差仍然明顯，且在槳距角較大時預測值普遍偏小，認為其原因是變槳控制為變增益控制，且槳距角越大增益越大。鑒于槳距角預測誤差較大，在控制策略計算中不能使用槳距角預測值。

圖3 BP神經網絡槳距角預測與期望對比圖

圖4 BP神經網絡轉矩預測與期望對比圖

圖5 BP神經網絡轉速預測與期望對比圖

四、自學習算法的控制邏輯

過渡區控制主要目的是為了確保風速在額定風速附近波動時，轉矩控制和槳距角控制能夠合理交替，使得風電機組的轉速穩定在額定轉速附近的同時，功率穩定在額定功率附近。

實驗所用風電機組模型的額定功率為1.5MW，額定轉速為188.495rad/s。因此，通過比較預測值和額定值，可以判斷未來風電機組運行狀態以及需要加強的控制模塊。

五、訓練數據風況控制結果

在自學習算法的控制策略控制下，對比新的與原有的動態功率曲線和電機轉速曲線，如圖6和圖7所示。其中原始PID控制所得功率標準差為32885，最大、最小功率值分別為1.64MW和1.32MW，而自學習算法控制下功率標準差為27659，最大、最小功率值分別為1.64MW和1.32MW；同時，原始PID控制所得的轉速標準差為2.746，最大、最小轉速分別為197.05rad/s和178.986rad/s，而自學習算法控制下轉速標準差為2.541，最大、最小轉速分別為196.55rad/s和178.986rad/s；并且原始PID控制所得的600s發電量為250.11kWh，而自學習算法控制下600s的發電量為249.91kWh。

因此，可以認為：在原有的PID控制中引入自學習算法，理論上可以降低過渡區風電機組發電功率和轉速的振蕩，使得風電機組在過渡區的運行更加平穩。同時，雖然減小了一些高于額定功率的發電量，但由于提高了一些低于額定功率的風能吸收，所以在增加穩定性的同時，發電量也沒有過多減少。所以，可以認為，在某一穩定風況，基于該BP神經網絡下的自學習算法，能優化原有PID控制。

自學習算法控制的適用性

同一風況下，運用BP神經網絡進行自學習優化控制，能使風電機組在過渡區的運行更加穩定，并且發電量不會有太大損失。接下來將驗證該BP神經網絡對其他風況的適應性。

一、同一訓練后神經網絡對不同風況的適用性

雖然基于某一特定的訓練后神經網絡的自學習算法，對不同的均風速風況有較好的適應性，其控制結果對原始PID控制有一定的優化作用。但在實驗過程中，仍發現了一定的問題，可以對控制算法作進一步改進。

為了驗證基于某一特定的訓練后BP神經網絡的自學習算法，對不同風況的適用性，分別輸入了10m/s、12m/s、14m/s和16m/s的平均風速風況，并將其控制結果和原始PID控制下的風電機組運行參數進行對比。圖8至圖15即為不同平均風速風況下，引入自學習算法的控制和原始PID控制，得到的風電機組功率與轉速的對比曲線圖。

表1 控制邏輯

圖6 自學習算法與原始PID控制下的功率曲線圖

圖7 自學習算法與原始PID控制下的運行轉速曲線圖

從圖中可以看出，引入自學習算法的控制，對風電機組功率和轉速的穩定性都有一定的提高作用。

為了更直觀地驗證自學習算法的優化作用，將不同均風速風況下，基于自學習算法的控制和原始PID控制的機組功率標準差、轉速標準差、最大/最小功率、最大/最小轉速和600s的總發電量列于表2。

由表格中數據可以看出：

（1）所有風況下，控制器在引入自學習算法后，風電機組轉速的標準差都有所降低，說明基于該神經網絡的自學習算法，能夠優化過渡區風電機組對轉速控制的穩定性。

圖8 均速10m/s風況下的自學習算法與原始控制所得運行功率

圖9 均速10m/s風況下的自學習算法與原始控制所得運行轉速

圖10 均速12m/s風況下的自學習算法與原始控制所得運行功率

圖11 均速12m/s風況下的自學習算法與原始控制所得運行轉速

圖12 均速14m/s風況下的自學習算法與原始控制所得運行功率

圖13 均速14m/s風況下的自學習算法與原始控制所得運行轉速

圖14 均速16m/s風況下的自學習算法與原始控制所得運行功率

圖15 均速16m/s風況下的自學習算法與原始控制所得運行轉速

（2）在低平均風速風況下，由于低于過渡區風速的時間段較多，高于額定風速的時間段較少，而本文的自學習算法策略在低風速段不動作，因此，低風速段的功率與原始PID控制下的功率一致。而過渡區經過自學習算法優化，風電機組的風能利用率有所提高，因此，高風速段功率提高。此種情況，導致了低平均風速風況下，引入自學習算法的控制策略比原始PID控制策略得到的機組功率標準差略高。這也能說明自學習算法下的機組總發電量高于原始PID控制。

（3）在高平均風速風況下，由于過渡區中高于額定風速的時間段較多，自學習算法下的控制有效地降低了超額定發電的功率，因此，引入自學習算法的機組功率標準差低于原始PID控制下的機組功率標準差。這也能說明自學習算法下的機組總發電量略低于原始PID控制下的機組總發電量。

表2 不同風況自學習算法與原始控制運行參數狀態

圖16 特定訓練后神經網絡對均速10m/s風況的運行功率預測

圖17 特定訓練后神經網絡對均速12m/s風況的運行功率預測

圖18 特定訓練后神經網絡對均速14m/s風況的運行功率預測

圖19 特定訓練后神經網絡對另一均速16m/s風況的運行功率預測

以上結果可以證明，基于某一特定訓練后BP神經網絡下的自學習算法，對各種均風速風況的適用性較好，能有效提高過渡區機組風能利用率、降低超額定發電功率，同時增加風電機組轉速穩定性。

二、再訓練神經網絡的自學習算法的適用性

本文采用的特定訓練后神經網絡，為某一16m/s均速風況下風電機組運行參數訓練所得，其對10m/s、12m/s、14m/s和另一16m/s的均風速風況的功率預測能力如圖16至圖19所示。

可見，均風速差別越大，預測的誤差越大，自學習算法對控制的優化也就越差。隨著機組運行時間增加，風況變化，甚至可能導致原始PID控制下的機組運行特性反優于自學習算法控制下的機組運行特性。

因此，本文考慮針對不同的平均風速風況，進行BP神經網絡再訓練，得到針對不同均風速風況的訓練后神經網絡。運用這一系列訓練后神經網絡，對各自對應的均風速風況進行機組功率預測和控制。

以14m/s均速風況為例，圖20和圖21分別為：14m/s均風速風況訓練后的BP神經網絡對機組功率的預測與期望的對比折線圖，以及基于該神經網絡的自學習算法控制策略下的機組功率與原始PID控制下的機組功率對比折線圖。

從圖中可以看出，經過再訓練后的BP神經網絡，對相應風況的功率預測更加準確。而從控制效果來看，圖21和圖12有一定的差別，能夠看出再訓練后自學習算法的效果要優于固定神經網絡的自學習算法的效果，更要優于原始PID控制效果。從數據看，此時的自學習算法控制的功率標準差為53058.94，轉速標準差為2.03353，總發電量為248.27kWh。與表2中14m/s風況對應的數據相比，可以發現再訓練后的自學習算法控制效果更好，功率的穩定性和轉速的穩定性都有很大程度提高，而總發電量的降低主要原因是降低了超額定發電功率。

因此，可以認為，用不同風況下的機組參數訓練出不同的神經網絡，針對不同風況使用相對應的神經網絡進行預測，能使自學習算法對原始PID控制的優化效果更好。

圖20 再訓練神經網絡對均速14m/s風況的運行功率預測

圖21 再訓練后均速14m/s風況下的自學習算法與原始控制所得運行功率

由于10分鐘到2小時時間尺度上，風況的變化程度最小，因此，在同時考慮風況變化和計算成本后，可以采用：每間隔一段時間，運用該時間間隔中記錄的過渡區風電機組運行參數對神經網絡進行一次再訓練，使新得到的神經網絡能夠在接下來的一段時間內更準確地預測機組運行參數。同時，還可以考慮晝夜風速風況變化和季風帶風況季節性變化設置再訓練時間間隔。

結論和展望

運用神經網絡對不同平均風速風況下機組運行參數的預測，采用一定的自學習算法策略，對原始的PID控制參數進行臨時調整，最終得到引入自學習算法優化控制后風電機組運行參數。通過比較自學習算法優化后的參數與原始PID控制下的參數，討論了基于固定BP神經網絡的自學習算法和針對不同風況再訓練BP神經網絡的自學習算法的優化效果和適用性。由于本文所用神經網絡的結構相對簡單，只有一層隱含層，在計算資源允許的情況下，可以考慮建立更加復雜的多隱含層BP神經網絡提高預測的準確性。或者在預測階段，對神經網絡進行如遺傳算法等算法的優化，以提高預測準確性。