基于人工神经网络控制技术的可调叶片桨距角在风力发电系统中动态性能增强

让风电更智能，融入日常生活

随着我们越来越多的电力来自风能，在阵风与微风之间保持供电稳定已成为一项精细的平衡工作。本文研究了如何教计算机实时调整涡轮叶片倾角，使风电场即便在天气不可预测时，也能向电网提供更稳定、更高效的电力。

为什么要稳定风电很难

风能清洁且丰富，但风速本身从不恒定。当风速过高时，需要保护涡轮免受机械应力；当风速减弱时，则需尽可能捕捉每一丝动能。现代涡轮通过改变叶片角度——称为桨距控制——来使转子转速和电输出维持在理想值附近。传统控制方法使用基于涡轮数学模型调校的简单规则。这些方法能起作用，但在面对真实风况的混沌、非线性行为时，可能反应过慢或出现超调。

教涡轮“读懂”风

研究者聚焦于一种常见的大型涡轮设计，采用额定1.5兆瓦的双馈感应发电机。他们对比了三类叶片角度控制器。第一类是熟悉的比例–积分–微分（PID）控制器，根据期望与实际功率或转速之间的差异作出响应。第二类是更灵活的分数阶版本。第三类采用人工神经网络，从数据中学习最佳响应策略。在这一类中，团队测试了三种网络结构：多层前馈网络、级联前馈网络，以及能记忆历史行为的埃尔曼（Elman）递归网络。

把智能控制付诸检验

为评估这些方法在现实条件下的表现，团队在 MATLAB 和 Simulink 中使用真实风速记录进行了详细仿真。他们考察了三类风况变化：突变阶跃、平滑斜坡以及高度不规则的随机模式。在每种情况下，都观察控制器在将涡轮机械功率维持接近额定值的同时，限制叶片角度快速变化的能力。与传统方法相比，所有神经网络控制器都降低了误差，但多层前馈设计尤为突出。它更快达到期望功率水平、稳态偏差更小，并在所有测试场景中取得了最低的均方误差。

效率与保护的提升

在突发风速跳变下，神经网络控制器使涡轮运行在约98.9%的额定功率，明显高于两种标准控制器。在斜坡和随机风况下，它同样带来更高的效率和更小的功率偏差。通过更平滑地调整桨距，它有助于在保持最佳叶片速度与风能捕获之间取得平衡，同时减少会缩短涡轮寿命的机械应力。尽管其他神经网络结构也表现良好，但它们需要更多计算资源，却无法匹配相同的速度与精度平衡。

这对未来风电场意味着什么

简而言之，研究表明，训练良好的神经网络可以像经验丰富的操作员一样观察天空并不断微调叶片，在保障安全的同时优化发电。在被测试的选项中，多层前馈网络提供了最精确且最具适应性的控制，使功率保持接近目标并减轻硬件磨损。当这些智能控制器从仿真走向实际涡轮时，它们无需大规模新设备，只需更好地利用每一次阵风，就能帮助风电场提供更可靠的清洁能源。

引用: Ameen, A.G., Mohamed, S., Abdel-Jaber, G.T. et al. Dynamic performance enhancement of adjustable blade pitch angle for wind generation system applications based on artificial neural network control techniques. Sci Rep 16, 16294 (2026). https://doi.org/10.1038/s41598-026-53411-9

关键词: 风力涡轮控制, 叶片桨距角, 神经网络, 可再生能源, 双馈感应发电机