秦佳晖, 曾宪文, 高桂革

(上海电机学院a.电子信息学院;b.电气学院, 上海201306)

随着我国风电技术的发展,风电的单机容量越来越大,更大的转动惯性和迟滞的系统响应为传统的变桨控制方式带来了挑战。对此,国内外学者对风速模型和变桨控制系统进行了广泛的研究。文献[1-2]分别使用了神经网络和模糊控制作为变桨前馈控制部分,改善了机组系统滞后。文献[3]利用卡尔曼滤波器设计了一种前馈变桨控制方法,改善了机组系统时滞。文献[4]结合差分算法和粒子群优化算法,减少了变桨进入稳定状态的时间。文献[5]结合多种不同的模糊结构和滑模控制,使变桨模型适用于不同工况。文献[6]设计了一种部分离线型的模糊PI前馈变桨控制器,减轻了在线模糊PI前馈变桨控制的计算负担。文献[7]在BP神经网络预测变桨的基础上加入了参数预处理。文献[8-10]以粒子群优化算法为主,混合了多种不同算法,取得了良好的改进效果。

虽然不同机器学习算法的组合可以改进变桨控制系统的性能,但是组合算法必须在更好的控制性能与引入更多的机器学习类算法固有缺点之间进行取舍[11]。分形插值是一种针对非线性对象的计算方法,其常被用于股市曲线预测,非常符合风速的变化特征[12-14]。本文改进了经典分形插值—神经网络预测(Fractal Interpolation-Neural Network,FI-NN),并基于改进FI-NN提出了一种时域超前变桨控制方法。仿真验证了FI-NN预测对变桨控制性能的提高,同时分形插值是一种非机器学习算法,不会引入更多机器学习算法的固有缺点,如易陷入局部最优和需要大量训练样本。……