基于遗传算法的浮式风力发电机神经控制器优化中代价函数的比较分析

《Engineering Science and Technology, an International Journal》：Comparative analysis of cost functions for GA-based optimization of neural controllers for floating wind turbines

　　

摘要翻译：在浮式海上风力发电机（FOWTs）中，由于风-浪-平台耦合动力学的影响，在最大化能量捕获的同时缓解结构振动仍是一项主要控制挑战。本研究针对一台5 MW驳船式浮式海上风力发电机低于额定风速运行区域，提出了一种遗传算法优化的人工神经网络（GA-ANN）控制框架。该控制策略将用于最大功率点跟踪的直接发电机转速控制与基于ANN的转矩控制器相结合，后者参数通过遗传算法进行优化。本研究的主要贡献在于对GA优化神经控制器过程中所使用的代价函数公式进行了比较分析。这些公式同时考虑了发电机转速调节和塔顶动态响应，从而能够系统地评估它们对优化过程及最终控制性能的影响。特别地，研究人员研究了加性和乘性代价函数结构，以分析不同的聚合策略如何影响能量捕获与结构振动抑制之间的权衡。在OpenFAST中进行的数值仿真表明，所提出的GA-ANN控制策略优于基线变速控制器，在显著降低塔顶加速度水平的同时，提供了更高且振荡更小的电功率。研究结果凸显了代价函数设计在风力发电机控制器进化优化中的关键作用，并证明了所提方法在改善浮式海上风电系统性能和结构耐久性方面的潜力。

论文解读文章

研究背景与问题：浮式海上风力发电机（FOWTs）在深水区域具有巨大的风能开发潜力，但其运行环境引入的风-浪-平台耦合动力学使得控制问题变得极为复杂。在低于额定风速的MPPT运行区域，传统控制策略通常仅专注于最大化能量捕获，而忽略了由湍流、平台运动和自身控制动作引发的结构振动。这种振动的累积会加速塔架和平台的疲劳损伤，降低系统长期可靠性。现有基于人工智能的MPPT方法多集中于功率优化，鲜有研究将振动抑制显式地纳入MPPT优化目标，尤其针对浮式平台结构进行系统性考虑。因此，如何在不依赖额外阻尼硬件的前提下，通过智能控制同时实现功率最大化和结构振动缓解，成为一个亟待解决的关键问题。

研究内容与结论：针对上述问题，研究人员提出了一种基于遗传算法（GA）优化的径向基函数神经网络（RBFNN）MPPT控制器，并应用于一台5 MW驳船式浮式海上风力发电机。控制架构由两部分组成：直接速度控制（DSC）模块计算最优发电机转速参考值以实现最大功率点跟踪；RBF神经网络依据转速误差及其导数输出电磁转矩，并通过无监督在线学习进行权重更新。GA优化框架以发电机转速跟踪误差和塔顶加速度为性能指标，设计了四种不同结构的代价函数：单独转速误差MAE（Case I）、单独塔顶加速度MAE（Case II）、两者加权求和（Case III）和两者乘积（Case IV），并采用NSGA-II算法生成Pareto前沿。通过OpenFAST高保真气动-水动力-伺服-弹性仿真，研究人员系统评估了不同代价函数对优化过程和最终控制性能的影响。结果表明：Case I获得最高平均功率（3.8963 MW），比OpenFAST基线增加5.27%，振动抑制率为7.70%；Case II实现最强振动抑制（31.97%），但功率损失达0.81 MW；Case III与Case IV在两者间取得良好平衡，功率分别提升2.66%和2.32%，振动抑制率分别为26.28%和27.27%。频谱分析显示，所有神经控制器均能有效衰减0.083 Hz处对应平台纵摇耦合固有模态的塔顶位移谱峰值，其中Case II降幅达37.93%。Pareto前沿分析和理想点距离准则表明，Case III（求和式代价函数）在能量捕获与结构减载之间取得了最佳折衷（理想距离0.3100），故被选为最优配置，并在三种未见过的风浪环境下进行泛化验证。该控制器在湍流强度8%~12%、有效波高2~3 m的跨环境测试中保持了一致的多目标优势，塔顶加速度MAE始终低于基线控制器，综合代价函数值仅随环境恶劣程度而平滑增长，无需重新调参。与被动调谐质量阻尼器（TMD）和基于桨距的有源塔架阻尼（ATD）相比，所提出的控制器仅在发电机转矩回路中实现软件式阻尼，无需附加硬件，也不存在桨距调节与气动最优性的冲突，同时完全适用于MPPT区域。

主要技术方法概述：研究方法的核心是结合直接速度控制和RBF神经网络的自适应MPPT框架。神经网络在线学习规则由转速误差和误差导数驱动，控制器超参数（神经元数N、控制周期T_c、误差增益K₁、K₂、学习率μ、神经元宽度δ）由MATLAB遗传算法工具箱优化。GA设置采用40个个体、交叉概率0.8、变异概率0.2、精英保留5%、最多30代，并在10个并行工作进程下执行，每次优化约需3.6~3.8小时。四种代价函数均为基于归一化平均绝对误差（MAE）的标量化目标。控制器在由随机风速（9~11.5 m/s）和基于JONSWAP谱的不规则波（有效波高H_s=5 m）构成的统一基线环境场景下进行优化和比较。最终性能评估采用塔顶位移（TTD）和塔顶加速度的均方根误差（RMSE）、MAE以及振动抑制率γ等指标。

研究结果详述：
（1）基于不同代价函数的GA优化结果：通过收敛曲线分析，所有四种代价函数均在早期代数快速下降，随后渐进收敛，表明算法稳定性。优化后的参数显示，包含振动指标的代价函数（Case II-IV）通常需要更大的神经网络规模以满足复杂的控制映射，说明代价函数结构直接影响控制器架构。
（2）不同代价函数的控制性能比较：Case I实现功率最大化，但振动抑制有限；Case II优先减振，但功率代价明显；Case III和IV提供平衡方案，在提高平均功率的同时显著降低塔顶位移和加速度。
（3）结构响应功率谱分析：在0.083 Hz平台纵摇固有频率处，四种配置的谱峰幅值均比OpenFAST基线降低22.68%~37.93%，证实了发电机转矩调制对关键模态激励的有效抑制。
（4）不同优化目标下的时域响应：神经控制器在输出功率平稳性、转速波动和塔顶位移振荡方面均优于OpenFAST控制器，尤其在Case II中功率响应最平稳、塔架振动最小。
（5）Pareto前沿与多目标权衡分析：Case I位于功率导向区域，Case II位于结构导向区域，Case III和IV位于帕累托前沿的拐点区域。理想距离准则选择Case III为最优折衷配置。
（6）未知环境下的控制器验证：在无湍流（H_s=1 m）、低湍流（TI=8%，H_s=2 m）、高湍流（TI=12%，H_s=3 m）三种未见场景中，Case III的塔顶加速度MAE均低于基线，综合代价函数值保持有界增长，验证了控制器的泛化鲁棒性。

讨论与结论：研究人员将所提出的方法与被动TMD和基于桨距的ATD进行了定性比较，强调其作为纯软件阻尼机制的优势，避免了附加硬件和桨距调节的局限性。研究还指出，当前方法仍基于OpenFAST仿真，尚未进行硬件在环或水槽实验验证；超参数针对特定5 MW驳船式风机模型优化，迁移至其他浮式平台可能需重新优化。未来工作将包括多随机种子蒙特卡洛模拟、实体风机原型测试以及完整的IEC 61400-3设计载荷工况评估。结论部分指出，优化仅考虑发电机转速时（Case I），功率相对基线提高5.27%，塔架振动降低7.69%；将塔顶加速度纳入优化（Case III和IV）进一步使振动降低26.28%和27.27%，同时分别获得2.66%和2.32%的功率提升。该研究证实，多目标智能MPPT控制器能够在低于额定风速区域同时提升能量捕获性能和结构耐久性，填补了现有文献中关于浮式海上风力发电机智能控制的关键空白，为浮式风电控制设计提供了新基准。