使用混合 ANFIS-PI 控制策略提高并网双馈感应发电机风电场的 MPPT 性能

为气候变化而更智能的风力涡轮机

风电场正成为清洁电力的中坚力量，但真实的风场复杂多变——有阵风、不规则且持续变化。这使得涡轮机要将每一瓦电能尽可能地提取出来出乎意料地困难。本文探讨了一种新的方法，让大型并网风机在变化的风况下做出更智能的响应，以便在相同的风速下获取更多能量，同时向电网提供更稳定的电力流。

为何充分利用每阵风很重要

现代风机并非以恒定转速运转。相反，它们持续调整转速和发电机负荷，寻找所谓的最大功率点——在特定风速下能产生最多电力的最佳工况。这个任务称为最大功率点跟踪（MPPT），对于一种广泛使用、通过复杂电力电子并网的机器——双馈感应发电机（DFIG）——尤为重要。传统控制器主要基于固定的数学规则，当风况快速变化或涡轮机表现出高度非线性时便会遇到困难。结果是，实际风电场常常达不到理论上的发电潜力。

将类人规则与机器学习相结合

为了解决这些局限，作者提出了一种混合控制策略，将经典的工业控制器——比例-积分（PI）控制器——与自适应神经模糊推理系统（ANFIS）耦合。ANFIS 融合了两种思想：模糊逻辑，它捕捉类似人类的“如果——那么”规则（例如“如果风速适中，则略微增加转矩”）；以及神经网络，它可以从数据中学习如何微调这些规则。在本研究中，研究者使用埃塞俄比亚 Adama II 风电场的真实风速和功率输出记录来训练 ANFIS。混合 ANFIS-PI 控制器随后监管连接涡轮转子与电网的背靠背功率转换器，不断调整电流和转矩，使涡轮在波动的风况下仍能接近其最佳运行点。

风电场的数字孪生详解

团队在 MATLAB-Simulink（常用工程仿真平台）中构建了一个并网 DFIG 风机的详细“数字孪生”。他们的模型包括水平轴风机的气动特性、齿轮箱和转子的机械行为，以及发电机与变流器的电磁工作原理。他们还对电网侧组件如滤波器和变压器进行了建模，以反映输送电能的质量。在该物理模型之上，他们实现了三种对比控制策略：Adama II 现有的 PI 控制器（作为实际基准）、模糊逻辑加 PI（FLC-PI）控制器，以及新的混合 ANFIS-PI 控制器。三者均在真实且高度可变的风况下进行了测试，风速范围从平静到约 17 米/秒的阵风。

智能能带来多少额外发电量？

该新方法最明显的益处是在额定风况下涡轮最大电功率输出的提升。在典型操作风速 12.5 米/秒且桨距角为零度时，参考 PI 控制器约能达到 1.56 兆瓦。加入模糊逻辑的 FLC-PI 控制器将其提高到约 2.2 兆瓦，已是显著提升。混合 ANFIS-PI 控制器进一步略有提高，输出约 2.22 兆瓦——比原始 PI 方案增幅超过 42%。作为效率关键指标的功率系数（衡量将风的动能转化为电能的能力）也从 PI 控制器的约 0.41 提升到 ANFIS-PI 的约 0.55，接近商业风机的实际极限。仿真还表明转子速度与转矩配合更好，使涡轮能在风速起伏时更紧密地跟踪移动的功率峰值。

这对未来风电场意味着什么

对非专业读者而言，主要信息很直接：通过让风机的“智能”更强，可以在相同设备和相同风况下显著获得更多清洁电力。所提的 ANFIS-PI 控制器从实际运行数据中学习，并持续优化涡轮对变化条件的响应，优于传统与较简单的智能控制器。尽管研究以埃塞俄比亚的一个风电场为例，并假设电网为正常且无故障的条件，但该方法可通过用本地数据重训练 ANFIS 模块来适配其他地点。在全球加速扩大可再生能源的背景下，这类智能控制策略提供了一种无需新建风机即可以较低成本提升产量与稳定性的途径。

引用: Biyazne, L.W., Tuka, M.B., Abebe, Y.M. et al. Enhancing MPPT performance of a grid-connected Doubly-Fed induction generator-based wind power plant using hybrid ANFIS-PI control strategy. Sci Rep 16, 5732 (2026). https://doi.org/10.1038/s41598-026-36021-3

关键词: 风能, 最大功率点跟踪, 智能控制, 双馈感应发电机, 神经模糊系统