面向直驱风力发电系统的控制算法优化设计

万抒策，苏人奇，钱韫辉

（1.中国华能集团清洁能源技术研究院有限公司，北京 102209；2.华能（浙江）能源开发有限公司清洁能源分公司，杭州 310014；3.上海擎测机电工程技术有限公司，上海 200434）

由于目前电力系统中风力发电的渗透率越来越高[1-2]，利用有功功率已经难以完成频率调节，因此系统的稳定性面临着严峻的挑战。若无法及时进行频率误差调节，将会导致负载脱落并造成电力系统崩溃[3-6]。对此，国内外学者进行了风力发电系统控制策略的研究，并提出了若干有效的技术方案，例如桨距角控制、风力发电与储能装置组合以及变流器控制等方法。文献[7]提出了一种将风电系统与储能装置相结合，并利用后者对风电功率频率波动进行抑制的策略，实验表明该策略可以快速响应风电系统的频率变化，且能够提供有效的频率支持。文献[8]设计了一种基于模糊控制（fuzzy control，FC）的储能频率控制器，通过将风电系统频率的变化率及偏差作为输入，从而对风速和频率波动进行响应，但储能设备的前期投资与后期维护成本会随着风电设备规模的扩大而增加。文献[9]提出了一种基于模型预测控制（model predictive control，MPC）的直驱风电系统控制策略，使用MPC 对桨距角进行调节，以完成对频率控制的优化，但桨距角控制器存在延迟特性，所以不能仅依靠此策略来实现频率调节。文献[10]提出了基于MPC 与卡尔曼滤波器（Kalman filtering，KF）的控制策略，通过风速来对风电机组的输出功率进行调节，有效提高了频率控制的特性，但该策略性能的提高与风速的预测准确性紧密相联，因此在实际应用中通常不将风速作为输入条件。

针对上述问题，本文提出了一种基于深度学习（deep learning，DL）网络预测控制的直驱风力发电系统控制策略。该策略首先将频率误差和输出功率作为优化目标，并以风速代替风力发电设备中的发电机转速作为输入，再将系统的频率变化与风力发电机的转矩限制作为约束条件；其次，为了提高预测准确性，采用预测时间更长的时间卷积神经网络（temporal convolutional network，TCN）与经过长短期记忆网络（long short-term memory，LSTM）改进的门控循环单元（gated recurrent unit，GRU）构建预测模型；最后，再利用某电场的数据进行算例分析。

1 模型预测控制算法

1.1 MPC 控制原理

MPC 控制算法不仅是一种多变量控制策略，也是使用最为广泛的反馈策略之一。该算法的主要计算过程为测量每个时刻的多种状态信息，然后根据优化目标和约束条件利用预测模型对输出量与系统的状态进行预测[11-13]。MPC 算法的原理如图1 所示，其主要结构包含历史数据、预测模块、反馈校正及滚动优化等部分。MPC 通过测量当前时刻的状态与控制数据，对未来若干个时刻的状态值及控制值进行预测，从而根据状态预测值对系统目标值加以优化，以得到输入和输出控制值。算法的运行步骤：①预测出直驱风电系统未来的动态；②开环求解最优化结果；③将求解得到的最优化结果应用于直驱风电系统。

图1 MPC 原理结构图Fig.1 MPC principle structure diagram

MPC 算法的中心思想就是根据目标设定值fr（k）构建出相应的动态模型fr（k+i），并对系统未来的动态进行预测。根据当前系统中的测量值，利用滚动优化得到最优控制量u（k），且将其输入到控制对象中。在下一时刻，再将u（k）作为预测值进行预测，同时将预测结果与新的输出测量值f（k）共同作为反馈数据，从而更新目标值继续进行求解。即根据时刻的状态及输入，预测出k+1 时刻的输出值，如此反复，进而实现迭代更新。

1.2 预测算法构建

直驱式风力发电机在不计传输损耗时，发电机的转子运动方程、相关变量的转子方程分别为

式中：R 为直驱式风力发电机的转动惯量；Pi和Po分别为发电机的输入及输出有功功率；Z 为阻尼系数；w、n 为转子的角速度与转速；Ω 为机械角速度；ρ为空气密度；f 为电网的频率。

根据式（1）可知，当电网中的负荷发生波动时，风力发电机组的转速也会产生变化，故可以通过改变转子的转速来抑制电网的频率波动。这样不仅可以通过调节发电机的输入有功功率Pi促使电网频率稳定，还能将频率差值的变化输入到MPC 算法中加以优化，进一步改善电网的频率波动。将式（1）改写为式（3），并将其转换为离散模型，则有：

式中：wc为角频率的变化值；LT和LE为风力发电机的机械转矩与电磁转矩；Ts为系统采样时间。为了降低或消除静态误差，利用小增量定理将式（4）改写为增量模式：

式中：wc（k）为控制输出量，即系统的角频率变化率。根据MPC 算法原理，可以将目标函数和约束条件表示为

式中：wc（k+i∣k）为i 时刻系统的角频率差；Δwc（k+i∣k）为i 时刻系统的角频率变化率；ΔUk为预测域中控制输入的增量。

1.3 TCN-GRU 预测模块构建

为了提高预测精度，本次提出了一种基于TCN和GRU 的组合预测模型。TCN 是在RNN 和CNN上提出的一种改进网络，其摒弃了传统RNN 网络的框架结构，且引入了两层串联的残差块单元（residual block unit，RBU），能够解决传统神经网络在预测计算中存在的梯度消失和梯度爆炸问题。残差块单元主要由膨胀因果卷积（dilated causal convolution，DCC）、权重归一化层、ReLU 激活函数和Dropout 随机失活函数组成的残差连接（residual connection，RC）相结合而构成[14]。TCN 的基本结构如图2 所示。

图2 TCN 网络的结构Fig.2 Structure of TCN network

GRU[15]是对长短期记忆神经网络（LSTM）的一种改进，即将LSTM 网络的输入门、遗忘门和输出门这3 个门结构压缩为更新门及输出门，不仅提高了模型的预测效率，还进一步提升了其预测精度。在此次研究中，通过将TCN 与GRU 网络相结合，并利用前者能够扩大时间范围的特点来挖掘数据的潜在联系，同时将提取特征输入至GRU 网络中进行高效的学习预测。最终所提预测模型的结构如图3所示。

图3 TCN-GRU 预测模型框架Fig.3 TCN-GRU prediction model framework

2 数据预处理与评价指标

2.1 异常数据清理

在直驱式风力发电系统中，若传感器在测量数据时发生故障，就会出现数据采集不全与数据异常的情况，进而导致在利用模型进行预测时产生预测结果偏离实际值的问题。因此，有必要提前对采集到的数据进行异常数据清理。

2.2 数据归一化处理

风力发电设备所测量到的数据不仅规模较大，且种类繁多。为了消除不同量纲间的影响并提高模型在学习预测时的迭代速度实现快速收敛，本次在数据输入模型前利用最大最小值对数据进行了归一化处理，进而将原始数据缩小到（0，1］的范围之内。归一化处理可表示为

式中：xr为归一化处理后的数据；xmax、xmin分别为原始数据中的最大值和最小值。

3 算例分析

为了验证所提策略抑制风电波动频率、确保风电并网安全的效果，采用某风力发电场的真实数据集来进行算例分析。本次实验的硬件平台为Intel Core i7-5400M CPU/16 GB RAM GPU/NVIDIA 1060Ti；软件平台为Windows 11 操作系统，同时基于MATLAB 2022a 软件利用Simulink 库对本控制策略进行模型构建。

首先，验证本策略对于风电功率的跟踪情况。在研究过程中根据风速特性，分别在高风速和低风速场景下进行了算例分析，实验结果如表1 所示。

表1 各算法不同场景下功率标准差Tab.1 Power standard deviation under different scenarios of each algorithm

从表1 中可以看出，在不同风速场景下，相对于采用风速来对风电功率输出进行调节的原始MPC 算法，本文以风力发电设备中发电机的转速来代替风速，并将其作为输入的改进策略在利用相同模型进行预测时，可以更为有效地对风电机组的输出功率进行调节，并降低风电系统设备的安装费用。同时本次还对预测模型进行了优化，选取了能够解决传统神经网络梯度问题的TCN 网络以及预测效率更高的GRU 网络进行预测，以进一步增强风电机组输出功率的跟踪情况。

其次，还验证了所提策略对风力发电机组风机载荷的减负效果。同样也是分别在高风速和低风速场景下进行的算例分析，实验结果如表2、表3 所示。

表2 各个算法的轴转矩标准差Tab.2 Standard deviation of shaft torque for each algorithm

表3 各个算法下机组推力标准差Tab.3 Standard deviation of unit thrust for each algorithm

从表2 和表3 中可以看出，优化后的MPC 控制策略在不同风速条件下可以对风电机组的轴转矩和推力进行良好地调节。与传统的MPC 控制策略相比，风电机组的轴转矩偏差和机组的推力变化幅度均有所降低。综合两个指标，所提基于深度学习网络预测控制的直驱风力发电系统控制策略能够有效地调节风力发电系统的载荷。

4 结语

为了解决风电功率波动性的问题，确保电力系统中风力发电并网的安全，文中提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。实验结果表明，该策略可以有地对直驱风力发电系统的输出功率和频率进行调节。其主要优势在于：①模型将系统的频率变化及风力发电机的转矩限制数值作为约束条件，以风力发电机的转速作为输入，并将频率误差与输出功率作为优化目标构建了新的预测方程，从而摆脱了原始MPC 预测算法中预测精度对风速预测性的依赖，加强了对频率波动的抑制；②利用TCN 能够扩大时间范围的特点，将其作为数据特征预提取模块用于挖掘数据的潜在联系。同时采用速度快且精度较高的GRU 网络作为预测模块。再将TCN 与GRU 进行串联，进而构建出预测模型，并提高了预测精度。