本发明公开了风力发电技术领域中的一种风力发电最大功率跟踪控制方法。首先采集现场各风速下发电机的输出电压数据和对应的输出功率数据;然后将采集的输出电压数据组成第一输入参考序列,将发电机的实时输出电压数据组成第一比较序列,通过指定方法预测出上述两个序列的灰关联系数,得到此刻电压对应的最大输出功率值;之后将采集的输出功率数据组成第二输入参考序列,将步骤2得到的最大输出功率值组成第二比较序列,通过指定方法预测出BUCK变换桥的占空比;最后将占空比信号送至脉冲宽度调制信号产生模块,使得发电机输出功率最大。本发明易于实现,无需严格的统计程序和干预规则,可方便的在硬件装置中实现。
1.一种风力发电最大功率跟踪控制方法,其特征是该方法包括以下步骤:步骤1:采集现场指定风速下发电机的输出电压数据和对应的输出功率数据;步骤2:将采集的输出电压数据组成第一输入参考序列,将发电机的实时输出电压数据组成第一比较序列,通过指定方法预测出上述两个序列的灰关联系数,得到此刻电压对应的最大输出功率值;所述最大输出功率值的计算公式为: P m = r k r 0 i ]]>其中:P_m为最大输出功率值;r_k为与第k个参考电压相对应的输出结果;r_0i为由参考序列与比较序列的灰关联系数组成的相关度;所述ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="186"/>是针对第一次灰关联分析,取原始数据中各种风速下发电机的输出电压组成(m*1)维的输入参考序列X₀=[X₀(1),X₀(2),...X₀(k),...,X₀(m)];由于某一时刻电压的采样值唯一,所以输入比较序列由单元素组成,即X_i=[x_i(1)];定义T"=[t′₁,t′₂,...,t′_k...,t′_m]为(m*1)维的输出功率参考序列,其中各元素为原始电压数据对应的最大输出功率经验值;定义一个参数w_k=t"_k(k=1,2,...,m),计算r_k: r k = Σ k = 1 m w k r i ( x 0 ( k ) , x i ( 1 ) ) ]]>其中:w_k为计算与第k个元素相对应的预测输出结果系数;在所述第一次灰关联分析中,对应检测电压的输出功率唯一,所以不妨设预测输出功率序列为G=[P_m];根据灰关联分析技术可以通过输入参考序列X₀、输出结果参考序列T"和比较序列X_i,预测出X₀的输出结果序列G;输出结果序列G中得元素P_m为: P m = Σ k = 1 m w k r i ( x 0 ( k ) , x i ( 1 ) ) Σ k = 1 m r i ( x 0 ( k ) , x i ( 1 ) ) = r k r 0 i ]]>式中:r_0i为参考序列与比较序列的相关度,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="539"/>即选出了实时输出电压对应的最大功率输出序列G=[P_m];步骤3:将采集的输出功率数据组成第二输入参考序列,将步骤2得到的最大输出功率值组成第二比较序列,通过指定方法预测出BUCK变换桥的占空比;步骤4:将占空比信号送至脉冲宽度调制信号产生模块,使得发电机输出功率最大。技术领域
本发明属于风力发电技术领域,尤其涉及一种风力发电最大功率跟踪控制方法。
背景技术
变速风电系统中常采用的风能最大功率点追踪控制(MPPT)的策略有如下两种:1.采用风速信号的控制方法此方法需直接检测当前风速,然后通过特性曲线获得对应的最佳叶尖速比,控制转速。此方法不但需要高精度的测量仪,而且风力机周围气流受叶片扰动较大,会使风机叶片上各点风速都不相同,难以准确测量。2.采用功率信号的控制方法常用的爬山法和模糊控制法都属于这类。爬山法通过实时测量风力机转速和输出功率,利用经典学寻优方法追踪最大输出功率点。此方法虽避免了测量风速的问题,但需要实时测量风力机输出功率及风机转速。模糊控制法中需利用神经网络校正特性曲线。但实际运行中风速变化快,神经网络很难获得准确的结构,且模糊控制方法需要确定未知的隶属度函数、变化的语言规律、推理规则等,这更增加了系统的复杂度。
发明内容
针对上述背景技术中提到现有风力发电最大功率跟踪控制方法测量进度不高、过程复杂等不足,本发明提出了一种风力发电最大功率跟踪控制方法。本发明的技术方案是,一种风力发电最大功率跟踪控制方法,其特征是该方法包括以下步骤:步骤1:采集现场各指定速下发电机的输出电压数据和对应的输出功率数据;步骤2:将采集的输出电压数据组成第一输入参考序列,将发电机的实时输出电压数据组成第一比较序列,通过指定方法预测出上述两个序列的灰关联系数,得到此刻电压对应的最大输出功率值;步骤3:将采集的输出功率数据组成第二输入参考序列,将步骤2得到的最大输出功率值组成第二比较序列,通过指定方法预测出BUCK变换桥的占空比;步骤4:将占空比信号送至脉冲宽度调制信号产生模块,使得发电机输出功率最大。所述灰关联系数的计算公式为: r i ( x 0 ( k ) , x i ( k ) ) = Δ min + ξ Δ max Δ i ( k ) + ξ Δ max ]]>其中:r_i(x₀(k),x_i(k))为参考序列X₀的第k个数据x₀(k)和比较序列X_i第k个数据的灰关联系数;Δ_i(k)为X₀和X_i的第k点x₀(k)和x_i(k)的绝对差;Δ_max为相邻两级风对应的输出电压的最大差;Δ_min为相邻两级风对应的输出电压的最小差;ξ为分辨系数,ξ∈(0,1]。所述最大输出功率值的计算公式为: P m = r k r 0 i ]]>其中:P_m为最大输出功率值;r_k为与第k个参考电压相对应的输出结果;r_0i为由参考序列与比较序列的灰关联系数组成的相关度。所述指定方法为灰关联分析。本发明将灰色理论与关联分析、预测和决策技术相结合应用到风能最大功率点追踪控制中,无需设置风速传感器,只需实时监测发电机的输出电压。本发明可以随着发电机输出电压的变化,实时调整灰关联分析中相关序列的分辨系数,实现动态的、有效的曲线拟合,减小甚至消除最大功率点附近的震荡,使系统特性不断逼近最佳功率特性曲线和最佳占空比曲线。即随着发电机输出电压的升高或降低,通过追踪最佳功率曲线预测出相应的输出功率,通过控制器调节BUCK变换器的占空比,最后达到追踪最大功率点的目的。
附图说明
图1为本发明风电系统的结构图;图2为本发明发电机输出电压随风速变化的变化过程曲线;图3为本发明发电机输出功率随风速变化的变化过程曲线;图4为本发明BUCK变换桥占空比随风速变化的变化过程曲线;图5为本发明发电机转速随风速变化的变化过程曲线;图6为本发明DC/DC变换桥输出电压随风速变化的变化过程曲线;图7为本发明风力机功率系数随风速变化的拟合曲线。
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。本发明为了克服以上控制方法的不足,将灰色理论与关联分析、预测和决策技术相结合应用到风能最大功率点追踪控制中,即采用灰关联分析来预测风机的最大功率点。此方法无需机械传感器(风速传感器),且能减小甚至消除最大功率点附近的震荡,准确快速地追踪到最大功率点。本发明基于灰关联分析的风能最大功率跟踪控制的方法,其特征是采用灰关联分析的方法预测出风力发电机实时的最大功率点,然后再由控制系统将风力发电机调整到该最大功率状态,进而实现风力发电的最大功率控制。本方法控制过程分为两个阶段:a、预测阶段:需要两次预测。第一次预测是采用灰关联分析通过发电机的实时的输出直流电压预测出在风力发电机在该输出电压下所能输出的最大功率;第二次预测是采用灰关联分析的方法通过第一次预测出的最大功率预测出风机能输出该功率所需要的变换器的占空比控制信号;b、系统采用该占空比控制信号调节变换器的输入电阻,实现发电机输入、输出特性与负载阻抗相匹配,使发电机工作在最佳工作点,从而控制风力机转速,实现最大功率输出。本实施例采用两个灰关联分析MPPT控制器(GRAMPPT)实现最大功率点的追踪,其实现过程分为以下四个阶段:1.从试验现场获得数据,得到原始的发电机输出功率随发电机输出电压变化的曲线和原始的BUCK变换桥占空比随发电机输出功率变化的曲线;2.风力发电系统中有两对输入和输出关系,分别对应了两次灰关联分析。第一次灰关联分析用原始数据中各种风速下发电机的输出电压组成(m*1)维的输入参考序列,用检测到的实时输出电压组成单元素的比较序列,然后计算两组序列中对应元素的灰关联系数与关联度,进而选出此实时输出电压对应的最大输出功率值;灰关联系数和分辨系数:假定S_r=[S_r1,S_r2...S_rn]为一组长度为n的参考序列,其中S_r中的元素S_ri=[S_ri(1),S_ri(2),...S_ri(p)](p为有限的正数)。同理令S_c=[S_c1,S_c2...C_cm]为一组长度为m的比较序列,S_c中的元素S_cj=[S_cj(1),S_cj(2),...S_cj(p)](p为有限的正数)。灰关联分析的目标就是在比较序列S_c中找一组和参考序列S_r中指定序列最相似的序列。若设X₀=[x₀(1),x₀(2),...x₀(k),...x₀(n)]为S_r中指定的作为参考的参考序列,X_i=[x_i(1),x_i(2),...x_i(k),...x_i(n)],i=1,2,...,m,为比较序列,x₀(k)和x_i(k)分别为X₀和X_i的第k个点数,k=1,2,...,n。设r_i(x₀(k),x_i(k))为参考序列X₀与比较序列X_i第k个数据的灰关联系数,则有: r i ( x 0 ( k ) , x i ( k ) ) = Δ min + ξ Δ max Δ i ( k ) + ξ Δ max ]]>其中:Δ_i(k)为X₀和X_i的第k点x₀(k)和x_i(k)的绝对差,Δ_i(k)=|x₀(k)-x_i(k)|;Δ_max为相邻两级风对应的输出电压的最大差,Δ_mac=max_imax_kΔ_i(k),max_kΔ_i(k)第一级最大差,(此处风力级别就是天气预报里的风力级别)。Δ_min为相邻两级风对应的输出电压的最小差,Δ_min=min_imin_kΔ_i(k),min_kΔ_i(k)第一级最小差。ξ为分辨系数,ξ∈(0,1],Δ_min和Δ_max之间的分辨率由分辨系数ξ决定。ξ取值不同,r_i(x₀(k),x_i(k))亦不同,从而关联也不同,但一般不会影响关联序。关联度:比较数列对参考数列的关联系数有多个,因信息过于分散而难以比较,故把各个时刻的关联系数集中处理后所得的平均值,作为比较数列对参考数列的关联度,即灰关联度由关联系数组成。灰色关联度可分成“局部性灰色关联度”与“整体性灰色关联度”两类。主要的差别在于局部性灰色关联度有一参考序列,而整体性灰色关联度是任一序列均可为参考序列。最大输出功率值的计算公式为:在本发明中针对第一次灰关联分析,取原始数据中各种风速下发电机的输出电压组成(m*1)维的输入参考序列X₀=[X₀(1),X₀(2),...X₀(k),...,X₀(m)];由于某一时刻电压的采样值唯一,所以输入比较序列由单元素组成,即X_i=[x_i(1)]。另外,定义T′=[t′₁,t′₂,...,t′_k...,t′_m]为(m*1)维的输出功率参考序列,其中各元素为原始电压数据对应的最大输出功率经验值。定义一个参数w_k=t′_k(k=1,2,...,m),计算r_k: r k = Σ k = 1 m w k r i ( x 0 ( k ) , x i ( 1 ) ) ]]>其中:r_k为与第k个参考电压相对应的输出结果;w_k为计算与第k个元素相对应的预测输出结果系数。在本次灰关联分析中,对应检测电压的输出功率唯一,所以不妨设预测输出功率序列为G=[P_m]。根据灰关联分析技术可以通过输入参考序列X₀、输出结果参考序列T′和比较序列X_i,预测出X₀的输出结果序列G。输出结果序列G中得元素P_m为: P m = Σ k = 1 m w k r i ( x 0 ( k ) , x i ( 1 ) ) Σ k = 1 m r i ( x 0 ( k ) , x i ( 1 ) ) = r k r 0 i ]]>式中:r_0i为参考序列与比较序列的相关度,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="521"/>即选出了实时输出电压对应的最大功率输出序列G=[P_m]。3.第二次灰关联分析用原始数据中各种风速下发电机的输出功率组成(m*1)维的输入参考序列,以第一次灰关联分析后获得的最大输出功率值组成单元素的比较序列,然后进行与第一次灰关联分析相似的计算,最终选出此最大输出功率点对应的BUCK变换桥的占空比;具体计算公式:第二次灰关联分析用原始数据中各种风速下发电机的输出功率组成(m*1)维的输入参考序列X₀=[X₀(1),X₀(2),...X₀(k),...,X₀(m)];以第一次灰关联分析后获得的最大输出功率值组成单元素的比较序列X_i=[P_m]。同时,定义T′=[t′₁,t′₂,...,t′k...,t′_m]为(m*1)维的输出功率参考序列,其中各元素为原始功率数据对应的最大占空比的经验值。定义一个参数w_k=t′_k(k=1,2,...,m),计算r_k: r k = Σ k = 1 m w k r i ( x 0 ( k ) , P m ) ]]>设对应最大输出功率下的占空比为D,则: D = Σ k = 1 m w k r i ( x 0 ( k ) , P m ) Σ k = 1 m r i ( x 0 ( k ) , P m ) ]]>即求出了某一时刻检测电压对应的最大输出占空比。4.把经过两次灰关联分析后得到的某一输出电压下的最大功率输出点对应的占空比送到BUCK变换桥的PWM信号产生模块。通过调节占空比将系统运行状态调到发电机输出功率最大状态。具体过程:把经过两次灰关联分析后得到的某一输出电压下的最大功率输出点对应的占空比送到BUCK变换桥的PWM信号产生模块。PWM信号产生模块会通过内部V_C/V_wg=1/D的计算,自动调节占空比将系统运行状态调到最佳。关于灰关联分析MPPT控制器的设置:如图1所示,风力发电系统有两对输入和输出的关系,分别是: X 0 1 = [ V wg ( n ) ] - - - - - - T 1 ′ = [ P ( n ) ] ]]> X 0 2 = [ P ( n ) ] - - - - - - T 2 ′ = [ D ( n ) ] ]]>其中:V_wg(n)表示发电机在各种风速下的输出电压;P(n)在各种风速下的最大输出功率;D(n)表示在输出最大功率点时的变换器的占空比。结合灰关联分析具有“小样本、贫信息、不确定性”问题处理能力强、计算复杂难度低等优点及灰关联分析的思想,针对风力发电系统的输入输出对设计了灰关联分析最大功率追踪控制器GRAxa0MPPT。GRAxa0MPPT有两部分构成,第一部分为灰关联分析1段最大功率追踪控制器GRA-1MPPT控制器,这部分负责利用采样过来的发电机输出直流电压V_wg(n)预测在此电压下,发电机所能输出的最大功率P_max;第二部分为灰关联分析2段最大功率追踪控制器GRA-2MPPT控制器,这部分控制器利用第一部分预测的发电机最大输出功率来预测出Buck变换器的所需要的占空比,控制器输出该占空比控制信号。灰关联分析MPPT控制器通过语言编程即可实现,这样不仅看节省系统的硬件成本,还可大大降低执行时间,减小误差。灰关联分析控制器在风速突变时,GRAxa0MPPT仍能快速准确追踪到最大功率点,是由灰关联分析中分辨系数的选取原则决定的。分辨系数ξ的选择具有动态性。在实际中,为使ξ具有一定的客观性、灵活性和智能性,ξ的取值通常应为:ρ_Δ≤ξ≤2ρ_Δ即: ρ Δ ≤ ξ ≤ 1.5 ρ Δ Δ max > 3 Δ v 1.5 ρ Δ ≤ ξ ≤ 2 ρ Δ Δ max ≤ 3 Δ v ]]>其中:Δ_max=max_imax_kΔ_i(k); Δ v = 1 j · k Σ j = 1 m Σ k = 1 n Δ ij ( k ) ; ]]> ρ Δ = Δ v Δ max . ]]>灰关联分析是以曲线间几何形状差异的大小作为衡量尺度,并用量化的方法评判事物间的关联程度。两条曲线彼此越相似,关联度越大;反之,则关联度越小。以GRA-1MPPT控制器为例进行说明。在此控制中,用原始数据中各种风速下发电机的输出电压组成(m*1)维的输入参考序列: X 0 1 = { V wg 1 , V wg 2 , . . . , V wgm } ]]>其中:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="71"/>为参考序列;V_wgi为原始数据中各种风速下发电机输出电压,i=1,...,m。用检测到的实时输出电压组成单元素的比较序列: X 0 1 ′ = { V wg ( t ) } ]]>其中:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="71"/>为检测到的实时输出电压组成单元素组成的序列;V_wg(t)为检测到的发电机实时输出电压。设r_i(V_whi,V_wg(t))(i=1,2,...,m)为参考序列ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="72"/>的第i个数据与比较序列ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="71"/>的灰关联系数,且: r i ( V wgi , V wg ( t ) ) = min i Δ i + ξ max i Δ i Δ i + ξ max i Δ i ]]>式中:Δ_i为第i组原始数据中发电机输出电压与检测到的发电机输出电压差的绝对值,Δ_i=|V_wgi-V_wg(t)|,ξ∈(0,1]为分辨系数。在本实施例中,由于采样电压值唯一,所以关联度与关联系数相等。则有: Δ = Δ 1 Δ 2 · · · Δ i · · · Δ m = | V wg 1 - V wg ( t ) | | V wg 2 - V wg ( t ) | · · · | V wgi - V wg ( t ) | · · · | V wgm - V wg ( t ) | ]]>其中:Δ为原始数据中发电机输出电压与检测到的发电机输出电压差的绝对值组成的向量。记: Δ v = 1 m Σ i = 1 m Δ i ]]>并记: ρ Δ = Δ v max i Δ i ]]>实际上,当风速突变即发电机输出电压突变时,控制器能否快速准确的进行追踪控制的关键是选择恰当的分辨系数ξ。注意此时需要充分体现到关联度的整体性。当ξ取定后,即可计算相应的关联系数和关联度。接下来对关联度序列中的各元素进行对比即可选出与此时输出电压相对应的最大输出功率。本实施例的具体实现结果见图2-图7所示。由于自然界中风速是任意变化的,所以本实施例的控制器需频繁采样发电机输出电压外。此外,为了验证本发明的工作稳定性,还对风速变化下的工作特性进行了采样。对于某种特定的风机,知道它在额定风速下可获得最佳风能利用系数C_pxa0max=0.48。由图7可以看到每次风速变化后,风力机的功率系数虽有小波动,但基本都维持在最佳功率系数C_pxa0max=0.48附近,即系统经过短暂的时间即可进入另一个稳定状态。这说明风力发电系统在本发明的控制策略下可以很好的实现最能最大功率点追踪控制,并且控制的精度也比较高。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。