首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于深度学习的风力发电系统自动化优化与控制系统

基于深度学习的风力发电系统自动化优化与控制系统

2024-08-23 75 上传者：管理员

摘要：为解决因风速波动导致的风力发电系统不稳定性问题，设计基于深度学习的风力发电系统自动化优化与控制系统。采集风力发电系统运行时温度、转速等信号，利用深度学习算法优化增量PID控制算法参数，增量PID控制算法得到自动化优化控制量，并通过优化控制量，控制风力发电系统的风轮位置、桨矩角与电机转速；通过远程监控模块呈现自动化优化控制过程。实验证明，该系统可有效采集风力发电系统的运行参数，并优化增量PID控制算法参数，完成风力发电系统自动化优化控制，提升风力发电系统的稳定性。

关键词：
优化与控制
传感器
增量PID控制算法
自动化
风力发电系统
加入收藏

风力发电系统的复杂性和多样性、以及运行环境的不确定性等因素，都给自动化优化与控制系统的设计和实施带来了困难[1-3]。因此，如何针对这些挑战，开发出更加高效、稳定、智能的风力发电系统自动化优化与控制系统，是当前研究的重点和方向[4]。

文献[5]引入Hamilton多智能体系统，通过多个智能体之间的协同作用，实现对风力发电系统的精确控制，但是存在风力发电系统响应延迟或不稳定。文献[6]通过引入仿射变换，将风力发电系统中的扰动因素转化为可控的仿射扰动量，进而利用反馈机制对系统进行实时调整，以提高系统的鲁棒性和稳定性，但若该方法参数设定不当，可能增加风力发电系统的不稳定性。文献[7]利用Wiener模型，整合系统的线性与非线性动态特性，实现对风力发电系统的精确控制，然而Wiener模型在应对极端风速条件时可能表现出局限性。

深度学习算法[8]能够更有效地优化控制器参数，使得风力发电系统更好地跟踪风速变化，提高发电效率，减少因风速波动或其他因素导致的系统不稳定情况。为此，设计基于深度学习的风力发电系统自动化优化与控制系统，为推动能源结构的转型和可持续发展做出更大的贡献。

1、风力发电系统自动化优化与控制系统

1.1 风力发电系统自动化优化与控制系统总体框架

利用深度学习强大的非线性与不确定性处理能力，设计风力发电系统自动化优化与控制系统，该系统的总体框架如图1所示。

图1 风力发电系统自动化优化与控制系统的总体框架

1.2 风力发电系统运行信号转换的双积分A/D转换器

通过双积分A/D转换器，将不同传感器采集的风力发电系统运行时的模拟信号，转换成数字信号。该转换器的结构如图2所示。通过基准电源为双积分A/D转换器提供电源。电子开关负责控制风力发电系统运行模拟信号的输入，以及数字信号的输出，其根据输入的数字信号来控制模拟信号的接入和断开，实现信号的切换和选择[9]。积分器负责对输入的风力发电系统运行模拟信号进行积分运算，将模拟信号的幅值转换为与之对应的时间间隔。过零比较器用于检测积分器的输出电压何时过零[10]。当积分器的输出电压从正变为负或从负变为正时，过零比较器会触发1个信号，用于控制逻辑控制单元，以进行下一步的操作。逻辑控制单元负责协调和管理整个转换过程，根据过零比较器的输出信号和其他控制信号，决定何时启动或停止积分器、计数器的操作。

图2 双积分A/D转换器

1.3 基于深度学习的自动化优化增量PID控制算法

PAC模块利用深度学习，优化增量PID控制算法参数，通过参数优化后的增量PID控制算法，结合双积分A/D转换器转换得到的风力发电系统运行数字信号，输出风力发电系统自动化优化控制量。以风力发电系统状态的误差信号e(t），以及误差信号变化率Δe(t）为增量PID控制算法的输入量，状态信号包含转换获取的风力发电系统转速、功率、风速等数字信号X(t），输出结果为偏航继电器、变桨距继电器与逆变继电器的自动化控制量u(t）。利用PID控制算法得到的风力发电系统自动化控制量为

式中：KP、KI、KD为比例、积分、微分系数；t为时间。

对比PID控制算法，增量式PID控制算法的输出为当前时刻的增量，这意味着当系统只输出增量时，误动作的影响会相对较小，利于增强系统的稳定性和安全性。

为此，以式（1）为基础，设计增量PID控制算法，其输出结果为

式中：为比例、积分、微分增益，T为风力发电系统自动化控制的总时间；u(t-1）为上一次自动化控制量。

深度学习算法在处理和分析大量数据方面具有出色的能力，特别是在处理风速等复杂、多变的自然环境因素时，深度学习算法可以根据系统的实时运行数据，自动调整增量PID控制算法的参数，以适应不同的风速变化情况，这种自适应调整能力使得控制系统能够更好地应对风速波动带来的挑战，降低系统的不稳定性。因为增量PID控制算法中的参数，取决于PID控制算法的KP、KI、KD，所以利用深度学习算法中的模糊深度置信网络，优化KP、KI、KD，便可完成增量PID控制算法的参数优化。

模糊深度置信网络主要包含5层，分别是输入层a、隶属度函数层μ、模糊规则层h、可见层q、隐藏层g、输出层o。模糊深度置信网络的输入数据为风力发电系统运行的数字信号X(t），增量PID控制算法输出的风力发电系统自动化控制量u(t），以及增量PID控制算法输出与目标值之间的差值，记作。在a内输入Z，将输入数据Z转化为神经网络可以处理的形式，输出结果为

式中：ai为a内第i个神经元的输出结果；zi为第i个神经元的输入数据。

μ的作用是将ai模糊化，根据高斯函数将ai转换为模糊集合的表示形式，输出模糊化数据为

式中：j为μ内神经元编号；cij、δij为高斯函数的中心与宽度。

h代表模糊推理中的规则前件，每个神经元均代表1个可能的模糊规则，h通过模糊推理μj(ai），得到各规则的适用度：

式中：m、n为a与μ内神经元数量；hl(ai）为第l个神经元输出的适用度。规范化处理hl(ai）得到：

式中：η为h内神经元数量。

q的作用是连接h与g，实现数据的传递和转换。g负责提取Z的特征，通过学习的内在规律，提取出对优化增量PID参数有用的信息，提升风力发电系统自动化优化控制的稳定性，g会根据来调整其神经元的激活概率，这些激活概率实际上反映了g对输入数据Z特征的抽取，公式如下：

式中：s、τ为q内神经元数量与编号；d、λ为g内神经元数量与编号；wτλ为q与g的连接权值；φ为激活函数；bλ为偏置。

o依据g输出的pλ（ai），输出优化后的增量PID参数，公式如下：

式中：r、τ为内神经元数量与编号；wλκ为g与o的连接权值；oκ（ai）为增量PID参数的优化结果。

2、实例分析

以某风力发电系统为实验对象，利用本文系统自动化优化控制该风力发电系统，提升风力发电的稳定性。该风力发电系统的相关参数如表1所示。

表1 风力发电系统参数

利用本文系统采集该风力发电系统运行时的相关模拟信号，以风速模拟信号为例，采集结果如图3所示。由图3可知，本文系统成功地采集了风力发电系统运行时的风速模拟信号，这表明系统的数据采集功能健全且运行稳定。从采集结果中可知，该时段内，风速大概呈阶梯式增长趋势。

图3 风速模拟信号采集结果

利用本文系统对该风力发电系统进行自动化优化控制，自动化优化控制结果如图4所示。分析图4(a）可知，在风速变化的情况下，本文系统具备出色的实时响应能力，能够根据风速的增加迅速调整电机的转速；分析图4(b）可知，浆距角与风速的变化趋势具备相似性，在风速变化情况下，本文系统可有效依据风速的变化情况，实时调整浆距角，确保风力发电系统能够捕获更多的能量；分析图4(c）可知，风轮角度与风速的变化趋势也基本相同，说明在风速变化情况下，本文系统可有效依据风速的变化情况，实时调整风轮位置，确保在不同风速条件下都能保持高效的发电能力；分析图4(d）可知，经过本文系统自动化优化控制后，该风力发电系统的输出功率，始终在额定功率附近波动，说明本文系统的自动化优化控制效果较优，可确保不同风速情况下，风力发电系统的输出功率接近额定功率，提升风力发电系统的稳定性。

图4 风力发电系统自动化优化控制结果

3、结语

设计基于深度学习的风力发电系统自动化优化与控制系统，为风力发电领域带来了显著的技术革新和性能提升。通过引入深度学习，实现风力发电系统的精准自动化优化控制，不仅提高风力发电稳定性，还有助于降低运维成本，延长设备使用寿命。随着技术的不断进步和完善，相信本文系统将为未来风力发电领域带来更加显著的效益和贡献。

参考文献:

[1]冯艳涛,谢震,李梦杰,等.低短路比下双馈风力发电机组电压主动支撑的优化控制策略[J].高电压技术,2023,49(1):42-50.

[2]罗慧达,崔学深,崔存岗,等.面向LCC中压直流接入的双馈风力发电系统宽频率范围控制[J].电机与控制应用,2022,49(3):87-92.

[3]王辉,王艺霏,王姗姗,等.基于动态电压指令值变化的双馈异步风力发电系统高低电压穿越控制策略[J].高电压技术,2022,48(9):3680-3688.

[4]成云朋,李建华,蔡寿国,等.考虑损耗的永磁风力发电系统改进功率反馈法最大风能跟踪控制[J].中国电力,2023,56(10):62-70.

[5]吴忠强,侯林成.基于Hamilton多智能体系统的风力发电机组协同控制[J].电机与控制学报,2023,27(10):193-202.

[6]陈婕,张怡,房方,等.基于仿射扰动反馈的风力发电机组多目标随机模型预测控制[J].中国电机工程学报,2023,43(2):496-507.

[7]徐樾,贾立,付轩熠.基于Wiener模型的风力发电系统变桨距控制[J].系统仿真学报,2022,34(8):1741-1749.

[8]侯倩,郝晓光,金飞,等.基于混合深度学习的风电功率预测及一次调频应用[J].热能动力工程,2023,38(10):167-175.

[9]廖雪超,陈才圣,伍杰平.基于CNN-LSTM及深度学习的风电场时空组合预测模型[J].信息与控制,2022,51(4):498-512.

[10]孙京诰,陈显锋,李郅辰.基于深度学习的鲁棒非线性模型预测控制方法[J].计算机工程与设计,2022,43(6):1762-1767.

文章来源:佟忠正,孙旸子.基于深度学习的风力发电系统自动化优化与控制系统[J].自动化与仪表,2024,39(08):15-19.