现代控制技术在风力发电控制系统中的应用

　　风力发电系统的载荷控制是整个系统控制的关键。利用鲁棒控制算法设计的独立变桨距载荷优化分布控制器，可使风轮上所受载荷的分布变得均匀，从而减小风电机组的振动，提高控制系统的鲁棒稳定性和动态性能。采用全反馈控制方法，重新组成一个该型机组所需的载荷阻尼控制器，实现了对载荷的良好控制。当风速达到额定风速，但是输出功率却未达到额定功率时，鲁棒控制器可以减小功率波动以及驱动链载荷。应用鲁棒控制组成的频率稳定控制器可以稳定由于载荷波动造成的频率波动，可以达到很强的鲁棒稳定裕度。
　　9 人工神经网络在风力发电系统中的应用

　　人工神经网络（Neural Network，简称NN）通过非线性映射，学习系统的特性，具有近似表示任意非线性函数及其逆的能力，具有高度的自适应和自组织性，能够学习和适应严重不确定性系统的动态特性，具有很强的鲁棒性和容错能力。风速在时刻变化，风速预测不仅与预测方法有关，还与预测周期以及预测地点的风速特性有关。可以利用时间序列——神经网络法研究短期风速预测，该方法用时间序列模型来选择神经网络的输入变量，选用多层反向传播BP 神经网络和广义回归神经网络分别对采样的风速序列进行预测。此外，也可以采用小波分析和人工神经网络结合的方法对风力发电功率进行短期预测。利用神经网络预测风电场的发电量，可以减少功率的波动。采用前向人工神经网络来实现风速估计的控制策略为系统提供了高性能的动态特性，即使在真实系统中出现的不确定性和风速变化的情况下也能稳定运行。
　　变桨距系统是风电机组研究的关键部分。针对变速变距型风电机组的液压驱动式变距执行机构，可以用基于神经网络的变桨距控制方法，以解决变桨距机构的非线性、参数时变性、抗干扰和滞后性控制问题。基于弹性自适应人工鱼群-BP 神经网络的桨距控制器可以使风电机组在变化的风力中获得最大的能量并使转速、功率和机械负载变化最小。为了实现最大风能捕获提出了基于人工神经网络的控制器，该控制器结合了发电机的预测模型和神经网络控制技术。
　　将BP 算法寻优具有精确性与遗传算法全局寻优的优点相结合，提出一种新的BP 神经网络算法，该算法用于风电机组齿轮箱故障的诊断，提高其工作的可靠性。Elman 神经网络可以降低网络对参数调整的敏感性，有效抑制局部极小值的出现，因而Elman 神经网络用于故障诊断能识别出风力发电机组齿轮箱故障类型，从而对齿轮箱进行有效的故障判别。
　　神经网络适用于非线性系统，且不需要精确的数学模型，通过自学习可以实现良好的控制效果，能够实现电能质量的优化。神经网络可以用于风力机动力学分析中，其具有很强的容错能力，对于风电机组模型的不确定性，将神经网络控制技术与其他的控制技术相结合，可以建立有效的数字信号处理器和其他设备控制器。由神经网络和模糊逻辑技术的控制器可以用于载荷频率控制，控制器中的动态模糊网用于自适应载荷频率控制设计中，该控制器可以减小载荷，具有良好的鲁棒性和有效性。
　　10 模糊控制理论在风力发电系统中的应用
　　模糊控制是一种基于语言规则、模糊推理的高级控制策略，是智能控制领域最活跃、最重要的分支之一，截至目前，模糊控制以现代控制理论为基础，同时结合人工智能技术、神经元网络技术、仿人职能技术，并因其具有自身优点，在风力发电控制领域得到了空前的发展。
　　变桨距系统是风电机组当中重要的组成部分，其性能的好坏对风电机组的安全性、使用寿命、电能质量产生重大的影响。在高于额定风速工况下运用了模糊变桨控制来限制功率，在一定程度上解决了风电系统数学模型复杂、受参数变化和外部干扰严重、系统非线性、时变、强耦合等困难。