基于神经预测与模型预测偏航控制的风力发电系统能量捕获增强技术

《Renewable Energy》：Energy Capture Enhancement in Wind Turbine Systems Using Neural Prediction and Model Predictive Yaw Control

　　

大型风力发电系统（WTS）的风向估计精度不足常导致偏航失准、气动效率下降、控制能耗增加及能量捕获减少。为解决上述问题，研究人员提出一种集成学习式风向预测与预测型偏航控制的框架。首先，开发基于残差多层感知机（Residual-MLP）的预测器，以降低传统前馈神经网络（FF-NN）因精度与泛化能力受限而在风况变化下产生的高预测误差。对比分析表明，所提Residual-MLP在多个数据集上的中心均方根误差显著低于FF-NN及两种长短期记忆（LSTM）模型。其次，设计连续集模型预测偏航控制（CS-MPYC）方案，以解决传统偏航控制因校正动作慢、快速风变时缺乏显式约束处理而导致的偏航朝向延迟与大瞬态偏航误差问题。第三，将风向预测结果集成至CS-MPYC框架，并在MATLAB/Simulink中基于详细的4.8 MW基准风力发电系统模型验证。仿真结果表明，该集成框架性能持续优于比例积分（PI）偏航控制及现有模型预测偏航控制（MPYC）方法。最后，能量提取分析证实其提升了气动与电气效率，验证了方法的鲁棒性。

研究背景与意义

随着全球可再生能源市场的发展，水平轴风力发电机（HAWT）单机容量已迈向20 MW级，能量捕获最大化与运行可靠性成为核心需求。偏航系统与风向的对准精度直接影响能量捕获与结构载荷，即便小幅偏航失准也会造成显著功率损失——Horns Reef风电场实测数据显示，平均偏航误差可导致约可观的年发电量损失。传统偏航控制多采用带死区的启停策略，依赖机舱风速仪测量风向，仅在失准超过阈值时以固定速率调整并锁定，虽减少了持续偏航，但允许较大失准（功率损失与偏航误差余弦成正比），且风速仪读数延迟易引发振荡、降低能量捕获，频繁大幅校正还会加剧偏航部件磨损。现有改进方案中，激光雷达（LiDAR）可提供上游风况数据，数据驱动的机器学习模型能实现短期风况预测，其中循环神经网络（RNN）与长短期记忆（LSTM）网络已被用于秒级至分钟级风向预测，结合预测信息可缩短失准时长、提升能量捕获。模型预测控制（MPC）因能显式处理约束与多目标优化，成为集成预测风况的理想框架，其中有限控制集MPC（FCS-MPC）因适配偏航执行器的离散特性而被广泛研究，但其离散动作限制了控制平滑性；连续集MPC（CS-MPC）可通过连续范围内的优化实现更平滑的偏航调节，却因实时求解二次规划（QP）的计算需求而应用较少。针对上述局限，本研究由韩国群山国立大学风能系统研究中心团队开展，旨在构建融合高精度风向预测与CS-MPC的偏航控制框架，以提升大型风电系统的能量捕获性能。

关键技术方法

研究人员采用4.8 MW基准风力发电系统模型（部分参数取自NREL参考风机），构建三层研究体系：一是以传统前馈神经网络（FF-NN）为基线，开发残差多层感知机（Residual-MLP）风向预测器，通过引入残差连接解决FF-NN的圆学习局限性；二是设计连续集模型预测偏航控制（CS-MPYC），将偏航驱动问题转化为带物理约束的优化问题，生成平滑执行器指令；三是将Residual-MLP预测结果集成至CS-MPYC，分别在阶跃变化与随机变化风向剖面下，与比例积分偏航控制（PI-YC）、有限控制集MPC偏航控制（FCS-MPYC）开展对比仿真。评估指标包括中心均方根误差（cRMSE）、平均绝对误差（MAE）、气动效率（η_aero）与电气效率（η_elec）。

研究结果

风力发电系统建模

研究人员构建了包含气动子系统、机械传动链与电气子系统的完整模型，重点量化了偏航失准对有效功率提取的偏差影响，为后续控制策略验证提供基础。

风向预测与偏航控制设计

预测层以FF-NN为基线，针对其在风向周期性特征学习中精度不足的问题，引入残差连接构建Residual-MLP，提升对风况变化的泛化能力；控制层设计CS-MPYC，通过优化连续范围内的偏航速率或转矩，在满足物理约束的同时最小化偏航误差，实现平滑调节。

仿真环境设置

基于MATLAB/Simulink搭建4.8 MW风机仿真平台，集成Residual-MLP、CS-MPYC与最大功率点跟踪（MPPT）最优转矩控制，采用公开文献参数确保模型可信度。

能量提取性能分析

定义气动效率为模拟平均气动功率与理论可用风能的比值，电气效率为发电机平均电功率与理论可用风能的比值。结果显示，所提框架在不同运行时域下均持续提升两类效率，验证了能量捕获增强效果。

结论与讨论

本研究成功实现了动态风况下的高精度偏航对准与能量捕获提升。Residual-MLP预测器在多个数据集上的cRMSE与MAE均优于FF-NN、经验模态分解LSTM（EMD-LSTM）及双向LSTM（Bi-LSTM）；CS-MPYC相比传统PI控制与FCS-MPYC，显著降低了偏航误差与瞬态波动，减少了执行器磨损。该集成框架为大型风电系统的偏航优化提供了兼具精度与鲁棒性的解决方案，对提升风电场经济效益与设备寿命具有重要工程价值。研究获韩国国家研究基金会（NRF）与产业通商资源部（MOTIE）资助，相关成果发表于《Renewable Energy》。