CN104454346A - 一种小型永磁直驱风力发电***最大功率跟踪控制方法 - Google Patents
一种小型永磁直驱风力发电***最大功率跟踪控制方法 Download PDFInfo
- Publication number
- CN104454346A CN104454346A CN201410622989.XA CN201410622989A CN104454346A CN 104454346 A CN104454346 A CN 104454346A CN 201410622989 A CN201410622989 A CN 201410622989A CN 104454346 A CN104454346 A CN 104454346A
- Authority
- CN
- China
- Prior art keywords
- wind
- speed
- firefly
- support vector
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000010248 power generation Methods 0.000 title claims abstract description 20
- 241000254158 Lampyridae Species 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims description 81
- 239000000523 sample Substances 0.000 claims description 24
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 241000131894 Lampyris noctiluca Species 0.000 claims description 14
- 230000005389 magnetism Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 239000003623 enhancer Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- IGXWBGJHJZYPQS-SSDOTTSWSA-N D-Luciferin Chemical compound OC(=O)[C@H]1CSC(C=2SC3=CC=C(O)C=C3N=2)=N1 IGXWBGJHJZYPQS-SSDOTTSWSA-N 0.000 description 1
- CYCGRDQQIOGCKX-UHFFFAOYSA-N Dehydro-luciferin Natural products OC(=O)C1=CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 CYCGRDQQIOGCKX-UHFFFAOYSA-N 0.000 description 1
- BJGNCJDXODQBOB-UHFFFAOYSA-N Fivefly Luciferin Natural products OC(=O)C1CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 BJGNCJDXODQBOB-UHFFFAOYSA-N 0.000 description 1
- 241001165575 Hylotelephium telephium subsp. maximum Species 0.000 description 1
- DDWFXDSYGUXRAY-UHFFFAOYSA-N Luciferin Natural products CCc1c(C)c(CC2NC(=O)C(=C2C=C)C)[nH]c1Cc3[nH]c4C(=C5/NC(CC(=O)O)C(C)C5CC(=O)O)CC(=O)c4c3C DDWFXDSYGUXRAY-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
一种小型永磁直驱风力发电***最大功率跟踪控制方法，所述方法在采集大量风速向量-转速-功率的实际样本的基础上，建立风速的萤火虫支持向量机回归预测模型并利用该模型进行风速估计，继而通过最佳叶尖速比法预测出最大功率点所对应的最优风机转速，然后将风机的转速调节到预测的最优风机转速，并以该转速为初始值，采用扰动观察法以设定的扰动步长跟踪风机的最大功率。本发明实现了无传感器风速估计，大大节省了发电***的控制成本，提高了寻找最大功率点的速度与准确度，降低了扰动过程中的功率损失。
Description
技术领域
本发明涉及一种用于控制小型永磁直驱风力发电***的方法，属于发电技术领域。
背景技术
随着全球能源危机的不断加剧，可再生能源越来越受到人们的重视。风力发电因具有诸多优势已成为当前新能源发电的主要方向之一。小型风力发电***（小于15kW）因其成本较低，在偏远的山区以及岛屿等大电网无法提供电力支持的地方极具竞争力。因此，对小型风力发电***开展相关研究，具有重要的现实意义。
风力发电机的输出功率与外界环境以及负载情况有关，并且一定的外界环境和负载情况下存在唯一的最大功率点（MPP）。为了提高发电效率，需要在风力发电机和负载之间设置最大功率跟踪（MPPT）电路。目前风力发电***最大功率跟踪控制方法有很多种，最常用的有叶尖速比控制法，扰动观察法（P&O），神经网络法（ANN）等。这些方法的优缺点如下：
叶尖速比控制法：在某一固定的风速下,只要保证风力机转速为某一数值,即保持叶尖速比为最佳叶尖速比,即可以实现最大功率跟踪。该方法较为简单，但是需要对有效风速进行测量。由于风轮的面积较大，且风速具有一定的波动性和随机性，通过风速传感器进行有效风速的精确测量较为困难。另外，风速传感器的引入不仅增加了发电***的制造成本，而且会降低整个***的可靠性。
扰动观察法：其原理是对风机转速施加周期性扰动，再根据输出功率的变化决定下一步的扰动方向以实现最大功率跟踪。该方法实现起来相对容易，但是此方法寻找到的工作点只能在MPP附近振荡运行,导致风能不能被充分利用。此外, 风机转速的初始值和扰动步长对跟踪的精度和速度都有较大的影响,有时还会发生误判现象，影响了本方法的控制效果。
神经网络法ANN：该方法通过训练BP神经网络模型来预测最大功率点（MPP），可以避免扰动观察法中反复扰动所造成的功率损失。但是，受样本局限性以及训练过程中出现的过学习或欠学习的影响，模型的最大功率点预测值与真实值之间难免存在一定的误差。
综上所述，现有的风力发电***控制方法存在成本高、跟踪准确性差等缺点，限制了风力发电的发展，因此有必要加以改进。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种控制成本低、跟踪准确性高的小型永磁直驱风力发电***最大功率跟踪控制方法。
本发明所述问题是以下述技术方案实现的：
一种小型永磁直驱风力发电***最大功率跟踪控制方法，所述方法在采集大量风速向量-转速-功率的实际样本的基础上，建立风速的萤火虫支持向量机回归预测模型并利用该模型进行风速估计，继而通过最佳叶尖速比法预测出最大功率点所对应的最优风机转速，然后将风机的转速调节到预测的最优风机转速，并以该转速为初始值，采用扰动观察法以设定的扰动步长跟踪风机的最大功率。
上述小型永磁直驱风力发电***最大功率跟踪控制方法，所述方法包括以下步骤：
a.建立萤火虫支持向量机回归预测模型：
①将n个风速传感器分别安装于风机叶轮前侧的，与叶轮扫过的圆形平面同轴且大小相等的圆形平面内的圆心处以及距离圆心1/(n-1)半径处，2/(n-1)半径处，…，1倍半径处，测得风速向量V=[V 1 ，V 2 ，…，V n ]T；
②记某一风速环境下的风速向量为V(i)= [V 1 (i)，V 2 (i)，…，V n (i)]T，与该风速向量对应的风力发电***中整流器输出端的直流电压为V oc (i)，直流电流为I oc (i)，风机转速为ω oc (i)，利用测得的V oc (i)和I oc (i)计算出此刻的输出功率P oc (i)= V oc (i)· I oc (i)，得到一组样本(V(i)，P oc (i)，ω oc (i))；通过收集不同风速环境下的样本组，形成样本集{(V(i)，P oc (i)，ω oc (i))}；
③利用样本集{(V(i)，P oc (i)，ω oc (i))}训练萤火虫支持向量机回归预测模型，其中模型输入为{P oc (i)，ω oc (i)}，模型输出为V(i)；
b.利用萤火虫支持向量机回归预测模型进行风速估计：
在某一时刻，分别利用电压传感器、电流传感器采集风力发电***中整流器输出的直流电压V oc 与直流电流I oc ，利用转速传感器采集风机转速ω oc ，并计算出此刻的输出功率P oc = V oc · I oc ；将{ω oc ，P oc }作为萤火虫支持向量机回归预测模型的输入，模型输出为当前风速向量的估计值 ，并按照下式计算出有效风速的估计值：
（1）
c.利用最佳叶尖速比法，计算出有效风速的估计值所对应的最佳风机转速预测值ω ref ：
（2）
其中，λ为叶尖速比；R为叶轮半径；
d.通过比例积分控制方法调节风机的转速，使之达到最佳风机转速预测值ω ref ；然后以ω ref 为初始值，采用扰动观察法以设定的扰动步长Δω跟踪风机的最大功率；
e.若扰动观察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b至步骤e；否则，继续采用扰动观察法以设定的扰动步长跟踪风机的最大功率。
上述小型永磁直驱风力发电***最大功率跟踪控制方法，所述的萤火虫支持向量机回归预测模型是利用萤火虫算法进行参数优化的支持向量机模型，具体的优化步骤为：
Ⅰ.初始化萤火虫算法的参数：初始化萤火虫数目n，荧光素挥发系数，荧光素增强因子γ，感知范围r s （即支持向量机回归预测模型中待优化惩罚因子C与核参数的变化范围），邻域变化率β，邻居阈值n t ，移动步长s，初始荧光素l 0 与最大迭代次数；
Ⅱ.在支持向量机回归预测模型中待优化惩罚因子C与核参数的取值范围内，随机生成一组数值作为萤火虫个体的初始位置，适应度评价函数为利用萤火虫所处位置（某一惩罚因子C与核参数）所训练的支持向量机回归预测模型在检验样本上的平均相对误差的负值，平均相对误差表达式为：
；
其中，N 1为检验样本个数，为风速向量的真值，为回归模型输出的风速向量估计值；
Ⅲ.计算每只萤火虫的荧光素浓度、决策域范围和邻居的荧光素浓度，通过邻居的荧光素浓度确定每一只萤火虫的移动方向并向前移动；
Ⅳ.判断萤火虫算法是否达到终止条件，若达到，则选取适应度最高的萤火虫位置为支持向量机模型的参数，并记录相应回归模型中的支持向量以备使用；否则，转步骤Ⅲ。
上述小型永磁直驱风力发电***最大功率跟踪控制方法，所述萤火虫算法的终止条件为支持向量机回归预测模型在检验样本上的平均相对误差 3%或者迭代次数超过最大迭代次数。
本发明的有益效果在于：
（1）本发明实现无传感器风速估计，大大节省了发电***的控制成本，提高了寻找最大功率点的速度与准确度；
（2）当外界环境发生变化时，借助于预测模型可以直接将工作转速调节至最佳风机转速预测值ω ref 的附近，避免了扰动观察法逐步试探的过程，从而提高了跟踪速度；
（3）以最佳风机转速预测值ω ref 为初值进行扰动观察时，由于最佳风机转速预测值ω ref 已经十分接近实际最佳风机转速，故可以设置较小的扰动步长，从而有效降低了扰动过程的功率损失；
（4）当风机的特性发生变化后，可以通过重新收集样本，训练新的预测模型以保证预测精度。
附图说明
下面结合附图对本发明作进一步详述。
图1为本发明硬件结构图；
图2为利用萤火虫支持向量机回归预测模型进行风速向量估计的示意图。
图3为叶尖速比与风能利用系数关系图；
图4为扰动观察法（P&O）的算法流程图；
图5为本发明提供的最大功率跟踪方法的流程图；
图中各标号为：1-风速传感器；2-永磁直驱风力发电机；3-转速传感器；4-整流器；5-电压传感器；6-第一电容；7-第二电容；8-电流传感器。
图中和文中各符号为：V oc (i)为风力发电***中整流器输出端的直流电压， I oc (i) 为风力发电***中整流器输出端的直流电流，ω oc (i)为风机转速，P oc (i)为风机输出功率，N 1为检验样本个数，为风速向量的真值，为风速向量的估计值，为有效风速的估计值，ω ref 为最佳风机转速预测值，λ为叶尖速比，R为叶轮半径，Δω为扰动步长，n为初始化萤火虫数目，为荧光素挥发系数，γ为荧光素增强因子，r s 为感知范围，C为惩罚因子，为核参数，β为邻域变化率，n t 为邻居阈值，s为萤火虫的移动步长，l 0 为初始荧光素，为支持向量机回归预测模型在检验样本上的平均相对误差，K（x i ，x）为核函数，为拉格朗日系数，y i 为线性回归函数输出向量，是从输入空间到高维特征空间的非线性映射矩阵，x i 为输入向量，W为权值矩阵，b为偏置向量，J(x)为适应度评价函数，l i (t)为t时刻第i只萤火虫的荧光素浓度。
具体实施方式
下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
图1为本发明实施例的硬件结构图，其中，小型永磁直驱风力发电机2的主要参数为：风轮直径为1.2m，额定功率为300W，额定电压为24V，额定转速800r/min，启动风速1m/s，额定风速10m/s，安全风速25m/s；最大功率跟踪装置的主要参数为：MPPT控制器采用dsPIC33FJ06GS101单片机，DC-DC变换器采用Boost电路，驱动模块选用MCP14E3，电压传感器5选用LV28-P，电流传感器8选用LA25-NP，转速传感器3采用电压过零检测式频率计，第一电容C1＝10ｕF，第二电容C2＝100ｕF。
本小型永磁直驱风力发电***最大功率跟踪控制方法包括以下步骤：
步骤1：建立萤火虫支持向量机回归预测模型：
步骤101：将n个风速传感器分别安装于风机叶轮前侧，与叶轮圆形平面同轴、平行且大小相等的圆形平面内的圆心处以及距离圆心1/(n-1)半径处，2/(n-1)半径处，…，1倍半径处，则可测得风速向量V=[V 1 ，V 2 ，…，V n ]T；实施例中，取n=4，故可测得风速向量V=[V 1 ，V 2 ，…，V 4 ]T；
步骤102：记某一风速环境下的风速向量为V(i)= [V 1 (i)，V 2 (i)，…，V n (i)]T，此时风力发电***中整流器输出端的直流电压为V oc (i)，直流电流为I oc (i)，风机转速为ω oc (i)，计算出此刻的输出功率P oc (i)= V oc (i)· I oc (i)，则可构成一组样本(V(i)，P oc (i)，ω oc (i))；通过收集不同风速环境下的样本组，形成样本集{(V(i)，P oc (i)，ω oc (i))}；实施例中，利用鼓风机、变频器和直管段构成小型实验风洞，通过调节变频器的频率设定值控制鼓风机出力，进而创造出不同的风速环境。设定变频器频率从10Hz开始，以2Hz为间隔升至60Hz，可提供31种风速环境，即{V(i)= [V 1 (i)，V 2 (i)，V 3 (i)，V 4 (i)] T，i=1, …, 31}。在每一种风速环境下，通过调节DC-DC变换器PWM信号的占空比，控制风机转速从300r/min开始，以30r/min为间隔升到1500r/min，共41种转速，记录每一转速下对应的整流器输出端的直流电压V oc 与直流电流I oc ，并计算出相应的输出功率P oc = V oc · I oc ，则累计可获得1271组样本。
步骤103：利用样本集{(V(i)，P oc (i)，ω oc (i))}训练萤火虫支持向量机回归预测模型，其中模型输入为{，ω oc (i))}，模型输出为V(i)；实施例中，随机抽取1271组样本中的900组做为模型的训练样本，其余371组做为模型的检验样本，用于测试模型精度。
支持向量机回归SVR通过非线性映射将输入空间映射到高维的特征空间，利用一个线性函数集来进行回归估计。本发明所述萤火虫支持向量机为多输出支持向量机，给定样本集(为输入向量，为相应输出向量，N为样本个数，n为输入向量维数，m为输出向量维数)，多输出支持向量机SVR所用线性回归函数为：
(3)
其中：
y i 为线性回归函数输出向量；
是从输入空间到高维特征空间的非线性映射矩阵；
x i 为输入向量；
W为权值矩阵；
b为偏置向量。
权值矩阵W和偏置向量b由最小化下式来计算：
(4)
式中：
C为惩罚因子；
为引入的松弛变量向量；
根据(4)建立拉格朗日方程，可求解得线性回归函数为：
(5)
式中：
K（x i ，x）为核函数，；
为拉格朗日系数，不为零的对应的向量x i 称为支持向量。
选择不同形式的核函数可以生成不同的支持向量机，常用的核函数有：多项式函数，高斯函数，Sigmoid函数等。本发明选取高斯函数为核函数，即：
(6)
其中，为高斯核函数的宽度参数。
所述支持向量机回归预测模型的精度主要取决于两个主要参数C、，惩罚因子C用于控制模型复杂度和逼近误差的折中；核参数反映了训练样本数据的分布或范围特性。为了取得高精度的回归预测模型，本发明采用萤火虫算法对这两个参数进行优化。
萤火虫算法是印度学者 Krishnanand 和 Ghose于 2005年提出的一种新型群智能优化算法。萤火虫算法模拟自然界萤火虫通过发光吸引同伴求偶或觅食的行为，具有很好的全局搜索能力，已成功应用于函数优化、传感器配置等问题。
在GSO算法中，每只萤火虫分布在目标函数的定义空间内，它们自身所带萤光素的亮度与自己所在位置上的目标函数适应度值有关，越亮的萤火虫表示它所在的位置越好。假设x i (t)表示t时刻第i只萤火虫的位置，J(x)为适应度评价函数，l i (t)表示t时刻第i只萤火虫的荧光素浓度，则
(7)
式(7)中：为荧光素挥发系数；为荧光素增强因子，即适应度提取比例。
萤火虫在区域决策范围内寻找邻居集合，越亮的萤火虫拥有越高的吸引力去吸引周围的萤火虫往这个方向移动。区域决策范围的大小会受邻居数量的影响，当邻居密度较低，萤火虫的决策半径会加大以利于寻找更多的邻居；反之，决策半径减小。决策域范围更新公式为
(8)
式(8)中：为t+1时刻第i个萤火虫的决策范围；r s 为感知范围；为邻域变化率；n t 为邻居阈值；N i （t）为t时刻第i只萤火虫的邻居集合。
(9)
式(9)中, 表示x的范数。萤火虫在运动过程中，根据其邻居集合中各萤火虫的荧光素浓度来决定其移动方向。P ij （t）表示t时刻第i只萤火虫向其邻居集合中第j只萤火虫移动的概率，则
(10)
用轮盘法根据移动概率选择第i只萤火虫移动的方向，则第i只萤火虫在t+1时刻的位置为
(11)
式(11)中，为萤火虫的移动步长。
利用萤火虫算法对支持向量机进行优化的具体步骤为：
1)初始化萤火虫算法的参数。初始化萤火虫数目n，荧光素挥发系数，荧光素增强因子γ，感知范围r s ，邻域变化率β，邻居阈值n t ，移动步长s，初始荧光素l 0 与最大迭代次数，感知范围r s 为支持向量机回归预测模型中待优化参数（惩罚因子C与核参数）的变化范围。实施例中，设置n=20，=0.4，β=0.08， n t =5, s=0.03，初始荧光素l 0 =5，最大迭代次数为1000，惩罚因子C的取值范围为[10-1,104]，核参数的取值范围为[10-2,104]；
2)在待优化参数C与的取值范围内，随机生成一组数值作为萤火虫个体的初始位置。适应度评价函数为利用萤火虫所处位置（某一C与）所训练的支持向量机回归预测模型在检验样本上的平均相对误差的负值。平均相对误差表达式为：
(12)
其中，N 1为检验样本个数，为风速向量的真值，为回归模型输出的风速向量估计值。可知，模型在检验样本上的平均相对误差越小，适应度越高；
3)依据式(7)-(11)，计算每只萤火虫的荧光素浓度、决策域范围和邻居的荧光素浓度，通过邻居的荧光素浓度确定每一只萤火虫的移动方向并向前移动；
4)判断萤火虫算法是否达到终止条件。若达到，则选取适应度最高的萤火虫位置为支持向量机模型的参数，并记录相应回归模型中的支持向量以备使用；否则，转3)。本实施例中，设置的终止条件为支持向量机回归预测模型在检验样本上的平均相对误差 3%或者迭代次数超过最大迭代次数。经过128次迭代，优化过程结束，获取的适应度最高的支持向量机模型参数为C=486.2，=69.54，该模型共包括89个支持向量。
利用获得的支持向量机回归预测模型，可以估计出已知功率和转速{P oc ，ω oc }的工况下的风速向量，如图2所示。
步骤2：利用萤火虫支持向量机回归预测模型进行风速估计：P oc (i)= V oc (i)· I oc (i)
在某一时刻，分别利用电压传感器、电流传感器采集风力发电***中经过整流器后的直流输出电压V oc 与输出电流I oc ，利用转速传感器采集风机转速ω oc ，并计算出此刻的输出功率P oc = V oc · I oc ；将{P oc ，ω oc }做为萤火虫支持向量机回归预测模型的输入，模型输出为当前风速向量的估计值，并按照下式得出有效风速的估计值V m ：
本实施例中，某一时刻采集到的整流器后的直流输出电压V oc 为15V，输出电流I oc 为12A，则此刻的输出功率为180W，转速传感器采集到的转速信息ω oc 为600r/min，将{180W，600r/min }做为萤火虫支持向量机回归预测模型的输入，输出风速向量的估计值为V=[8.92，9.14，8.94，9.02]T，则有效风速的估计值V m =9.0m/s。
步骤3：根据最佳叶尖速比法，得出风速V m 对应的最佳风机转速预测值ω ref ：
其中，为叶尖速比；R为叶轮半径；叶尖速比为叶尖切向速度与风轮前的风速之比，根据风能利用率的公式可知，在不同的风速时，有固定的叶尖速比使风能利用率固定在最大值，如图3所示。实施例中，取=6.7，当有效风速为9m/s，R=0.6m时，可得出最佳风机转速预测值为961r/min。
步骤4：通过比例积分控制方法调节风机的转速，使之达到最佳风机转速预测值ω ref ；并以ω ref 为初始值，采用扰动观察法以设定的扰动步长Δω跟踪风机的最大功率；实施例中，取扰动步长Δω=5r/min。
图4为扰动观察法（P&O）的流程图，其原理是周期性地扰动风机的转速(ω+Δω)，再比较其扰动前后的功率变化，若输出功率增加，则表示扰动方向正确，继续朝同一方向(+Δω)扰动；若输出功率减小，则朝相反(-Δω)方向扰动。实施例中，由于dsPIC33FJ06GS101的AD模块完成一次采样只需要0.5ｕs，测量风机的直流输出电压、直流输出电流时，为了消除DC-DC变换器中高频斩波引起的信号抖动，令AD模块连续转换10次取平均值作为测量值。
步骤5：当扰动观察法求得的扰动前后的功率差值大于等于设定阈值T r 时，说明风速发生了突变，重复步骤2至步骤5；否则，继续采用扰动观察法以设定的扰动步长跟踪风机的最大功率，如图5所示。实施例中，取T r =15W。
将上述最大功率跟踪（MPPT）方法通过C语言程序写入控制芯片dsPIC33FJ06GS101，输出PWM信号驱动DC-DC变换器，即可实现最大功率跟踪功能。
为了验证所提方法的正确性，在本发明所述的硬件平台上将其与常规扰动观察（P&O）进行了比较。具体为：在同一风速环境下（设置风洞的变频器频率为40Hz），控制风机初始转速为ω0=600r/min，分别比较两种方法的跟踪速度和稳态过程的平均功率。
常规扰动观察P&O方法（调整周期T=5s，步长Δω=20r/min）的跟踪过程为：经过连续17拍的正方向扰动后，开始在最大功率点MPP（ω opt =950r/min）左右振荡，即进入稳态过程，总共所需时间约为85秒。
本发明所述方法的跟踪过程为，首先根据此刻的功率为180W，转速为600r/min，通过SVR模型估计出风速向量为V=[8.92，9.14，8.94，9.02]T，则有效风速的估计值V m =9.0m/s。根据最佳叶尖速比法得到最大功率点转速预测值ω ref =961r/min后，通过PI控制器直接将工作转速ω调节至961r/min，然后开始进行小步长扰动观察P&O（调整周期T=5s，步长Δω=5r/min），由于ω ref 本身已非常接近最大功率点MPP（ω opt =950r/min），经过连续3拍的负方向扰动后，进入了稳态过程，总共所需时间约为15秒。由此可知，本发明所提方法的跟踪速度要明显高于常规扰动观察法。
进入稳态过程后，分别计算60秒稳态过程的平均功率，得出常规扰动观察（P&O）方法为209瓦，而本发明所述方法为222瓦，这说明采用本发明所述方法可以有效的降低功率损失。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的核心技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种小型永磁直驱风力发电***最大功率跟踪控制方法，其特征是，所述方法在采集大量风速向量-转速-功率的实际样本的基础上，建立风速的萤火虫支持向量机回归预测模型并利用该模型进行风速估计，继而通过最佳叶尖速比法预测出最大功率点所对应的最优风机转速，然后将风机的转速调节到预测的最优风机转速，并以该转速为初始值，采用扰动观察法以设定的扰动步长跟踪风机的最大功率。
2.根据权利要求1所述的小型永磁直驱风力发电***最大功率跟踪控制方法，其特征是，所述方法按以下步骤进行处理：
a.建立萤火虫支持向量机回归预测模型：
①将n个风速传感器分别安装于风机叶轮前侧的，与叶轮扫过的圆形平面同轴且大小相等的圆形平面内的圆心处以及距离圆心1/(n-1)半径处，2/(n-1)半径处，…，1倍半径处，测得风速向量V=[V 1 ，V 2 ，…，V n ]T；
②记某一风速环境下的风速向量为V(i)= [V 1 (i)，V 2 (i)，…，V n (i)]T，与该风速向量对应的风力发电***中整流器输出端的直流电压为V oc (i)，直流电流为I oc (i)，风机转速为ω oc (i)，利用测得的V oc (i)和I oc (i)计算出此刻的输出功率P oc (i)= V oc (i)· I oc (i)，得到一组样本(V(i)，P oc (i)，ω oc (i))；通过收集不同风速环境下的样本组，形成样本集{(V(i)，P oc (i)，ω oc (i))}；
③利用样本集{(V(i)，P oc (i)，ω oc (i))}训练萤火虫支持向量机回归预测模型，其中模型输入为{P oc (i)，ω oc (i)}，模型输出为V(i)；
b.利用萤火虫支持向量机回归预测模型进行风速估计：
在某一时刻，分别利用电压传感器、电流传感器采集风力发电***中整流器输出的直流电压V oc 与直流电流I oc ，利用转速传感器采集风机转速ω oc ，并计算出此刻的输出功率P oc = V oc · I oc ；将{ω oc ，P oc }作为萤火虫支持向量机回归预测模型的输入，模型输出为当前风速向量的估计值 ，并按照下式计算出有效风速的估计值：
；
c.利用最佳叶尖速比法，计算出有效风速的估计值所对应的最佳风机转速预测值ω ref ：
；
其中，λ为叶尖速比；R为叶轮半径；
d.通过比例积分控制方法调节风机的转速，使之达到最佳风机转速预测值ω ref ；然后以ω ref 为初始值，采用扰动观察法以设定的扰动步长Δω跟踪风机的最大功率；
e.若扰动观察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b至步骤e；否则，继续采用扰动观察法以设定的扰动步长跟踪风机的最大功率。
3.根据权利要求1或2所述的小型永磁直驱风力发电***最大功率跟踪控制方法，其特征是，所述的萤火虫支持向量机回归预测模型是利用萤火虫算法进行参数优化的支持向量机模型，具体的优化步骤为：
Ⅰ.初始化萤火虫算法的参数：初始化萤火虫数目n，荧光素挥发系数，荧光素增强因子γ，感知范围r s （即支持向量机回归预测模型中待优化惩罚因子C与核参数的变化范围），邻域变化率β，邻居阈值n t ，移动步长s，初始荧光素l 0 与最大迭代次数；
Ⅱ.在支持向量机回归预测模型中待优化惩罚因子C与核参数的取值范围内，随机生成一组数值作为萤火虫个体的初始位置，适应度评价函数为利用萤火虫所处位置（某一惩罚因子C与核参数）所训练的支持向量机回归预测模型在检验样本上的平均相对误差的负值，平均相对误差表达式为：
；
其中，N 1为检验样本个数，为风速向量的真值，为回归模型输出的风速向量估计值；
Ⅲ.计算每只萤火虫的荧光素浓度、决策域范围和邻居的荧光素浓度，通过邻居的荧光素浓度确定每一只萤火虫的移动方向并向前移动；
Ⅳ.判断萤火虫算法是否达到终止条件，若达到，则选取适应度最高的萤火虫位置为支持向量机模型的参数，并记录相应回归模型中的支持向量以备使用；否则，转步骤Ⅲ。
4.根据权利要求3所述的小型永磁直驱风力发电***最大功率跟踪控制方法，其特征是，所述萤火虫算法的终止条件为支持向量机回归预测模型在检验样本上的平均相对误差 3%或者迭代次数超过最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410622989.XA CN104454346B (zh) | 2014-11-09 | 2014-11-09 | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410622989.XA CN104454346B (zh) | 2014-11-09 | 2014-11-09 | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104454346A true CN104454346A (zh) | 2015-03-25 |
| CN104454346B CN104454346B (zh) | 2017-02-15 |
Family
ID=52900963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410622989.XA Expired - Fee Related CN104454346B (zh) | 2014-11-09 | 2014-11-09 | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104454346B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950982A (zh) * | 2015-06-25 | 2015-09-30 | 华南理工大学 | 基于多步长的双馈风力发电***最大功率跟踪控制方法 |
| CN106194582A (zh) * | 2016-09-19 | 2016-12-07 | 华能新能源股份有限公司辽宁分公司 | 基于风速测量与估计的风电***mppt控制装置及方法 |
| CN106837704A (zh) * | 2017-04-17 | 2017-06-13 | 北京耀能科技有限公司 | 一种中型低速永磁直驱风电机组及其参数自学习控制方法 |
| CN107524563A (zh) * | 2017-08-21 | 2017-12-29 | 华南理工大学 | 一种基于滑模极值搜索的控制方法 |
| CN108336822A (zh) * | 2018-01-30 | 2018-07-27 | 深圳众厉电力科技有限公司 | 应用于智能电网的输电线路监测预警*** |
| CN108506163A (zh) * | 2018-04-25 | 2018-09-07 | 华北电力科学研究院有限责任公司 | 一种双馈风电虚拟同步机转速恢复方法、装置及*** |
| CN108983863A (zh) * | 2018-08-30 | 2018-12-11 | 同济大学 | 一种基于改进萤火虫算法的光伏最大功率跟踪方法 |
| CN109667728A (zh) * | 2018-12-21 | 2019-04-23 | 北京金风科创风电设备有限公司 | 用于风力发电机组转速传感器的故障检测方法和装置 |
| CN110361963A (zh) * | 2019-06-10 | 2019-10-22 | 岭南师范学院 | 一种永磁风机pi参数优化方法及装置 |
| CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
| CN110985289A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 基于svr和smc的风电机组并具有预设性能的mppt方法 |
| CN114510111A (zh) * | 2021-12-29 | 2022-05-17 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009091923A (ja) * | 2007-10-04 | 2009-04-30 | Univ Of Ryukyus | 風力発電装置の最大電力追従制御装置 |
| CN101793235A (zh) * | 2010-04-15 | 2010-08-04 | 哈尔滨工业大学 | 具有能量预测功能的最大功率跟踪型风力发电装置及方法 |
| CN102291050A (zh) * | 2011-08-17 | 2011-12-21 | 华北电力大学（保定） | 一种光伏发电***最大功率跟踪方法及装置 |
| CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
| US20120205913A1 (en) * | 2009-10-23 | 2012-08-16 | Juan Carlos Garcia Andujar | Wind turbine control methods for improving the production of energy |
| CN102664426A (zh) * | 2012-05-10 | 2012-09-12 | 华北电力大学 | 一种提高svm风速预测精度的反归一区间修正方法 |
| CN103437955A (zh) * | 2013-08-13 | 2013-12-11 | 华北电力大学（保定） | 小型永磁直驱风力发电***最大功率跟踪装置及控制方法 |
-
2014
- 2014-11-09 CN CN201410622989.XA patent/CN104454346B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009091923A (ja) * | 2007-10-04 | 2009-04-30 | Univ Of Ryukyus | 風力発電装置の最大電力追従制御装置 |
| US20120205913A1 (en) * | 2009-10-23 | 2012-08-16 | Juan Carlos Garcia Andujar | Wind turbine control methods for improving the production of energy |
| CN101793235A (zh) * | 2010-04-15 | 2010-08-04 | 哈尔滨工业大学 | 具有能量预测功能的最大功率跟踪型风力发电装置及方法 |
| CN102291050A (zh) * | 2011-08-17 | 2011-12-21 | 华北电力大学（保定） | 一种光伏发电***最大功率跟踪方法及装置 |
| CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
| CN102664426A (zh) * | 2012-05-10 | 2012-09-12 | 华北电力大学 | 一种提高svm风速预测精度的反归一区间修正方法 |
| CN103437955A (zh) * | 2013-08-13 | 2013-12-11 | 华北电力大学（保定） | 小型永磁直驱风力发电***最大功率跟踪装置及控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吕聪颖: "《智能优化方法的研究及应用》", 31 July 2014, 中国水利水电出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104950982A (zh) * | 2015-06-25 | 2015-09-30 | 华南理工大学 | 基于多步长的双馈风力发电***最大功率跟踪控制方法 |
| CN106194582A (zh) * | 2016-09-19 | 2016-12-07 | 华能新能源股份有限公司辽宁分公司 | 基于风速测量与估计的风电***mppt控制装置及方法 |
| CN106194582B (zh) * | 2016-09-19 | 2018-09-04 | 华能新能源股份有限公司辽宁分公司 | 基于风速测量与估计的风电***mppt控制装置及方法 |
| CN106837704A (zh) * | 2017-04-17 | 2017-06-13 | 北京耀能科技有限公司 | 一种中型低速永磁直驱风电机组及其参数自学习控制方法 |
| CN107524563A (zh) * | 2017-08-21 | 2017-12-29 | 华南理工大学 | 一种基于滑模极值搜索的控制方法 |
| CN108336822A (zh) * | 2018-01-30 | 2018-07-27 | 深圳众厉电力科技有限公司 | 应用于智能电网的输电线路监测预警*** |
| CN108506163A (zh) * | 2018-04-25 | 2018-09-07 | 华北电力科学研究院有限责任公司 | 一种双馈风电虚拟同步机转速恢复方法、装置及*** |
| CN108506163B (zh) * | 2018-04-25 | 2024-01-30 | 华北电力科学研究院有限责任公司 | 一种双馈风电虚拟同步机转速恢复方法、装置及*** |
| CN108983863A (zh) * | 2018-08-30 | 2018-12-11 | 同济大学 | 一种基于改进萤火虫算法的光伏最大功率跟踪方法 |
| CN109667728A (zh) * | 2018-12-21 | 2019-04-23 | 北京金风科创风电设备有限公司 | 用于风力发电机组转速传感器的故障检测方法和装置 |
| CN110361963A (zh) * | 2019-06-10 | 2019-10-22 | 岭南师范学院 | 一种永磁风机pi参数优化方法及装置 |
| CN110376895A (zh) * | 2019-07-30 | 2019-10-25 | 华能国际电力股份有限公司营口电厂 | 一种基于分层受限预测控制的火电机组协调控制方法 |
| CN110985289A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 基于svr和smc的风电机组并具有预设性能的mppt方法 |
| CN114510111A (zh) * | 2021-12-29 | 2022-05-17 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
| CN114510111B (zh) * | 2021-12-29 | 2023-09-12 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104454346B (zh) | 2017-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104454346A (zh) | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 | |
| CN103437955B (zh) | 小型永磁直驱风力发电***最大功率跟踪装置及控制方法 | |
| CN102291050B (zh) | 一种光伏发电***最大功率跟踪方法及装置 | |
| CN104806450B (zh) | 一种基于万有引力神经网络的风电***mppt控制方法 | |
| CN106194582B (zh) | 基于风速测量与估计的风电***mppt控制装置及方法 | |
| CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
| CN102352814B (zh) | 一种大型直驱风电机组的最大功率跟踪方法 | |
| CN104040453B (zh) | 对每个单元组执行最大功率点跟踪的光伏发电*** | |
| CN101841272B (zh) | 一种太阳能充电***的最大功率点的跟踪方法 | |
| Zhu et al. | Research and test of power-loop-based dynamic multi-peak MPPT algorithm | |
| CN105024599A (zh) | 一种波浪能发电***最大功率跟踪装置及控制方法 | |
| CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
| CN108549962A (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
| CN108979957B (zh) | 获取变速风力发电机组最大风能的非线性预测控制方法 | |
| CN107633368A (zh) | 风力发电机组出力性能评估方法及装置 | |
| CN102879089A (zh) | 一种日辐照强度及光伏发电量采集设备 | |
| CN106485603A (zh) | 一种应用于风力发电的短期风速预测方法 | |
| CN206386223U (zh) | 基于风速测量与估计的风电***mppt控制装置 | |
| CN103899480A (zh) | 基于Boost类变换器的风力发电***最大功率点跟踪方法 | |
| Xu et al. | Parameter identification of solar cell model based on improved artificial bee colony algorithm | |
| CN108418252A (zh) | 一种无线传感器的混合能量收集装置和运行方法 | |
| KR102581386B1 (ko) | 태양광 패널의 최대 전력을 추정하는 mpp 추정 장치, 이를 포함하는 태양광 발전 제어 시스템 및 방법 | |
| Bertašienė et al. | Synergies of Wind Turbine control techniques | |
| CN103384079A (zh) | 中小直驱风力发电***的最大功率跟踪方法及其跟踪电路 | |
| CN110571794A (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ma Liangyu Inventor after: Yu Ping Inventor after: Wang Ting Inventor after: Song Shengnan Inventor after: Liu Weiliang Inventor after: Liu Changliang Inventor after: Lin Yongjun Inventor before: Ma Liangyu Inventor before: Song Shengnan Inventor before: Chen Wenying Inventor before: Liu Weiliang Inventor before: Lin Yongjun Inventor before: Liu Changliang Inventor before: Ma Jin Inventor before: Ma Yongguang |
|
| COR | Change of bibliographic data | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170112 Address after: 100094 Beijing City, North Road, No., building 01310, room 1, room 68 Applicant after: ZHONGKE INNOVATION (BEIJING) TECHNOLOGY Co.,Ltd. Applicant after: NORTH CHINA ELECTRIC POWER University (BAODING) Address before: 071003 Hebei province Baoding Yonghua No. 619 North Street Applicant before: NORTH CHINA ELECTRIC POWER UNIVERSITY (BAODING) |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 Termination date: 20211109 |