基于模型的設(shè)計對我們的開發(fā)過程至關(guān)重要……這種方法使我們能夠在全尺寸 3 MW 風(fēng)力發(fā)電機上測試控制器的運行。

為了到 2050 年實現(xiàn)凈零排放，風(fēng)能生產(chǎn)需要維持 17% 同比增長。隨著全球風(fēng)力發(fā)電機（WT）的總裝機容量持續(xù)增長，風(fēng)電行業(yè)正在更加注重優(yōu)化長期運營效率。這不僅包括最大化電力輸出，還包括最小化制造和維護成本——同時確保安全和電網(wǎng)合規(guī)。使用基于比例積分 (PI) 或比例積分微分 (PID) 算法的傳統(tǒng)控制策略幾乎無法實現(xiàn)所有這些目標(biāo)。因此，研究小組一直在探索使用更先進的控制策略，包括模型預(yù)測控制（MPC）。

MPC 非常適合 WT 控制應(yīng)用，因為它可以壓縮優(yōu)化問題中的多個、有時相互沖突的控制目標(biāo)和約束。事實上，我們的前同事們之前證明了 MPC 對風(fēng)力發(fā)電機控制的有效性通過使用基于模型的控制器設(shè)計和快速控制原型。

最近，我們（亞琛工業(yè)大學(xué)自動控制研究所的研究人員和 W2E Wind toEnergy GmbH 的工程師團隊）擴展了這項早期工作，將機器學(xué)習(xí)回歸模型集成到 MPC 中。通過此項改進，控制器主動調(diào)整葉片螺距角和發(fā)電機扭矩，以最大限度地減少風(fēng)力發(fā)電機的負(fù)載交替，旨在降低長期磨損和損壞風(fēng)險。我們使用的算法源自 IntelliWind 研究項目，資助編號為 01IS22028A/B?；谀Ｐ偷脑O(shè)計對我們的開發(fā)過程起到了重要作用：我們使用了 MATLAB 訓(xùn)練機器學(xué)習(xí)模型，將 MPC 內(nèi)部預(yù)測模型的動態(tài)狀態(tài)映射到轉(zhuǎn)子推力的變化， Simulink 和 Model Predictive ControlToolbox 對控制器進行建模和廣泛模擬，并使用 Simulink Coder 生成代碼以部署在 Bachmann 工業(yè)控制系統(tǒng)上。這種方法使我們能夠在由 W2E Wind toEnergy 運營的全尺寸 3 MW WT 上測試控制器的運行（圖 1），這是驗證該新型控制器設(shè)計是否可投入生產(chǎn)的重要一步。

▼

訓(xùn)練機器學(xué)習(xí)模型并將其納入 MPC

MPC 的性能和穩(wěn)定性在很大程度上受到其預(yù)測模型的準(zhǔn)確性和保真度的影響。鑒于保真度較高的模型通常需要更多計算，因此 MPC 設(shè)計需要權(quán)衡。例如，將 WT 的完整計算流體動力學(xué)模型納入 MPC 是不切實際的，因為從這種模型生成預(yù)測所需的時間可能遠(yuǎn)遠(yuǎn)超過控制器的采樣時間。

為了解決保真度和計算強度之間的設(shè)計權(quán)衡，我們使用了機器學(xué)習(xí)模型（具體來說是局部線性神經(jīng)模糊模型 LLNFM）來快速預(yù)測渦輪轉(zhuǎn)子推力的變化。在 MPC 中，我們將此 LLNFM 與 WT 的非線性降階模型相結(jié)合（圖 2）。然而，在將其納入我們的控制設(shè)計之前，我們首先需要訓(xùn)練機器學(xué)習(xí)模型。

圖 2. 將局部線性神經(jīng)模糊模型（右）與降階模型（左）相結(jié)合，該模型由 WT 傳動系統(tǒng)動力學(xué)機械子模型、轉(zhuǎn)子塔和葉片動力學(xué)機械子模型以及空氣動力學(xué)第三子模型組成。

訓(xùn)練任何機器學(xué)習(xí)模型（包括我們的 LLNFM）都需要數(shù)據(jù)。我們使用以下方法生成合成訓(xùn)練數(shù)據(jù) alaska/Wind 軟件，我們在該軟件中根據(jù)外部風(fēng)力對轉(zhuǎn)子上的內(nèi)部負(fù)載進行建模和模擬。具體來說，我們進行了模擬，以測量各種風(fēng)況（包括不同的速度以及極端的運行陣風(fēng)）下轉(zhuǎn)子上的推力。然后我們將這些數(shù)據(jù)導(dǎo)入 MATLAB 并進行預(yù)處理。預(yù)處理步驟包括計算時間導(dǎo)數(shù)（因為我們想在改變計算推力隨時間的變化）并應(yīng)用低通濾波器消除由風(fēng)的隨機因素引起的高頻份額（圖 3）。

圖 3. 工作流程概述：捕獲模擬數(shù)據(jù)，預(yù)處理數(shù)據(jù)，然后使用它來訓(xùn)練局部線性神經(jīng)模糊模型。

我們使用 LOLIMOT（局部線性模型樹）算法構(gòu)建并訓(xùn)練了 LLNFM，該算法由 LMN-Tool，來自錫根大學(xué)的 MATLAB 工具箱。我們使用 LLNFM，因為它代表非線性關(guān)系，但與其他機器學(xué)習(xí)技術(shù)相比提供了可管理的復(fù)雜性。這帶來了更高的可解釋性，這在現(xiàn)實世界的控制應(yīng)用中是一個優(yōu)勢，因為在這樣的應(yīng)用中，最大限度地降低對工廠造成任何潛在損害的風(fēng)險是一個關(guān)鍵關(guān)注點。

一旦我們訓(xùn)練并驗證了 LLNFM，我們就會使用符號框架 CasADi 根據(jù)模型創(chuàng)建符號表達(dá)式，并根據(jù)系統(tǒng)狀態(tài)計算模型的雅可比矩陣。我們創(chuàng)建了一個 S-函數(shù)基于該模型的符號表達(dá)及其雅可比矩陣。在 Simulink 中，此 S-函數(shù)被調(diào)用來獲取控制器擴展卡爾曼濾波器 (EKF) 中的線性化狀態(tài)空間模型，并由自適應(yīng) MPC 控制器塊來估計操作條件變化時的預(yù)測模型狀態(tài)（圖 3）。

▼

模擬和調(diào)節(jié)控制器

將機器學(xué)習(xí)模型集成到 MPC 后，我們的下一步是運行模擬來調(diào)整控制器并評估其性能。該控制器的設(shè)計目的是最大限度地提高功率輸出，同時最大限度地減少結(jié)構(gòu)負(fù)荷。

我們以從切入風(fēng)速到切出風(fēng)速的各種風(fēng)速進行了多次模擬。然后，我們在 MATLAB 中分析結(jié)果，并將新的機器學(xué)習(xí)增強型 MPC 與現(xiàn)有 MPC 和基線經(jīng)典控制系統(tǒng)的性能進行了比較。雖然機器學(xué)習(xí)增強型 MPC 對部分負(fù)載狀態(tài)（風(fēng)速較低）下的推力動態(tài)影響很小，但在滿載狀態(tài)（風(fēng)速較高）下，它降低了主要第一塔特征模態(tài)周圍頻率范圍內(nèi)的推力動態(tài)（圖 4）。模擬結(jié)果表明，機器學(xué)習(xí)增強型 MPC 產(chǎn)生的功率與現(xiàn)有 MPC 相似（圖 5）。

圖 4. 三種類型的控制器在部分負(fù)載條件（左）和滿負(fù)載條件（右）下的推力功率譜密度圖：基線（黑色）、無機器學(xué)習(xí)的 MPC（藍(lán)色）和有機器學(xué)習(xí)的 MPC（紅色）。

圖 5. 不同風(fēng)速下的模擬功率輸出圖，顯示機器學(xué)習(xí)增強型 MPC（紅色）、無機器學(xué)習(xí)的 MPC（藍(lán)色）和基線控制（黑色）替代方案的輸出相似。

▼

在真實的風(fēng)力發(fā)電機上部署和測試

雖然模擬讓我們對控制設(shè)計充滿信心，但了解它在真實 WT 上的表現(xiàn)以及評估其在真實操作條件下的穩(wěn)健性對我們的研究項目也至關(guān)重要。為了實現(xiàn)這一目標(biāo)，我們使用了 Simulink Coder Simulink 的 M-Target 從我們的控制器生成代碼，用于安裝在 W2E Wind to Energy WT 中的 BachmannElectronic GmbH 的 MH230 PLC?，F(xiàn)場試驗進展順利，證實了全尺寸風(fēng)力發(fā)電機組在部分負(fù)荷和滿負(fù)荷條件下的穩(wěn)定運行（圖 6）。

圖 6. 控制羅斯托克 3 MW 風(fēng)力發(fā)電機的新機器學(xué)習(xí)增強型 MPC 的實驗現(xiàn)場測試結(jié)果。

因此，在這個第一個概念驗證中，我們展示了在全面 WT 上的高級 MPC 算法中使用機器學(xué)習(xí)擴展的普遍可能性。這將使我們能夠在未來的實驗中測試更復(fù)雜的機器學(xué)習(xí)算法，并進一步改善風(fēng)力發(fā)電機的運行。

近期，我們期待對 WT 進行更廣泛的現(xiàn)場測試，并有機會進一步優(yōu)化和調(diào)整控制器。我們還在探索其他幾種潛在的改進方法，包括使用激光雷達(dá)傳感器為控制器提供更準(zhǔn)確的風(fēng)傳播估計，以及使用單獨的葉片螺距控制（而不是集體葉片螺距控制）來進一步提高控制精度和性能。