信息化控制技术在风力发电控制系统中的运用杨磊

信息化控制技术在风力发电控制系统中的运用杨磊

杨磊

(江苏国信东凌风力发电有限公司江苏省南通市226400)

摘要：风力涡轮机是一个复杂的多变量非线性系统，具有其独特的特性、不确定性和多干扰特性，并且具有未建模或未精确建模的动态部件。因此，风力涡轮机系统的有效控制相对困难和复杂。在现代科学技术的发展过程中，各种基于信息的智能控制技术可以用来实现风力涡轮机控制系统的控制和应用。

关键词：信息化；控制技术；风力发电

导言：现代信息控制技术是一种新型技术。它广泛应用于风力发电控制系统中，充分发挥了现代信息控制技术的优势。可以说，风力发电控制系统与现代控制技术密切相关。

1专家系统在风力发电控制系统中的智能化应用

首先，专家系统是一种程序，负责由于智能推理而在实际工作中难以推进的各种项目。例如各种故障。由于它由符号系统组成，具有很强的解释力，因此在风力发电控制系统中用于判断和处理各种模式，从而加强风力发电控制系统中的系统故障检测和处理。然而，在整个风力发电控制系统中，仅仅有一个推理过程是不够的。由于风力发电系统的组件众多，常见的组件包括风轮、机舱、塔架、传动链、偏航装置等。因此，在建立专家系统的前提下，模糊控制技术的应用也应该结合实际情况。模糊控制技术简单地模拟各种不确定性问题的模糊分析，从而获得最准确的分析结果。通过对这两种推理决策过程的最终判断，整个系统的故障原因通常可以快速分析和解决。反馈方法经常被单元的电流信号观察到，因此实用性将大大增强。

2微分几何控制技术在风力发电系统中的运用

微分几何技术主要是解决风力发电系统中的非线性变量。在这种信息控制技术中，理论来源于微分代数系统模型。通过应用扩展模型理论，反馈精确线性化以确定干扰因素。微分几何控制主要用于转矩控制和转换器技术。为了实现风力发电控制系统中双馈发电机磁链和转速子系统的动态完全解耦，提出了一种非线性多输入多输出状态反馈解耦控制方案。另外，当风速超过额定值时，风力涡轮机的转速必须降低，并且不能使用过于复杂的变桨距机构。在微分几何反馈线性变化的情况下，风力发电机的非线性模型必须全局线性化，变速风力发电机的恒功率控制必须实现。因为它的算法责任和对受控计算机的更高要求。在实际应用中仍然存在一些限制。

3自适应控制信息化技术在风力发电系统中的应用

自适应控制的智能信息技术需要关注过程参数的变化状态。它需要检测过程参数的变化，并实时调整控制器的参数。在构建有效系统模型的条件下，它实现了对系统的有效控制。该系统模型的构建是复杂的。需要设计一个高性能的电动变桨距自适应控制系统来实现良好的跟踪。随着科学技术的进步和发展，dfim无速度传感器矢量控制技术成为人们关注的焦点。在风力发电控制系统中，可以实现双馈风力发电机并网前后的无速度传感器控制。在这种技术下，可以很好地跟踪给定的速度曲线，并且在良好的动态特性的前提下，可以实现风能的最大安全利用和运行。它的跟踪控制策略主要在于风速的预测。在权衡了最大风能捕获和机械疲劳造成的最小损失这两个指标之后，自适应控制器形成自校正调节器来预测风力发电控制系统的运行状态并进行补偿控制。

4在风力发电控制系统中应用最优控制智能技术

风力发电系统的随机扰动过大，存在许多不确定因素。它的平衡点随着风速的变化而变化。因为难以确定数学模型，所以优化系统数学模型的控制效率非常好。然而，控制器仅基于项目附近的线性化模型设计，不能满足风力发电系统的控制性能要求。不同形式下的线性方法有点类似于动态线性，反馈线性可以确保在更大范围内实现精确的线性。在风力涡轮机的运行中，是否有功率需要结合负载变化情况来反映，这将导致转子电流变化，并与小功率波动的要求相冲突。这种冲突的设计要求可以被视为最优控制问题。在矢量控制的动态模型下，设计了最优功率输出调节器。为了防止风速测量，控制转换器和速度以输出和控制发电机。最大风能将反馈线性化与风力发电控制系统中的跟踪控制应用相结合，控制发电机转子速度跟踪风速的变化，并在控制发电机转子速度跟踪风速变化的情况下优化叶尖速比，从而最大限度地捕获额定风速的风能，从而控制风力发电机的输出功率。LQG方法被用来改变变桨控制器的设计。可以修改一些控制信号，以使风力涡轮机能够在额定风速下最大程度地捕获风能，并确保稳定的功率输出高于额定风速。引入自由参数后，重新分配高频和低频的权重，以确保系统的最佳性能。

5人工神经网络技术在风力发电控制系统中的应用

人工神经网络被称为非线性映射，它具有很强的弹性和自组织性。它可以学习和适应不确定系统的动态特性，并具有其他系统无法比拟的容错能力。风速总是处于变化状态。风速预测与预测方法、预测位置和预测周期都有很大关系。可以使用时间序列神经网络短期风速预测方法。该方法使用时间序列模型来选择神经网络中的输入，并使用多层反向传播网络系统来预测风速序列。同时，小波分析和人工神经网络也可以用于短期内预测风力。神经网络用于预测风力发电场的发电量，可以减少电力波动。网络在使用前估计风速，这可以增强系统的动态性能，即使风速在真实环境中发生很大变化，也可以正常稳定地运行。变桨距系统是风力发电机组研究中非常重要的一部分。结合变速变桨型风力涡轮机液压驱动变化，控制神经网络变桨方法可以用于完善和解决一系列问题，例如变桨机构的参数时间变化和滞后控制。基于弹性自适应人工鱼群BP神经网络的桨距控制器可以获得风力发电机转速和机械负载的最大能量和最小变化。为了捕获更多的风能，人工神经网络控制器结合了发电机预测模型，结合了BP算法和遗传算法的优点，提出了一种新的BP神经网络算法。该算法经常用于风力涡轮机齿轮箱故障的诊断，这增强了工作的稳定性和可靠性。Elman神经网络可以降低网络调节参数的灵敏度，并且可以很好地抑制局部最小值的出现。因此，Elman神经网络可以在诊断故障时识别这种类型的故障，从而有效地识别齿轮箱故障。神经网络在非线性系统中的使用不需要具有改进精度的数学模型。在自学习过程中，可以获得良好的控制效果和最佳的电能质量。在分析风力发电机动力学的过程中，可以充分利用神经网络来优化电能质量。在风动力学分析中，神经网络可以更好地使用，并且容错性非常强。不确定的风力涡轮机模型，结合神经网络控制技术和其他几种控制技术，可以建立一个科学的数字信号装置。该控制器可以最大限度地降低负载，具有很强的有效性。

结束语

总之，风速带来的影响因素的随机性和非线性使得风力发电系统的设计和控制具有复杂和不可预测的特点。结合现代信息控制技术的应用，有可能有针对性地控制电流信号、风速和风能捕获灯量化因子，从而达到目前最佳的控制效果。在未来的技术发展变化中，将会有越来越多有效的模型构建和技术变革应用于风力发电系统甚至电力系统。届时，中国的风力发电技术肯定会超过世界强国。

参考文献:

[1]任丽娜，焦晓红，邵立平.风力发电机速度跟踪自适应控制研究[J].太阳能学报，2013，30（10）.

[2]宋华振.贝加莱的风力发电控制系统[J].自动化博览，2010，（9）.