• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    一種具有旋角控制之風力發電裝置，係包含：一風力發電裝置，具有一葉輪與數扇葉，該葉輪具有一實際轉速訊號，該數扇葉之葉片旋角可調整，並具有一實際旋角訊號；一誤差產生器，係接收該風力發電裝置之實際轉速訊號與實際旋角訊號，並輸出一轉速訊號誤差與一旋角訊號誤差；及一控制系統，係接收該誤差產生器之轉速訊號誤差與旋角訊號誤差，並輸出一轉矩電流命令至該風力發電裝置，該控制系統係具有一類神經網路，該類神經網路之各階層間係使用一監督式學習演算法修正權重，並透過一最佳化方法求得較佳之學習速率。
    公开号:TW201307679A
    申请号:TW100127408
    申请日:2011-08-02
    公开日:2013-02-16
    发明作者:Whei-Min Lin；Chih-Ming Hung；Chia-Sheng Tu；Chih-Kai Chang
    申请人:Univ Nat Sun Yat Sen；
    IPC主号:Y02E10-00
    专利说明:
    具有旋角控制之風力發電裝置
    本發明係關於一種風力發電裝置，尤其是一種具有旋角控制之風力發電裝置。
    風力發電不僅能提供人類生活所需之電能，同時又能兼具環境保護與永續能源的發展。風力發電裝置的能量係來自於自然風力的吹拂，透過風力的吹送使該風力發電裝置之轉子轉動產生一機械能，並透過該機械能帶動發電機運轉，讓該機械能轉換成一電能。
    風力發電裝置的輸出功率主要取決於風速大小，然而除了風速條件外，該風力發電裝置的輸出功率仍與許多條件因子有關，該數條件因子另外包含空氣密度、葉片半徑及功率係數。其中，該功率係數又與尖端速度比及葉片旋角具有一函數關係，並能表示成一特性曲線。該特性曲線具有一最佳工作點，如能將該風力發電裝置操作於該最佳工作點，必能使該風力發電裝置運轉於較大功率輸出狀態，達到一較佳之功率輸出。欲使該功率係數操作於最佳工作點，可利用調整該葉片旋角來完成。
    該葉片旋角的控制，除了使該風力發電裝置得以操作於最佳工作點，並達到一較佳之功率輸出效果外，更有使該風力發電裝置具有穩定輸出的作用。當風速變小時，透過該葉片旋角的控制，可保持該葉片之轉速穩定，進而維持欲輸入該風力發電裝置之機械能，達到穩定的電能輸出。當風速過高時，該葉片旋角也能調整至一適當角度，使該風力發電裝置之輸出功率維持在一額定範圍內，以保護該風力發電裝置之操作安全性。
    然而該風力發電裝置之輸出功率與風速的三次方成正比，具有一非線性關係，若使用線性之控制方法，將無法達到較佳的控制效果。有鑑於此，針對具有非線性關係之旋角控制系統，必須要有一套更適宜的控制方式。
    本發明之主要目的係提供一種風力發電之旋角控制系統，該旋角控制系統可使該風力發電裝置具有較佳之功率輸出。
    為達到前述發明目的，本發明所運用之技術手段包含有：
    一種具有旋角控制之風力發電裝置，係包含：一風力發電裝置，具有一葉輪與數扇葉，該葉輪具有一實際轉速訊號，該數扇葉之葉片旋角可調整，並具有一實際旋角訊號；一誤差產生器，係接收該風力發電裝置之實際轉速訊號與實際旋角訊號，並輸出一轉速訊號誤差與一旋角訊號誤差；及一控制系統，係接收該誤差產生器之轉速訊號誤差與旋角訊號誤差，並輸出一轉矩電流命令至該風力發電裝置，該控制系統係具有一類神經網路，該類神經網路之各階層間係使用一監督式學習演算法修正權重，並透過一最佳化方法求得較佳之學習速率。
    本發明之具有旋角控制之風力發電裝置，其中，該類神經網路包含一輸入層、一隱藏層、一承接層及一輸出層，該輸入層之輸入值為該轉速訊號誤差與旋角訊號誤差，該輸出層之輸出值為該轉矩電流命令。
    本發明之具有旋角控制之風力發電裝置，其中，該最佳化方法可使用一改良式粒子群最佳化方法求得較佳之數學習速率。
    本發明之具有旋角控制之風力發電裝置，其中，該風力發電裝置另外具有一齒輪組、一發電機、一AC/DC轉換器及一DC/AC反流器，該齒輪組一端耦接該葉輪，該齒輪組另一端耦接該發電機，該發電機具有一定子端與一轉子端，該AC/DC轉換器及DC/AC反流器設置於該發電機之轉子端。
    為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：
    本發明所述之「旋角」，係指葉片之翼面與葉輪之旋轉面所構成之夾角。
    本發明所述之「神經元」，係指類神經網路中之運算節點。
    請參照第1圖所示，本發明具有旋角控制系統之風力發電裝置係包含一風力發電裝置1、一誤差產生器2及一控制系統3，該風力發電裝置1電性連接該誤差產生器2，該誤差產生器2電性連接該控制系統3，該控制系統3電性連接該風力發電裝置1。
    該風力發電裝置1係包含一葉輪11、一齒輪組12、一發電機13、一AC/DC轉換器14及一DC/AC反流器15。該葉輪11設有數葉片111，該數葉片111可接受風力而帶動該葉輪11旋轉，使該葉輪11可輸出一實際轉速訊號ω，其中，該數葉片111之葉片旋角可調整，該調整方式可使用任何習知結構實施，在此並不設限，並可輸出一實際旋角訊號β。該葉輪11耦接該齒輪組12，該葉輪11可因風力而產生旋轉，並帶動該齒輪組12內之變速齒輪，進而輸出一機械能。
    該齒輪組12耦接該發電機13，該發電機13可將該齒輪組12所輸出之機械能轉換為一電能，該發電機13之種類在此並不設限，較佳可如本實施例中使用一雙饋式感應發電機(Doubly Fed Induction Generator,DFIG)，該發電機13所產生之電力可透過一定子端131與一轉子端132連接至一儲能設備(圖中未繪示)。更詳言之，該發電機13之該定子端131係直接連接該儲能設備，該轉子端132係透過該AC/DC轉換器14及DC/AC反流器15連接至該儲能設備，其中，該AC/DC轉換器14係將該轉子端132所產生之一交流電轉換為一直流電，該直流電會經過該DC/AC反流器15，再將該直流電轉換成與該儲能設備具有相同周波數之交流電，並將該交流電傳至該儲能設備，完成風力發電的作動。
    該誤差產生器2係電性連接該風力發電裝置1，並接收該風力發電裝置1之實際轉速訊號ω與實際旋角訊號β，並與該誤差產生器2內之一參考轉速訊號ω ref *及一參考旋角訊號β ref *進行計算，並輸出一轉速訊號誤差e 1 與一旋角訊號誤差e 2 。該計算方程式如下：
    其中，該誤差產生器2之內部電路可如習知之減法器等電路，該種類與設計在此並不設限。
    該控制系統3電性連接該風力發電裝置1與該誤差產生器2，係接收該誤差產生器2輸出之該轉速訊號誤差e 1 及旋角訊號誤差e 2 ，並輸出一轉矩電流命令i q *至該風力發電裝置1，並透過該轉矩電流命令i q *對該風力發電裝置1之數葉片111的旋角進行控制。該控制系統3係利用一類神經網路(Neural Network)實現，該類神經網路之種類在此並不設限，較佳可如本實施例中使用一改良Elman類神經網路(Improved Elman Neural Network,IENN)。
    如第2圖所示，該控制系統3之IENN類神經網路的架構共分成四層，包含一輸入層(Input Layer)31、一隱藏層(Hidden Layer)32、一承接層(Context Layer)33及一輸出層(Output Layer)34。該輸入層31是資料輸入至神經網路之介面層。該隱藏層32是將輸入訊號經過線性或非線性之傳遞函數轉換，並在未知系統之數學模式下，得到輸入與輸出之間的關係。該承接層33是用來記憶該隱藏層32前一時刻之輸出值，並回饋至該隱藏層32之輸入端。該輸出層34則是將該隱藏層32之輸出進行線性組合而得到一輸出值。各層之訊號傳遞流程詳述如下：
    對該輸入層31中第i個神經元而言，該輸入與輸出表示如下：
    其中，
    ：為該輸入層31的輸入，為該轉速訊號誤差與該旋角訊號誤差。
    ：為該輸入層31的輸出。
    k：為該神經網路疊代次數。
    對該隱藏層32而言，該轉移函數為正切雙彎曲(tansig)轉移函數，該輸入與輸出表示如下：
    其中，
    ：隱藏層的輸入。
    W ij ：該輸入層31第j個神經元至隱藏層32的權重值。
    W rj ：該承接層33第j個神經元至隱藏層32的權重值。
    對該承接層33而言，該輸入與輸出表示如下：
    其中，
    ：該承接層33的輸出。
    (k-1)：該隱藏層32前一時刻的輸出，即為該承接層33之輸入。
    對該輸出層34而言，將輸入第o個神經元的訊號作加總計算，該輸入與輸出表示如下：
    其中，
    ：神經網路的輸出值，即為該轉矩電流命令i q *。
    W jo ：該隱藏層32第j個神經元至該輸出層31的權重值。
    透過該控制系統3之IENN類神經網路架構，即可達到該風力發電裝置1之旋角控制。為使該IENN類神經網路3能具有較佳之學習速率，在該IENN類神經網路3之各層之間，必須透過一監督式學習演算法4來調變各階層間之權重值，首先需先定義一誤差函數E，如下所示：
    各階層間之權重值調變如下所示：
    該監督式學習演算法4運用於該輸出層34時，該輸出層34倒傳遞回來的誤差如下所示：
    該輸出層34與該隱藏層32間之連結權重值每次更新疊代如下所示：
    該輸出層34與該隱藏層32間之連結權重值可根據下式來調變：
    w jo (k+1)=w jo (k)+η1Δw jo 　(9)
    其中，
    η1：輸出層與隱藏層間權重值的學習速率。
    該承接層33與該隱藏層32間之連結權重值每次更新疊代如下所示：
    該承接層33與該隱藏層32間之連結權重值可根據下式來調變：
    w rj (k+1)=w rj (k)+η2Δw rj 　(11)
    其中，
    η2：該承接層33與隱藏層32間權重值的學習速率。
    該輸入層31與該隱藏層32間之連結權重值每次更新疊代如下所示：
    該輸入層31與該隱藏層32間之連結權重值可根據下式來調變：
    W ij (k+1)=W ij (k)+η3ΔW ij 　(13)
    其中，
    η3：該輸入層31與隱藏層32間權重值的學習速率。
    得到該學習速率η 1 、η 2 及η 3 後，該監督式學習演算法4較佳可再利用一最佳化方法求得較佳之學習速率，惟該最佳化方法在此並不設限，可如本實施例中使用一改良式粒子群最佳化(Modified Particle Swarm Optimization,MPSO)方法，求得較佳解，得到較佳之學習速率，其中，該改良式粒子群最佳化方法之速率如下所示：
    其中，
    w：慣性權重(inertia weight)。
    c：加速參數(acceleration coefficient)。
    pbest：整個粒子群所獲得的最佳解。
    gbest：全域最佳解。
    為使該改良式粒子群最佳化方法能快速收斂，該慣性權重之設定可根據下列方程式決定：
    其中，
    iter：疊代次數。
    iter max ：最大疊代次數。
    欲使該改良式粒子群最佳化方法能快速收斂，該最小權重w min 較佳設定為0.3，該最大權重w max 較佳設定為0.5。
    雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。 [本發明]
    1．．．風力發電裝置
    11．．．葉輪
    111．．．數葉片
    12．．．齒輪組
    13．．．發電機
    131．．．定子端
    132．．．轉子端
    14．．．AC/DC轉換器
    15．．．DC/AC反流器
    2．．．誤差產生器
    3．．．控制系統
    31．．．輸入層
    32．．．隱藏層
    33．．．承接層
    34．．．輸出層
    4．．．監督式學習演算法
    ω．．．實際轉速訊號
    β．．．實際旋角訊號
    ω ref *．．．參考轉速訊號
    β ref *．．．參考旋角訊號
    e 1 ．．．轉速訊號誤差
    e 2 ．．．旋角訊號誤差
    i q *．．．轉矩電流命令
    η 1 ．．．學習速率
    η 2 ．．．學習速率
    η 3 ．．．學習速率
    第1圖：本發明具旋角控制之風力發電系統架構圖。
    第2圖：本發明旋角控制系統之類神經架構圖。
    1．．．風力發電裝置
    11．．．葉輪
    111．．．數葉片
    12．．．齒輪組
    13．．．發電機
    131．．．定子端
    132．．．轉子端
    14．．．AC/DC轉換器
    15．．．DC/AC反流器
    2．．．誤差產生器
    3．．．控制系統
    权利要求:
    Claims (4)
    [1] 一種具有旋角控制之風力發電裝置，係包含：一風力發電裝置，具有一葉輪與數扇葉，該葉輪具有一實際轉速訊號，該數扇葉之葉片旋角可調整，並具有一實際旋角訊號；一誤差產生器，係接收該風力發電裝置之實際轉速訊號與實際旋角訊號，並輸出一轉速訊號誤差與一旋角訊號誤差；及一控制系統，係接收該誤差產生器之轉速訊號誤差與旋角訊號誤差，並輸出一轉矩電流命令至該風力發電裝置，該控制系統係具有一類神經網路，該類神經網路之各階層間係使用一監督式學習演算法修正權重，並透過一最佳化方法求得較佳之學習速率。
    [2] 依申請專利範圍第1項所述之具有旋角控制之風力發電裝置，其中，該類神經網路包含一輸入層、一隱藏層、一承接層及一輸出層，該輸入層之輸入值為該轉速訊號誤差與旋角訊號誤差，該輸出層之輸出值為該轉矩電流命令。
    [3] 依申請專利範圍第1項所述之具有旋角控制之風力發電裝置，其中，該最佳化方法可使用一改良式粒子群最佳化方法求得較佳之學習速率。
    [4] 依申請專利範圍第1項所述之具有旋角控制之風力發電裝置，其中，該風力發電裝置另外具有一齒輪組、一發電機、一AC/DC轉換器及一DC/AC反流器，該齒輪組一端耦接該葉輪，該齒輪組另一端耦接該發電機，該發電機具有一定子端與一轉子端，該AC/DC轉換器及DC/AC反流器設置於該發電機之轉子端。
    类似技术:
    公开号 | 公开日 | 专利标题
    Lin et al.2008|Recurrent functional-link-based fuzzy-neural-network-controlled induction-generator system using improved particle swarm optimization
    Benbouhenni2021|Comparative study between different vector control methods applied to DFIG wind turbines
    CN104314755A|2015-01-28|基于ipso的dfig变桨距ladrc方法及系统
    CN103052794B|2015-11-25|风力发电装置的控制装置、风力发电系统及风力发电装置的控制方法
    Benbouhenni et al.2018|Sensorless twelve sectors implementation of neural DPC controlled DFIG for reactive and active powers ripples reduction
    CN110970925A|2020-04-07|基于双馈风机快速有功功率调制改善系统阻尼及建模方法
    Samokhvalov et al.2020|Research of maximum power point tracking control for wind generator
    CN106894949A|2017-06-27|基于环境因素的风机功率信号反馈方法
    JP5562366B2|2014-07-30|ハイブリッドインテリジェントパワーコントロールシステム及び方法
    Mohammadi et al.2017|Performance evaluation of yaw and stall control for small-scale variable speed wind turbines
    Benbouhenni2019|Second order sliding mode with ANFIS controllers for DFIG using seven-level NSVPWM technique
    Hosseini et al.2019|Intelligent pitch angle control based on gain-scheduled recurrent ANFIS
    TWI481780B|2015-04-21|具有旋角控制之風力發電系統及其方法
    Jahmeerbacus et al.2008|Fuzzy control of a variable-speed wind power generating system
    Belmokhtar et al.2015|Online parameter identification for a DFIG driven wind turbine generator based on recursive least squares algorithm
    Noman et al.2021|Electrical control strategy for an ocean energy conversion system
    Gupta et al.2018|Constant torque control schemes for PMSG based wind energy conversion system
    Lin et al.2015|Squirrel-cage induction generator system using probabilistic fuzzy neural network for wind power applications
    Yang et al.2011|Fuzzy PID control of induction generators
    Rahman et al.2015|An efficient wind speed sensor-less MPPT controller using adaptive neuro-fuzzy inference system
    Diab et al.2016|Performance of doubly-fed induction generator based wind turbine using adaptive neuro-fuzzy inference system
    Dinghui et al.2009|Fuzzy adaptive control for wind energy conversion system based on model reference
    Ghefiri et al.2018|Firefly algorithm based-pitch angle control of a tidal stream generator for power limitation mode
    Ofualagba et al.2011|The modeling and dynamic characteristics of a variable speed wind turbine
    TWI684142B|2020-02-01|發電整合系統
    同族专利:
    公开号 | 公开日
    TWI481780B|2015-04-21|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    JP4599350B2|2004-02-27|2010-12-15|三菱重工業株式会社|風力発電装置およびそのアクティブ制振方法並びに風車タワー|
    EP2192456B1|2008-11-26|2017-11-01|Siemens Aktiengesellschaft|Estimation an achievable power production of a wind turbine by means of a neural network|
    TW201120310A|2009-12-09|2011-06-16|Nat Univ Chin Yi Technology|The state telemetry technology and fault diagnosing system in large-scale wind power farms|
    法律状态:
    2019-01-21| MM4A| Annulment or lapse of patent due to non-payment of fees|
    优先权:
    申请号 | 申请日 | 专利标题
    TW100127408A|TWI481780B|2011-08-02|2011-08-02|具有旋角控制之風力發電系統及其方法|TW100127408A| TWI481780B|2011-08-02|2011-08-02|具有旋角控制之風力發電系統及其方法|
    [返回顶部]