大型风机的独立变桨控制方法

大型风机的独立变桨控制方法

郭燕军,张燕龙,刘飞

国家电投集团北京电力有限公司内蒙古新能源有限公司 内蒙乌兰察布011800

摘要：为了提高风电机组的受力情况及提高输出功率的稳定性,按照风力机空气动力学原理、风剪切特性和塔影效应三种基本原理,提出了一种基于径向基函数(RBF)神经网络自适应独立变桨距控制措施,使用了RBF神经网络逼近变桨控制系统未知的非线性函数,通过导出神经网络自适应率,在线调整神经网络权值来改善独立变桨系统的动态性能,最后通过设计风电机组的IPC模型进行相关实验,证明了基于RBF神经网络自适应IPC系统拥有良好的动态性能,可以有作用地稳定的输出功率,降低风电机组关键部件疲劳载荷，提高风电机组使用情况。

关键词：大型风机；独立变桨控制；

为了减轻风速扰动引起的风力机疲劳载荷，提出了一种基于RBF神经网络的滑模独立变桨距控制策略。通过分析风力机的基本特性，提出了RBF神经网络滑模功率控制单元和独立变桨距控制单元相结合的控制方法。RBF神经网络滑模功率控制单元通过控制发电机的电磁转矩和叶片的桨距角来平衡风力机的气动转矩，使风轮保持额定转速，从而达到稳定风力机输出功率的目的。RBF神经网络独立桨距滑模控制单元通过实时微调风扇的桨距角来优化功率控制单元的均匀桨距角信号，从而达到缓解风扇结构疲劳载荷的目的。 通过对基于RBF神经网络滑模独立变桨距控制的风力机的仿真和实验，证明了RBF神经网络功率控制与独立变桨距滑模控制相结合的方法具有良好的控制效果，稳定了风力机的输出功率，大大减轻了风力机的结构负荷，降低了风力机的维护成本。

一、风机相关模型

风电机组IPC的目的是稳定输出功率的同时保证风机空气动力学性能稳定,控制的对象是功率、转矩、转速和载荷,因此有必要先建立风力发电机组模型的运动方程为：

其中,H为机舱中心的高度,M为风轮总质量,S为塔架刚度,,D为阻尼系数.风力发电机组3个桨叶的拍打力矩分别为：

其中,vi为风轮平面风速,hMz为挥舞弯矩与风速导数,kMz为挥舞弯矩与桨距角导数,{θi|i=1,2,3}为3个桨叶给定桨距角,{vi|i=1,2,3}为桨叶上有效风速,风轮桨叶方位角为：

本文基于RBF神经网络自适应独立变桨距控制系统原理,通过计算风力机3个桨叶的拍打力矩Mz1,Mz2,Mz3以及对其进行Coleman坐标变换,风轮旋转坐标系下的参数就变换成固定坐标系下的俯仰弯矩和偏航弯矩,再通过RBF神经网络自适应控制导出神经网络自适应率,在线调整神经网络权值来改善独立变桨系统的叶根弯矩,经过Coleman逆变换变换成不同桨叶的优化桨距角,进行统一桨距角和优化桨距角比较分析,得到IPC桨距角,完成风电机组独立变桨的执行动作。

二、RBF神经网络训练

1.RBF神经网络训练样本。综合历年数据分析可见,风机故障主要集中在转子的不平衡、不对中、油膜振荡、油膜涡动、气动力偶和喘振上。设备故障诊断的实质就是模式分类和模式识别,即由特征空间映射到故障空间。使用神经网络进行故障分类的关键是找出网络学习所需要的特征向量。由于在机器工作过程中,振动信号载有丰富的信息,而且在技术上监测相对容易。所以振动分析法在目前故障诊断中是最有效的方法。已有研究表明:旋转机械的振动信号的频谱,较为敏感地反映旋转机械的常见故障。因此合理地统计选择各种故障的频谱特征就可以构成有效的故障特征向量,并将其作为神经网络的训练样本来训练故障诊断网络。通过对故障机理的研究和现场经验,风机常见故障模式被总结出来。采用幅值谱中7个频段上的幅值作为网络的输入样本,对上述风机的6种主要故障进行诊断分析。

2. RBF神经网络的学习。根据训练算法和提取出的故障样本集,RBF神经网络即可开始学习训练。当神经网络训练好以后,各个隐节点的数据中心相应的输出权值将不再改变,此时的神经网络可以进入工作状态。测试数据在进入神经网络之前必须经过归一化处理,形成故障征兆后再传递给神经网络。已训练好的神经网络中的数据中心和连接权值记录了各种故障的特征;当传递进来的征兆与记忆中的某个对应故障特征比较接近时,神经网络将对应的故障输出,这就是整个神经网络进行故障诊断的工作过程。
3. RBF神经网络故障诊断实例分析。采用风机常见的故障模式样本对BP网络进行训练,由于故障征兆有7个,所以BP网络的输入层节点数为7;故障形式有6种,所以输出层节点数为6,设置个体训练误差为0.001,训练总误差为0.01。网络进行迭代运算21次之后达到误差精度要求。可见运算速度较快,从而节省了训练时间。采用测试样本表中的数据进行测试,用以检测其故障诊断准确率。。根据网络实际输出表可见,待识别故障1为不平衡;待识别故障2为油膜涡动;待识别故障3为喘振;待识别故障4为不对中;待识别故障5为油膜振荡,与实际工作情况相符。

三、仿真分析

本研究利用2 MW风电机组为仿真测试机组，风力发电机组的主要参数如下。

湍流平均风速为14 m/s，风剪切系数为0.2，湍流强度为3.7%的情况下，利用MATLAB和GH Bladed联合建立风机模型，图中所示为在风剪切、塔影效应和湍流影响下，风机桨叶叶尖处的风速情况，可见桨叶1的叶尖处的风速在该叶片旋转到风轮平面在5º左右时达到风速波动的最大点，旋转到180º左右时达到最低点，桨叶2和3达到极值风速的位置分别延后120º，如图所示。

在不考虑任何影响因素情况下，风机桨叶1在旋转平面内受力平衡，其摆振力矩和挥舞力矩是稳定值，从下图可见，当风机受风剪切影响时，桨叶1的挥舞力矩和摆振力矩在风轮旋转到平面的180º位置时最小，在叶片旋转到达0º时达到最大值4.1×105 N·m。当受到塔影影响时，桨叶1进入风机的塔影区域120º~180º的位置，风速将会减小，这样桨叶1的挥舞力矩和摆振力矩也会降低。当风剪切和塔影效应共同影响风机时，桨叶1挥舞力矩和摆振力矩的波动引起的风机波动是这两者之和。当风剪切、塔影效应和湍流共同影响风机时，桨叶1的力矩波动与湍流风速的波动相关，桨叶1挥舞力矩和摆振力矩的变化跟风剪切和塔影效应影响下的风速变化相关，其桨叶1力矩波动的极小值出现在风轮平面的190°附近。

四、实验结论

实验结果如下图中，可以发现采用RBFNN滑模独立变桨的控制方式与传统的统一变桨控制(CPC)比较，可以显著减小由于风速扰动造成的桨叶根部弯矩。基于RBFNN滑模独立变桨后桨叶挥舞力矩峰值较统一变桨控制减少了85.1 kN·m，平均挥舞力矩较统一变桨控制降低约9.3%，这就导致风电机组机舱顶部的俯仰力矩及偏航力矩明显降低，提高风机的可靠性和延长使用寿命。

对桨叶的挥舞力矩进行快速傅里叶(FFT)变换，结果如下图所示，可以从图中发现，采用RBFNN滑模独立变桨控制方式后，风机振动频率的频谱出现明显降低，如风轮旋转频率(即1P)0.28 Hz处，频率频谱峰值较CPC减小了37.9%，这样就是通过独立变桨控制，可以降低风电机组的波动载荷激励力矩，从而实现减小风机振动的效果，降低风力发电机组的维护成本。

下图为两种控制方式下风机桨距角的变化曲线，基于RBFNN滑模独立变桨控制方式后风机塔基的俯仰力矩波动得到了显著降低，这样对大型风机的基础结构强度要求更低，也就是说，基于RBFNN滑模独立变桨相比传统风机的CPC控制更加适合在大型风电机组上应用。但是桨距角曲线中显示变桨电机会出现周期性的变化，这样会频繁启动变桨电机，对变桨电机的参数要求更加严格。

总之，依据风力机空气动力学原理、风剪切特性和塔影效应,提出了基于RBF神经网络自适应IPC方法,采用RBF神经网络逼近变桨系统未知的非线性函数,通过Lyapunov方法导出神经网络自适应率,在线调整神经网络权值来改善独立变桨系统的动态性能,并设计了风电机组的IPC系统,最后通过实验证明基于RBF神经网络自适应IPC系统具有良好的动态性能,可以有效稳定输出功率,降低桨叶、轮毂、机舱、塔架等关键部件的疲劳载荷,提高风力发电机组的运行寿命。

参考文献：

[1]程宏宇.减少风力机转矩波动的异步变桨控制.2020.

[2] 康萍.在RBF网络运算下的风电机组变桨距滑模控制.2019.