三叶结构半转式立轴风力机控制方法仿真研究

张 谦,陈海峰,王斌斌

(中原工学院,郑州 450007)

三叶结构半转式立轴风力机控制方法仿真研究

张 谦,陈海峰,王斌斌

(中原工学院,郑州 450007)

结合实际三叶结构半转式立轴风力机模型,分别采用传统PID控制与ANN-PID控制方法进行了仿真研究,结果表明采用ANN-PID控制具有更好的控制效果.

立轴风力机;PID控制;ANN-PID控制

近年来,世界性能源危机和环境污染严重威胁着人类的发展与生存,因此人类急需改变现有能源结构,大力发展洁净、健康的新能源.地球上风能资源储量极其丰富,据专家估计,全世界风能资源总量为每年2万亿kW[1].此外,风能使用过程中无需任何燃料,为零污染的洁净能源,因此备受世界各国关注.据有关资料统计,全世界风电场的装机速度每年以20%增长,总装机容量达90 GW[2].在风电转换方面,水平轴风力机素以较高的风能利用效率而被人类广泛使用,但其结构复杂,设计、安装与维护均较困难.立轴风力机结构简单,安装与维护比较方便,因此近年来极受青睐,但风能较之其他常规能源表现极不稳定,随机性及爆炸性较强,这使得人们很难对风力机进行较为理想的控制.PID控制技术早已成熟,加之其优良的控制效果而被广泛应用于工业控制当中,但针对如风力机这样较为复杂的系统,传统PID控制显得力不从心.神经计算就是将大量的处理单元组织在一起,使这些处理单元相互联系并交换信息[3],因此这种结构特点决定它在复杂控制系统的应用当中表现突出.目前,神经网络控制已成为智能控制的一个重要分支.

本文结合三叶结构半转式立轴风力机实验样机的动力学模型,分别对其进行传统 PID控制和ANN-PID控制,并对这2种控制进行了仿真与比较.

1 风力机工作原理及动力学模型

风力机的结构特性直接影响着风力发电机组对风能的利用效率.三叶结构半转式立轴风力机巧妙地采用了齿轮、蜗轮等机械传动装置,使得风力机叶片绕主轴公转一周的同时亦绕叶片中轴进行一次翻转.当叶片位于顺风侧时,其垂直于风向,从而可以最大限度地获取风对叶片的推力;当叶片位于逆风侧时,其又平行于风向,从而可以最大限度地减小风对叶片的阻力.鉴于此,此种结构的立轴风力机较之其他直叶型结构的立轴风力机具有更高的风能利用效率.在10 m/s额定风速下该风力机转速达额定值30 Rev/min,为使风力机在外界风速超过额定风速时仍能稳定在额定转速下,在风力机顶端采用步进电机来调节叶片在初始位置时与风向的夹角,从而改变叶片受风面积,实现对风力机的恒转速控制及恒功率控制.本文所研究的三叶结构半转式立轴风力机结构组成如图1所示.

当叶片处于图2所示位置时,定义叶片与横轴夹角α为叶片功角,对风力机的控制即为对功角α的控制.由此,可得出风力机控制系统的框图,如图3所示.

风力机动力学模型是对风力机进行分析、控制的依据,因此建立起准确、简洁的动力学模型对较好地控制风力机具有重要意义.

本文三叶结构半转式立轴风力机的动力学模型为[4]:

式中:m=,Ts为采样周期;n(k)为第k次测量所得的风力机转速.

2 控制方案的比较

2.1 传统数字PID控制器

PID控制器由比例环节、积分环节及微分环节构成 ,其融合了3个控制环节各自的优点,使得该控制器相对于其他控制器具有结构简单、控制效果好的特点,加之算法简单、可靠性高,被广泛用于工业控制当中.数字PID控制算法由模拟PID离散化所得,其每个参数都有明显的物理意义,调整极为方便.本文控制量α通过步进电机实现,控制算法选取经典的增量式PID控制算法.

若选取数字PID控制器的参数kp=1,ki=0.5,kd=0.4,Ts=0.5,则用M A TLAB对风力机动力学模型进行仿真,得仿真结果如图4所示.

图4 PID控制下的转速阶跃响应

由图4可知,当外界风速由额定值突变至15 m/s时,在数字PID控制器作用下风力机至少需要40 s才能进入稳定状态,且在 t=5 s时转速出现波峰(30.2 Rev/min),此时最大超调量为0.67%.可见,在传统数字PID控制器作用下,立轴风力机已得到了较好的控制.

2.2 基于BP神经网络整定的PID控制器

PID控制器的3个参数既相互联系又相互制约,按经验选取协调3个环节控制作用的方法,在很大程度上都不能得到最优的控制效果.近几年来,随着对神经网络理论及其应用的深入研究,使得神经网络作为一种数学工具而出现,用于解决多变量的实际问题,如模式的分类与识别、医疗图像、声音识别及控制等[6].神经网络具有极好的非线性表达能力,通过对系统的学习,能够最大程度地适应系统环境,从而能够得出最佳的参数组合.采用BP神经网络,可以实现对传统PID控制器3个参数的优化,协调好3个控制环节在控制器中的作用.

针对本文三叶结构半转式立轴风力机动力学模型,设计出BP网络的结构,如图5所示.

图5所示输入层包含4个输入信号,即 n0、n(k)、e及d e/d t,输出层的输出为3个可调节参数,即 kp、ki、kd.为简化神经网络结构,隐含层取为5层.由此可得

图5 BP网络结构

加入了神经网络调节环节后的控制系统框图,如图6所示.

图6 基于BP网络的风力机控制系统框图

BP神经网络的隐层作用函数取为对称的Sigmoid函数,由于输出的3个可调节参数均不能为负值,因此输出层的作用函数取为非对称的Sigmoid函数.

采用最速下降法修正网络权系数,为加速收敛,可为算法添加惯性项,即[7]:

式中:η为学习速率;α为惯性系数.式(3)中,

为了与传统PID控制器进行比较,这里仍取风速由额定值突变至 15 m/s,采样时间仍为 0.5 s,在MA TLAB平台下进行仿真,得仿真结果如图7所示.

由图7可知,采用BP网络整定的PID控制系统,经过25 s即能进入稳定状态,最大超调量仅为0.55%,其超调量约为传统PID控制下的4/5,调整时间缩短了15 s.在该算法下,kp、ki、kd的调节过程如图8所示.

为了突出人工神经PID控制的优越性,下面给出传统PID控制及ANN-PID控制下阶跃响应的比较图,如图9所示.

由图9可以看出,在相同条件下对立轴风力机进行控制,采用BP神经网络整定的PID控制算法可以得到比传统数字PID控制算法更好的控制效果.

3 结 语

本文分别采用了传统PID控制器和ANN-PID控制器对三叶结构半转式立轴风力机进行控制,并对其空气动力学模型进行了MA TLAB仿真,仿真结果表明在传统数字PID控制器当中加入ANN调节部分后,可使得PID控制器的3个参数以较好的形式组合在一起,从而使得该种结构的PID控制器具有更好的控制性能.

[1] 包耳.风力发电技术的发展现状[J].可再生能源,2004(2):53-55.

[2] Antipov V N,Danilevich Ya B.Analysis and Investigation of Size Spectrum of Synchronous Machines Operating asWind-Power-Generators in the Range of Rotation Frequencies of 75-300 rpm[J].Russian Electrical Engineering,2009,80(1):23-28.

[3] Nikola B Serbedzija.Simulating A rtificial Neural Netwo rks on Parallel A rchitectures[J].IEEE Computer Society,1996,29(3):56-63.

[4] 王双岭.用于立轴风力机的智能控制器设计方法研究[D].郑州:中原工学院,2009.

[5] 李友善.自动控制原理[M].第3版.北京:国防工业出版社,2005:370.

[6] Suresh S,Omkar SN,Mani V.Parallel Implementation of Back-Propagation Algorithm in Netwo rksof Wo rkstations[J].IEEE Computer Society,2005,16(1):24-34.

[7] 刘金琨.先进PID控制MA TLAB仿真[M].第2版.北京:电子工业出版社,2004:162-164.

Three-leaf Sem i-rotary VAWT Control Method Simulation Reaserch

ZHANG Qian,CHEN Hai-feng,WANGBin-bin
(Zhongyuan University of Technology,Zhengzhou 450007,China)

In this paper,combined w ith a three-leaf semi-rotary VAW T model,simulation reaserch was respectively done for traditional PID control and ANN-PID control,w hose result indicates that ANN-PID has a better control effect.

vertical axis w ind turbine;PID control;ANN-PID control

TP273

A DO I:10.3969/j.issn.1671-6906.2010.04.014

1671-6906(2010)04-0055-04

2010-06-04

张 谦 (1957-),男,河南平顶山人,教授.