基于RBF神经网络的桨距角控制策略.pdfVIP

第32卷第5期 太阳能学报 V01．32，No．5 2011年5月 ENERGIAE ACI．A SOLARIsSINICA May，2011 基于RBF神经网络的桨距角控制策略 王 哲1，田艳丰2，陈 雷3，郭庆鼎1 (1．沈阳工业大学电气工程学院，沈阳110178；2．沈阳工业大学信息科学与工程学院，沈阳110178； 3．沈阳工业大学风能技术研究所，沈阳110023) 摘要：针对风力发电系统数学模型复杂，受参数变化和外部干扰严重，具有非线性、时变、强耦合的特点，将神经 网络控制引入到风力发电控制系统中，将神经网络控制器作为变桨距系统的控制器，在风速高于额定风速的情况 下，根据风速的变化调整桨叶桨距角，从而调节发电机的输出功率，使风力发电机组的输出功率保持稳定。最后， 利用Simulink搭建整个控制系统，对系统进行仿真。结果表明，使用RBF神经网络变桨距控制器的风力发电系统确 实具有更好的动态性能、收敛速度和静态误差，为今后进一步研究奠定了一定基础。 关键词：PID；桨距角；径向基函数；simulink；风力机 中图分类号：TM315 文献标识码：A 0引言 1 RBF神经网络PID 风力发电机系统主要由风力机和发电机两部分 Basis 径向基函数(RBF_蹦ialFunction)神经 组成。当风速高于额定风速时，由于风电自身机械、 电气强度的限制以及电网对供电品质的要求，希望 的一种神经网络，它是具有单隐含层的三层前馈网 发电机输出功率稳定在额定工作点附近，这就是功 络[2】。如图l所示，输入层节点只传递输入信号到 率控制。功率控制方式一般可分为定桨距控制和变 隐层，隐层节点的作用函数(基函数)采用高斯函数， 桨距控制。风力发电机组在风速高于额定风速的情 而输出层节点通常是简单的线性函数。隐层节点中 况下，一般采用变桨距调节的方式，系统工作在功率 的基函数将对输入信号在局部产生响应，也就是说， 恒定区，使风力发电机组的输出功率保持稳定。 当输入信号靠近基函数的中央范围时，隐层节点将 变桨距系统有3个主要工作状态：开桨、高于额 产生较大的输出，由此看出这种网络具有局部逼近 定风速调节功率和关桨。变距风轮的桨叶在静止 能力，所以径向基函数网络也称为局部感知场网络。 时，桨距角为900，这时气流对桨叶不产生转矩，整个 桨叶实际上是一块阻尼板。当风速达到起动风速 时，桨叶从90。位置以7．50／s的速度向桨叶的最优受 风位置(1MW机组为00)转动。在风速较高时，通常 采用调节风轮桨距角的方法来减小功率利用系数， 从而将输出功率保持在允许的最大值。关桨时，桨 叶回到900位置，形成阻尼板，关桨停机。 图1 RBF神经网络结构 风轮桨距角的调节可用传统方式来处理，即将设 StructureofRBF Fig．1 neuralnetwork 备的一系列工作点线性化后建立一个控制器。但对 由于它模拟了人脑中局部调整、相互覆盖接受 于一个复杂的非线性设备(如风力发电机组)，这种处 域(或称感受域——ReceptiveField)的神经网络结 理方法需要通过精确的计算和大量的设计工作。 构。因此，RBF网络是一种局部逼近网络，已证明它 利用神经网络，系统可以被训练成能够离线学习 能以任意精度逼近任意函数。 了解系统的数学模型，使控制系统简单化、实用化