CN104806450A - 一种基于万有引力神经网络的风电***mppt控制方法 - Google Patents

Abstract

一种基于万有引力神经网络的风电***MPPT控制方法，所述方法在构造大量功率-转速-风速样本的基础上，建立风速的万有引力神经网络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，采用占空比扰动观察法以设定的扰动步长跟踪风机的最大功率。本发明采用估计的方法获取风速，无需装设风速传感器，可有效节约***的控制成本，提高***的可靠性；该方法利用万有引力搜索算法优化神经网络模型，可有效提高风速估计的精度；此外，本发明还具有跟踪速度快的优点，可提高风机的发电效率。

Description

一种基于万有引力神经网络的风电***MPPT控制方法

技术领域

本发明涉及一种基于万有引力神经网络的风力发电***最大功率跟踪控制方法，属于风力发电技术领域。

背景技术

随着社会经济的不断发展和能源危机的日益加剧，风能作为可再生能源越来越受到当今世界的重视。

风力发电机的最大功率跟踪是指在额定风速以下，通过调节风轮转速，使风能利用系数保持在最大值，获得最大功率输出。基于最大功率跟踪的基本控制原理，风力发电机的控制方法大致可以分为三类：叶尖速比法，功率反馈法以及爬山搜索法。

叶尖速比法：在某一固定的风速下，通过调节风机转速，使叶尖速比保持最佳值，就可以实现最大功率跟踪。该方法的优点在于思路比较简单，缺点在于需要通过风速传感器进行有效风速的精确测量，实际工程难度较大。另外，风速传感器的引入不仅会增加***成本，而且还会降低***的可靠性。

功率反馈法：通过转速传感器测量出风力发电机的转速ω，利用发电机电磁转矩直接控制发电机的有功功率来跟踪已知的最佳转速—功率特性曲线，从而实现***的最大功率跟踪控制。此方法的难点 在于需要掌握风机的最佳转速—功率特性曲线，而获得该曲线需要进行大量的计算和实验，过程十分复杂。

爬山搜索法：对风机转速控制的指令值以一定的步长Δω进行扰动，然后观察风车的功率变化。如果功率增加，那么风机转速的扰动方向不变，如果功率减小，则将风车转速扰动反向。爬山搜索法的优点在于不需要进行风速测量，难点在于扰动周期以及扰动步长的选择。另外，该方法要求转速对风速变化具有良好的瞬时响应特性，当风机容量较大时，由于***存在惯性，转速扰动并不能得到及时的功率响应，致使爬山搜索法的实际控制效果并不理想。

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、跟踪准确性高的基于万有引力神经网络的风电***MPPT控制方法。

本发明所述问题是以下述技术方案实现的：

一种基于万有引力神经网络的风电***MPPT控制方法，所述方法在构造大量功率-转速-风速样本的基础上，建立风速的万有引力神经网络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，采用占空比扰动观察法以设定的扰动步长跟踪风机的最大功率。

上述基于万有引力神经网络的风电***MPPT控制方法，所述方 法包括以下步骤：

a.构造功率-转速-风速样本： 

设定风速V_w以ΔV作为步长从启动风速V₀，逐步增加至额定风速V_t，并在每一风速条件下，令风机转速ω以Δω为步长从起始转速ω₀升至额定转速ω_t，在每一风速-风机转速(V_w(i)，ω(i))环境下，利用下式计算出风机机械功率P_m(i)：

$P_m\left(i\right)=\frac{1}{2}{C}_p\mathrm{\ρ\π}{R}^2{V}_w{\left(i\right)}^3$

$\left\{\begin{array}{c}{C}_p=0.22(\frac{116}{{\mathrm{\λ}}_1}-0.4\mathrm{\β}-5)e^{\frac{-12.5}{{\mathrm{\λ}}_1}}\\ \frac{1}{{\mathrm{\λ}}_1}=\frac{1}{\mathrm{\λ}+0.08\mathrm{\β}}-\frac{0.035}{{\mathrm{\β}}^3+1}\end{array}\right.;$

$\mathrm{\λ}=\frac{\mathrm{\ωR}}{V_w\left(i\right)}$

式中：R为风轮半径，ρ为空气密度，C_p为风能利用系数，λ为叶尖速比，β为叶片桨距角，

由此得到大量风速-风机转速-功率样本{ω(i)，P_m(i)，V_w(i)}；

b.建立风速的万有引力神经网络预测模型：

利用BP神经网络建立风速预测模型，并利用万有引力搜索算法对BP神经网络模型进行优化，具体步骤如下：

①确定BP神经网络结构并设置初始的权值及阈值；

②设置粒子群体规模N以及各粒子初始位置 D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

③计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

$f_i=\frac{1}{\mathrm{mp}}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\hat{x}}_{\mathrm{pj}}-x_{\mathrm{pj}})}^2$

其中：m为输出节点个数；P为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；

④更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：

$M_i=\frac{m_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_j}$

$m_i=\frac{f_i-f_{\mathrm{worst}}}{f_{\mathrm{best}}-f_{\mathrm{worst}}};$

⑤按照下式计算各粒子的引力合力F_i与加速度a_i：

$F_i^d\left(t\right)=\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right);a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)};$ $F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_{\mathrm{pi}}\left(t\right)M_{\mathrm{aj}}\left(t\right)}{{\left|\right|P_i\left(t\right),P_j\left(t\right)\left|\right|}_2}(p_j^d\left(t\right)-p_i^d\left(t\right)),$

式中：t为迭代次数，为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和 分别为第i个粒子与第j个粒子的第d维的位置；

⑥按照下式更新各粒子的速度v_i与位置P_i：

$v_i^d(t+1)={\mathrm{rand}}_i\×v_i^d\left(t\right)+a_i^d\left(t\right)$

$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1)$

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度； 

⑦返回步骤③，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络初始权值与阈值；

⑧利用步骤a所构造的功率-转速-风速样本开展模型训练：

将(P_m，ω)作为万有引力神经网络模型的输入，输出为估计风速V_pre，每次迭代后，判断是否满足迭代终止条件，若满足则算法终止，否则继续迭代；

c.采集风机的功率信号与转速信号，利用训练好的万有引力神经网络预测模型进行风速估计；

d.利用估计风速，采用最佳叶尖速比法，得出所估计风速下的风机最佳转速ω_ref：

${\mathrm{\ω}}_{\mathrm{ref}}=\frac{\mathrm{\λ}*V_{\mathrm{pre}}}{R}$

其中，V_pre为估计风速；

e.通过PI控制方法，将风机转速调节到最佳转速ω_ref；

f.以最佳转速ω_ref为初始值，采用占空比扰动观察法进行最大功率跟踪，当前后两次扰动的功率差值大于设定的阈值φ时，说明风速发生了突变，重复步骤c～f。

上述基于万有引力神经网络的风电***MPPT控制方法，考虑实际工程中风机转速信号与功率信号的测量存在噪声，对每个风速-风 机转速-功率样本{ω(i)，P_m(i)，V_w(i)}样本中的ω(i)与P_m(i)均叠加一定的高斯噪声，叠加高斯噪声后的转速ω′(i)和功率P_m′(i)如下式所示：

ω′(i)＝ω(i)+δω

P_m′(i)＝P_m(i)+δP_m

其中，δω为转速信号噪声，服从N(0，σ_ω ²)的高斯分布，δP_m为功率信号噪声，服从N(0，σ_P ²)的高斯分布。 

上述基于万有引力神经网络的风电***MPPT控制方法，风机功率信号的采集方法是：测量风力发电机A相与B相之间的线电压V_AB，并检测其过零点的频率f，设电机的极对数为n，则风机转速信号为ω＝πf/n；风机转速信号的采集方法是：测量整流器输出电压V_z和输出电流I_z，则功率信号为P_m＝I_z*V_z。

本发明的有益效果在于：

1)采用估计的方法获取风速，无需装设风速传感器，可有效节约***的控制成本，提高***的可靠性；

2)利用万有引力搜索算法优化神经网络模型，可有效提高风速估计的精度；

3)当外界环境发生变化时，借助于风速估计模型可以直接将工作转速调节至最佳风机转速的附近，避免了传统爬山搜索算法逐步试探的过程，具有跟踪速度快的优点，从而提高了风机的发电效率。

附图说明

下面结合附图对本发明作进一步详述。

图1为本发明所采用的硬件结构图；

图2为万有引力神经网络预测模型估计风速的示意图；

图3为万有引力神经网络预测模型训练流程图；

图4为叶尖速比与风能利用系数关系图；

图5为占空比扰动观察法算法流程图。

图中各标号为：1-永磁直驱风力发电机；2-第一电压传感器；3-整流器；4-第二电压传感器；5-第一电容；6-第二电容；7-电流传感器。 

图中和文中各符号为：为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，V_w为设定风速，V₀为启动风速，V_t为额定风速，ω为风机转速，ω₀为起始转速，ω_t为额定转速，P_m(i)为风机机械功率，R为风轮半径，ρ为空气密度，C_p为风能利用系数，λ为叶尖速比，β为叶片桨距角，w_lh为输入层神经元与隐含层神经元之间的连接权值集合，w_hm为隐含层神经元与输出层神经元之间的连接权值集合，b_h和b_m分别表示隐含层神经元与输出层神经元的阈值向量，f_i为粒子的适应度函数，m为输出节点个数；P为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；M_i为粒子的质量，t为迭代次数，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量；为第i个粒子的第d维的位置；为第i个粒子的第d维的速度，ω_ref为风机最佳转速，V_pre为估计风速。

具体实施方式

参考图1，本发明所采用的硬件结构包括MPPT控制器、整流器、第一电压传感器、第二电压传感器、电流传感器、DC-DC变换器、驱动模块、第一电容和第二电容。该装置结合风机与负载即可构成永磁直驱风力发电***。其中，整流器的三相输入端与风机的三相输出端连接，单相输出正端与第一电容的正极连接，单相输出负端接地；第一电压传感器的测量正端与风机的A相输出端连接，测量负端与风机的B相输出端连接，测量输出端与MPPT控制器连接；第一电容负极接地；第二电压传感器的测量正端与第一电容正极连接，测量负端接地，测量输出端与MPPT控制器连接；电流传感器的待测电流输入端与电压传感器正极连接，待测电流输出端与DC-DC变换器的输入端连接，测量信号输出端与MPPT控制器连接；DC-DC变换器的输入正端与电流传感器的待测电流输出端连接，输入负端接地，脉宽调制信号输入端与驱动模块一端连接，输出正端与第二电容的正极连接，输出负端接地；第二电容负极接地；驱动模块另外一端与MPPT控制器连接；MPPT控制器由DSP与FPGA两部分构成，其中DSP的端口1至端口11与FPGA的端口1至端口11对应连接。负载一端与第二电容正极连接，另外一端接地。

本发明在构造大量功率-转速-风速样本的基础上，建立风速的万有引力神经网络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，采用占空比 扰动观察法以设定的扰动步长跟踪风机的最大功率。

本方法主要包括以下步骤：

1.构造风速估计模型训练样本；

根据风力机的空气动力学特性，可以得出风力机输出机械功率为：

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

式中：R为风轮半径，m；ρ为空气密度，V_w为风速，m/s；C_p为风能利用系数，其大小与叶尖速比λ以及叶片桨距角β有关，可近似表示为：

$\left\{\begin{array}{c}{C}_p=0.22(\frac{116}{{\mathrm{\λ}}_1}-0.4\mathrm{\β}-5)e^{\frac{-12.5}{{\mathrm{\λ}}_1}}\\ \frac{1}{{\mathrm{\λ}}_1}=\frac{1}{\mathrm{\λ}+0.08\mathrm{\β}}-\frac{0.035}{{\mathrm{\β}}^3+1}\end{array}\right.---\left(2\right)$

其中，叶尖速比λ为风机叶片的叶尖速度与风速的比值，有

$\mathrm{\λ}=\frac{\mathrm{\ωR}}{V_w}---\left(3\right)$

可知，在风轮叶片大小、风速和空气密度一定时，影响功率输出的唯一因素是风能利用系数C_p。对于永磁直驱风力机，风速在额定风速以下时，一般采用不变桨距方式，即β＝0，则可得出风能利用系数C_p与叶尖速比λ之间的关系曲线，此时，存在一个最佳的叶尖速比λ_opt(约为6.3)，对应最大的风能利用系数C_pmax。在不同的风速下，通过调节风机转速ω使叶尖速比λ始终在工作在λ_opt，即可实现最大功率跟踪。

本发明的训练样本构造过程如下：

设定风速V_w以ΔV作为步长从启动风速V₀，逐步增加至额定风速V_t，并在每一风速条件下，令风机转速ω以Δω为步长从起始转速ω₀升至额定转速ω_t，并根据式(1)(2)(3)计算出每一风速-风机转速(V_w(i)，ω(i))环境下的风机机械功率P_m(i)，从而可构成大量风速-风机转速-功率样本{ω(i)，P_m(i)，V_w(i)}，即在已知风机转速ω(i)和功率P_m(i)的情况下，可得出风速值为V_w(i)。考虑实际工程中风机转速信号与功率信号的测量存在噪声，对每个样本中的ω(i)与P_m(i)均叠加一定的高斯噪声，如下式所示：

ω′(i)＝ω(i)+δω    (4)

P_m′(i)＝P_m(i)+δP_m    (5) 

其中，δω服从N(0，σ_ω ²)的高斯分布，δP_m服从N(0，σ_P ²)的高斯分布。 

2.基于万有引力神经网络建立风速估计模型；

利用BP神经网络建立风速估计模型，利用步骤1所收集的训练样本开展模型训练。传统的BP训练算法采用随机数生成的方式设置初始权值以及阈值，具有容易陷入局部最优的缺点。本发明提出利用万有引力搜索算法对BP神经网络的初始权值以及阈值进行优化，从而保证训练结果的全局最优，得到高精度的风速估计模型。

万有引力搜索算法是Rashedi等人首先提出的一种基于万有引力定律进行寻优的智能优化方法。该方法将优化问题的解视为一组在空间运行的粒子，粒子之间通过万有引力作用相互吸引，粒子运动遵 循动力学规律，万有引力的作用使得粒子朝着质量最大的粒子移动，而质量最大的粒子占据最优位置，从而可求出优化问题的最优解。算法通过个体间的万有引力相互作用实现优化信息的共享，引导群体向最优解区域搜索。

该算法的原理为：

在D维的搜索空间中，设有N个粒子，定义第i个粒子位置为  $P_i=(p_i^1,...,p_i^d,...,p_i^D),i=\mathrm{1,2,3},...,N,$ 第t次迭代时，粒子j对i的万有引力定义为

$F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_{\mathrm{pi}}\left(t\right)M_{\mathrm{aj}}\left(t\right)}{{\left|\right|P_i\left(t\right),P_j\left(t\right)\left|\right|}_2}(x_j^d\left(t\right)-x_i^d\left(t\right))---\left(6\right)$

式中：G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为粒子i的被动惯性质量和粒子j的主动惯性质量。

假设引力质量与惯性质量相等，根据每个粒子的适应度函数值计算粒子惯性质量：

M_ai＝M_pi＝M_i    (7) 

$m_i=\frac{f_i-f_{\mathrm{worst}}}{f_{\mathrm{best}}-f_{\mathrm{worst}}}---\left(8\right)$

$M_i=\frac{m_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_j}---\left(9\right)$

对于极小化问题，f_best＝minf_j，f_worst＝maxf_j。

对于第i个粒子，受到来自其它粒子引力的合力可用引力的随机加权和表示为：

$F_i^d\left(t\right)=\underset{j\≠i}{\mathrm{\Σ}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right)---\left(10\right)$

基于牛顿第二定律，粒子i产生的加速度为：

$a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)}---\left(11\right)$

则粒子的速度和位置可以更新为：

$v_i^d(t+1)={\mathrm{rand}}_i\×v_i^d\left(t\right)+a_i^d\left(t\right)---\left(12\right)$

$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1)---\left(13\right);$

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；第i个粒子的第d维的加速度；rand_i为[0，1]之间的随机数。

本发明利用万有引力搜索算法对BP神经网络模型进行优化的具体步骤如下：

a)确定BP神经网络结构并设置初始的权值及阈值；

设BP神经网络为三层结构，输入层有l个神经元，隐含层有h个神经元，输出层有m个神经元，w_lh＝{w_ji|j＝1,…,l,i＝1,…,h}为输入层神经元与隐含层神经元之间的连接权值集合，w_hm＝{w_kj|k＝1,…,m,j＝1,…,h}为隐含层神经元与输出层神经元之间的连接权值集合，b_h和b_m分别表示隐含层神经元与输出层神经元的阈值向量。

b)设置粒子群体规模以及各粒子初始位置；

设置群体规模为N，各粒子位置为P_i＝[w_lh,b_h,w_hm,b_m]，并采用随机数生成的方式初始化各粒子位置。

c)计算各粒子适应度函数值f_i；

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

$f_i=\frac{1}{\mathrm{mp}}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\hat{x}}_{\mathrm{pj}}-x_{\mathrm{pj}})}^2---\left(14\right)$

其中：m－输出节点个数；P－训练样本的个数；－网络期望输出值；x_pj－网络实际输出值。

d)更新群体中的f_best与f_worst，按照式(9)计算各粒子的质量M_i；

e)按照公式(10)(11)计算各粒子的引力合力F_i与加速度a_i；

f)按照公式(12)(13)更新各粒子的速度v_i与位置P_i；

g)返回步骤c)，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络初始权值与阈值；

h)应用BP训练算法对网络进行训练，即迭代计算隐含层与输出层输出，以及隐含层与输出层的误差，并根据误差对权值与阈值更新；每次迭代后，判断是否满足迭代终止条件，若满足则算法终止，否则继续迭代。

3.通过采集功率信号与转速信号，利用万有引力神经网络模型进行风速估计；

利用第一电压传感器采集风力发电机A相与B相的线电压V_AB，并检测其过零点的频率f，设电机的极对数为n，则可获取风机转速信号ω＝πf/n；利用第二电压传感器采集整流器输出电压V_z，利用电流传感器采集整流器输出电流I_z，则近似有功率信号P_m＝I_z*V_z，将(P_m，ω)作为万有引力神经网络模型输入，输出即为估计风速V_pre。

4.利用最佳叶尖速比法，得出所估计风速下的风机最佳转速ω_ref：

${\mathrm{\ω}}_{\mathrm{ref}}=\frac{\mathrm{\λ}*V_{\mathrm{pre}}}{R}$

其中，V_pre为估计风速，λ为叶尖速比；R为叶轮半径。

5.通过PI控制方法，调节风机转速到ω_ref；

6.以ω_ref为初始值，采用占空比扰动观察法进行最大功率跟踪。当前后两次扰动的功率差值大于设定的阈值φ时，说明风速发生了突变，重复步骤3～6。

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为本发明硬件结构图。实施例中，小型永磁直驱风力发电机2的主要参数为：风轮直径为1.3m，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；MPPT控制器中DSP采用dsPIC33FJ06GS101单片机，其主要作用为进行信号采集与控制信号的输出；FPGA采用cycloneIV EP4CE22F17，其主要作用为进行神经网络风速估计模型的运算，并通过端口1至端口11与dsPIC33FJ06GS101单片机的端口1至端口11对应连接；DC-DC变换器采用CUK电路，驱动模块选用MCP14E3，第一电压传感器和第二电压传感器选用LV28-P，电流传感器选用LA25-NP，第一电容C1＝10uF，第二电容C2＝100uF。

图2为万有引力神经网络预测模型估计风速的示意图；

图3为万有引力神经网络预测模型训练流程图；

所述永磁直所述驱风力发电***最大功率跟踪控制方法，主要包 括以下步骤：

1.构造风速估计模型训练样本；

实施例中，取风轮半径R＝0.65m，空气密度ρ＝1.205kg/m³，桨距角β＝0，设定风速V_w以ΔV＝0.1m/s作为步长从启动风速V₀＝1m/s逐步增加至额定风速V_t＝10m/s，并在每一风速条件下，令风机转速ω以Δω＝20rad/s为步长从ω₀＝1rad/s升至额定转速ω_t＝84rad/s，并根据式(1)(2)(3)计算出每一风速-风机转速(V_w(i)，ω(i))环境下的风机机械功率P_m(i)，从而可构成P＝5915个风速-风机转速-功率样本{ω(i)，P_m(i)，V_w(i)}，并分别按照式(4)和(5)对每个样本中的ω(i)与P_m(i)均叠加一定的高斯噪声，δω服从N(0，σ_ω ²)的高斯分布，δP_m服从N(0，σ_P ²)的高斯分布，实施例中，取σ_ω＝5，σ_P＝20。

2.基于万有引力神经网络建立风速估计模型；

本发明利用万有引力搜索算法对BP神经网络模型进行优化的具体步骤如下：

a)确定BP神经网络结构并设置初始的权值及阈值；

实施例中，采用三层BP神经网络，其中输入层神经元节点数为2，隐含层神经元节点数为7，输出层节点数为1，神经元转移函数采用tansig函数。由于所建立的BP网络为2-7-1结构，故l＝2，h＝7，m＝1，则权值和阈值总数为29个，对应优化问题的维数为29；

b)初始化群体。设置粒子群体规模以及各粒子初始位置；

实施例中，设置粒子群体的规模为30个，并采用在[0，1]之间 生成随机数的方式初始化各粒子的位置，取最大迭代次数为400次。

c)依据公式(14)计算各粒子适应度函数值f_i；

d)更新群体中的f_best与f_worst，按照式(9)计算各粒子的质量M_i；

e)按照公式(10)(11)计算各粒子的引力合力F_i与加速度a_i；

f)按照公式(12)(13)更新各粒子的速度v_i与位置P_i；

g)返回c，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络初始权值与阈值；

实施例中，优化后输入层到隐含层的权值和阈值为：

${\mathrm{\ω}}_1=\left(\begin{array}{cc}0.1576& 0.9157\\ 0.9706& 0.7922\\ 0.9572& 0.9595\\ 0.4854& 0.6557\\ 0.8003& 0.0357\\ 0.1419& 0.8491\\ 0.4218& 0.9340\end{array}\right),b_1=\left(\begin{array}{c}0.6787\\ 0.7577\\ 0.7431\\ 0.3922\\ 0.6555\\ 0.1712\\ 0.7060\end{array}\right);$

优化后隐含层到输出层的权值和阈值为：

ω₂＝(0.0318,0.2769,0.0462,0.0971,0.8235,0.6948,0.3171)，

b₂＝0.8502。

h)应用BP训练算法对网络进行训练，即迭代计算隐含层与输出层输出，以及隐含层与输出层的误差，并根据误差对权值与阈值更新；每次迭代后，判断是否满足迭代终止条件，若满足则算法终止，否则继续迭代。

实施例中，设置迭代终止条件为在训练样本上的均方误差MSE<0.03，可得到全局最优下的输入层到隐含层的权值和阈值为：

${\mathrm{\&omega;}}_1=\left(\begin{array}{cc}0.1656& 0.0838\\ 0.6020& 0.2290\\ 0.2630& 0.9133\\ 0.6541& 0.1524\\ 0.6892& 0.8258\\ 0.7482& 0.5383\\ 0.4505& 0.9961\end{array}\right),b_1=\left(\begin{array}{c}0.0782\\ 0.4427\\ 0.1067\\ 0.9619\\ 0.0046\\ 0.7749\\ 0.8173\end{array}\right)$

全局最优下的隐含层到输出层的权值和阈值为：

ω₂＝(0.8687,0.0844,0.3998,0.2599,0.8001,0.4314,0.9106)，

b₂＝0.8693

3.通过采集功率信号与转速信号，利用万有引力神经网络模型进行风速估计；

实施例中，利用第一电压传感器、第二电压传感器和电流传感器所采集信号计算出功率信号P_m与转速信号ω，电机的极对数n＝6；某一工况下得出ω＝77.5rad/s，P_m＝55.1W，将(P,ω)＝(55.1，77.5)作为万有引力神经网络模型输入，可估计出风速为V_pre＝5.80m/s；

4.利用最佳叶尖速比法，得出所估计风速下的风机最佳转速ω_ref：

实施例中，取λ＝6.7， ${\mathrm{\&omega;}}_{\mathrm{ref}}=\frac{\mathrm{\&lambda;}\&CenterDot;V_{\mathrm{pre}}}{R}=59.8\mathrm{rad}/s;$

5.通过PI控制方法(设定K_p＝0.02，K_I＝0.1)，调节风机转速到ω_ref；

6.以ω_ref为初始值，占空比扰动观察法进行最大功率跟踪(扰动周期T＝2s，步长Δd＝0.02)，经过连续2拍的负方向扰动后，进入稳态过程，跟踪时间为4s，P_m平均值为69.8W。当前后两次扰动的功率差值大于设定的阈值φ时，说明风速发生了突变，重复步骤3～6。实施例中，取φ＝15W。

为验证本发明的功效，在上述同样工况下(ω＝77.5rad/s，P_m＝55.1W)，直接采用占空比扰动观察法进行最大功率跟踪(扰动周期T＝2s，扰动步长Δd＝0.02)，则需经过连续17拍的负方向扰动后进入稳态过程，跟踪时间为34s，可知，本发明所述方法可以明显的缩短跟踪时间；若取扰动步长Δd＝0.05，则需经过连续7拍的负方向扰动后进入稳态过程，跟踪时间为14s，但此时P_m存在较大波动，其平均值为66.5W，与本发明所述方法相比，存在一定的功率损失。

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)

1.一种基于万有引力神经网络的风电***MPPT控制方法，其特征是，所述方法在构造大量功率-转速-风速样本的基础上，建立风速的万有引力神经网络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，采用占空比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所述的基于万有引力神经网络的风电***MPPT控制方法，其特征是，所述方法包括以下步骤：

a.构造功率-转速-风速样本：

设定风速V_w以ΔV作为步长从启动风速V₀，逐步增加至额定风速V_t，并在每一风速条件下，令风机转速ω以Δω为步长从起始转速ω₀升至额定转速ω_t，在每一风速-风机转速(V_w(i)，ω(i))环境下，利用下式计算出风机机械功率P_m(i)：

$P_m\left(i\right)=\frac{1}{2}{C}_p\mathrm{\&rho;\&pi;}{R}^2{V}_w{\left(i\right)}^3$

$\left\{\begin{array}{c}{C}_P=0.22(\frac{116}{{\mathrm{\&lambda;}}_1}-0.4\mathrm{\&beta;}-5)e^{\frac{-12.5}{{\mathrm{\&lambda;}}_1}}\\ \frac{1}{{\mathrm{\&lambda;}}_1}=\frac{1}{\mathrm{\&lambda;}+0.08\mathrm{\&beta;}}-\frac{0.035}{{\mathrm{\&beta;}}^3+1}\end{array}\right.$

$\mathrm{\&lambda;}=\frac{\mathrm{\&omega;R}}{V_w\left(i\right)}$

式中：R为风轮半径，ρ为空气密度，C_p为风能利用系数，λ为叶尖速比，β为叶片桨距角，

从而得到大量风速-风机转速-功率样本{ω(i)，P_m(i)，V_w(i)}；

b.建立风速的万有引力神经网络预测模型：

利用BP神经网络建立风速预测模型，并利用万有引力搜索算法对BP神经网络模型进行优化，具体步骤如下：

①确定BP神经网络结构并设置初始的权值及阈值；

②设置粒子群体规模N以及各粒子初始位置，i＝1,2,3,…,N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

③计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

$f_i=\frac{1}{\mathrm{mp}}\underset{p=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\hat{x}}_{\mathrm{pj}}-x_{\mathrm{pj}})}^2$

其中：m为输出节点个数；P为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；

④更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：

$M_i=\frac{m_i}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{m}_j}$

$m_i=\frac{f_i-f_{\mathrm{worst}}}{f_{\mathrm{best}}-f_{\mathrm{worst}}};$

⑤按照下式计算各粒子的引力合力F_i与加速度a_i：

$\begin{array}{cccc}{F}_i^d\left(t\right)=\underset{j\&NotEqual;i}{\mathrm{\&Sigma;}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right)& ;& a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)}& ;\end{array}$

$F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_{\mathrm{pi}}\left(t\right)M_{\mathrm{aj}}\left(t\right)}{{\left|\right|P_i\left(t\right),P_j\left(t\right)\left|\right|}_2}(p_j^d\left(t\right)-p_i^d\left(t\right))$

式中：t为迭代次数，为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；

⑥按照下式更新各粒子的速度v_i与位置P_i：

$v_i^d(t+1)={\mathrm{rand}}_i\&times;v_i^d\left(t\right)+a_i^d\left(t\right)$

$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1)$

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；

⑦返回步骤③，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络初始权值与阈值；

⑧利用步骤a所构造的功率-转速-风速样本开展模型训练：

将(P_m，ω)作为万有引力神经网络模型的输入，输出为估计风速V_pre，每次迭代后，判断是否满足迭代终止条件，若满足则算法终止，否则继续迭代；

c.采集风机的功率信号与转速信号，利用训练好的万有引力神经网络预测模型进行风速估计；

d.利用估计风速，采用最佳叶尖速比法，得出所估计风速下的风机最佳转速ω_ref：

${\mathrm{\&omega;}}_{\mathrm{ref}}=\frac{\mathrm{\&lambda;}*V_{\mathrm{pre}}}{R}$

其中，V_pre为估计风速；

e.通过PI控制方法，将风机转速调节到最佳转速ω_ref；

f.以最佳转速ω_ref为初始值，采用占空比扰动观察法进行最大功率跟踪，当前后两次扰动的功率差值大于设定的阈值φ时，说明风速发生了突变，重复步骤c～f。

3.根据权利要求2所述的基于万有引力神经网络的风电***MPPT控制方法，其特征是，考虑实际工程中风机转速信号与功率信号的测量存在噪声，对每个风速-风机转速-功率样本{ω(i)，P_m(i)，V_w(i)}样本中的ω(i)与P_m(i)均叠加一定的高斯噪声，叠加高斯噪声后的转速ω′(i)和功率P_m′(i)如下式所示：

ω′(i)＝ω(i)+δω

P_m′(i)＝P_m(i)+δP_m

其中，δω为转速信号噪声，服从N(0，σ_ω ²)的高斯分布，δP_m为功率信号噪声，服从N(0，σ_P ²)的高斯分布。

4.根据权利要求3所述的基于万有引力神经网络的风电***MPPT控制方法，其特征是，风机功率信号的采集方法是：测量风力发电机A相与B相之间的线电压V_AB，并检测其过零点的频率f，设电机的极对数为n，则风机转速信号为ω＝πf/n；风机转速信号的采集方法是：测量整流器输出电压V_z和输出电流I_z，则功率信号为P_m＝I_z*V_z。