流体机械

参数	数值
额定功率/MW	1.5
额定风速/（m⋅s^-1）	12
切入风速/（m⋅s^-1）	3
切出风速/（m⋅s^-1）	25
轮毂高度/m	70
风轮直径/m	77
叶片数量	3
叶轮额定转速/（r⋅min^-1）	15
发电机额定转速/（r⋅min^-1）	1 500
齿轮箱传动比	100
角速度/（rad⋅s^-1）	1.570 8
转矩/（N⋅m）	955 000
风轮扫掠面积/m²	4 657
额定转速下的叶尖速比	4.03

参数	数值
额定功率/MW	1.5
额定风速/（m⋅s^-1）	12
切入风速/（m⋅s^-1）	3
切出风速/（m⋅s^-1）	25
轮毂高度/m	70
风轮直径/m	77
叶片数量	3
叶轮额定转速/（r⋅min^-1）	15
发电机额定转速/（r⋅min^-1）	1 500
齿轮箱传动比	100
角速度/（rad⋅s^-1）	1.570 8
转矩/（N⋅m）	955 000
风轮扫掠面积/m²	4 657
额定转速下的叶尖速比	4.03

控制策略	桨距角开始变化时间/s	功率达到稳定时间/s	超调量/%
PID	0.37	3.66	4.025
MPC	0.29	3.57	3.980
PID+GA	0.21	3.31	2.100
PID+ImGA+MPC	0.11	2.20	0.690

控制策略	桨距角开始变化时间/s	功率达到稳定时间/s	超调量/%
PID	0.37	3.66	4.025
MPC	0.29	3.57	3.980
PID+GA	0.21	3.31	2.100
PID+ImGA+MPC	0.11	2.20	0.690

控制策略	平均值/kW	最大值/kW	最小值/kW	标准差/kW
PID	1 477.72	2 052.47	964.413	212.752
MPC	1 476.83	2 047.38	963.659	210.12
PID+GA	1 473.74	2 016.87	996.602	199.594
PID+ImGA+MPC	1 474.93	1 981.61	1 029.01	186.432

控制策略	平均值/kW	最大值/kW	最小值/kW	标准差/kW
PID	1 477.72	2 052.47	964.413	212.752
MPC	1 476.83	2 047.38	963.659	210.12
PID+GA	1 473.74	2 016.87	996.602	199.594
PID+ImGA+MPC	1 474.93	1 981.61	1 029.01	186.432

基于改进遗传预测融合算法的风机变桨距控制

刘群坡 ¹^,² , 刘心语 ¹ , 郭建锋 ¹^,²

流体机械 | 应用技术 2026,54(5): 109-118

收起

流体机械 |应用技术 2026 , 54 (5) : 109 -118

基于改进遗传预测融合算法的风机变桨距控制

全屏

刘群坡¹^,², 刘心语¹, 郭建锋¹^,²

作者信息

¹河南理工大学电气工程与自动化学院，河南焦作 454000

²河南省智能装备直驱技术与控制国际联合实验室，河南焦作 454000

作者简介:

刘群坡（1978），男，博士，教授，主要从事人工智能、机器视觉等领域的研究，通信地址：454000河南省焦作市山阳区世纪大道2001号河南理工大学电气工程与自动化学院，E-mail：lqpny@hpu.edu.cn。

Fan pitch control based on an improved genetic predictive fusion algorithm

Qunpo LIU¹^,², Xinyu LIU¹, Jianfeng GUO¹^,²

Affiliations

¹School of Electrical Engineering and Automation，Henan Polytechnic University，Jiaozuo 454000，China

²Henan International Joint Laboratory of Direct Drive and Control of Intelligent Equipment，Jiaozuo 454000，China

出版时间: 2026-05-30 doi: 10.3969/j.issn.1005-0329.2026.05.013

文章导航

摘要

收起

针对风电机组变桨控制中由扰动与参数变化引起的功率波动问题，提出一种基于改进遗传算法与预测控制融合（PID+ImGA+MPC）的桨距角控制策略。该方法引入柯西-均匀分布混合交叉与自适应变异机制，以增强全局搜索能力，并结合ARIMA风速预测与模型预测控制，实现桨距角的前馈调节。通过将改进遗传算法、ARIMA风速预测与MPC深度融合，形成“预测-优化-前馈”一体化的变桨控制框架，弥补了现有策略中预测信息利用不足、参数整定依赖离线优化的缺陷。基于Bladed的变桨控制系统智能加载试验台进行硬件在环验证。结果表明，仿真与实测结果的误差控制在±3%以内，验证了该策略的工程可行性与实时性能。在1.5 mW双馈风电机组模型上的仿真中，阶跃风工况下，所提策略将功率超调量由4.025%降低至0.69%，稳定时间由3.66 s缩短至2.2 s；湍流风工况下，输出功率标准差较传统PID降低12.40%。该研究可为高风电渗透率下风电机组的稳定控制提供理论依据与工程参考。

关键词

模型预测控制 / 遗传算法 / 桨距角控制 / Bladed / 风力涡轮

Abstract

收起

To address the issue of power fluctuations caused by disturbances and parameter variations in the pitch control of wind turbines，a pitch angle control strategy based on the fusion of an improved genetic algorithm and predictive control （PID+ImGA+MPC） is proposed.This method introduces a Cauchy-uniform distribution hybrid crossover and adaptive mutation mechanism to enhance global search capability，and combines ARIMA wind speed prediction with model predictive control to achieve feedforward adjustment of the pitch angle. By deeply integrating the improved genetic algorithm，ARIMA wind speed prediction，and MPC，an integrated "prediction-optimization-feedforward" pitch control framework is formed，which compensates for the shortcomings of existing strategies，such as insufficient utilization of predictive information and reliance on offline optimization for parameter tuning.Hardware‑in‑the‑loop verification is conducted using a pitch control system intelligent loading test bench based on Bladed.The results show that the error between simulation and measured results is controlled within ±3%，verifying the engineering feasibility and real‑time performance of the strategy.In simulations on a 1.5 mW doubly‑fed wind turbine model，under step wind conditions，the proposed strategy reduces the power overshoot from 4.025% to 0.69% and shortens the settling time from 3.66 s to 2.2 s；under turbulent wind conditions，the standard deviation of output power is reduced by 12.40% compared with conventional PID.This study can provide a theoretical basis and engineering reference for the stable control of wind turbines under high wind power penetration conditions.

Key words

model predictive control / genetic algorithm / pitch angle control / Bladed / wind turbine

引用本文

刘群坡, 刘心语, 郭建锋. 基于改进遗传预测融合算法的风机变桨距控制. 流体机械, 2026 , 54 (5) : 109 -118 . DOI: 10.3969/j.issn.1005-0329.2026.05.013

Qunpo LIU, Xinyu LIU, Jianfeng GUO. Fan pitch control based on an improved genetic predictive fusion algorithm[J]. Fluid Machinery, 2026 , 54 (5) : 109 -118 . DOI: 10.3969/j.issn.1005-0329.2026.05.013

正文

收起

0　引言

收起

风电作为清洁能源的重要组成部分，随着电网渗透率的提升，其动态特性对系统频率与电压稳定性的影响加剧^［1-2］。变桨控制是风电机组实现功率调节、提升效率与延长寿命的关键手段^［3-4］。传统PID控制器虽结构简单、易于实现，在工程中应用广泛^［5-7］，但受限于线性结构，难以应对风速波动带来的非线性与时变特性，导致功率波动增大及机械载荷上升。为改善变桨控制性能，国内外学者已提出三类主要策略。

第一类方法采用单一优化算法对PID或模糊控制器的参数进行离线整定或在线寻优。例如，文献［8-9］引入鲸鱼算法优化模糊控制器；文献［10-12］分别采用蜂群算法、蚁群算法、差分进化算法提升PID参数的寻优效率。兰杰等^［13］提出一种改进的比例-积分-微分优化算法（IPIDOA），通过引入Lévy飞行策略增强参数寻优能力，用于风机变桨控制参数的离线整定。这类方法在一定程度上改善了固定参数控制的适应性，但单一优化算法在高维非线性风况下易陷入局部最优，且离线整定模式难以应对实时风速的剧烈变化，收敛速度与动态响应之间仍存在矛盾。

第二类为多种算法混合与复合控制策略。例如，文献［14-15］将模型预测控制（MPC）与LIDAR风速预测相结合；刘颖明等^［16］采用遗传粒子群算法构建自适应控制器以优化性能；COLOMBO等^［17］和BENBOUHENNI等^［18］分别采用滑模控制和分数阶滑模控制，降低了功率波动；LI等^［19］基于扩展卡尔曼滤波估计有效风速，采用逆系统方法设计变桨控制器，在保证闭环稳定的同时提高了响应速度；黎飞翔等^［20］将MIMO无模型自适应控制（MFAC）应用于独立变桨距控制；王欣等^［21］设计了一种MPC-RBF独立变桨控制器，在载荷抑制方面表现良好；奥博宇等^［22］将模糊前馈控制引入变桨减载调频场景，利用转速差及其积分生成前馈量，响应速度有一定的提高；张艳峰等^［23］针对漂浮式海上风机提出了改进的无模型自适应转矩-变桨协调控制，引入上一时刻输出偏差修正当前控制输入。总体而言，混合控制策略在性能上优于单一算法，但多数方法仍存在模型依赖性强、预测信息利用不足或算法复杂度偏高的问题。

第三类为深度学习方法。岳有军等^［24］采用TD3深度强化学习算法对LADRC关键参数进行动态整定，提升了输出稳定性；SIERRA‑GARCIA等^［25］将LSTM与模糊逻辑结合，利用深度学习估计和预测有效风速，降低了控制误差。但当前深度学习方法多集中于风速预测或参数自整定，与控制器前馈调节及实物验证的融合仍不充分。

综上所述，现有策略仍存在以下不足：单独智能优化算法难以兼顾响应速度与稳态精度，易陷入局部最优；混合控制策略中风速预测与前馈调节结合不充分，且部分方法复杂度高；深度学习方法多作为辅助工具，缺乏硬件在环验证。

针对上述问题，本文提出一种基于改进遗传预测融合算法（PID+ImGA+MPC）的桨距角控制策略。引入柯西-均匀混合交叉与自适应变异机制，提升全局搜索能力与收敛速度；将ARIMA风速预测与MPC相结合，实现桨距角前馈调节；以功率偏差及其变化率为综合目标，动态优化PID参数；搭建基于Bladed的硬件在环试验台，完成实物验证。在阶跃风工况下显著降低功率超调并缩短稳定时间，在湍流风工况下减小输出功率标准差，并通过半实物仿真验证策略的工程可行性与实时性。

1　风力发电机组变桨控制原理

收起

1.1　风速建模

风电输出受风速波动影响显著，风速一般服从Weibull分布，其概率密度函数为：

f v = k c v c k - 1 e - v / c k

（1）

式中，

v

为风速，m/s；

k

为形状参数；

c

为尺度参数，m/s。

基本风可通过历史数据进行Weibull参数估计，其均值如下：

v ¯ = c Γ 1 + 1 k

（2）

式中，

Γ

为伽玛函数；

c

和

k

为Weibull分布参数。

阵风采用余弦函数刻画，表达式如下：

0 t < t g 1 V g m a x 2 1 - c o s 2 π t - t g 1 T g t g 1 ≤ t ≤ t g 1 + T 0 t > t g 1 + T

（3）

式中，

V g m a x

为阵风幅度；t为当前仿真时刻；

t g 1

为阵风开始时间；

T g

为阵风周期；T为阵风持续时间/阵风周期。

渐变风则通过分段线性函数描述风速的缓变特性，表达式如下：

0 t < t r 1 V r m a x t - t r 1 t r 2 - t r 1 t r 1 ≤ t ≤ t r 2 V r m a x t > t r 2

（4）

式中，

t r 1

渐变风开始变化的时间；

V r m a x

为渐变风幅度；

t r 2

渐变风结束的时间。

随机风采用正弦函数的叠加和均匀随机扰动来模拟不确定性，其模型如下：

v n = V n_m a x R a m - 1,1 c o s ω v t + ϕ v

（5）

式中，

V n_m a x

为随机分量的幅值；

R a m - 1,1

为-1和1之间均匀分布的随机数；

ω v

为风速波动的平均间距，一般取

0.5 π ~ 2 π r a d / s

；

ϕ v

为

0 ~ 2 π

之间均匀分布的随机变量。

1.2　风力机建模

如图1所示，入流角ϕ是相对来流速度W与风轮旋转平面之间的夹角，由风速和叶片旋转速度共同决定的几何角度，该角度等于桨距角β和攻角α之和。桨距角β是风力发电机组中叶片绕其纵轴旋转的角度，为变桨控制的核心参数。通过调节桨距角可以改变气流对叶片的攻角α，从而控制风轮捕获的气动转矩和功率。

风力发电机输出功率受风速、桨距角及叶片性能的影响，可通过下式进行表示：

P w = 0.5 ρ π R 2 C p v 3

（6）

式中，

ρ

为空气密度；

R

为叶片半径；

C p

为风能利用系数；

v

为风速。

C_p是衡量风能转化效率的关键指标，受风速、转速、叶片直径和桨距角等因素影响。叶尖速比λ表示叶尖线速度与风速之比：

λ = R ω / v

（7）

式中，

ω

为转速。

变桨距风力机通过调节叶片角度控制C_p，实现动态功率调节，其C_p与

λ

，

β

的关系见下式，拟合参数由实测确定。

C P λ, β = c 1 c 2 λ i - c 3 β - c 4 β c 5 - c 6 e c 7 / λ i 1 λ i = 1 λ + c 8 β - c 9 β 3 + 1

（8）

不同桨距角下风力机特性曲线如图2所示，可以看出，桨距角越大，C_p最大值越低，且特性曲线整体下移。为提高风能捕获效率，当功率未达到额定值时，保持桨距角接近0°；当风速过高导致功率超过额定值时，通过调整桨距角限制输出，以稳定发电并减小波动。

1.3　桨距伺服

变桨系统通过伺服机构调节桨距角，主控系统根据运行状态生成目标值。伺服机构驱动叶片旋转，但其动作受限于物理约束条件，角度范围为：

β m i n ≤ β ≤ β m a x

（9）

定义叶片向顺桨方向旋转为正方向（桨距角增大），反向旋转为负方向（桨距角减小）。正桨距动作可减小攻角并抑制输出功率，负桨距仅作为启动或低风速工况下的微调手段。角度范围一般控制在-2°~30°之间，变桨速率不超过±10°/s，以保障安全运行。桨距伺服可近似为一阶惯性环节，其动态模型如下：

d β d t = - 1 τ c β + 1 τ c β r e f

（10）

式中，

τ c

为时间常数，

β r e f

为给定桨距角。

对上述方程进行拉普拉斯变换，可得：

β β r e f = 1 τ s + 1

（11）

1.4　变桨PID控制器

传统变桨控制多采用PID调节转子转速或功率。当风速低于额定值时，依靠发电机转速调节并采用MPPT优化功率；高风速区则需动态调整桨距角，采用随β变化的增益调度控制器。

PID控制器的传递函数如下：

y = K p + K i s + K d s 1 + s T d x

（12）

式中，

K p

，

K i

，

K d

分别为比例、积分和微分增益，微分项加入滤波器以抑制高频噪声。

然而，传统PID在风速-转速-桨距角的非线性耦合中响应滞后且易超调，另外，其参数固定，缺乏自适应能力。

2　基于改进遗传预测融合算法的桨距角控制策略

收起

2.1　改进遗传预测融合算法概述

该算法融合模型预测控制（MPC）与改进遗传算法（ImGA），提升系统对非线性和风速不确定性的适应能力。MPC基于风速预测提前调节桨距角，ImGA动态优化PID参数，增强控制鲁棒性与响应速度。算法包括风速预测、参数优化与控制更新3个阶段，如图3所示。其中，P_ref表示输出功率参考值/额定功率参考值。

2.2　风速预测模型

采用自回归积分滑动平均（autoregressive integrated moving average，ARIMA）模型对风速进行时间序列预测，该模型适用于风速这类具有时间依赖性的随机变量。通过对历史数据进行建模，预测未来风速变化，为后续MPC控制提供输入量，从而优化桨距角调整策略。

2.2.1　ARIMA模型的基本原理

ARIMA结合自回归（AR）、差分（I）与滑动平均（MA），其模型形式如下式所示：

x t = c + ∑ i = 1 p φ i Y t - i + ∑ j = 1 q θ j 𝓁 t - j + 𝓁 t

（13）

式中，

x t

为当前风速；c为常数项；

p

，

q

为模型阶数；φ_i为自回归系数；θ_j为滑动平均系数；t-j为滞后误差项；

𝓁 t

为误差项。

2.2.2　风速预测模型的实现

（1）数据预处理。清除异常值，确保序列稳定。

（2）模型构建。通过ACF/PACF确定参数（p，d，q），利用MLE估计模型系数。

（3）预测计算。基于n段历史数据，预测未来k时刻的风速，其计算式如下：

x ∧ t + k = c + ∑ i = 1 p φ i Y t - i + ∑ j = 1 q θ j 𝓁 t - j + 𝓁 t

（14）

（4）误差修正。引入实时风速反馈，动态调整模型参数，提升预测精度，减小突发风速变化对控制响应的影响。

2.2.3　模型阶数确定

为确定ARIMA模型阶数，对原始风速序列进行ADF单位根检验。结果表明，序列存在单位根，属于非平稳序列。经一次差分后序列趋于平稳，因此确定差分阶数d=1。

根据差分后序列的自相关函数（autocorrelation function，ACF）和偏自相关函数（partial autocorrelation function，PACF）图，PACF在2阶处截尾，ACF呈1阶拖尾特性，初步判定p=2，q=1。进一步采用赤池信息准则（akaike information criterion，AIC）对候选模型ARIMA（1，1，1）、ARIMA（2，1，1）、ARIMA（2，1，2）进行比较，最终选定AIC最小的ARIMA（2，1，1）作为预测模型。为适应风速统计特性的变化，采用滚动窗口重估策略，每100个采样点更新一次模型参数。

2.3　桨距角和功率预测控制

MPC利用ARIMA模型预测未来风速变化，并据此提前调节桨距角，降低风速突变带来的功率波动。设系统状态为x（t），未来状态由状态矩阵A与输入矩阵B决定：

x ∧ t + i = A ⋅ x t + B ⋅ u t

（15）

通过对未来风速进行预测，并根据预测结果对桨距角进行相应调整，计算公式如下：

U M P C t + i = f x t, x ∧ t + i, u t

（16）

通过MPC，控制器能够基于预测的风速变化提前进行调整，从而减少因风速突变而导致的功率波动。

2.4　改进遗传算法的寻优过程

改进遗传算法通过优化PID控制参数

θ

=［K_p，

K i

，

K d

］，以最小化目标函数

J (t)

：

J (t) = ∑ t = 1 T ω 1 P r e f - P a c t 2 + ω 2 λ 2 u t - u t - 1 2

（17）

该策略兼顾功率偏差与输出平滑性，抑制控制输入的剧烈变化，从而提升系统稳定性。

2.4.2　改进遗传算法的寻优过程

（1）种群初始化。随机生成若干组PID参数。

（2）适应度评估。结合系统模型预测输出功率，按J值评估个体优劣。

（3）选择、交叉与变异。选择操作基于适应度值，保留优秀个体进入下一代。为提升全局搜索能力，引入柯西-均匀混合交叉策略，通过柯西分布与均匀分布生成随机因子，突破父代范围限制，提升多样性。交叉公式如下：

x i (1, g + 1) = x i 1, g) + r 1 x i (2, g) - x i (1, g) u 1 < p c x i 1, g) u 1 ≥ p c

（18）

x i (2, g + 1) = x i 2, g) + r 1 x i (1, g) - x i (2, g) u 2 < p c x i (2, g) u 2 ≥ p c

（19）

该策略适用于跳出局部最优，参数ω用于调节搜索精度与范围之间的平衡。

交叉后，计算个体适应度，确定种群最优适应度值与平均适应度值。变异采用自适应策略：适应度越低，变异率越高，以增强基因多样性并防止早熟收敛。变异率的定义如式（20）所示，变异值的更新公式见式（21）（22）。各变量的边界、进化代数、变异幅度等参数根据实际问题设定，以确保兼顾全局优化与局部收敛。

P v = p v 2 + (p v 1 - p v 2) (F m a x - F i) F m a x - F a F i > F a p v 1 F i ≤ F a

（20）

V m i n (g + 1 = x i (g + 1 - 1 - r 1 - t / G b × x i (g + 1 - V m i n η = 0 V m a x (g + 1 = x i (g + 1 + 1 - r 1 - t / G b × V m a x - x i (g + 1 η = 1

（21）

x i (g + 1) = V m i n (g + 1) + κ ⋅ V m a x (g + 1 - V m i n (g + 1

（22）

（4）生成新种群。通过迭代选择、交叉与变异，逐步优化PID参数，以提升不同风速下的控制性能。

（5）控制参数更新。每轮迭代后，根据适应度评估结果更新控制参数如下：

K p (i + 1) = K p (i) + Δ K p K i (i + 1) = K i (i) + Δ K i K d (i + 1) = K d (i) + Δ K d

（23）

式中，

Δ K p

，

Δ K i

，

Δ K d

分别为通过改进遗传算法优化得到的增益调整量。

（6）判断终止条件。当达到最大迭代次数或适应度函数变化小于设定阈值ζ时，算法终止，判定已收敛，其表达式如下：

J t - J t - 1 < ζ

（24）

改进遗传预测算法优化流程图如图4所示。其中，柯西分布相较于高斯分布具有长尾特性，其概率密度函数尾部衰减缓慢，更易产生大跨度扰动，从而提高种群跳出局部最优的概率。均匀分布则可增强局部搜索的稳定性。二者混合交叉机制能够在全局探索与局部开发之间实现动态平衡，提升算法整体寻优效率。

从图5可以看出，传统GA在迭代42次后趋于平缓并出现早熟收敛现象，而ImGA在迭代30次后仍保持下降趋势，最终适应度函数值降低约18.7%，收敛代数提前约28%。说明所提改进策略在跳出局部最优与加快收敛方面具有明显优势。

2.5　改进遗传预测融合算法的仿真分析

为验证所提算法的有效性，基于Bladed建立1.5 mW双馈风机模型，并在MATLAB中实现PID+ImGA+MPC控制策略。仿真包括：

（1）在Bladed中配置风速-功率模型；

（2）设置输出功率稳定性与响应速度为控制目标；

（3）对比4种策略（传统PID，PID+GA，MPC，PID+ImGA+MPC）在不同风速下的性能。

改进算法可显著提升功率稳定性与响应速度，抑制风速突变引发的波动，超调现象明显减弱。

3　仿真验证及结果分析

收起

为验证控制策略效果，通过编写DLL实现Bladed与MATLAB的数据交互，如图6所示。其中，序号（1），（2），（3）用于表示Bladed与MATLAB之间的数据交互顺序。

在MATLAB中分别对全变桨控制器和独立变桨控制器进行设计与实现。控制器的输入量源自GH Bladed，输出量通过交互软件返回至GH Bladed的仿真模型中，最后利用MATLAB对仿真结果进行分析。

风力发电机组参数见表1。在阶跃风与湍流风条件下，分别测试传统PID，PID+GA，MPC与PID+ImGA+MPC四种策略的性能差异，比较各控制方法下的桨距调节响应与功率输出稳定性。

3.1　整机控制模型搭建

依据各子模型之间的耦合机理，集成风电机组的各功能子模块，在MATLAB环境中构建风电机组的整机仿真模型；同时结合机组实际运行工况需求完成控制系统设计，以保障风机在正常工况下的安全稳定运行。

分别在Bladed中设定平台参数，在MATLAB中设定风机控制系统模型。在此基础上，将已建立的风机控制器与湍流风速模型接入，即可构成包含湍流风速输入、控制器以及风机本体模型的完整风电机组控制仿真模型。

3.2　阶跃风工况

风速在30 s时由18 m/s阶跃至22 m/s。由于风速始终高于额定值，桨距角在阶跃前已处于非零位置，阶跃后进一步调节。桨距角变化如图7所示，输出功率对比如图8所示。阶跃风作用下桨距角与输出功率性能见表2，可以看出，PID+ImGA+MPC在风速突变下响应更快，功率偏差更小，稳定时间更短，超调与波动明显低于其他控制策略，表现最优。

3.3　湍流风工况

在平均风速为18 m/s的湍流风工况下，4种控制策略的仿真结果如图9、图10所示。

湍流风作用下不同控制策略的输出功率性能见表3，可以看出，PID+ImGA+MPC方案下输出功率标准差分别比传统PID，MPC和PID+GA降低12.40%，11.12%，6.61%，表明该策略能有效抑制功率波动，具备更优的输出稳定性。

4　基于Bladed的变桨控制系统智能加载整机硬件在环仿真平台

收起

变桨控制系统智能加载试验台可用于模拟风电机组变桨系统的多种运行工况，并对变桨电机施加可变扭矩，以复现机组运行过程中叶片载荷对变桨机构的作用。PLC与被测变桨系统之间通过CANopen总线进行信息交互与数据传输，形成闭环控制与工况联动测试能力。

4.1　变桨控制系统试验台组成及运行原理

变桨控制系统试验台的组成如图11所示。

进行硬件在环仿真时，Bladed按照真实时间进行固定步长的积分，并将风机状态信息反馈给Hardware test软件；Hardware test按照固定的时间间隔读取PLC中指定内存的数据。PLC与变桨控制系统的控制电机相连接，从而实现从仿真到实物的在环验证测试流程。

4.2　试验台运行初始化设置

4.2.1　试验台运行前首先完成通信与参数初始化

上位机与睿风控制器建立CANopen/Modbus连接，校验心跳与报文周期，设置控制周期为50 ms。依据被测变桨系统额定参数配置桨距角限位、变桨限速及电机电流/扭矩保护阈值，并完成扭矩传感器零点与量程标定，如图12所示。在Bladed侧加载指定工况，并设置仿真步长，使其与台架采样周期一致。

4.2.2　外部控制器接入实现

该策略融入变桨控制系统智能加载试验台，其主要实现方式为利用Hardware Test Module进行数据转发，算法接入原理如图13所示。将Bladed与MATLAB混合仿真的外部控制器策略实时转发至睿风控制器，从而在原有试验台的基础上验证策略的合理性。

4.3　双馈变速变桨风电机组（1.5 MW）变桨控制试验

4.3.1　湍流风场景实验

仿真中湍流风的平均风速设为18 m/s，湍流风风速如图14所示。在该湍流风速下，发电机功率波动如图15所示。

GH Bladed仿真表明，在高风速湍流条件下，机组额定功率为1.5 MW，额定转速为186.4 rad/s。所提策略可将转速波动控制在较小范围，使功率稳定在额定值附近。相比转速反馈，转矩反馈控制效果更优：最大转速偏差约1.588 rad/s（转速反馈约3.691 rad/s）。

4.3.2　阶跃风场景试验

仿真中，在52 s时，设置风速从18 m/s阶跃至22 m/s，如图16所示。阶跃变化风速下发电机转速波动如图17所示。

GH Bladed仿真中，机组额定功率为1.5 MW，转速在186.4 rad/s附近小幅波动。50 s时风速阶跃增加5 m/s后，转速能快速恢复稳定。转矩反馈控制下的最大转速偏差约为2.035 rad/s，小于转速反馈的4.272 rad/s，动态调节过程持续约6 s，抗扰性能更优。

5　结论

收起

（1）基于改进遗传预测融合算法（PID+ImGA+MPC）的风机变桨距控制策略利用ARIMA风速预测与模型预测控制（MPC）实现了桨距角前馈调节，使变桨动作超前于风速突变，从而有效抑制功率超调。同时，采用柯西-均匀混合交叉与自适应变异机制改进遗传算法（ImGA），并以功率偏差及其变化率为综合目标，对PID参数进行动态优化，增强系统对湍流风速的自适应能力与抗扰性能。

（2）该策略在阶跃风与湍流风工况下均能显著减小功率波动与超调，提升动态响应。相较传统PID控制，阶跃风工况下功率超调降低约82.8%，稳定时间缩短39.9%；湍流风工况下输出功率标准差降低12.40%。

（3）在阶跃风与湍流风工况下，所提策略在实际系统中仍能保持转速与功率稳定，波动显著小于传统方法，且实测结果与仿真趋势一致，最大转速误差不超过±3%，证明了该方法具有良好的鲁棒性与工程应用潜力。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

ORTIZ‑VILLALBA D，RAHMANN C，ALVAREZ R，et al.Practical framework for frequency stability studies in power systems with renewable energy sources［J］.IEEE Access，2020，8：202286-202297.

张礼浩，刘翔宇，顾雪平，等.新型电力系统频率安全稳定研究综述及展望［J］.浙江电力，2024，43（10）：12-26.

ZHANG L H，LIU X Y，GU X P，et al.Review and prospects of frequency security and stability research in new‑type power systems［J］.Zhejiang Electric Power，2024，43（10）：12-26.

GAO R，GAO Z W.Pitch control for wind turbine systems using optimization，estimation and compensation［J］.Renewable Energy，2016，91：501-515.

WEN Z，YAO L Z，CHENG F，et al.A comprehensive review of wind power based power system frequency regulation［J］.Frontiers in Energy，2023，17（5）：611-634.

ATIF I，DENG Y，ADEEL S，et al.Proposed particle swarm optimization technique for the wind turbine control system［J］.Measurement and Control，2020，53（6）：1022-1030.

MAGESH T，KAVITHA P，THIYAGEESAN M.Maximum power extraction from active pitch controlled standalone variable speed wind turbine［J］.International Journal of Innovative Technology and Exploring Engineering（IJITEE），2019，9（2）：3226-3229.

罗俊勇，李奇，张亚，等.茶叶杀青理条机优化设计及模糊PID温度控制研究［J］.包装与食品机械，2024，42（4）：101-107.

LUO J Y，LI Q，ZHANG Y，et al.Optimization design of tea fixing and carding machine and research on fuzzy PID temperature control system［J］.Packaging and Food Machinery，2024，42（4）：101-107.

赵南南，杨旭，邹琳，等.基于鲸鱼优化算法的风力发电机组变桨模糊控制策略［J］.电机与控制应用，2024，51（2）：80-89.

ZHAO N N，YANG X，ZOU L，et al.Pitch fuzzy control strategy for wind turbine based on whale optimisation algorithm［J］.Electric Machines & Control Application，2024，51（2）：80-89.

阮从好，苏伟.基于改进鲸鱼优化算法的搬运机器人轨迹优化［J］.包装与食品机械，2025，43（1）：1-7.

RUAN C H，SU W.The trajectory planning of handling robot based on enhanced WOA［J］.Packaging and Food Machinery，2025，43（1）：1-7.

苑晨阳，李静，陈健云，等.大型风电机组变桨距ABC-PID控制研究［J］.太阳能学报，2019，40（10）：3002-3008.

YUAN C Y，LI J，CHEN J Y，et al.Research on ABC-PID pitch control of large‑scale wind turbines ［J］.Acta Energiae Solaris Sinica，2019，40（10）：3002-3008.

邓宁峰，周腊吾，陈浩，等.蚁群算法在风电机组变桨控制中的应用［J］.电工电能新技术，2016，35（7）：69-74.

DENG N F，ZHOU L W，CHEN H，et al.Ant colony algorithm strategy in pitch control for wind turbine［J］.Advanced Technology of Electrical Engineering and Energy，2016，35（7）：69-74.

田德，高洋，闫肖蒙，等.基于差分进化算法的风电机组变桨参数寻优［J］.太阳能学报，2019，40（8）：2154-2161.

TIAN D，GAO Y，YAN X M，et al.Optimization of pitch controller parameters for wind turbine based on differential evolution algorithm［J］.Acta Energiae Solaris Sinica，2019，40（8）：2154-2161.

兰杰，林淑，张严，等.基于改进比例积分微分优化算法的风机变桨控制参数优化研究［J］.仪器仪表学报，2025，46（4）：335-345.

LAN J，LIN S，ZHANG Y，et al.Research on optimization of wind turbine pitch control parameters based on improved proportional‑integral‑derivative optimization algorithm［J］.Chinese Journal of Scientific Instrument，2025，46（4）：335-345.

IQBAL A，YING D，SALEEM A，et al.Efficacious pitch angle control of variable‑speed wind turbine using fuzzy based predictive controller［J］.Energy Reports，2020，6（2）：423-427.

KARIMPOUR M，SCHMID R，TAN Y.Exact output regulation for wind turbine active power control［J］.Control Engineering Practice，2021，114：104862.

刘颖明，张书源，王晓东，等.基于遗传粒子群算法风电机组变速与变桨系统PI控制器设计［J］.科学技术与工程，2023，23（31）：13375-13386.

LIU Y M，ZHANG S Y，WANG X D，et al.Design of PI controller for wind turbine variable speed and variable pitch system based on genetic particle swarm optimization algorithm［J］.Science Technology and Engineering，2023，23（31）：13375-13386.

COLOMBO L，CORRADINI M L，IPPOLITI G，et al.Pitch angle control of a wind turbine operating above the rated wind speed：A sliding mode control approach［J］.ISA Transactions，2020，96：95-102.

BENBOUHENNI H，YAHDOU A，DJILALI A B，et al.Solving the problem of power ripples for a multi‑rotor wind turbine system using fractional‑order third‑order sliding mode algorithms［J］.Scientific Reports，2025，15（1）：5636-5659.

LI X K，WANG H R，YUE X X，et al.Research on wind turbine variable pitch control based on wind speed estimation［J］.Procedia Computer Science，2024，241：385-390.

黎飞翔，程志江，袁嘉旺，等.基于MIMO无模型自适应控制的风机独立变桨距策略［J］.现代电子技术，2025，48（14）：90-97.

LI F X，CHENG Z J，YUAN J W，et al.Wind turbine individual pitch strategy based on MIMO MFAC［J］.Modern Electronic Technology，2025，48（14）：90-97.

王欣，李毓明，秦斌.基于MPC-RBF控制的大型风电机组独立变桨控制策略［J］.可再生能源，2025，43（2）：225-232.

WANG X，LI Y M，QIN B.Individual pitch control strategy for large wind turbines based on MPC-RBF control［J］.Renewable Energy Resources，2025，43（2）：225-232.

奥博宇，陈磊，闵勇，等.提升变桨减载风电机组调频性能的模糊前馈控制［J］.中国电机工程学报，2025，45（11）：4230-4244.

AO B Y，CHEN L，MIN Y，et al.Fuzzy feedforward control to improve frequency regulation performance of deloaded wind turbine generator with pitch angle reserve［J］.Proceedings of the CSEE，2025，45（11）：4230-4244.

张艳峰，杨锡运，王忻哲.基于改进无模型自适应控制的漂浮式海上风机转矩-变桨协调控制策略研究［J］.动力工程学报，2024，44（4）：607-615.

ZHANG Y F，YANG X Y，WANG X Z.Research on torque-pitch coordinated control strategy for floating offshore wind turbine based on improved model‑free adaptive control［J］.Journal of Chinese Society of Power Engineering，2024，44（4）：607-615.

岳有军，樊鹏博，赵辉.基于TD3算法的改进LADRC风电机组变桨控制研究［J］.现代电子技术，2026，49（6）：102-111.

YUE Y J，FAN P B，ZHAO H.Research on improved LADRC wind turbine pitch control based on TD3 algorithm［J］.Modern Electronic Technology，2026，49（6）：102-111.

SIERRA‑GARCIA J E，SANTOS M.Deep learning and fuzzy logic to implement a hybrid wind turbine pitch control［J］.Neural Computing and Applications，2022，34（13）：10503-10517.

2026年第54卷第5期

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1005-0329.2026.05.013

接收时间：2025-12-25
首发时间：2026-10-22
出版时间：2026-05-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-12-25
修回日期：2026-03-07

基金

作者信息

¹河南理工大学电气工程与自动化学院，河南焦作 454000

²河南省智能装备直驱技术与控制国际联合实验室，河南焦作 454000

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ltjx/CN/10.3969/j.issn.1005-0329.2026.05.013

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT