風力發電機組控制算法測試方法及評測

針對風力發電機組控制系統中的控制算法在更新過程中測試環境搭建復用度低、測試用例覆蓋率低、對控制算法測試不充分等問題，提出了基于風場真實數據以及引用成熟的測試框架Google test對算法進行測試的方法，將傳統的測試方法與新的測試方法相結合；并且提出了對算法測試結果的評測方法，形成了測試閉環，對保證風力發電機組控制算法的正確性和穩定性具有重要的實際意義，在風力發電機組更加安全、可靠運行等方面有良好的促進作用。

0 引言

風能是一種可再生的清潔能源，在當前全世界能源危機逐漸突顯的情況下，有必要采用合理的方式進行風能資源的利用。我國地理條件復雜，要想充分發揮風能的作用，需要借助先進的技術手段[1]。隨著機械學和力學等學科的不斷發展，風力發電技術得到進一步的升級轉化。作為新能源主力軍之一，風電行業在2022年仍然保持著一路高歌的態勢。國家能源局日前發布數據顯示，我國風電并網裝機容量突破3億kW，較2016年底實現翻番，是2020年底歐盟風電總裝機的1.4倍、美國的2.6倍，已連續12年穩居全球第一。

控制系統對于風力發電機組的安全、可靠運行甚至是整個風廠的正常運轉都具有著十分重要的作用[2]，但是隨著風電技術應用的推廣和機組功率的增大，出現了許多控制難題，如時變性、非線性、多干擾性、耦合性等。為此，現代科學家將智能控制方法引入了風電機組控制系統，不斷優化風電機組控制系統的動態特性和控制效果[3]。在控制技術逐漸走向成熟的過程中，對控制算法的測試是保證該過程穩步前進的基礎。隨著風力發電技術的發展，全面完善的控制算法測試與評測技術的重要性也日益凸顯。

1 風力發電控制算法

1.1風電機組模型

風電機組控制系統的設計和分析方法都涵蓋在經典控制理論范圍內，需要在控制系統設計前對風電機組動態模型進行線性化。線性化模型至少包含傳動鏈的動態特性、塔架的前后振動、功率或轉速響應、變槳執行機構的響應等[4]，如圖1所示。

控制算法主要對轉距和槳距進行控制。轉矩控制和槳距控制的基本方法都是PI控制，但不同的是，轉矩PI控制器的Kp和Ki是固定值，而變槳PI控制器的Kp則是隨槳距角β變化的，其形式為：

式中：K為濾波器；增益G為槳距角β的非線性函數，在控制上一般采用查表法實現；s為轉速；Ti為時間常數。

風力發電機組通過控制轉矩來控制轉速，通過控制槳距來控制功率。為了維持控制系統的穩定，在系統中加入了反饋校正系統。

一個完整的風電機組控制系統除了要保證高發電效率外，還應避免過多的變槳動作和發電機轉矩調節，抑制傳動鏈和塔架振動，避免輪轂、葉片以及塔架等的負載過大。因此，設計控制算法時必須考慮這些影響。

1.2常用的控制算法

（1）塔架振動控制。塔架前后振動控制用于增加塔架前后振動模態阻尼，減小塔架前后振動，從而減小塔架載荷。塔架前后振動控制的實現過程包括：塔架前后振動加速度測量值通過濾波、比例控制器后得到輸出，輸出值為變槳補償量，施加到變槳控制的槳距角給定值。塔架左右振動控制用于增加塔架左右振動模態阻尼，減小塔架左右振動，從而減小塔架載荷。塔架左右振動控制的實現過程包括：塔架左右振動加速度測量值經過積分、比例控制器后得到輸出，輸出的量為補償量，施加到扭矩控制的輸出值。

（2）暴風控制。暴風控制為風力發電機組軟切出控制。截至目前，風電機型最常見的切出風速設計為18～20 m/s，根據不同類型的項目中實際的風資源情況進行統計，如果經評估確定該風速段的發電收益接近最大值（20～25 m/s風速段），那么可進行軟切出控制。軟切出控制在原本停機的風速下保持正常發電運行，在大風況地區能明顯增加發電量。

（3）雷達前饋控制。在機艙上方安裝激光測風雷達，通過雷達光束測得前方來風的風速以及風向信息，經過前饋計算，提前進行變槳，極大地減小了極限載荷。激光雷達還可識別陣風，不僅避免了極端載荷，還可以保證機組安全。

（4）雙?？刂?。低風速地區，不僅發電量受影響，還會頻繁切出停機，針對這種情況，通過控制變流器運行模式，將脫網轉速減小，延長發電曲線，在小風情況下能夠啟機發電，增加發電量。

2控制算法測試方法

大功率、長葉片技術的快速發展，給風力發電機組控制系統提出了新的要求和挑戰，為了保證發電機組安全可靠運行，對控制算法的設計和測試尤為重要。本節對控制算法的測試方法進行詳細說明，在實際運用中，采用傳統測試方法結合新的測試方法，更能發現算法中潛在的問題。

2.1 傳統測試方法

現有的算法測試方法，基本都是依托Bladed仿真軟件進行算法的仿真測試。半物理仿真測試中，采用真實的控制器，變流器和發電機部分采用虛擬環境代替，將控制算法封裝成算法庫，在控制器中周期調用?？刂扑惴ㄋ杓钣扇糠纸M成，如圖2所示。

第一部分由Bladed模型提供，模型提供風速的設定、模態分析相關參數、功率傳動鏈等相關信息；第二部分由Hardware test plan提供，在仿真開始之前，可以在plan文件中對單個或多個變量設置值，通過對時序的控制，在不同時刻對算法輸入不同的值，從而收集算法的輸出進行分析；第三部分由HMI軟件提供，通過變量的ADS地址映射，將所需改變的變量開放到HMI軟件上，在仿真過程中人工修改HMI上對應的值，可以仿真出不同的工況。該方法類似第二種方法，優點在于操作方便、使用簡單；缺點是不能控制在某個時刻精準觸發，在對時序要求不高的情況下使用較多。

2.2 基于真實數據的測試方法

在傳統的測試方法中，從風速到控制算法變量的指定都是人為構造的數據。人為構造的數據在測試用例覆蓋率方面具有局限性，和實際風場收集的數據存在較大的差異。因此，在對算法測試的用例中，可以選用現場實際收集（通過SCADA或Matlab）的數據經過處理后作為測試用例，再輸入到算法中運行，運行結束后分析算法輸出結果，如圖3所示。

現場數據選用標準包含兩方面：一方面，需涵蓋各種地形的風場數據；另一方面，收集現場故障數據，將故障分類并在每類故障中選擇代表性數據作為算法輸入。

現場真實數據隨著故障的收集會不斷擴增，使用Python腳本對數據集進行統一管理，并按照一定的順序輸入到算法中，節省了仿真的時間，大幅提高了測試效率。

2.3 基于Google test框架的測試方法

Google test是測試技術團隊根據谷歌的特定要求和約束條件開發的測試框架，同時支持Linux、Windows以及Mac三種操作系統環境，主要針對C++代碼，不僅支持單元測試，還支持生成測試報告。

在控制算法測試中，2.1、2.2小節中提及的方法依然是基于Bladed仿真環境進行的。但受環境約束或基于某些算法模塊特定的需求，可以脫離Bladed環境進行測試。例如，在仿真測試中出現了內存占用過高的問題，通過走讀代碼無法定位問題語句，則可以將采集到的輸入數據保存至文本，在Google test中將文本作為算法模塊的輸入，并統計模塊中每個變量的變化情況以及函數的耗時，進而分析出根本原因。

基于Google test框架的測試方法需要在控制算法源代碼中引入測試框架頭文件，再將待測的算法模塊以及輸入數據作為測試用例。例如，DSP算法中需要測試將采集到的轉速數據寫入CSV文件功能以及該功能消耗的時間，將功能函數返回值以及期望值作為參數傳入EXPECT_EQ函數，進行結果對比，然后在外部調用框架中testing類的InitGoogleTest函數，返回RUN_ALL_TESTS函數即可。運行程序可得到測試結果，由測試結果可知DSP算法中所測函數寫入功能是否正確，且耗時具體到微秒。通過該類測試方法，可以很容易地測得算法中更為詳細的運行信息，從而彌補其他測試方法的缺陷。

3 測試結果評測

風力發電控制算法的仿真結束后，需要對結果進行評測，以判斷算法是否符合設計需求。

3.1 功能驗證

首先對變量進行采集，在整個測試過程中需要關注的變量分為兩類，如表1所示：一類是固定的重要變量，貫穿所有測試內容；另一類是針對性變量，即針對特定的內容所需要關注的變量。

另外，變量采集后，需要對變量的時序進行分析，從而確定結果是否正確。對測試結果有如下兩個參考標準：

（1）變量的變化符合算法設計。例如，驗證停機工況時，需要查看停機后功率設定值是否按照設計的速率下拉，脫網指令是否在滿足條件時進行下發，收槳速率是否按照設計進行，同時需要核對狀態機的運行時間和順序是否正常。以上相關變量需同時符合設計。

（2）變量的變化收斂。在測試過程中，固定的重要變量若出現持續性或間歇性發散、振蕩現象，則需要對算法邏輯以及參數進行排查。更新測試后，保證變量在運行穩定的情況下變化也趨于穩定，說明滿足需求。

3.2 性能驗證

性能測試貫穿啟機到停機所有過程，可以驗證因內存泄漏或通道過載造成的CPU占用率過高的問題。性能測試可以通過觀察內存的實時占用百分比從而判斷是否存在問題，如圖4所示。

正常情況下，內存使用率在20%～40%，持續超過50%則認為內存使用異常。此時，可以使用Google test測試方法，根據算法的函數、變量變化和耗時進行排查。

4 結語

本文針對風力發電控制算法提出了兩種新的測試方法——基于現場真實數據測試以及使用Google test框架測試，這不僅彌補了傳統測試方法的不足，解決了測試覆蓋率低的問題，還大幅提高了算法測試的效率。

本文通過對風力發電控制算法測試結果從功能和性能兩個維度進行評測，驗證了算法的正確性和穩定性，保證了整個測試流程的閉環。

審核編輯：湯梓紅