数据驱动模糊控制设计在风力涡轮机基准模型中的应用

抽象的

风力机是一个复杂的动态系统，其空气动力学是非线性和非定常的，因此，风力机的建模是一项具有挑战性的任务。精确的模型应该包含许多自由度，它们的控制算法设计必须考虑这些复杂性。然而，这些算法必须在不太复杂和笨拙的情况下捕获最重要的涡轮动态，主要是当它们必须在实时应用中实现时。这项工作的第一个贡献是提供了一个应用实例的设计和测试通过仿真，数据驱动的模糊风力机控制。特别是，该策略是基于模糊建模和识别方法的基于模型的控制设计。模糊建模和识别可以作为开发复杂系统实验模型的替代方案，直接从测量的输入-输出数据中得到，而不需要详细的系统假设。在控制器设计方面，本文再次提出了一种对风力机叶片俯仰角和发电机转矩进行调节的模糊控制方法。利用风力发电机组基准的数据序列对所提策略的有效性进行了评估。一些实验证明了所提出的调节器相对于不同的控制方法的优势。

1.介绍

风力涡轮机是复杂的非线性动态系统，由重力和随机风扰动，受重力，离心和陀螺载荷的影响。它们的空气动力学是非线性和不稳定的，同时它们的转子受到驱动疲劳负载的复杂动荡的风流量。因此，风力涡轮机建模和控制代表复杂和具有挑战性的任务[1，2］.

精确的模型必须包含多个自由度，才能捕捉最重要的动态效果。显然，风力涡轮机控制算法的设计必须考虑这些复杂性。另一方面，控制算法必须捕捉最重要的涡轮机动态，而不会过于复杂和笨拙[1，3.］.

今天的风力涡轮机采用不同的控制驱动和策略来实现所需的目标和表演。一些涡轮机通过无源方法执行控制动作，例如在固定间距，失速控制机中。在这些机器中，刀片被设计成使得通过刀片拖延的功率受到额定风速的限制。因此，不需要俯仰机制[1］.另一方面，低于额定风速，发电机速度是固定的[4］.具有可调节间距的转子通常用于恒速机，以提供比刀片摊位所能实现的涡轮功率控制[5］.因此，叶片俯仰可以调节，以提供恒定功率以上额定风速。俯仰机制必须相当快，以提供良好的功率调节存在阵风和乱流。为了使风速下的输出功率最大化，涡轮机的转速必须随风速变化。

这种机器的控制策略通常使用简单的经典控制设计技术设计，例如（比例积分衍生）PID控制用于叶片间距调节，如图所示，在[6].高级控制可用于改善能量捕获，例如通过发电机扭矩控制，如中所示[7］.在同样的情况下，Johnson等人[8]提出了一种自适应控制方法。先进的多变量控制设计方法，如基于状态空间模型的那些，可用于满足控制目标，并在减少的控制环数中使用所有可用的执行器和传感器。在 [9]，采用多变量方法设计独立俯仰控制器，以减轻非对称风扰动的影响。即使使用了两个独立的控制回路，在[9]与经典控制设计方法相比，多变量控制设计方法可能需要更少的控制循环，如图所示，在[10.］.因此，风力涡轮机控制算法之间的权衡及其有限的计算复杂性代表了激励这项研究的具有挑战性。

这项工作的第一个贡献包括提供数据驱动模糊风力涡轮机控制的设计和测试的应用示例。特别是，该策略是基于模糊建模和识别方法的基于模型的控制设计。如上所述，由于数学模型是系统行为的描述，因此在实践中可以非常难以实现复杂的非线性系统的精确建模。因此，模糊建模和识别可以代表开发复杂系统的实验模型的替代方案，例如在该工作中考虑的风力涡轮机系统。与纯非线性识别方法相比，模糊系统能够直接从测量的输入输出数据导出非线性模型，而无需详细的系统假设[11.］.因此，建议描述由Takagi-sugeno（TS）模糊原型的类型的局部仿射系统进行调查[12.]，其参数由识别程序获得。提出的识别方法是由同一作者以前的工作推动的[13.，14.］.

关于控制器设计，本文提出了一种模糊控制方法，用于调节风力涡轮机叶片桨距角和发电机扭矩，应用于风力涡轮机基准。根据以下步骤进行该设计。首先，使用经典的Ziegler-Nichols方法设计了PI调节器[15.］.然后，通过合适的增益选择相应的模糊（比例积分）PI控制器。成员函数（MFS）和规则直接从识别的TS模糊模型导出。评估了所考虑的基准中获取的数据序列的拟议模糊建模和控制策略的有效性。若干仿真实验提供了提出的模糊PI调节器关于在[中的开关控制策略的拟议模糊PI调节器的优点。16.］.

将所提出的控制策略的能力与[16.]并且参考示例的不同控制方法，在滑动模式或神经控制器上[17.，18.］.

该工作的下一个特点是与建模不确定性、干扰和测量误差对设计控制方案的影响评估有关。特别是，本文提出使用广泛的蒙特卡罗仿真来分析和评估设计、鲁棒性、稳定性和最终性能评估。事实上，在这种情况下，风力发电机无法用任何分析动力学模型来描述，蒙特卡罗工具代表了评估所开发的控制方案应用于监测过程时的性能的唯一方法。

论文的最后一个关键点涉及通过硬件在环（HIL）设施对所开发的控制算法进行评估，该设施的开发目的是在存在更接近实际情况的实验限制的情况下验证所提出的方法。

最后，本文具有以下结构。部分2提供这项工作中考虑的风力涡轮机系统的概述。部分3.回顾了模糊控制器设计中所采用的模糊建模和识别策略。本节将介绍这种提出的模糊控制器设计，以及一个简单的整定策略3.2．概述了不同控制策略的达到的结果和比较4在模拟中研究了稳定性，稳健性分析和开发控制方法的稳定性分析和发达的控制方法的能力。还报道了依赖于滑动模式和神经控制器的不同控制方案的现实模拟和比较。部分5文章最后强调了主要工作成果，并对可能的进一步研究课题提出了一些建议。

2.风电基准描述

本文所考虑的三叶水平轴水轮机的工作原理是风作用在叶片上，从而移动转子轴。为了将发电机的转速提高到所需的转速，引入了齿轮箱。有关基准模型的更准确描述，请参见[16.，19.]风力涡轮机模型示意图如图所示1．

转速以及由此产生的功率通过两个受控输入进行调节：变矩器扭矩和桨距角涡轮叶片。从风力涡轮机系统中，可以获得一些测量数据。是转子速度，是发电机速度，还有为变矩器控制的发电机的转矩，提供转矩参考，．估计的空气动力学扭矩定义为．这种估计明显取决于风速，不幸的是很难正确测量。非常不确定的测量可以如[16.］.

2.1。模型描述

本节简要回顾在连续时域中的风力涡轮机模型描述。随后通过识别的离散时间原型来近似，如部分所示3.．

空气动力学模型定义为 在哪里是空气的密度，是涡轮叶片在旋转时所覆盖的区域，是刀片的俯仰角，是风速，虽然是刀片的尖端速度比，定义为 和转子半径。表示功率系数，这里通过二维映射（查找表）来描述[16.］.方程(1)用于估计基于假设的估计，并测量和．由于风速的不确定性，估计被认为受未知的测量误差影响，这激励了部分中描述的方法3.．

一个简单的单体模型用于表示传动系，如[19.］.发电机转矩和参考在这种情况下，转换为传动系的低速侧（转子侧），而是发电机功率系数。通过这些假设，诊断下系统的完整连续时间描述具有 在哪里和是控制输入和监控的输出测量。表示将通过离散时间原型来近似的连续时间非线性函数抽样数据和具有，介绍3.．

对于输入输出信号，为发电机转速测量，为发电机功率测量，是节距测量，以及是发电机扭矩测量。最后，模型参数和地图选择以代表一个现实的涡轮机，该涡轮机用作本研究中的基准系统[16.］.

2.2。风力涡轮机基准控制系统

风力涡轮机的控制器原则上在两个主要区域运行。区域1是功率优化，而区域2对应于恒定功率生产。如果叶片变桨角度是平等的角度，如果尖端速比是常数在其最优值．尖端速比，，如已经描述的（2），可以写作（4）， 在哪里是刀片的半径，是风速，还是角转子速度是： 的最优值，它表示，确定为风力机功率系数映射中的最大值点。这个最优值是通过将参考转矩设置到变换器，．参考转矩在此功率优化区中可以写入 和： 和是空气密度，该区域被涡轮刀片扫过，最大值（即功率系数图），与，即最佳的尖端速度比。

当达到功率基准时，控制器可以切换到控制区域2。在该区域中，控制目标包括遵循功率基准，，通过控制获得，以便减少了。在传统的工业控制方案中，通常使用PI控制器来保持通过改变．第二个控制输入是，其值是通过使用（5）.

本研究中考虑的风力涡轮机基准控制器以示例频率实现Hz，即， s、 控制器在1区启动。因此，如果以下条件保持不变，控制模式应从1区切换到2区[16.]： 在哪里表示来自相应的连续时间信号的获取离散时间测量，同时是标称涡轮速度。另一方面，控制器从区域2切换到区域1 在哪里是一个介绍滞后的数字，以确保过渡之间的最短时间。另一方面，对于控制区2： 和．此PI的参数速度控制器是和，随采样时间变化 s., as described in [19.］.

最后，关于输入输入，实现第二个PI调节器，为(9): 第二个PI的参数电力控制器是和根据…19.］.

3.模糊识别和控制设计

本节介绍了利用用于获得风力涡轮机系统的模糊描述的综合方法以及用于调节其输入变量的控制策略。特别地，在部分中召回的模糊建模和识别方案3.1，增强了所提出的模糊控制器的设计过程，如第节所示3.2．

3.1。模糊识别和数据聚类

为了从测量中自动生成模糊模型，采用了一种综合的方法。它使用模糊聚类技术将可用数据划分为具有线性行为特征的子集。提出的识别方法与线性回归之间的关系被利用，允许模糊逻辑技术与系统识别工具的组合。此外，模糊建模和识别(FMID)技术在Matlab工具箱中的实现如下所示[20.］.模糊识别通常是指从数据构造模糊模型的方法和算法。

大部分的模糊建模和识别算法(见，例如，[11.其中，其中的引用）共享一个常见的两步过程，其中首先，使用启发式或数据聚类技术确定操作区域。然后，在第二阶段，使用作者提出的识别算法来实现每个子模型的参数的识别[13.，14.，这可以看作是经典最小二乘的推广。从这个角度来看，模糊辨识可以看作是对非线性系统进行分解的一种搜索，在模型的复杂性和准确性之间找到一个理想的平衡点，有效地探索了系统复杂性往往不均匀的事实。因此，可以使用一类合适的模糊聚类算法进行分解，特别是著名的Gustafson-Kessel (GK)模糊聚类[11.]在本工作中被利用，因为已经在[20.］.

Takagi和Sugeno (TS)在[12.］.在TS模糊模型中，规则后果是模型输入的清晰功能： 在哪里，是输入（先行）变量，并且是输出（结果）变量。表示这一点第条规则，以及是规则库中的规则数。是一个前进的模糊集规则，由一个(多元)隶属函数定义。随之而来的功能通常选择为合适的参数化函数的实例，其结构在所有规则中保持相等，只有参数变化。函数的一个简单而实用的参数化是仿射形式： 在哪里是参数矢量（回归和），和为标量偏移量。表示回归矢量，可以包含延迟样本和。此模型称为仿射Ts模型，它可以写作[12.] 这前一种模糊套从模糊分区矩阵中提取[11.，20.］.这后续参数 和使用作者开发的方法估计数据[13.，14.]并召回下面。用于估计TS模型参数的该识别方案已被作者集成到MATLAB的FMID工具箱中。由作者开发的这种方法通常是优选的，当TS模型应该用作预测器时，它通过所谓的所谓的参数计算了结果的参数弗里希方案[13.，14.］.因此，在通过GK算法获得数据的聚类之后，根据FRISCH方案识别过程处理数据子集[13.，14.，以估计每个仿射子模型的TS参数。

3.2。模糊控制器设计

所提出的模糊逻辑控制器由误差信号馈送，也就是说，跟踪错误定义为所考虑的设定点之间的差异和工厂控制的输出在样本： 模糊PI控制器使用第二个输入信号，定义为系统误差的和，使用

从数字控制理论中已知，最常用的数字PI控制算法可以描述如下： 在哪里，是抽样时间，是传统控制器的积分时间常数，比例增益，和是输出控制操作。

具有所提出的模糊控制器的控制系统的结构基于Sugeno的模糊技术。Sugeno进入模糊PI控制器的模糊规则是普遍形式的“IF-DEN”的组成，具有前提和一个前提部分来描述控制政策。规则基础包括一系列规则，索引表示规则编号: 在哪里和输入变量是输入变量．在此表达式中，传统数字PI控制器的表达式（16.)和Sugeno的输出函数(17.） 可以被找寻到。在这种情况下，模糊PI控制器被认为是几个本地PI控制器的集合，其由Sugeno的功能表示到不同的模糊规则中。

对于一个离散的宇宙模糊输出中的量化水平，控制动作表示为Sugeno的输出功能的加权平均值以及他们的会员度数的量子化级别，与．同样在这种情况下，在推断出输出之前，所示的止损程度必须计算。因此，完成程度简单地等于给定投入的隶属度,也就是说,．通过召回所识别的TS模型，推动减少到简单的表达式，类似于模糊平均除霜公式[11.]： 或通过代入模糊PI项的表达式: 在瞬间依赖的地方已经突出了。

值得注意的是PI控制器参数和（和)根据应用于已识别的局部线性TS子模型的Ziegler-Nichols规则解决。然后，为了对设定点变化做出快速反应，根据误差执行模糊调节器参数的增益调度，如所示(19.）.

更详细地说，如果TS结果由二阶离散时间局部线性动态模型表示(）描述于（12.）通过他们所识别的参数，回归, ()，即所谓的临界增益和关键时期的振荡例如，可以计算Ziegler-Nichols方法，如下所示[15.]： 它持有if.．还可以使用替代公式[15.］.方程(21.因此，用于计算参数和（本地）pi控制器（17.): 在哪里是抽样时间。如图所示，在[15.]，订单的后果比...更棒可以考虑。

一旦计算了模糊PI控制器参数，第二步包括构建模糊控制器（19.）.输入MFS.可以与所识别的TS模型中的那些相互作用，如图所描述的[11.］.输入mf的数量决定了规则和输出mf的数量。在此工作中，确定了最优规则数等于用于识别非线性系统的最小簇数，如截面末尾所述3.1．最后，采用的模糊运营商是产品和操作员，界限和或操作员，MIN作为含义方法，以及重心（COG）作为Defuzzification方法。

部分4将显示关于使用来自风力涡轮机基准测试的数据序列的模糊PI控制器参数调整的实现结果。

4.仿真结果

本节介绍了通过依赖于面向模糊控制器设计的模糊建模技术的方法实现了仿真结果。

对于所提出的控制方法，第节讨论了GK聚类算法3.1和集群和多个班次应用于估计和验证采样数据集具有和．另一方面，有一些集群和对抽样数据集进行合适的聚类.聚类后，估计每个输出的TS模型参数。因此产出风力涡轮机(和的连续时间模型3.）由TS模糊原型近似（13.）.输出估计的相对均方误差为对于第一个输出和对于第二个。

估计模糊模型的拟合能力也可以在所谓的差异占（VAF）指数方面表示[11.].特别是，第一次输出的VAF值大于，虽然比较大于对于第二个。因此，模糊多模型似乎相当准确地逼近了所研究的过程。举个例子，Figure2表示模拟输出值和通过使用FMID对风力涡轮机基准模型进行训练，得到TS模糊模型。

利用这些已识别的TS模糊原型，开发了基于模型的方法来确定模糊控制器，并将其应用于所考虑的风力涡轮机基准3.2，计算了模糊PI控制器的参数。

在下文中，建议的模糊PI控制器和部分中描述的原始交换策略2是在Matlab和Simulink环境中实现的。

实验设置采用（多输入单输出）MISO模糊PI调节器，用于控制叶片桨距角和发电机控制扭矩。作为示例，通过使用前一个（21.)，以下调整参数集已计算的俯仰角度控制: 为了比较所提出的模糊PI策略的优点，还将获得的结果与通过在段中召回的原始开关风力涡轮机基准调节器实现的结果进行了比较2．

在仿真中考虑了不同的数据序列，评估了控制器的性能。在表中1和2，百分比归一化跟踪误差的平方和(NSSE)值定义为 用于设计的控制器。

值得注意的是部分负载操作（第1区），性能由发电机产生的功率之间的比较来表示，，关于理论最大功率输出，鉴于即时风速。另一方面，在满负荷运行（区域2），性能取决于发电机转速，，关于名义上的，．

根据这些仿真结果，建议的模糊控制器的性质比部分中描述的原始开关调节器更好2.2．

4.1。鲁棒性和吸引力域评估

在本节中，报告了进一步的实验结果。他们认为关于建模误差和测量不确定性的开发控制方案的性能评估。特别地，通过利用风力涡轮机基准模拟器和Matlab Monte-Carlo分析来执行不同数据序列的模拟[21.］.事实上，由于控制策略性能取决于模型近似和不确定性，因此蒙特卡罗工具在此阶段是有用的，因为模型近似和不确定度，以及输入输出测量误差[22.］.

其中，最初在Simulink环境下开发的非线性风力发电机模拟器[19.通过作者修改，以改变用于建模可能的过程参数不确定性和测量误差的信号的统计特性。因此，在这种情况下，Monte-Carlo分析代表了一种可行的方法，用于在应用于所考虑的过程时分析显影模糊控制方案的一些性质。在这个假设下，表3.报告所考虑风力涡轮机模型参数的标称值及其模拟不确定性。

通过将这些变量描述为高斯随机过程来执行Monte-Carlo分析，其与表中最小和最大误差值相对应的零平均值和标准偏差3.．

此外，假设输入输出信号和和电力系数图条目受错误的影响，表达了相应的标称值的百分比标准偏差，， 和还报告在表格中3.．这些值可以由来自同一作者的工作激励[23.，它建议提供一个多项式近似的地图通过输入输出的识别过程和受测量误差影响。

因此，为了对模糊控制方案进行性能评估、可靠性和鲁棒性分析，计算了NSSE%指数的最佳值、平均值和最差值，并使用Monte-Carlo运行[22.].NSSE%的值是针对表中报告的参数值的几种可能组合计算的3.．桌子4总结通过考虑部分中的模糊控制方案获得的结果3.．

特别是表格4根据最佳、最差和平均情况，参照表中描述的参数的可能组合，总结考虑的性能指标的值3.．桌子4表明，即使在存在相当大的误差和不确定性效果的情况下，所提出的模糊控制方案也允许保持良好的控制性能。

可以在吸引人（DOA）分析领域的基础上评估控制器设计的鲁棒性[24.］.平衡点的稳定性在动力系统中起着至关重要的作用。对于非线性动态系统，稳定性和鲁棒性的研究需要表征平衡点的方向，即被控系统的轨迹收敛到这一点的初始条件集。在这种情况下，很明显，估计或控制DOA是非常困难的问题，因为该集与风力机模型的复杂关系。此外，如本节所示2，风力发电机组系统不能用解析模型来描述。因此，DOA分析只能在模拟中再次使用Monte-Carlo工具进行，Monte-Carlo工具用于提供风力机初始条件的随机变化，方式类似于Table3.．

数字3.和4显示蒙特卡洛运行的结果的示例，其中风力涡轮机被监控的输出，即发电机电源以及发电机的角速度（红色）与参考值（蓝色）进行比较，从而评估扰动任意初始条件下的平衡点稳定性。

特别是数字3.结果表明，在任意初始条件下，采用蒙特卡罗方法随机改变初始条件，所提出的模糊TS方法能够保持风力机的稳定性。然而，当控制器采用基准PI调节器时，监控过程变得不稳定，如图所示4．仿真结果突出显示基准调节器方案稳定风力涡轮机而所提出的模糊TS控制策略的容许范围为标称初始值。

最后，结果表明，蒙特卡罗仿真是一个有效的工具，实验测试的设计鲁棒性，稳定性和可靠性的控制方法，所提出的建模不确定性和干扰。

4．2．比较研究

本节提供了关于替代控制方法的一些比较结果，特别是依赖于滑动模式和神经网络控制器。

通常，滑动模式控制可以基于线性或非线性模型设计[17.］.在这两种情况下，设计过程基于适当的切换歧管的选择，然后在确定包括不连续项的控制法的确定，该控制法确保了该歧管中的滑动运动。然而，用于非线性情况的滑动模式控制设计通常应用于所谓的系统常规的形式，由两个块组成：一个取决于控件，具有相同的控制矢量的尺寸，而另一个独立。这种规则形式可以通过非线性坐标转换获得。另一方面，if a linear model is used, the transformation into the regular form and the design of the sliding mode dynamics are simpler, since known results from linear control techniques (i.e., pole placement, eigenstructure assignment, and optimal quadratic) are applicable. This design procedure can be therefore tolerant with respect to uncertainty and modelling errors, since these disturbances are decoupled from the sliding motion.

第二种用于比较目的的控制方案是利用依赖神经网络(NN)工具的策略开发的[18.］.nn控制器在一个-Inpuls.- 输出时间延迟三层多层Perceptron（MLP）NN输入层中的神经元，隐藏层中的神经元和神经元在输出层。根据训练模式和目标序列对神经网络进行了训练，以提供最优参考跟踪[18.］.

为了提供简要但清晰地了解上述控制技术，在同一前一个工作条件下进行比较，并基于在部分开始时提出的NSSE％指数4．

值得注意的是，通过滑动模式或神经控制器实现的方案不利用任何适应机制。事实上，滑动模式控制策略能够通过滑动运动去除不确定性，同时神经网络设计为被动地容忍干扰和建模错误。

桌子5和6总结了比较本节分析的滑模和神经网络技术所获得的结果。可以看出，不同的方案能够容忍不确定性和误差，从而实现优雅的控制性能下降。

表之间的比较5和6示出使用滑动模式控制器的方案允许在跟踪误差方面实现更好的性能。然而，滑动模式控制器所需的控制输入能量大于其他情况。此外，滑动模式控制器可以相对于另一个解决方案显着增加计算时间。

这里可以绘制一些进一步的评论。当动态系统的建模可以完全获得，在一般的模型的控制策略中是优选的。另一方面，当存在建模误差和不确定性时，依赖于模糊控制方法的替代控制方案可以在存在未铭出的干扰，建模错配和测量误差存在下显示有趣的鲁棒性。参考神经控制器，在受控系统具有建模错误的情况下，离线学习可能导致相当好的结果。其他明确的干扰解耦技术可以利用它们的稳健性能力，但具有相当复杂且不直接的设计程序。基于NN的方案依赖于从离线模拟累积的学习，但培训阶段可以计算沉重。关于使用模糊工具的提出方法，即使可能需要优化阶段，似乎相当简单和简单。

4.3。稳定性测试

通过基于所提出的稳压器控制的基于风力涡轮机基准模拟器，再次检查整体控制策略的稳定性特性。事实上，正如部分所指出的那样2，风力机系统包含功率系数图不能通过第一原理获得的任何分析模型来描述。因此，Monte-Carlo分析代表了在应用于监测过程时估计显影模糊控制方案的稳定性的唯一方法。

在与稳定性分析相关的瞬态期间模拟初始条件随机改变，影响系统的扰动。

根据表中报告的标准偏差，所有模拟均通过考虑建模为带限白过程的噪声信号进行3.．

作为单个蒙特卡罗运行的例子，图5重点说明了风力发电机模型的主要变量，如发电机转矩等, tip-speed-ratio，以及发电机功率围绕参考值保持界定，证明了模拟中的整体系统稳定性，即使在存在干扰和不确定性。这些结果是指与模糊控制器的部分负载操作的情况，当风速时在下面多发性硬化症。

数字5还突出显示，在模拟的第一部分输出功率变得比理论的更大当转子轴的动能转化为发电机产生的电能时。另一方面，能不能超过所产生的功率，因为转子的惯性在加速之前可以匹配。

作为蒙特卡罗运行的进一步例子，图中报告了模糊控制器在额定风速以上所取得的结果6．

数字6还描绘了发电机速度和控制输入．同样在这种情况下，主要风力涡轮机变量围绕参考值保持界定，从而评估模拟中的整体系统稳定性，即使在存在建模误差和噪声信号时。

值得注意的是，模糊控制设计之后是分析程序所示4.1，4.2， 和4.3.利用Matlab和Simulink软件工具进行开发，以实现整个仿真过程的自动化。这些可行性和可靠性研究对于控制策略的实际应用至关重要，一旦实施到未来的风力涡轮机装置。

为此，请参阅第节4.4说明了如何通过硬件在环(HIL)测试台评估所设计的控制算法，以评估其在更现实的实验情况下的能力。

4.4。循环测试中的硬件

为了评估利用实际应用中所提出的控制算法并调查其对板载实施的能力，本节介绍了循环（HIL）测试中的硬件的结果。这些实验结果有助于验证所需的要求，该算法归因于考虑在其工作情况期间的风力涡轮机可以试验的几乎真实条件。为此目的，HIL Test-床根据图开发7，它提供了在几乎实时条件下验证开发控制算法的功能。

该实验室设施包括以下三个元素：(我)电脑模拟器：该模拟器已在来自Matlab和Simulink环境的LabVIEW软件中创建的，提供了考虑因素的风力涡轮机动态的建模，如不确定，干扰，测量误差和风力涡轮机部件模型，如部分所述2．该软件工具允许监控与控制算法相关的参数，并分析其性能。（ii）车载电子产品：控制算法已在此元素中实现。该模块中使用的电子设备是AWC 500系统，其还满足标准风力涡轮机技术规范。该元素还提供了实现和评估不同控制算法的灵活性。从数字中可以看出7，车载电子设备接收风力涡轮机电源和发电机角速率作为其输入，并且在算法处理之后，产生发电机扭矩和传输到计算机模拟器的音高指令输出信号。通过所提出的控制算法产生发电机扭矩和间距命令，并应用于风力涡轮机模型模拟器以保证其稳定性和所需的规格。（iii）接口电路: they consist of the appropriately selected input-output cards, which receive the output signals from the computer simulator and transmit the output signals generated by the control algorithms.从一个测试中实现的结果总结在表中7对于所提出的模糊控制器。

桌子7图示了实现的结果之间存在一些偏差，但与表中的结果一致4从蒙特卡罗分析。实际上，仿真案例的性能在一定程度上优于HIL实验案例，这是合理的，原因如下所述。(1）板载电子处理器中浮动计算的准确性比计算机模拟器的CPU更加限制。（2）结果之间的主要偏差来自模拟到数字和数字到模拟转换。

由于数据必须在板载电子设备和计算机模拟器之间传输，因此16位转换是不可避免的，因此这种转换误差可能导致实验结果的恶化。注意，由于实际情况不需要在车载电子设备和计算机之间传输数据，因此此错误不是问题，并且与通过Monte-Carlo工具已经实现的结果一致。此外，虽然模拟与实验结果之间存在一些偏差，但由于上述原因，这些偏差并不重要，并且所获得的结果足够准确，对于真实的风力涡轮机应用。

5.结论

风力发电机组是一个复杂的非线性动态系统，本文主要研究其控制设计问题。此外，它们的空气动力学是非线性的、非定常的和复杂的，因此它们的建模是具有挑战性的。因此，风电机组控制算法的设计必须考虑这些复杂性。本文展示了如何提出一种模糊控制设计方法，以改善经典的控制限制，如PI标准调节器。因此，通过风力发电机原型机的广泛仿真，提供了一个可行的、简单的、直接的控制设计的应用实例。在存在建模和测量误差的情况下，对所考虑的基准过程的测试和蒙特卡罗分析代表了对所提出的模糊控制方案的特性进行实验评估的工具。并与其他不同的控制方法进行了比较。为了突出提出的控制算法在实际应用中的潜力，计划在环路测试设施中的硬件来研究所设计策略的数字实现。测试结果再次表明，所开发的方案保持了预期的性能，验证了其在实时实现中的可行性。未来的工作旨在进行可持续和可靠性分析，这对实际的风力涡轮机应用至关重要。

参考

1. K. E. Johnson，L. Y.Pao，M. J. Balas和L. J. Fingersh，“可变速度风力涡轮机的控制：最大化能量捕获的标准和自适应技术”IEEE控制系统杂志第26卷第2期3，页70-81,2006。查看在：出版商网站|谷歌学术搜索
2. P.F. Odgaard，C.震动仪和R. Nielsen，“使用未知输入观察者的风力涡轮机电力系数的在线估计”第17届世界大会的诉讼程序，国际自动控制联合会（IFAC '08），韩国首尔，2008年7月。查看在：出版商网站|谷歌学术搜索
3. Z. Hameeda, Y. Honga, Y. Choa, S. Ahnb, C. Song，“风力涡轮机的状态监测和故障检测及相关算法综述”，可再生和可持续能源评论，卷。13，不。1，pp。1-39,2009。查看在：出版商网站|谷歌学术搜索
4. X. F. Zhang，D. P. Xu和Y. Liu，“可变速度固定间距风力涡轮机的自适应最优模糊控制”第5届世界智能控制和自动化大会的诉讼程序，会议诉讼程序（WCICA '04），页2481-2485,2004年6月。查看在：谷歌学术搜索
5. R. Sakamoto, T. Senjyu, T. Kinjo, N. Urasaki, T. Funabashi， "利用自适应控制方法控制风力发电机的俯仰角输出功率均衡"国际电力系统技术会议议事课程（PowerCon '04），pp。2004年11月834-839。查看在：谷歌学术搜索
6. E.A.Bossanyi，“风力涡轮机闭环控制器设计”的发展“第19届ASME风能会议记录（ASME'00），第64-74页，美国内华达州雷诺市ASME，2000年。查看在：谷歌学术搜索
7. L. J. Fingersh和K.E.Johnson，“NREL控制的基线结果和未来计划，进入高级研究涡轮机”第23号ASME风能会议的诉讼程序，pp.87-93，Asme，Reno，Nev，USA，2004年1月。查看在：谷歌学术搜索
8. K. E. Johnson，L. J. Fingersh，M. J. Balas和L. Y.Pao，增加了变速风力涡轮机的区域2电力捕获的方法“太阳能工程学报，卷。126，没有。4，pp。1092-1100，2004。查看在：出版商网站|谷歌学术搜索
9. M.Geyler和P. Caselitz，“风力涡轮机负载减少的单个刀片俯仰控制设计”欧洲风能会议和展览记录，第7-10页，米兰，意大利，2007年5月。查看在：谷歌学术搜索
10. a.d. Wright, L. J. Fingersh和M. J. Balas，“控制先进研究涡轮机的状态空间控制测试”，太阳能工程学报，卷。128，没有。4，pp。506-515,2006。查看在：出版商网站|谷歌学术搜索
11. R.Babuška，模糊控制建模，Kluwer学术出版商，1998年。
12. T. Takagi和M. Sugeno，“系统的模糊识别及其在建模和控制中的应用”，IEEE在系统，男人和控制论上的交易，卷。15，不。1，pp。116-132,1985。查看在：谷歌学术搜索
13. S.Imani，C. Flexuzzi，R. Rovatti和S. Beghelli，“参数噪声拒绝参数识别，用于分段线性模糊模型”IEEE模糊系统国际会议的诉讼程序第2部分（2），pp.78-383，1998年5月。查看在：谷歌学术搜索
14. S. Simani, C. Fantuzzi, R. Rovatti，和S. Beghelli，“嘈杂环境中分段仿射模糊模型的参数识别”，国际大约推理杂志，卷。22，没有。1，pp。149-167,1999。查看在：出版商网站|谷歌学术搜索
15. V. Bobál, J. Böhm, J. Fessl, J. Machácek，数字自调整控制器：算法，实现和应用。控制和信号处理中的高级教科书，Springer，第1版，2005年。
16. P. F. Odgaard，J. Stohstrup和M. Kinnaert，“风力涡轮机的容错控制 - 基准模型”第7届IFAC出现故障检测，监督和安全性讨论者的诉讼程序，第一卷，第155-160页，西班牙巴塞罗那，2009年7月。查看在：出版商网站|谷歌学术搜索
17. C. Edwards和S. Spurgeon，滑模控制：理论与应用，泰勒和弗朗西斯，伦敦，英国，第一版，1998。
18. J. Korbicz, J. M. Koscielny, Z. Kowalczuk, and W. Cholewa, Eds.，故障诊断：模型，人工智能，应用，Springer，第1版，2004年。
19. P. F. Odgaard和J. Stohstrup，“基于未知的输入观测器，用于检测风力涡轮机转换器中的故障，”第7届IFAC出现故障检测，监督和安全性讨论者的诉讼程序，第1卷，爱思唯尔，西班牙巴塞罗那，2009年6月。查看在：出版商网站|谷歌学术搜索
20. R.Babuška，模糊建模与识别工具箱，Delft Technology，Delft，Delft，2000年Delft Technology of Information Technology和系统学院，2000年。
21. A.Doucet，N.de Freitas和N.Gordon，Eds。，依次蒙特卡罗方法在实践中。工程与信息科学的统计数据，春天，纽约，纽约，美国，2001年。
22. D. Lieber，A.Nemirovskii和R. Y.Rubinstein，“一种评估可靠性指标的快速蒙特卡罗方法”，“IEEE可靠性汇刊，卷。48，不。3，pp。256-261,999。查看在：谷歌学术搜索
23. S. Simani和P. Castaldi，“风力涡轮机系统功率系数图的估计”，在第九届欧洲先进控制和诊断研讨会论文集(ACD’11)，布达佩斯理工大学，埃德。，否。Papl 13，PP，MTA Sztaki计算机与自动化研究院，匈牙利科学院，以及BME布达佩斯科技大学，BME布达佩斯理工大学，2011年11月，匈牙利布达佩斯大学。查看在：谷歌学术搜索
24. H. K. Khalil，非线性系统，Prentice Hall，第3版，2001年。

版权

版权所有©2012 Silvio Simani。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。