第一章 緒論
1-1 引言
風是太陽輻射熱所引起的一種自然現象，太陽光照射到地球表面，因為各處 受熱不同產生溫差，造成大氣對流形成風，因此廣義上來說，風能係屬於太陽能 的一種。二十一世紀全球大多數的國家均將節能減碳列為重要的國家發展項目之 一，由於氣候變遷的速度已遠超過人類的想像，發展替代能源尤為重要，風力發 電在替代能源方面擁有很大的潛力。目前許多國家已列為重點發展之能源方案，
2008 年全球新增裝置為 27,261MW，年成長率為 29%，累計全球裝置總容量 121,187MW，2009 年全球新增風力發電容量為 37,466MW，較 2008 年成長 31%，
2020 年風力發電量目標為 1,500,000MW，佔全球電力配比的 12%。[1]
目前台灣西岸一年可讓風機滿載發電的時間(滿發時數)平均約 2,500 小時，
而澎湖更有高達 3,500~4,300 小時，幾乎為全世界數一數二的風力。相比之下，
歐洲的風場發展潛力較弱，其滿發時數若能達 2,200 小時已屬不錯。而風機在台 灣全年實際發電量占全年滿載發電的百分比(容量因素)為 29%，即使是較無風的 夏天也達 20%，澎湖風場的容量因素更高達 40~50%。總結來說台灣是一個很適 合發展風力發電的地方。[30]
風力發電在再生能源當中為一種具有潛力發展的替代能源，隨著大型風力發 電機發展越趨成熟，對於如何控制大型風力發電機迎風轉向的技術也越來越重要。
因此，整合風場風能預測技術的迎風轉向控制系統可成為提昇風機發電效率發展 方向之一。
風力發電機由擷取風能產生電力，其葉片需與風向呈最佳角度以擷取最大風 能。小型風機面向只須隨著風向儀轉動即可，但是大型風機需要以系統控制的方 式來轉向。為使發電的效率能提到最高及疲勞負載可以降到最低，理想上期望大 型風機永遠面向風向，使風能最充分運用。但實際上，風向不停的改變，大型風
2
機迎風轉向系統無法隨時跟得上其改變速度。風向的轉變常常詭變不穩，若在其 不穩的情況下，保持風機面向隨時使與風向一致，可能會使轉向頻繁而作功增加；
此外，大型風機迎風轉向系統的響應速度較慢，若以振幅過大且頻率過多的面向 指令來控制，可能會造成系統未響應完全而風向已改變的狀況。
基於以上理由，為求減少多餘的風機轉向作功，並得到更高的風機使用效率，
本文以大型風力機為研究載具，利用大型風場資料來做預測並搭配風機轉向消耗 做轉向控制，期待未來能在提昇大型風場能量擷取的部分有所貢獻。
1-2 研究動機
風力發電機迎風轉向系統可分為主動迎風轉向與被動迎風轉向。小型風力發 電機因葉片截面積小、擷取之風速較低、電能產量較低維修成本不宜過高……等 緣故，不需使用主動迎風轉向來控制面向；相較之下，大型風力發電機機構負載 極大，若因風向改變而隨即轉動風機面向，使轉向次數過於頻繁致，不僅會使風 力發電機系統耗能增加；且其剎車系統耗損速度會加快，致壽命簡短。本研究主 旨為設計迎風轉向控制系統，經由風能預測與演算法設計，控制風機面向以達到 最大風能擷取及最小轉向耗能平衡。
本文利用 matlab 之類神經網路 toolbox 訓練出合適的網路架構模型，以其預 測模擬出未來的風力風向資訊。將此資訊套用至轉向耗能分析後，與所能擷取之 風能功率相比較以得到最適當的轉向角度，使其能降低轉向次數以兼顧大型風機 轉向之疲勞耗損及耗能。將此經推導而得的風機最佳迎風轉向控制與隨風向迎風 轉向的功率得失做比較以評估此預測控制的效益。最後將實際風向與風機迎風轉 向結合以動畫呈現在 Matlab 人機介面上，並繪出擷取功率走勢圖來顯示控制過 程。
3
1-3 文獻回顧
本文之文獻回顧的文章主要分兩部分，一是預測風力風向的資料探勘理論，
二是控制風機機艙面向的應用方法。目前學術界在預測風力風向及控制風機迎風 轉向上皆有相當豐富的研究發表。以下將幾項本文中參考之文獻列舉並作介紹。
1. Andrew Kusia 等人發表於 2010 年, “Short-Horizon Prediction of Wind Power_ A Data-Driven Approach”, 此 篇 針 對 短 期 風 能 預 測 使 用 支 持 向 量 機 (Sopport Vector Machine regression algorithm)、類神經網路(neural network algorithm)、
boosting tree 等多種方法，並列表比較其預測準確度。從文獻中可知，只要資 料來源足夠，類神經網路之預測結果誤差值與其他方法相比皆偏低。[2]
2. J. P. S. Catalão 等人發表於 2009 年，“An Artificial Neural Network Approach for Short-Term Wind Power Forecasting in Portugal”此篇介紹使用於訓練前饋 類神經網路的牛頓、擬牛頓、一步階正割等演算法。[28]
3. S. Salcedo Sanz 等人發表於 2008 年，“Short-term Wind Speed Prediction by Hybridizing Global and Mesoscale Forecasting Models with Artificial Neural Networks”，此篇介紹如何將全球性的低解析度氣象資料經由中尺度數值模式 用在風機的風力預測上，其文獻中所使用的預測方法是前饋倒傳遞類神經網 路。[4]
4. C. Pérez-Llera 等人發表於 2002 年，“Local Short-Term Prediction of Wind Speed:
A Neural Network Analysis”，此篇介紹如何前置處理數據並比較找出最佳類 神經網路的架構來做短期風力預測。[31]
5. WU Xin 等人發表於 2012 年，“Modified Hill Climbing Method for Active Yaw Control In Wind turbine”此篇文獻說明當風向儀有誤差時，如何利用爬山法追 蹤風能去控制風機迎風轉向。其文獻研究載具風機為 1.5MW。[29]
6. Feifei Bu 等人發表於 2009 年, “Study and Implementation of A Control Algorithm for Wind Turbine Yaw Control System” 此篇介紹如何利用風向感測
4
器測出風向角度後透過 DSP 及微步進控制，調整輸入至迎風轉向之步階馬達 的訊號使風機機艙精確的轉向。此文獻之研究載具風機約為 800kW。 [6]
7. Han-Soon Choi 等人發表於 2010 年，“Active Yaw Control of MW class Wind Turbine”，此篇回顧了大型風力發電機的迎風轉向架構及動態響應，並且模 擬風機在不同風力狀態時的扭矩負載。此文獻研究載具為 MW 以上之風機。
[32]
8. Andrew Kusiak 等人, “Power optimization of wind turbines with data mining and evolutionary computation”,此篇利用資料探勘及進化策略演算法來做風機面向 及風葉角度控制，是一篇將預測及迎風轉向結合的論文。此文獻之研究載具 為 100kW 之風機[7]。
以上 1、2、3、4 篇文獻均有提到以類神經網路演算法來做風力預測，並且 由以上文獻可知用學術界已有豐富關於以類神經網路去做風力預測的研究。而 5、
6、7 三篇介紹中、大型風機等主動迎風轉向控制的流程圖或法則，第 8 篇則將 預測風力風向及控制風機迎風轉向與風葉角度做整合，而其中預測風力風向及控 制迎風轉向的部分是本論文主要探索的地方。第 8 篇論文中，雖對轉向控制有了 一番理論，但模擬出的結果顯示轉向過於頻繁，並未考慮其耗能及迎風轉向系統 負載之壽命，如圖 1。推斷是因為此研究使用來模擬迎風轉向的研究載具風機發 電容量為 100kW，其所需的轉向耗能與本研究關注之 2MW 大型風力發電機相比 甚小，故跟本研究相比，其作風力迎風轉向耗能分析的需求性相較之下不高。
5
圖 1 文獻六中的轉向指令圖
下圖 2 為彰化濱海風力發電機風場之風速風力資料，由圖 2 (b)可見風力發 電廠之地點其風向變化範圍約為 45 度，此風向之變動可造成風機運轉效率變 化。
(a)風速圖 (b)風向圖 圖 2 彰化濱海風場風速風力資料[24]
未來再生能源利用的趨勢必定是更高效率化，故預測風速風向後做迎風 轉向控制可成為風力能源開發利用的重點之一。
6
1-4 論文大綱
本論文架構安排如下:
第一章中，說明研究動機與背景，回顧類神經網路及風機迎風轉向控制之文獻。
第二章中，介紹風力發電原理與永磁同步發電機數學模型。
第三章中，介紹預測風力風向之理論。
第四章中，介紹本文所使用之前饋倒傳遞類神經網路架構。
第五章中，說明本研究之類神經網路預測步驟與結果。
第六章中，說明本研究之風機建模及轉向控制步驟與結果。
第七章中，本文結論與未來展望。
第八章為本論文參考之文獻。
7