风力发电机组控制策略的发展

vtoall

风能是一种能量密度低、稳定性较差的能源，由于风速、风向的随机性变化，导致风力机叶片攻角不断变化，使叶尖速比偏离最佳值，风力机的空气动力效率及输入到传动链的功率发生变化，影响了风电系统的发电效率并引起转矩传动链的振荡，会对电能质量及接入的电网产生影响，对于小电网甚至会影响其稳定性。风力发电机组通常采用柔性部件，这有助于减小内部的机械应力，但同时也会使风电系统的动态特性复杂化，且转矩传动模块会有很大振荡。目前，对风力发电机的控制策略研究根据控制器类型可分为两大类：基于数学模型的传统控制方法和现代控制方法。传统控制采用线性控制方法，通过调节发电机电磁转矩或桨叶节距角，使叶尖速比保持最优值，从而实现风能的最大捕获。对于快速变化的风速，其调节相对滞后。同时基于某工作点的线性化模型的方法，对于工作范围较宽、随机扰动大、不确定因素多、非线性严重的风电系统并不适用。
　　现代控制方法主要包括变结构控制、鲁棒控制、自适应控制、智能控制等[7,8]。变结构控制因具有快速响应、对系统参数变化不敏感、设计简单和易于实现等优点而在风电系统中得到广泛应用。鲁棒控制具有处理多变量问题的能力，对于具有建模误差、参数不准确和干扰位置系统的控制问题，在强稳定性的鲁棒控制中可得到直接解决。模糊控制是一种典型的智能控制方法，其最大的特点是将专家的知识和经验表示为语言规则用于控制，不依赖于被控制对象的精确的数学模型，能够克服非线性因素的影响，对被调节对象有较强的鲁棒性。由于风力发电机的精确数学模型难以建立，模糊控制非常适合于风力发电机组的控制，越来越受到风电研究人员的重视。人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特征的系统。利用神经元可以构成各种不同的拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。利用神经网络的学习特性，可用于风力机的低风速的节距控制。