基于人工神经网络控制技术的大型风电机组变桨距动态性能增强研究

《Scientific Reports》：Dynamic performance enhancement of adjustable blade pitch angle for wind generation system applications based on artificial neural network control techniques

　　

随着可再生能源尤其是风能渗透率的不断提升，现代电力系统面临稳定性挑战。本研究针对1.5 MW级双馈感应发电机（Doubly-Fed Induction Generator, DFIG）型风能转换系统（Wind Energy Conversion System, WECS），提出了一种改进型变桨距控制策略。为解决传统控制器难以应对系统非线性及依赖精确数学模型的问题，研究人员将比例积分微分（Proportional-Integral-Derivative, PID）与分数阶PID（Fractional PID, FPID）策略同多层前馈神经网络（Multilayer Feedforward Neural Network, MLFFNN）、级联前向神经网络（Cascade Forward Neural Network, CFNN）及Elman神经网络（Elman NN）架构相融合。基于MATLAB/Simulink的仿真结果表明，MLFFNN架构展现出最优性能，其最小均方误差（Mean Square Error, MSE）达0.0027024，在阶跃、斜坡及随机风速扰动下，系统功率性能效率可达98.9%。相较于PID与FPID系统，所提出的神经网络控制器显著提升了控制性能，为大型风能应用提供了鲁棒性解决方案。

研究背景与意义

随着全球能源危机与环境问题加剧，绿色能源开发成为焦点。风能因其清洁、储量丰富且分布广泛，已成为替代传统化石能源的重要选择。然而，风能的间歇性和波动性给电网稳定性带来了巨大挑战。现代风力发电系统多采用变速恒频技术，其中双馈感应发电机（DFIG）因变流器容量小、控制灵活而被广泛应用。在高于额定风速的条件下，变桨距控制是保障机组安全、稳定输出功率的关键手段。传统的比例积分微分（PID）控制器结构简单，但在面对风电系统强非线性、参数时变及外部扰动时，存在动态响应慢、超调量大及抗干扰能力弱等缺陷。分数阶PID（FPID）虽增加了控制自由度，但仍依赖精确的数学模型。因此，研究人员亟需探索一种能够适应复杂工况、不依赖精确模型的智能控制策略，以提升风电系统的动态性能与运行效率。

关键技术方法

研究人员采用对比实验法，构建了1.5 MW DFIG风电系统仿真平台。首先，建立了包含空气动力学、传动链及发电机的完整数学模型，重点推导了风能利用系数C_p与叶尖速比λ、桨距角β的非线性关系。其次，设计了三种控制方案进行对比：传统PID、FPID以及基于人工神经网络（ANN）的智能控制。在ANN方案中，研究人员分别构建了多层前馈神经网络（MLFFNN）、级联前向神经网络（CFNN）和Elman神经网络（Elman NN）三种架构，利用Levenberg-Marquardt算法进行训练，输入为转子转速误差与功率误差，输出为桨距角调节量。仿真测试覆盖了阶跃、斜坡及随机三种典型风速剖面，以评估控制器的动态响应与鲁棒性。

研究结果

建模与仿真

研究人员首先对风力机气动特性进行了建模，明确了机械功率P_m与风速、空气密度及扫掠面积的关系。通过对DFIG的动态建模，确立了定子磁链定向矢量控制策略，并划分了风力机的四个运行区域（停机区、最大功率追踪区、恒功率区、切出区），指出在额定风速以上需通过变桨距限制输出功率。

控制策略对比

研究结果显示，在阶跃风速变化下，基于神经网络的控制器表现最优。MLFFNN控制器在维持额定输出功率（1 p.u.）方面的效率达到98.9%，显著高于FPID的93.24%和PID的91.84%。同时，MLFFNN的响应速度最快，调节时间仅为2.3秒，稳态误差低至0.2%。

在斜坡风速变化测试中，虽然常规控制器表现尚可，但MLFFNN仍保持了92.02%的效率，优于FPID（91.79%）和PID（88.33%），证明了其在平滑风速变化下的持续跟踪能力。

在最具挑战性的随机风速扰动下，MLFFNN的优势更为明显，效率高达98.7%，有效抑制了功率波动，降低了机械载荷。此外，在神经网络架构对比中，MLFFNN取得了最低的均方误差（MSE=0.0027024），表明其在拟合非线性映射方面具有最高的精度。

讨论与结论

研究人员在讨论中指出，MLFFNN之所以表现最佳，是因为其能够通过训练学习风电系统的复杂非线性特征，无需依赖精确的物理模型。尽管Elman NN在处理时序数据上具有潜力，但计算成本较高；CFNN虽增加了连接权重，但在本研究中并未超越标准的前馈网络。相比之下，MLFFNN在计算复杂度与精度之间取得了最佳平衡。

研究结论证实，基于MLFFNN的变桨距控制策略能有效解决传统控制器在非线性系统中的局限性。该策略不仅大幅提升了系统的动态响应速度和功率捕获效率，还通过平滑的桨距调节减少了传动链的气动应力与疲劳载荷，对延长风机寿命具有重要意义。此项研究成果已发表于《Scientific Reports》，为大型风电系统的智能控制提供了一种高效、鲁棒的实施方案。未来的工作将侧重于硬件在环实验及考虑传感器噪声与通信延迟的实际工程验证。