文 |江语迟

编辑 | 江语迟

序

煤炭用于能源生产已被证明是气候变化的主要原因之一，热电厂是二氧化碳排放的一个来源。即使在今天，这些能源仍然广泛存在。

而为了减缓气候变化并实现巴黎气候目标，化石能源必须被风能、水力和太阳能等可再生能源取代，其中，风能的使用逐年增加，目前，它是仅次于水力发电的第二大能源。

为了促进这一积极和可持续的趋势，风能和风力发电机的研究必须继续并向前迈进。

为了实现这些目标，风力发电机的巨大尺寸导致主要部件的磨损，这些不同部件的磨损是由于施加在发电机部件上的巨大力和扭矩，尤其是转子轴和齿轮箱。

来自风的瞬态力，对风力发电机齿轮箱，和其他旋转部件施加了巨大的压力，这使得它们容易发生故障。

风力发电机的主轴，是风力发电机中最昂贵的部件之一，更换和维护主轴会导致额外费用，从而导致与风力发电机相关的电力成本总体增加。

风力发电机气动特性分析与变桨距系统

随着风力发电机组的单机容量，不断增大的发展趋势，当下需解决的问题是，如何在额定风速下，提高捕获风能效率，以及在如何在额定风速以上，依然保持额定功率稳定输出的问题。

由于变桨距变速风力发电机的效率高，正逐渐成为市场上的主流产品，而变桨距控制系统是风力机在风速超过额定值时，将其转速控制在允许的极限内的主要部件。

因此本研究中，我们团队主要研究的是空气动力学原理、变桨距控制系统原理与结构，为后续的风力发电机建模，和变桨距控制提供了理论基础。

风力发电机吸收风中的动能，并转换为机械能，在这种简单的一维模型中风轮，是一个可穿透的轮盘，如果在流动的过程中没有摩擦，并且尾迹中没有旋转速度分量，则认为轮盘是理想，后一种条件可以通过运用两个反向的旋转转子，或者一个静子来获得。

风轮轮盘的作用，就如同一台阻力设备，它将无穷远上游的风速v0，降低到风轮平面处的u，在降低到尾流中的u1。

因此，流线经过风轮时，必然如下图所示的那样扩散：

而风力发电机控制设计，需要估计作用在叶片和转子上的功率，和空气动力载荷，用于预测性能和结构动力学的集成气动弹性模型，对于特定部件和整个系统的设计至关重要。

叶素动量理论（BEM）是最广泛使用的性能分析方法，被证明对各种流动条件都简单而准确。

这种方法假设叶片可以分成多个独立的部分，并且每个部分的气动力可以使用轴向和角动量平衡来计算。

所有部分的合力相加得到总力，在许多简单的情况下，BEM方法已被证明是相当准确，且计算成本低的。

载荷是通过将制表的2D翼型数据与1D动量理论相结合来计算的，因此需要从风洞测量或计算中，获得翼型数据作为先决条件。

二维翼型数据的一个众所周知的例子是XFOIL代码，然而，要构建旋转叶片的翼型数据，需要针对3D和旋转效应进行校正。

BEM方法基于稳定流假设，不考虑尾流效应，包括动态流入效应需要找到一种更适合分析复杂流动的方法，其中一种可能的方法是，使用适合模拟不可压缩非定常流动的涡流尾流方法。

尽管BEM有其局限性，但它还是其他技术的支柱，包括计算转子因气动力，而承受的动态结构载荷的方法。

虽然，单个风力发电机的空气动力学分析，是已经一个成熟的课题，但最近的研究工作集中在由于风力发电机通常聚集在小组，或大型风电场中这一事实，而产生的流动和湍流现象。

在风电场中，由单个发电机产生的尾流相互影响，并与导致湍流增加的大气流动现象相互作用。

现有的尾流建模方法，侧重于近尾流和远尾流，对单个风力发电机和风电场的影响，由于所有方法都基于某些假设，因此必须解决的知识仍然存在差距。

更简单的工具无法完全表示流动的物理特性，CFD模拟的计算成本很高，并不总是适合工程设计和高效实施。

风力发电机叶片受到波动的空气动力的影响，包括随机和确定性干扰，由于风的可变性质，会发生随机扰动。

确定性力包括偏航偏差、定子和转子相互作用和大气边界层的影响。

由风切变、塔阴影或偏航运动等影响，引起的负载扰动是循环的，因为它们是由于转子的旋转而产生的。

风切变是大气中短距离内风速或风向的差异，准确地说，平均速度随着高度的增加而增加。

此外，由于湍流，实际风速在不同地点随时间和方向变化，因此，通过叶片的流动包含一个周期性分量，当转子尺寸增加时，该周期性分量变得更大。

顺风发电机中空气动力的另一个影响是塔阴影，它指的是发电机塔后面的风速不足。

大型变桨距风力发电机组的数学模型

在设计控制系统时，了解系统的物理和动力学是很重要的，物理系统的数学模型可以帮助我们利用常微分方程式，设计和分析复杂的系统。

我们可以通过使用数学方程和计算机模拟，来预测真实系统的行为，因为只需改变参数值，我们就可以测试系统的限制，这在现实世界中很难实现。

通常，通过数学或计算机模拟，来测试系统稳定性的极限，比在物理系统上测试它们更容易。

换句话说，物理系统的数学建模，有助于我们更好地了解它，测试它的局限性，预测它的行为，并分析不同运行条件的影响。

应建立物理系统的数学模型，使其特性与实际系统非常相似，本研究中，所开发的模型可用于在大型水平轴风力机上测试各种控制技术。

我们的风力机模型，是利用描述风力机物理特性的转动惯量、扭转弹簧、阻尼器等基本部件和运动方程建立起来的。

为了简化模型，实际风力机的所有复杂高阶动力学，都没有包含在风力机模型中，模型还排除了塔架弯曲、叶片高阶弯曲和重力对叶片的影响等动力学因素。

高阶动态不会对控制器的性能有太大影响，叶片节距也不包括在内。

上图中，显示了用旋转质量、弹簧和阻尼器表示的风力机的简化模型。

所有的微分方程式都是从上图中导出的，这些方程式是通过，对作用在所有旋转部件上的力矩求和而写成的。

对于下一组方程，我们团队假设使用理想的变速箱，变速箱将低速轴连接到高速轴，低速轴以较低的转速旋转，但具有高扭矩，变速箱将其转换为更高的转速和更低的扭矩。

高速轴连接到发电机，通过使用更高的转速，可以以更小的尺寸、重量和成本构建发电机。

上图显示了风力发电机的幅值和相位响应图，为了生成波特图，选择作用在发电叶片上的风速作为传递函数的输入，选择发电机的转速作为传递函数的输出。

风是一个非常随机的过程，风速是连续变化的，并且在任何时间间隔内都是随机的。

因此，建模变得非常困难，有许多不同的方法来模拟风，而对于本研究，将开发风的数学模型，以便轻松调整以匹配任何位置的风廓线特征。

事实上，任何位置的风能潜力，最好是通过对该位置的风速，进行统计分析来确定，统计分析是通过测量2~3年期间的风速来完成的。

在那段时间收集的数据用于表征不同的参数，例如平均风速、风速的标准偏差等，在本研究中，风被建模为一个三阶系统。

其中，风的建模就像一个快速移动的随机过程，它依赖于一个缓慢移动的随机过程，缓慢移动的随机过程对应于平均风速，快速移动的随机过程对应于风在该平均风速附近的变化，但速度更快。

上述风模型的特性，是通过使用白噪声驱动的低通滤波器获得的，慢速移动随机过程或平均风速，是通过将随机输入馈送到具有较小带宽B1的一阶低通滤波器产生的。

快速移动随机过程，是通过使用第二个低通滤波器产生的具有更大带宽的滤波器B2，将两个滤波器的输出相加，以生成位于随机慢速移动随机过程之上，快速移动随机过程，即为上述风模型。

风模型框图如下图所示：

通过对风电机组部分结构进行建模，得到线性化模型，包括风速、风轮、传动系统、发电机模型，然后合成整个机组的数学模型，并且将整机模型在MATLAB软件的环境中实现。

将两个滤波器的输出相加，以生成位于随机慢速移动随机过程之上的快速移动随机过程，形成风模型。

将三阶风力模型，被添加到六阶风力发电机模型中，构建了更适用的大型风力机数学模型，为后续的风力机的仿真提供依据。

风力发电机组的模糊控制

由于目前的大型变桨距风力发电机组，是典型的多变量非线性系统，传统PID控制方法需要先建立系统有效的模型，但是由于空气动力学的不确定性，和电力电子模型的复杂性，系统模型的确定并不那么容易。

从已列出的可能影响风力发电机组性能的误差源，和不确定性因素中，研究人员发现，由于雷诺数的变化会引起在功率上5%的误差。

而由于叶片上的沉积物和下雨可能造成20%的功率变化，其他诸如老化和大气条件等因素，也将在机组的能量转换过程中，引起不同程度的变化。

因此，所有基于某些有效系统模型的控制，也仅适合于某个特定的系统和一定的工作周期。

由于这些原因，基于模糊逻辑的智能控制技术，最近几年被引入了风力发电机组控制领域，并受到研究人员的重视。

通过分别解析PID控制器和模糊逻辑控制器，对风力发电机的桨距角控制方式，将其应用于变速变桨风力发电机组的控制中，在风速低于额定风速时，通过调节发电机的定子电压来控制转速实现最大风能捕获。

在风速高于额定风速时，通过控制桨叶节距角来实现输出功率恒定，最后将模糊控制同PID控制进行仿真比较，结果表明：模糊控制策略优于PID控制。

这些模糊规则，是通过系统工作的经验和知识获得的，如果功率误差为正，因此输出功率低于额定值，则有必要降低桨距角基准。

与之相反，如果功率误差为负，则增加桨距角基准是最佳选择，这些简单的规则会因风的作用而改变。

如果功率较低，但风速较高，则无需减小桨距角基准，因为风本身往往会增加功率，另一方面，如果功率较高，但风速较低，则功率本身往往会降低，因此无需增加桨距角基准。

模糊控制的非线性控制面如上图所示，可以观察低风速和正功率误差，如何产生接近零的桨距基准，以增加输出功率，从而减少误差。

另一方面，强风和负功率误差会产生接近顺流交矩的桨距基准，以减少功率和误差。

在该研究中，首先根据变速变桨风力发电机组的基本特性和控制策略，将PID控制器和模糊逻辑控制器应，用于变速变桨风力发电机组的控制中，在风速低于额定风速时，通过调节发电机的定子电压，来控制转速实现最大风能捕获。

在风速高于额定风速时，通过控制桨叶节距角来实现输出功率恒定。

最后将模糊控制同PID控制进行仿真比较，结果表明模糊控制策略优于PID控制，采用模糊控制，可以更好地提高控制性能，因此更适合大型风力发电机的变桨距控制。

为了调整5MW风力发电机的桨距角，比较了最优分数阶模糊PID、最优模糊PID、最优FOPID和增益调度PID控制器的性能和鲁棒性。

控制器的参数，是通过进化优化方法获得的，进化优化方法更能在不陷入局部极小的情况下，探索搜索空间。

为了改进粒子群优化算法（PSO）和差分进化算法（DE），我们研究团队引入了混沌映射，发现高斯混沌映射，不仅改善了算法的收敛特性，而且得到了更好的结果。

此外，在CPU时间和NFE相同的情况下，混沌算法在最终答案中，具有更好的标准差。

然后，为了证明控制器能否在未优化的风速和条件下正常工作，需要进行大量的风力测试，将不同风速和偏差的速度分布应用于最优控制器，并通过4个合适的标准对其性能进行了比较。

仿真结果表明，与整数阶模糊、FOPID和GSPID控制器相比，最优分数阶模糊PID控制器在最小化误差和最小化疲劳损伤方面，具有优越的性能和鲁棒性。

最后，将所提出的控制器应用于FAST模拟器，该模拟器是检验控制器有效性的综合工具，真结果表明，FOFPID的性能优于FPID、GSPID和FOPID，此外，FAST模拟器显示，在真实仿真中，四个控制器均未出现故障。

结语

本研究中，我们团队以5MW大型风力发电机为研究对象，对风力发电机的气动特性，和运行工况进行了分析，对风力发电机的风速进行控制和理解，可以更有效地在实际发电中发挥作用。

此外，本研究针对风力发电机建模，和风速分布的不确定性，提出提出了两种改进的控制方式，也就是模糊PID（FPID）和分数阶模糊PID（FOFPID），以改善桨距角控制性能，以保持平稳的功率输出，提高发电质量。