风力发电科技进步的近10年中，发电成本表现出下滑状态，成本数额向煤炭发电靠近。国际整体消耗的风能资源，等同于2倍的电力需求总数。国内风能资源较为充足，可开发的风能资源占比国际第一位，近海区域的风能资源，等同于3倍的陆地区域风能资源总和。风能发电表现出随机性，需借助预测模型加以控制，以此提升风能发电的平稳性。
1模型预测控制概述
1.1预测控制含义
模型预测是一种全新的控制方法，含有预测单元、动态时域、数据反馈与校准三个单元。动态时域的特点较为明显，具有时域变动的随机性。模型预测程序会结合系统运行的实际情况，给出动态控制方案。依据风力发电程序的真实运行状态、预测结果等因素，给出采样周期策略，按照前期设定完成的有限时域函数，显著提升过程性能的改善效果，获取最优的控制编码，将控制编码的首位信息加载至被控程序中。
预测控制方法是一种系统改进算法，以最优控制思想为起点，获取全范围内的最佳控制方案。预测控制的改进过程，具有时域随机变动特点。为此，预测控制改进参照的性能参数具有随机变动性。性能指标表现出形式差异性，指标内部的时域具有一定差别。优化预测控制的过程，并非一次完成，需进行多次在线测试，以此保障控制方法的改善效果。多次测算过程的计算需求，对控制算法在线处理计算量的能力提出了较高要求。
1.2预测控制类别
1.2.1线性模型
线性模型给出的控制方法，具有预测控制的多见性、控制功能的基础性等特点。此种控制方法会融合于非线性模型中。当控制主体处于特点平衡点位置运行时，单一线性模型能够有效模拟相似主体的随机变动特点。此控制方法的使用优势为：各类性能指标的有效使用，能够高效获取差异性的最佳结果，系统会获得差别性的控制效果。
1.2.2非线性模型
非线性控制方法中含有两个随机变动编码，此编码表现出较高的独立性、取值均数为零两种特点。模型控制的相关因素有：状态向量、预测的时间范围等[1]。
1.2.3随机模型
随机模型是以“随机变动模型”为主要控制单元。模型改进期间融合了“测量”、“过程”两种噪音参数，具有一定控制求解困难性。当系统运行的约束因素达到要求时，可采取任务分解形式，逐一开展控制改进。
2建立模型
2.1风机模型
风力发电过程有效采集了风力动能，将其进行能源转化，转化后获得机械能。在传动系统的帮助下，可有效驱动发电机，达到发电目标，完成风能、电能的能源转化。此系统能源转化的算法为：机械能E=0.5×空气密度p×风能采集区域S×风能采集的时间间隔X×风速平均数v2。此算法中机械能E与采集间隔周期X具有动态变化性。风机叶片运行能够转化部分风能，将其转化成设备机械能，能源转化能力使用功率系统Cp表示。此功率系数取决于风叶转动的摆动角度w、叶尖转动速度j的比值。
风速具有动态变动性质，以风机保护、风电联网为系统搭建方向，需保证风电系统传输功率参数的平稳性。为保障风机功率的固定性，对风电系统开展有效控制。结合风机组成、运行功率的具体特点，利用发电设备的转矩、叶片转动的摆动角度，作为系统输入值。发电设备传输的电功率参数、风机设备的转动速度，视为系统传输值。风力资源的传动速度，判定为不可控参数，具有动态变动性。
以风场级别为视角开展的发电控制，以功率值作为系统输入值，当机组运行时此功率参数具有控制价值。机组运行期间会在特定时域内表现出有效的风场控制效果。为此，将可控的时域设定岗位IV，改进控制模型，简化控制过程。控制模型中的主要变量有：状态向量x、叶片转动的摆动角度w、转子运行速度vr，发电设备测量运行速度vg，风速含有干扰性传入、传出系统两个参数，传入参数对应于搭架力矩，传出系数由轴转矩予以表示。
2.2风场模型
风场模型创建需考量机组间隔作用。静态分析中侧重考量了“尾流效应”，可动态分析系统运行的周边状况。此种效应带来的负面作用较小。相比风速带来的系统干扰，机组叶片运行带来的负面效应并不明显，可忽略此影响。为此，以风速为主要干扰条件，进行单一机组模型的创建。各组风速参数的平均值、湍流速度的加和结果，视为随机变动的风速。平均风速主要取决于区域内的气候特点、气候变化事件。湍流速度主要依赖于热量变动情况。如果温度发生改变，形成地表摩擦效应，湍流变动时域较短，然而在特定时域范围内的平均数为零。风场模型创建流程：一，进行模型连接处理，获取非线性模型；二，有效连接多个此种模型，凸显模型的随机性；三，对模型进行离散处理[2]。
3模型预测控制的应用分析
3.1SMPC算法
有效获取风力系统各时段的状态参数，有效反馈状态结果。以状态参数、测量噪音为系统加载参数，获取反馈鲁棒结果，对发电系统给予更新优化处理。在每组优化单元位置，进行非线性系统改进处理。优化含有附加噪声的发电程序，主要优化难点在于：附加、无界两种噪音形成时，会使驱动状态到达边界外处；扩增状态范围后，各类标准状态的输出结果，均无法达到控制指令的约束条件。
3.2算法描述
预测控制主要是在采集风速的特定时刻，高效获取优化结果。为此，采集速度成为较为关键的控制节点。为保证算法进行的高效性，需调整独立变量，以此提升问题的优化效果。具体控制过程需载入控制时域参数。如果控制时域Nc参数介于0与N之间，设定控制时域外围参数的固定性。其中，N表示预测时域参数。设定控制时间t=0，Nc，2Nc，...，以此有效解决优化发电系统的各项问题。当Nc≤N时，表示在预测时域N节点的t时间可开始进行预测控制。
3.3应用分析
利用SMPC算法有效改进风场资源随机性问题，功率固定参数取值4.5MW，控制功率的载入值约束条件为：Umax=4.5MW×1.1=4.95MW，预测、控制两个时域取值均为2，即Nc＝N＝2。当控制输入参数具有约束能力时，其限制条件不大于4.95MW，在时间推移情况下，代价函数累加结果逐级变小，参数变化量逐步变小。模拟控制给出了固定的搭架力矩与设备轴转动力矩参数，使其处于固定的变动区域，获取了显著的控制效果。轴转矩参数固定范围内的控制结果如表1所示。
表 1 轴转矩参数固定范围内的控制结果
由表1控制结果发现：在100min分钟内风速从系统传输的轴转矩参数介于0.2与4N•m之间，说明此风速传出值控制效果较好[3]。
结论：综上所述，创建风机模型，模拟风源状态，将模型与风源状态进行结合，获取随机参数导入线性模型中，对其开展风场控制、疲劳负荷处理，以期有效使用局部资料，获取最优的控制方案。后续改进风电系统运行的各项工作中，需加强控制算法研究，提升算法控制的精细性，保证风力发电质量。
参考文献：
[1]寇永宽.基于机器学习的风力发电系统短期功率预测方法研究[J].电工技术,2021(04):29-31.
[2]沈坤,张少云.双馈风力发电系统模型预测控制算法研究[J].电力电子技术,2019,53(09):86-89.
[3]刘跃飞,黄细霞.风力发电系统的风机齿轮箱故障预测研究[J].计算机仿真,2019,36(03):124-127+146.
