CN105024599A - 一种波浪能发电***最大功率跟踪装置及控制方法 - Google Patents

Abstract

本发明属于波浪能发电领域，尤其是涉及一种波浪能发电***最大功率跟踪装置及控制方法。其中，装置包括摆板、基座、转轴、链条、变速箱、永磁同步发电机、整流器、DC/DC变换器、MPPT控制器、速度传感器、电压传感器、电流传感器、水位传感器、转速传感器、第一电容、第二电容、驱动模块和负载；通过安装于位于摆板前2米且与摆板重心同一水平面的速度传感器、水位传感器以及转速传感器获取工作向量，并采集大量工作向量-最佳工作电压的实际样本，利用支持向量机建立工作向量-最佳工作电压预测模型。通过将预测模型与小步长扰动观察法结合进行最大功率跟踪，本发明能有效提高波浪能发电***的发电效率。

Description

一种波浪能发电***最大功率跟踪装置及控制方法

技术领域

本发明属于波浪能发电领域，尤其是涉及一种波浪能发电***最大功率跟踪装置及控制方法。

背景技术

随着全球能源危机的不断加剧，温室效应的不断加强，空气质量的不断下降，各国对新能源的开发日趋重视，尤其是波浪能发电，随着波浪能发电成本的不断下降，在未来波浪能必将代替传统能源，成为未来稳定的能源解决方案。

波浪的重要特征是具有多维度和随机性的运动，在空间分布上具有高度的不均匀性，在时间上又表现为随机性没有规律可循。目前，对于波浪能发电***的最佳功率点的研究很少。有科研人员提出用开路电压法，爬山搜索法和最优梯度法。

开路电压法，是在负载开路的情况下，跟踪电压的变化。然而开路电压法与短路电流法都是使用极端状态(空载/超载)下的参数来作为控制的依据，参数的可信度不高。而且在极端状态下，波浪能发电机构工作于大摆幅或者大应力下，容易被损坏。爬山搜索法也称为扰动观察法。爬山搜索算法无需测量波高与波周期，也不需要事先知道具体波浪能吸收机构的功率特性，而是施加人为的转速扰动，然后通过测量功率的变化来自动搜索发电机的最优负载点，但因跟踪步长对跟踪精度和响应速度无法兼顾，有时会发生程序在运行中的“误判”与振荡现象。最优梯度法，是一种以梯度法为基础的多维无约束最优化问题的数值计算法，但最优梯度法的迭代求出的解可能是局部最优解，而不是全局最优；对目标函数要求较高。依赖于初始值，如果初始值取得不好，难以得到好的收敛结果；需要进行步长选择，而且步长值对算法性能影响很大。

发明内容

针对以上背景技术中提到的现有最大输出功率跟踪方法存在的不足，本发明提出了一种波浪能发电***最大功率跟踪装置及控制方法。

一种波浪能发电***最大功率跟踪装置，其特征是该装置包括摆板、基座、转轴、链条、变速箱、永磁同步发电机、整流器、DC/DC变换器、MPPT控制器、速度传感器、电压传感器、电流传感器、水位传感器、转速传感器、第一电容、第二电容、驱动模块和负载；

其中，所述摆板通过转轴固定于基座上，转轴与变速箱输入端通过链条连接，变速箱输出端与永磁同步发电机的转子连接；

所述整流器的三相输入端与永磁同步发电机的三相输出端连接，整流器的单相输出正端与第一电容的正极连接，整流器的单相输出负端接地，第一电容负极接地；

所述电压传感器的待测电压输入端与第一电容正极连接，电压传感器待测电压输出端接地，电压传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述电流传感器的待测电流输入端与电压传感器正极连接，电流传感器的待测电流输出端与DC-DC变换器的输入端连接，电流传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述DC-DC变换器的脉宽调制信号输入端与驱动模块一端连接、驱动模块另外一端与MPPT控制器连接；DC-DC变换器的输出端与第二电容正极连接；第二电容负极接地；

所述水位传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述速度传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述转速传感器两个输入端与风机三相输出端中的其中两端连接，转速传感器的测量信号输出端与MPPT控制器连接；

所述负载一端与第二电容正极连接，负载另外一端接地。

所述速度传感器和水位传感器安装于摆板正前方2米处，且与摆板重心位于同一水平面。

所述DC-DC变换器采用Boost电路。

所述水位传感器采用LC-SW1。

所述速度传感器采用ZLS-PX。

一种波浪能发电***最大功率跟踪方法，其特征在于，所述方法具体包括步骤：

步骤1：采集摆板所在水域的波浪速度S_w和波浪高度H_w以及永磁同步发电机的转速ω_w；

步骤2：在步骤1的基础上，利用支持向量机预测模型得到最大功率点对应的电压预测值V_ref；

步骤3：通过比例积分控制器调节DC-DC变换器的脉冲宽度调制的占空比，使永磁同步发电机输出电压达到最大功率点对应的电压预测值V_ref；

步骤4：最大功率点对应的电压预测值V_ref为初始值，采用扰动观察法以设定的扰动步长跟踪永磁同步发电机的最大功率；

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，说明波浪能量发生变化，重复步骤1至步骤4。

步骤2中，利用支持向量机预测模型得到最大功率点对应的电压预测值V_ref的过程为；

支持向量机SVM预测模型的作用是根据传感器测得的参数向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，给出永磁同步发电机的最大功率点电压的预测值V_ref；

步骤201：收集训练样本；

记某一工作环境下的参数向量为X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，对应最大功率点MPP的电压为V_max(i)则可构成一对样本(X(i)，V_max(i))。通过收集各种不同环境下的样本对，形成样本集{(X(i)，V_max(i))}，

某一工作环境下训练样本的获取采用试探法来采集，采集过程为：

步骤2011：初始化DC-DC变换器的PWM信号的脉冲占空比D以较小的初始值D₀，使其每次以固定增量ΔD不断增加，对于第k次，有

D(k)＝D₀+k·ΔD  (1)

其中：D(k)为第k次脉冲占空比；

D₀为占空比初始值；

ΔD为固定增量；

步骤2012：通过电压传感器和电流传感器采集永磁同步发电机经整流器后的直流输出电压V_dc(k)和直流输出电流I_dc(k)，计算当前风机的输出功率P(k)：

P(k)＝V_dc(k)·I_dc(k)  (2)

步骤2013：与前一次永磁同步发电机的输出功率P(k-1)比较，当出现P(k)＜P(k-1)时则认为此时永磁同步发电机的工作状态已接近最大功率点；令：

D(k)＝D₀+(k-0.5)·ΔD  (3)

记录此时的永磁同步发电机的工作电压作为最大功率点电压V_ref以及工作向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，完成一次采集，即得到一对样本(X(i)，V_max(i))。

步骤202：训练支持向量机SVM模型；具体过程为：

步骤2021：给定样本集其中，X_i∈Rⁿ为输入向量，y_i∈R为相应输出值，N为样本个数，n为输入向量维数；

步骤2022：设定支持向量机SVM所用线性回归函数为：

y_i＝f(X_i)＝Wφ(X_i)+b  (4)

其中：y_i为线性回归函数输出；

Φ(X_i)是从输入空间到高维特征空间的非线性映射；

X_i为输入向量；

W为权值向量；

b为偏置；

权值向量W和偏置b由最小化公式(5)来计算：

$\frac{1}{2}{\left|\right|W\left|\right|}^2+C\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

$s.t\left\{\begin{array}{c}{y}_i-\mathrm{W\Φ}\left(X_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ {\mathrm{\ξ}}_i\≥0\end{array}\right.---\left(5\right)$

其中：W为权值向量，第1项决定回归函数的泛化能力；C为惩罚因子(C＞0)，用于控制对超出的样本的惩罚程度；N为样本个数；ξ_i为引入的松弛变量；ε为误差；

步骤2023：根据最小化公式(5)建立拉格朗日方程，求解线性回归函数为：

$f\left(X_i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{j}K(X_i,X_j)+b---\left(6\right)$

其中：K(X_i，X_j)为核函数，核函数为高斯函数δ²为高斯核函数的宽度参数；α_j为拉格朗日系数；X_j为样本向量，且不为零的α_j对应的向量X_j称为支持向量；得到支持向量后，即可求得回归函数y＝f(X_i)；

步骤2024：采用统计量平均相对误差Δ_MRE评价预测模型的性能；其表达式为：

${\mathrm{\Δ}}_{\mathrm{MRE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{Y-\hat{Y}}{Y}\right|\×100\%---\left(7\right)$

式中：

Δ_MRE为统计量平均相对误差；

Y为样本的真值；

为Y的估计值；

步骤2025：均匀抽取总样本中的40％作为训练样本其余60％作为检验样本，分别取不同C与δ²利用训练样本进行学习，并计算在检验样本上的Δ_MRE选择最小的Δ_MRE所对应的模型作为最终预测模型；

步骤203：将工作向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T通过最终预测模型得到最大功率点MPP对应的电压的预测值V_ref。

与现有技术相比，本发明的有益效果是：当外界环境变化时，借助于预测模型可以直接将工作电压调节至最大功率点对应的电压预测值V_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；最大功率点对应的电压预测值V_ref为初值进行扰动观察时，由于电压预测值V_ref已经接近最大功率点MPP对应的电压，故可以设置较小的扰动步长，从而有效的降低扰动观察过程的功率损失；当波浪的特性发生变化时，可以快速收集训练样本，保证预测模型的高精度。

附图说明

图1为本发明硬件结构图；

图2为扰动观察法P&O算法流程图；

图3为本发明提供的一种波浪能发电***最大功率跟踪方法的流程图；

其中，1-摆板；2-基座；3-转轴；4-链条；5-水位传感器；6-速度传感器；7-永磁同步发电机；8-转速传感器；9-整流器；10-第一电容；11-电压传感器；12-电流传感器；13-第二电容。

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，永磁同步发电机7主要参数为：额定功率为300W，额定电压为24V，额定转速800r/min，最大功率跟踪装置的主要参数为：MPPT控制器采用dsPIC33FJ16GS504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11选用LV28-P，电流传感器12选用LA25-NP，速度传感器6采用ZLS-PX，转速传感器8采用电压过零检测式频率计，第一电容C1＝10uF，第二电容C2＝100uF。

依据步骤201进行训练样本的采集。支持向量机SVM预测模型的作用是波浪能的特性预测出最大功率点MPP对应的电压预测值V_ref。波高和波速能够表征波浪能的大小，永磁同步发电机的转速表征传动机构效率。记某一工作环境下的参数向量为X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，对应最大功率点MPP的电压为V_max(i)则可构成一对样本(X(i)，V_max(i))。通过收集各种不同环境下的样本对，形成样本集{(X(i)，V_max(i))}，就可以通过训练支持向量机SVM模型拟合出它们之间的复杂关系。

依据步骤202进行SVM模型的训练。均匀抽取总样本中的40％作为训练样本，其余60％作为检验样本。为防止产生过学习现象或者欠学习现象，分别取不同C＝10^-1、10⁰、10¹、10²、10³；δ²＝10^-2、10^-1、10⁰、10¹、10²，利用训练样本进行学习，并计算在检验样本上的ΔMRE，选择最小的ΔMRE所对应的模型作为最终预测模型。将预测模型中的支持向量写入单片机的存储器以供使用。

图2为扰动观察法P&O的流程图，其原理是周期性地扰动永磁同步发电机的工作电压(V+ΔV)，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(+ΔV)扰动，若输出功率减小，则朝相反(-ΔV)方向扰动。

图3为本发明的流程图。开始时，首先采集速度传感器、水位传感器、转速传感器的输出，构成参数向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，利用支持向量机SVM预测模型给出最大功率点MPP对应的电压的预测值V_ref。比例积分PI控制器依据实际工作电压与V_ref的偏差调节DC-DC变换器的PWM占空比，使得实际工作电压快速跟踪至V_ref。然后以V_ref为初值，利用较小的扰动步长ΔV开始P&O过程。在P&O过程中，将每一次扰动前后的功率差ΔP与某一阈值T_r比较，当|ΔP|＜T_r时，继续P&O过程，否则认为此时波浪能的能量发生了突变，重新由支持向量机SVM模型预测出V_ref并重复上述过程。。对于300W的永磁同步发电机，本实施例取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dsPIC33FJ16GS504，输出PWM方波驱动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法进行了比较。具体为：在同一环境下，控制永磁同步发电机的输出电压为初始值为20V。

常规扰动观察法P&O方法，总共所需时间约为100秒进入稳态过程。

本发明只需要25秒进入稳态过程，跟踪速度要明显高于常规扰动观察法P&O方法。

进入稳态过程后，分别计算80秒稳态过程的平均功率，得出常规扰动观察法P&O方法为218瓦，而本发明所述方法为237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技术范围内，可轻易想到的变化或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种波浪能发电***最大功率跟踪装置，其特征在于，所述装置包括摆板、基座、转轴、链条、变速箱、永磁同步发电机、整流器、DC/DC变换器、MPPT控制器、速度传感器、电压传感器、电流传感器、水位传感器、转速传感器、第一电容、第二电容、驱动模块和负载；

其中，所述摆板通过转轴固定于基座上，转轴与变速箱输入端通过链条连接，变速箱输出端与永磁同步发电机的转子连接；

所述整流器的三相输入端与永磁同步发电机的三相输出端连接，整流器的单相输出正端与第一电容的正极连接，整流器的单相输出负端接地，第一电容负极接地；

所述电压传感器的待测电压输入端与第一电容正极连接，电压传感器待测电压输出端接地，电压传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述电流传感器的待测电流输入端与电压传感器正极连接，电流传感器的待测电流输出端与DC-DC变换器的输入端连接，电流传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述DC-DC变换器的脉宽调制信号输入端与驱动模块一端连接、驱动模块另外一端与MPPT控制器连接；DC-DC变换器的输出端与第二电容正极连接；第二电容负极接地；

所述水位传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述速度传感器的测量信号输出端与最大功率点跟踪MPPT控制器连接；

所述转速传感器两个输入端与风机三相输出端中的其中两端连接，转速传感器的测量信号输出端与MPPT控制器连接；

所述负载一端与第二电容正极连接，负载另外一端接地。

2.根据权利要求1所述的装置，其特征在于所述速度传感器和水位传感器安装于摆板正前方2米处，且与摆板重心位于同一水平面。

3.根据权利要求1所述的装置，其特征在于所述DC-DC变换器采用Boost电路。

4.根据权利要求1所述的装置，其特征在于所述水位传感器采用LC-SW1。

5.根据权利要求1所述的装置，其特征在于所述速度传感器采用ZLS-PX。

6.一种波浪能发电***最大功率跟踪方法，其特征在于，所述方法具体包括步骤：

步骤1：采集波浪能传动机构所在水域的波浪速度S_w和波浪高度H_w以及永磁同步发电机的转速ω_w；

步骤2：在步骤1的基础上，利用支持向量机预测模型得到最大功率点对应的电压预测值V_ref；

步骤3：通过比例积分控制器调节DC-DC变换器的脉冲宽度调制的占空比，使永磁同步发电机输出电压达到最大功率点对应的电压预测值V_ref；

步骤4：最大功率点对应的电压预测值V_ref为初始值，采用扰动观察法以设定的扰动步长跟踪永磁同步发电机的最大功率；

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，说明波浪能量发生变化，重复步骤1至步骤4。

7.根据权利要求6所述的方法，其特征在于，所述步骤2中，利用支持向量机预测模型得到最大功率点对应的电压预测值V_ref的过程为：

支持向量机SVM预测模型的作用是根据传感器测得的参数向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，给出永磁同步发电机的最大功率点电压的预测值V_ref；

步骤201：收集训练样本；

记某一工作环境下的参数向量为X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，对应最大功率点MPP的电压为V_max(i)则可构成一对样本(X(i)，V_max(i))。通过收集各种不同环境下的样本对，形成样本集{(X(i)，V_max(i))}；

某一工作环境下训练样本的获取采用试探法来采集，采集过程为：

步骤2011：初始化DC-DC变换器的PWM信号的脉冲占空比D以较小的初始值D₀，使其每次以固定增量ΔD不断增加，对于第k次，有

D(k)＝D₀+k·ΔD

其中：D(k)为第k次脉冲占空比；

D₀为占空比初始值；

ΔD为固定增量；

步骤2012：通过电压传感器和电流传感器采集永磁同步发电机经整流器后的直流输出电压V_dc(k)和直流输出电流I_dc(k)，计算当前风机的输出功率P(k)：

P(k)＝V_dc(k)·I_dc(k)

步骤2013：与前一次永磁同步发电机的输出功率P(k-1)比较，当出现P(k)＜P(k-1)时

则认为此时永磁同步发电机的工作状态已接近最大功率点；令：

D(k)＝D₀+(k-0.5)·ΔD

记录此时的永磁同步发电机的工作电压作为最大功率点电压V_ref以及工作向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T，完成一次采集，即得到一对样本(X(i)，V_max(i))。

步骤202：训练支持向量机SVM模型；具体过程为：

步骤2021：给定样本集其中，X_i∈Rⁿ为输入向量，y_i∈R为相应输出值，N为样本个数，n为输入向量维数；

步骤2022：设定支持向量机SVM所用线性回归函数为：

y_i＝f(X_i)＝WΦ(X_i)+b

其中：y_i为线性回归函数输出；

Φ(X_i)是从输入空间到高维特征空间的非线性映射；

X_i为输入向量；

W为权值向量；

b为偏置；

权值向量W和偏置b由最小化公式来计算：

$\frac{1}{2}{\left|\right|W\left|\right|}^2+C\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i$

$s.t.\left\{\begin{array}{c}{y}_i-\mathrm{W\Φ}\left(X_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ {\mathrm{\ξ}}_i\≥0\end{array}\right.$

其中：W为权值向量，第1项决定回归函数的泛化能力；C为惩罚因子(C＞0)，用于控制对超出的样本的惩罚程度；N为样本个数；ξ_i为引入的松弛变量；ε为误差；

步骤2023：根据最小化公式建立拉格朗日方程，求解线性回归函数为：

$f\left(X_i\right)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{j}K(X_i,X_j)+b$

其中：K(X_i，X_j)为核函数，核函数为高斯函数δ²为高斯核函数的宽度参数；α_j为拉格朗日系数；X_j为样本向量，且不为零的α_j对应的向量X_j称为支持向量；得到支持向量后，即可求得回归函数y＝f(X_i)；

步骤2024：采用统计量平均相对误差Δ_MRE评价预测模型的性能；其表达式为：

${\mathrm{\Δ}}_{\mathrm{MRE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|\frac{Y-\hat{Y}}{Y}\right|\×100\%$

式中：

Δ_MRE为统计量平均相对误差；

Y为样本的真值；

为Y的估计值；

步骤2025：均匀抽取总样本中的40％作为训练样本，其余60％作为检验样本，分别取不同C与δ²利用训练样本进行学习，并计算在检验样本上的Δ_MRE选择最小的Δ_MRE所对应的模型作为最终预测模型；

步骤203：将工作向量X(i)＝[S_w(i)，H_w(i)，ω_w(i)]^T通过最终预测模型得到最大功率点MPP对应的电压的预测值V_ref。