海岛风力发电系统的抗台风研究

【摘要】Abstract ：Island has wealthy wind resource； wind power generation becomes important way of island power. Typhoon would be fatal enemy of wind generating set. By the e...

摘要：海岛具有丰富的风力资源，风力发电成为海岛能源的重要方式，但台风对风力发电机组会造成致命的损坏。通过对海岛的风速估计，设计出智能控制的风力发电机组。采用模糊的逻辑控制和神经转速控制，提高风机在台风中的抵抗能力，获得最大功率输出。

关键词：风力发电机 风速测量，模糊逻辑，神经控制

Research on The Island wind power generation system To resist typhoon

HAN Xu ZHENG Lei

（Navigation equipment safeguard factory，Zhanjiang 524002，China）

Abstract ：Island has wealthy wind resource； wind power generation becomes important way of island power. Typhoon would be fatal enemy of wind generating set. By the estimation of wind speed about island， intelligent control of the wind power generation units would be design. Fuzzy logic control and nerve speed control would be adapted. The ability to resist typhoon was improved. It would gain max power

Key words： wind generating set，Wind speed measurement Fuzzy logic control nerve speed control

我国拥有上千个岛屿，如何有效长久的守护这些岛屿，能源的供应是一个关键因素。海岛本身具有独特的自然能源：潮汐能源，太阳能，风能等。目前我国的浙江的大陈岛和广东的南澳岛已经实现了500KW大功率的风力发电机组，实现风光电并网发电。但波浪，腐蚀，海流等因素影响风力发电机组的工作寿命，其中影响最大的是超强台风。

1、台风的特性

热带气旋是热带海洋中的一种急速旋转的涡旋，当中心风力达到8级以上就形成热带风暴，达到10级就形成强热带风暴，达到12级以上就是台风。习惯上热带风暴、强热带风暴和台风统称为台风，台风带来的强降雨，强风和湿度对各种设施造成损坏甚至毁灭性灾难；且发生频率频繁，在1949-2012的64年里，发生台风灾害的有47年，平均每1.4年就有一次台风灾害。每年的5-11月都有台风发生，主要集中在7-9月份。风力最大极速能够达到54.2m/s。设计风机发电机组如何确定风速的波动和极值风速很关键。

2、风速的波动和极值风速

风速振动u（t）被定义为瞬时风速U（t）与准稳态平均风速U偏差，用下式的表示；

u（t） =U（t）- U （1）

风速的变化率由偏差■描述：

■ （2）

风速的阵风度由风速的振动密度计算，它定义为：

■ （3）

平均最大突风U取决于平均风速U0根据风速资料的分析及理论研究，得到下式：

■ （4）

G取决于开测量用风速仪及突风时距，它与表面粗糙度z0和高度无关。

■ （5）

上式中，γ是突风比，U（z）为一小时平均风速。对于突风时距为3秒，g=3.7，则

■ （6）

这就是说，突风时距为3秒的突风风速是时距为1小时的平均风速的1.5倍。

在长期的气象中，极大的风速不是经常出现的，间隔一段时间会出现的。这个间隔期称为重现期T，重现期在概率上的意义在于体现结构的安全度。

式中■称为小于U的保证率。如果重现期T=50年，则50年内不出现U的保证率■为■。文献对高斯曲线，皮尔逊III型曲线和极值分布曲线进行了详细的分析，认为极值风速的概率分布比较符合极值I型曲线。极值I型分布（Gumbel分布）表示为

■ （8）

其中a 与μ可以由数学期望Ex和标准离差σ求出：■（9）

令■

■ （10）

■ （11）

■ （12）

■ （13）

当x是离散随机变量时，

■ （14）

为了求得保证率P与保证系数φ之间的关系

■ （15）

因为P=F1（x） 所以将式（13）及（14）代入（15）中得；

下表是浙江沿海部分的测量观测站的记录

3、台风对风力发电机组的破坏

台风对风力发电机组的破坏是基于台风对设备结构的静载荷效应，动载荷动力效应。根据伯努利流动力学原理，风的流动遇到物体受阻时，风速变小，向风面风压升高。流经结构后背风面产生紊流，使风速局部上升而风压降低，对向风面和背风面产生吸力。压力，吸力和牵引力对结构物造成形变，在一定受风面积的影响下，风速越大，设备的静载荷效应越强。由于地貌变化容易造成湍流，湍流往往伴随着沿风向和横风向的运动，沿风向的振动通常不规律的，一旦横风向的振动发生，特别是柔性的结构及某些断面形状下的横向振动就会越强烈，并接近叶片和塔架的固有频率造成共振，不断给设备施加疲劳载荷，使材料由外及内损坏或失效，最后达到或超过叶片和塔架的设计载荷极限，轻则引起部件机械磨损，缩短风力发电机机组的寿命，严重的使叶片损坏及塔架倾倒。

具体的影响还包括台风的携带的细小沙砾磨损叶片表面，影响叶片气动性能，造成噪音降低叶片的整体强度。台风的暴雨会造成输电线路的破坏。

2003年的第13号台风“杜鹃”严重影响了我国南部地区风电场的正常工作，25台风力机中13台受损不能工作，主要损坏部件是叶片（10台风力机的叶片有通透性裂纹或被撕裂等），风向仪（6台被吹毁）尾翼（2台尾翼被吹掉，2台尾翼杆被吹断）偏航系统（3台受损）。

4、智能控制风力机组设计

基于台风对风力机组的破坏机理，新型的发电机组必须具备的强度高的叶片，优良的测风仪器，更关键的是实现风力机组的智能控制。下图为风机的智能控制机组模型。

系统采用的是两个控制环：1，内部励磁环，低于额定风速时，通过发电机励磁电流控制电压和转矩；2外部风轮环，风速高于最大额定风速时控制最大功率。

模糊逻辑控制的优势在于无需建立数学模型即可由微处理器执行功能，风力发电机的风速是个不可控制的，而电网电压，调向误差，发电机温度，电网频率都是可以利用模糊模式进行变量模糊化，通过规则判断矩阵决定控制策略，通过模糊集合将控制的输出量非模糊化，在通过反馈信号控制风力电机工作。

转速控制可用传统方式来处理， 即将设备的一系列工作点线性化后建立一个传统控制器。可是对于一个复杂的非线性设备如风力发电机组， 这种处理方法需要通过精确的计算和大量的设计工作。为此， 引入神经转速控制环设计方法。

对于离散点β [ β= 0， 2， 4， 6， 8， 10， 12， 14， 16， 18] ，Cp （ λ， β） 曲线的值是已知的。可是， 在我们的系统中β是连续值， 它可以是0°～20°范围内任意值。因此问题是产生包含所有β值的可用的Cp （ λ， β） 曲线。图11-14 中的Cp （ λ， β） 曲线可以用作我们的神经网络的训练数据。这个网络中有二个输入值λ和β， 一个输出值Cp 。网络结构为一个双层网络和采用反向传播的学习算法。设计步骤如下：

1） 先将网络的输入值λ和β规格化， 以防止网络饱和， λn= λ/ 25， βn= β/ 20。

2） Cp保持不变， 因为它已在[ 0， 1] 范围内。

3） 初始化权重因子w1、 w2和偏离因子b1、b2。

4） 网络的性能的测量值用协方差来表示：■

式中Ui是数据点i的计算输出值，Ti是数据点i的目标值。

5） 在70000 次迭代后， 网络的性能值为0.0851， 假定这个结果是可接受的。

这一神经网络可以在叶尖速比为[ 0， 20]范围内， 节距角为[ 0°，20°] 范围内取任意值，产生一相应的功率系数。图11-21 显示了神经网络生成的Cp （ λ，β） 曲线。其中β在范围[ 0°， 14°] 中， 变化步长为0.5°。 风轮环控制器的输入变量有端电压Udc、负载电流Idc、风轮角速度Wγ 和平均风速变量v。输出变量为风轮桨叶节距角β。测量风速值是不需要的， 因为它可以用功率和转速信号来估计。获取最大功率的算法总结如下：

（ 1） 端电压、负载电流、风速是很容易被采集并提供给控制器的。从端电压和负载电流， 风轮的功率可以用（Udc，Idc） 估算出， 知道了风速， 就可估算出风能。有了风率和风能就能计算出功率系数Cp值了。

（ 2） 由图11-14 的最佳点（λopt ，Cp max） 绘出的理想曲线不仅是有效的， 而且能被如神经网络这样的智能系统所学习。

在测量风速v 和风轮角速度ωr 后通过调整节距角β就可产生理想叶尖速比λopt。这种策略可以根据负载需要提供最大的功率。然而， 在满负载的情况下输入能量应该受限制。这是风轮控制环中的另一项任务。我们的目标是控制系统简单实用， 它能从变化的风能中吸收最大的能量， 同时尽可能减小转速、功率和机械负载的变化。图11-22 用于风力特性研究的模拟风速神经网络结构为一个双层网络， 它采用反向传播学习算法。第一层使用正切S 形函数， 第二层使用对数S 形函数。训练网络控制器的步骤与生成的Cp（ λ， β） 曲线的方法一样。在300000 次迭代后， 网络的性能值达到0.0193。这个网络在得到风速、风轮转速（ 角频率） 和功率后， 可以估计出控制器需要的桨叶节距角度。用这一方法， 神经网络系统被训练成可以离线学习风力发电机组的反向动态模型， 然后为机组设置控制器。

5、模拟与结果

模拟的风速， 用来研究风力发电机组在风速大范围变化时的性能。结合第二节中的非线性模型和第三节中模糊逻辑控制器设计， 可以研究采用模糊控制的定桨距风力发电机组和具有神经节距控制的变桨距风力发电机组的动态特性。

显示了功率系数的变化。在高风速区， Cp 值像所预见的那样大范围变化。这段变化表示在高风速时，转速限制或功率限制可以同时或各自起作用。出于安全考虑， 风力发电机组工作在较低的Cp值的范围， 这样避免超出风力发电机组的额定负载。当风速减小时，风力发电机组运行于功率低于额定值并且转速限制的状况， 这样可以实现理想Cp值运行， 如图中曲线1 所示。在曲线2，尽管已达到其最大值， 但它不是理想值，因为桨叶的节距角被固定在β= 2°。

它可以根据风轮转速的变化估算出， 风力机的风轮转速不允许超过80r / min 的上限。当风速超过额定值时， 即图3 中位于15s 前和30s 后的位置， 风力发电机组以恒功率运行， 这时风轮转速降低， 风力机可以在低值、低叶尖速比下安全运行。当风速低于额定值， 即运行于图3 中15s 至30s 之间时，控制器开始跟踪风速以提供最大值， 此时叶尖速比接近理想值。曲线2 显示了固定桨角模糊控制下的叶尖速比变化。可以看到， 由于桨叶节距角β被固定在2， 模拟的结果是不能接受的。

在高风速时电功率被保持为一定值， 此时机械功率和转矩（ 未显示） 变化很大。当风轮加速时， 产生的电功率比机械功率少。功率的差值可解释为被转换成了动能。另一方面， 当风轮减速时， 产生的电功率要大于风轮产生的机械功率。功率的差值可解释为储存的动能被释放出来提供给发电机和整流器。

发电机端电压保持在预定范围内。两个图内的曲线1 都清楚地体现了运用神经网络节距角控制的方法要优于不考虑节距角β控制的方法。

实验结果表明： 调节桨叶节距角的多层神经网络控制器， 达到了在变化的风力中获取最大的能量并使转速、功率和机械负载变化最小的控制目标。采用反向传播学习算法的双层神经网络结构并将其训练成具有对风力的反向动态模型离线学习的能力， 不仅可以运用于控制系统， 还可用于生成节距角全范围变化时的功率系数CP 曲线。神经网络系统首次引入这个领域， 体现了很高的性能， 说明了神经网络—模糊控制方式鲁棒性好， 可以应用于实时控制。 实验结果也证明这种新型的智能控制性风力电机的系统能适应大风天气，甚至是台风天气，给国防事业提供必要的保障。

[参考文献]

1. 浙江省气候中心，“浙江省风能资源评价报告”2005年1月 杭州

2. （法） D.勒古里雷斯著 风力机的理论与设计 施鹏飞译，北京：机械工业出版社，1985

3. （ 德） J-P. Molly. 风能理论、应用与测试. 张世惠译.

4. A. D. Diop， C. Nivhita.otc ，. ModellingVariable Pitch HAWT Charact erist ics for a Real Time Wind Turbine Simulator . Wind Eng. 1999， Vol. 23 No. 4

5.D. M. Egglest on and F. S. Stoddard， 1987. Wind t urbine engineering design，Van Nost rand Reinhold Company， New York.