·626· 智能系统学报 第13卷 略。变桨系统作为变速恒频风电机组的重要一部 0, 0<t<t1gt≥t1g+tg 分，通常用在中、大型的风力发电系统中，其主要 Vgmas [1-cos(2 (4) 2 t1g≤t<tig+tg 的控制目标是保持额定风速以上的功率恒定，限 tis-is 制风电机组的气动转矩和额外的功率吸收，减轻 =2 VS.()△ncos(wt+4:) (5) 机组各部件的疲劳载荷-。目前变桨控制器广 泛使用的仍然是PI(D)控制器，此类控制器存在 式中：w,=(i-1/2)△o,S.(w)= 2uF2wi 一些明显的缺陷，如参数不能自动调整、参数依 π+(Fu/w师i 赖程度强、鲁棒性低等。国内、外专家学者在 I和s分别为威布尔分布的比例参数与形状参数； 变桨控制中使用了一些更加先进的控制方法，如 T(为伽玛函数；t,、千，、t2,分别为渐变风的起始时 蜂群算法、滑模变结构、神经网络等。蜂群算法 间、持续时间、终止时间；ymx为渐变风的最大值； 取得了良好的鲁棒性，但其稳定性差，当风电系 tg、t分别为阵风的起始时间与持续时间；'mas为 统出现随机干扰时，系统易出现不稳定：滑模变 阵风的最大值；仙，与：分别为第i次频率分量的频 率与初相角，，的取值为[0,2π的随机数；描述风 结构控制取得了良好的快速性和较强的鲁棒性， 场的粗糙程度；F为影响范围；△为频率微元。 但其存在高频抖振问题，与神经网络和模糊控制 1.2 等相结合的改进算法设计变桨控制器，达到了一 风力机数学模型 定的控制效果，也无法从根本消除这一问题，RBF 依据贝兹理论，风力机的数学模型31可表 神经网络变桨控制器取得了较强的适应性，较好 示为 的鲁棒性和动态性能，但其结构和参数确定较为复 P.-zzpR-C(B.Dv 杂910：这些控制方法较为复杂且难以硬件实现。 1 模糊控制器拥有优良快速性与鲁棒性，模糊自适 T.=Pa/wy=Cp(B.Av/A A=Rwtlv 应控制器可自动地在线调整参数，二者都是依据 Cp=0.5176(116d1-0.46-5)e-21a+0.0068 专家经验设计而成，已相对成熟且已硬件实现： (6) 多模态控制比单一控制有更好的抗干扰性能；本 0.0035 文将以上两种智能控制方式与传统的PI控制相 式中：4=1+0sgP+:P.为风机的机械功 结合于多模态控制中，提出了基于T-S型模糊加 率；Tm为风机的机械转矩；P为大气密度；R为风轮 权的多模软切换变桨控制策略。将检测到的发电 半径；v为风速；B为桨距角；A为叶尖速比；C为风 能的利用系数；ω为风机的转速。 机的转速与其额定转速进行比较，大偏差时利用 1.3 模糊控制的快速性优势迅速减小偏差、抑制偏差 变桨执行机构数学模型 变桨的精度与灵敏度对功率有着很大的影 的快速变化：中等偏差时切换到模糊自适应PD 控制，进行在线时时调整；小偏差时切换到PI控 响。其执行机构由伺服电机或液压装置驱动，可 制，提高稳态精度。切换时根据发电机的转速与 等效为一个一阶惯性环节： 1 其额定转速的偏差大小及其变化率，利用T-S型 Gpic(s)=B(s) =Re可=s+1 (7) 模糊推理，使用加权平均法进行清晰化，输出3种 式中：τ为桨距角响应的时间常数；B为实际的桨 模态的权值，使用加权求和法合成输出控制量。 距角；Be为桨距角控制的给定值。 1风电系统数学模型 2基于T-S型模糊加权的多模变桨 1.1风速模型 控制策略 风在流动的过程中具有很强的随机性和突变 变桨控制是一种确保风电机组恒功率输出的 性，为了准确描述风速的变化特性，本文采用风 有效方法，减小额定风速以上风力发电机机组的 速的四分量模型，即将风速分解为基本风6、 过载，确保风电机组的最高效运行。通过控制桨 阵风'g、渐变风，和随机风v。其组合风v可表 距角限制风机的气动转矩，从而限制了额外功率 示为 的吸收，减轻了机组的疲劳载荷，使风电机组的 Vw=V+v+v+V (1) 机械功率保持恒定。在很多控制方案中，桨叶的 v%=lT(1+1/s) (2) 转速根据测量的风速实时修正，由于风在桨叶表 0,0<t<tr,t≥t2r+t, -t）,tr≤tKtr 面的每一点是不同的，故这种控制方案是不精确 Vrmax(1-- (3) tur-tr' 的。转速与功率结合控制会造成转速在最优运行 t红≤t<t2+t, 点的输出振荡，降低了风电机组运行的可靠性刀。略。变桨系统作为变速恒频风电机组的重要一部 分，通常用在中、大型的风力发电系统中，其主要 的控制目标是保持额定风速以上的功率恒定，限 制风电机组的气动转矩和额外的功率吸收，减轻 机组各部件的疲劳载荷[1-3]。目前变桨控制器广 泛使用的仍然是 PI(D) 控制器，此类控制器存在 一些明显的缺陷，如参数不能自动调整、参数依 赖程度强、鲁棒性低等[4-5]。国内、外专家学者在 变桨控制中使用了一些更加先进的控制方法，如 蜂群算法、滑模变结构、神经网络等。蜂群算法 取得了良好的鲁棒性，但其稳定性差，当风电系 统出现随机干扰时，系统易出现不稳定[6] ；滑模变 结构控制取得了良好的快速性和较强的鲁棒性， 但其存在高频抖振问题，与神经网络和模糊控制 等相结合的改进算法设计变桨控制器，达到了一 定的控制效果，也无法从根本消除这一问题[7-8] ；RBF 神经网络变桨控制器取得了较强的适应性，较好 的鲁棒性和动态性能，但其结构和参数确定较为复 杂 [9-10] ；这些控制方法较为复杂且难以硬件实现。 模糊控制器拥有优良快速性与鲁棒性，模糊自适 应控制器可自动地在线调整参数，二者都是依据 专家经验设计而成，已相对成熟且已硬件实现； 多模态控制比单一控制有更好的抗干扰性能；本 文将以上两种智能控制方式与传统的 PI 控制相 结合于多模态控制中，提出了基于 T-S 型模糊加 权的多模软切换变桨控制策略。将检测到的发电 机的转速与其额定转速进行比较，大偏差时利用 模糊控制的快速性优势迅速减小偏差、抑制偏差 的快速变化；中等偏差时切换到模糊自适应 PID 控制，进行在线时时调整；小偏差时切换到 PI 控 制，提高稳态精度。切换时根据发电机的转速与 其额定转速的偏差大小及其变化率，利用 T-S 型 模糊推理，使用加权平均法进行清晰化，输出 3 种 模态的权值，使用加权求和法合成输出控制量。 1 风电系统数学模型 1.1 风速模型 风在流动的过程中具有很强的随机性和突变 性，为了准确描述风速的变化特性，本文采用风 速的四分量模型[11-12] ，即将风速分解为基本风 vb、 阵风 vg、渐变风 vr 和随机风 vn。其组合风 vw 可表 示为 vw = vb +vg +vr +vn (1) vb = l ·Γ(1+1/s) (2) vr =    0, 0 <t<t1r,t ⩾ t2r +tr vrmax(1− t−t2r t1r −t2r ), t1r ⩽ t < t2r vrmax, t2r ⩽ t < t2r +tr (3) vg =    0, 0 <t<t1g,t ⩾ t1g +tg vgmax 2 [1−cos(2π t−t1g t1g −tg )], t1g ⩽ t < t1g +tg (4) vn = 2 ∑n i=1 √ S r(ωi)∆ω0 cos(ωi t+ϕi) (5) ωi = (i−1/2)∆ω0 S r(ωi) = 2µF 2 |ωi | π 2 [1+(Fωi/πvb) 2 ] 4/3 Γ(·) t1r tr t2r vrmax t1g tg vgmax ωi ϕi ϕi [0,2π] µ F ∆ω0 式中： ， ； l 和 s 分别为威布尔分布的比例参数与形状参数； 为伽玛函数； 、 、 分别为渐变风的起始时 间、持续时间、终止时间； 为渐变风的最大值； 、 分别为阵风的起始时间与持续时间； 为 阵风的最大值； 与 分别为第 i 次频率分量的频 率与初相角， 的取值为 的随机数； 描述风 场的粗糙程度； 为影响范围； 为频率微元。 1.2 风力机数学模型 依据贝兹理论，风力机的数学模型[13-14]可表 示为    Pm= 1 2 πρR 2CP(β, λ)v 3 Tm = Pm/ωf = 1 2 πCP(β, λ)v 2 /λ λ = Rωf /v CP = 0.517 6(116λ1 −0.4β−5)e−21/λ1 +0.006 8λ1 (6) λ1= 1 λ+0.08β − 0.003 5 β 3 +1 Pm Tm ρ R v β λ CP ωf 式中： ； 为风机的机械功 率； 为风机的机械转矩； 为大气密度； 为风轮 半径； 为风速； 为桨距角； 为叶尖速比； 为风 能的利用系数； 为风机的转速。 1.3 变桨执行机构数学模型 变桨的精度与灵敏度对功率有着很大的影 响。其执行机构由伺服电机或液压装置驱动，可 等效为一个一阶惯性环节： Gpitch(s) = β(s) βref(s) = 1 τb s+1 (7) τb β βref 式中： 为桨距角响应的时间常数； 为实际的桨 距角； 为桨距角控制的给定值。 2 基于 T-S 型模糊加权的多模变桨 控制策略 变桨控制是一种确保风电机组恒功率输出的 有效方法，减小额定风速以上风力发电机机组的 过载，确保风电机组的最高效运行。通过控制桨 距角限制风机的气动转矩，从而限制了额外功率 的吸收，减轻了机组的疲劳载荷，使风电机组的 机械功率保持恒定。在很多控制方案中，桨叶的 转速根据测量的风速实时修正，由于风在桨叶表 面的每一点是不同的，故这种控制方案是不精确 的。转速与功率结合控制会造成转速在最优运行 点的输出振荡，降低了风电机组运行的可靠性[15-17]。 ·626· 智 能 系 统 学 报 第 13 卷