基于风速测量与估计的风电系统MPPT控制装置及方法与流程

技术特征：

1.一种基于风速测量与估计的风电系统MPPT控制装置及方法，风电系统包括永磁直驱风力发电机(1)、整流器(2)、第一电容(3)、第二电容(4)和负载(5)，其特征在于，所述MPPT控制装置包括MPPT控制器(6)、风速传感器(7)、温度传感器(8)、气压传感器(9)、转速传感器(10)、电压传感器(11)、电流传感器(12)、DC-DC变换器(13)和驱动模块(14)；其中，所述负载(5)的一端与第二电容(4)的正极连接，另一端接地；所述整流器(2)的三相输入端与所述永磁直驱风力发电机(1)的三相输出端连接，所述整流器(2)的单相输出正端与所述第一电容(3)的正极连接，所述整流器(2)的单相输出负端与所述第一电容(3)的负极连接；所述电压传感器(11)的待测电压输入正端与所述第一电容(3)的正极连接，所述电压传感器(11)的待测电压输出入负端与所述第一电容(3)的负极连接；所述电压传感器(11)的测量信号输出端与所述MPPT控制器(6)连接；所述电流传感器(12)的待测电流输入端与所述第一电容(3)的正极连接，所述电流传感器(12)的待测电流输出端与所述DC-DC变换器(13)的输入正端连接；所述电流传感器(12)的测量信号输出端与所述MPPT控制器(6)连接；所述DC-DC变换器(13)的输入负端与所述第一电容(3)的负极连接，所述DC-DC变换器(13)的输出正端与所述第二电容(4)的正极连接，所述第二电容(4)的负极接地，所述DC-DC变换器(13)的输出负端接地，所述DC-DC变换器(13)的脉宽调制信号输入端与所述驱动模块(14)的一端连接；所述驱动模块(14)的另一端与所述MPPT控制器(6)连接；所述转速传感器(10)的两个输入端与所述永磁直驱风力发电机(1)的三相输出端中的其中两端连接，所述转速传感器(10)的测量信号输出端与所述MPPT控制器(6)连接；所述风速传感器(7)的测量信号输出端与所述MPPT控制器(6)连接；所述温度传感器(8)的测量信号输出端与所述MPPT控制器(6)连接；所述气压传感器(9)的测量信号输出端与所述MPPT控制器(6)连接。

2.一种基于风速测量与估计的风电系统MPPT控制方法，其工作步骤为：

步骤1：通过风速传感器(7)采集地面某一高度Z₀处的风速信号V₀，并按照以下公式计算风机轮毂高度Z_m处的风速信号V_m：

$V_m=V_0{\left(\frac{Z_m}{Z_0}\right)}^{\mathrm{\α}}$

其中，α为风切变指数；

步骤2：分别利用电压传感器(11)、电流传感器(12)采集风电系统中整流器(2)输出的直流电压V_z与直流电流I_z，利用转速传感器(10)采集风机转速ω_r，计算出此刻的永磁直驱风力发电机(1)的输出机械功率P_m为：

$P_m={\mathrm{J\ω}}_r\frac{{\mathrm{d\ω}}_r}{dt}+V_z\·I_z;$

步骤3：通过温度传感器(8)采集空气温度T，气压传感器(9)采集大气压力p，并将风机转速ω_r、机械功率P_m同空气温度T、大气压力p输入遗传-径向基神经网络风速估计模型，遗传-径向基神经网络风速估计模型输出的是风速的估计值V_m1；

步骤4：将风速的估计值V_m1与风速信号V_m按照以下方式进行融合，得出融合后的风速估计信号为：

V_mr＝w*V_m1+(1-w)*V_m

其中，w为融合系数；

步骤5：利用最佳叶尖速比法，计算出有效风速的估计值V_mr所对应的最佳风机转速预测值ω_ref：

${\mathrm{\ω}}_{ref}=\frac{{\mathrm{\λ}}_{opt}\·V_{mr}}{R}$

其中，λ_opt为最佳叶尖速比，R为叶轮半径；

步骤6：通过比例积分控制方法调节风机转速ω_r，使之达到最佳风机转速预测值ω_ref；然后以ω_ref为初始值，采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率；

步骤7：若占空比爬山搜索法求得的扰动前后的功率差值大于等于设定阈值T_r，说明风速发生了突变，重复步骤1至步骤7；否则，继续采用占空比爬山搜索法以设定的扰动步长Δd跟踪风机的最大功率。

3.根据权利要求2所述的一种基于风速测量与估计的风电系统MPPT控制方法，其特征在于所述遗传-径向基神经网络风速估计模型的建立过程如下：

步骤S1：采集风速-转速-气压-温度-功率训练样本，针对不同空气温度T与大气压力p，查阅空气在不同压力和温度下的密度表获取空气密度ρ，令风速信号V_w与转速信号ω_r分别在一定范围内变化，并按照如下公式获取风机的机械功率输出信号P_m：

$P_m=\frac{1}{2}{C}_p{\mathrm{\ρ\πR}}^2{V_w}^3---\left(1\right)$

$C_P=0.22(\frac{116}{{\mathrm{\λ}}_1}-0.4-5)e^{\frac{-12.5}{{\mathrm{\λ}}_1}}---\left(2\right)$

$\frac{1}{{\mathrm{\λ}}_1}=\frac{1}{\mathrm{\λ}+0.08}-0.0175---\left(3\right)$

其中：R为风轮半径，C_p为风能利用系数，ρ为空气密度，λ为叶尖速比，通过构造大量风速-转速-气压-温度-功率样本，形成训练样本集{(V_w，ω_r，T，p，P_m)}；

步骤S2：建立遗传-径向基神经网络风速估计模型，输入层为4个神经元，隐含层为10个神经元，输出层为1个神经元，其中，输入层的第一个神经元对应输入为转速ω_r，输入层的第二个神经元对应输入为温度T，输入层的第三个神经元对应输入为气压p，输入层的第四个神经元对应输入为风机机械功率P_m，输出层神经元对应输出为风速V_w，隐含层的基函数选择为高斯函数；

步骤S3：基于训练样本集{(V_w，ω_r，T，p，P_m)}，利用遗传算法对径向基神经网络风速估计模型的参数{(c_i，δ_i，w_i)}进行优化，其中，c_i为径向基神经网络隐含层第i个神经元的基函数的数据中心，δ_i为径向基神经网络隐含层第i个神经元的基函数的扩展常数，w_i为径向基神经网络隐含层第i个神经元到输出层的权值，具体步骤为：

步骤a)：设置染色体的种群规模M，遗传终止进化代数T，染色体适应度函数，采用实数编码方式对染色体进行编码，并进行初始化；其中染色体的适应度函数为该染色体对应的径向基神经网络在训练样本集上的输出误差绝对值之和的倒数，即：

其中，表示该染色体对应的径向基神经网络在第k个训练样本上的输出，Y_k表示目标输出值，m表示训练样本的总个数；

步骤b)：计算种群中每个染色体的适应度函数值，并确定适应度函数值最大的为最优秀个体；

步骤c)：判断本次遗传代数是否达到遗传终止进化代数T；如果达到，优化过程结束，最优秀个体对应的径向基神经网络模型即为最终模型；如果未达到，则进行选择、自适应交叉和变异运算，产生下代种群，将遗传代数增加1次，并转至步骤b)。