基于神经网络优化起始转速的最大功率点跟踪控制方法
【专利摘要】本发明提出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。该方法基于现有MPPT控制方法提出采用神经网络根据风速条件动态优化补偿系数以获得最佳起始发电转速,进而进一步提高风能捕获效率。采用的神经网络以平均风速和湍流强度作为输入,以最佳补偿系数作为输出。本发明利用遍历算法得到的大量训练数据对神经网络进行训练,采用完成训练的神经网络根据变化的风速条件计算得到对应的最佳补偿系数,然后将其用于优化起始发电转速,以获得最佳的MPPT跟踪区间,实现对风能捕获效率的进一步提高。本发明的实施例将该方法与几种传统MPPT控制方法对比,验证了该算法的有效性和优越性。
【专利说明】基于神经网络优化起始转速的最大功率点跟踪控制方法
【技术领域】
[0001]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】
[0002]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。
[0003]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。
[0004]为此,美国国家可再生能源实验室的L.J.Fingersh和P.ff.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。
[0005]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】
[0006]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。
[0007]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I数,用于周期性地调整起始转速,I为风
进行调整的步骤如下:
續口起始转速更新周期I;进行设置,其中风[样值序列,将①一初始化为风机最大功率1,优选为20分钟。
巨获得多种平均风速5和湍流强度II下对1丨练样本;训练时,以风速的平均值具和湍《数为输出变量;
,以风速采样周期I;在该周期I;中对风速样值序列;
【权利要求】
1.一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,其特征在于,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:
2.根据权利要求1所述的基于神经网络优化起始转速的最大功率点跟踪控制方法,其特征在于,步骤I中起始转速更新周期I;为20分钟。
3.根据权利要求1所述的基于神经网络优化起始转速的最大功率点跟踪控制方法,其特征在于,步骤7中对起始发电转速ωbgn进行调整具体为:将调整为
【文档编号】F03D7/00GK103835878SQ201310118184
【公开日】2014年6月4日 申请日期:2013年4月7日 优先权日:2013年4月7日
【发明者】殷明慧, 张小莲, 周连俊, 张刘冬, 刘子俊, 邹云 申请人:南京理工大学