CN102725520A - 具有用于执行对风力涡轮发电机的预测控制的控制方法和控制器的风力涡轮机 - Google Patents

Abstract

本申请描述了一种具有用于执行对风力涡轮发电机的预测控制的控制方法和控制器的风力涡轮机。基于测量的瞬时风速，已知向风力涡轮机提供控制信号以便控制风力涡轮机转子叶片的桨距和发电机的转速。然而，由于关联的机电系统的有限响应速度以及不断变化的控制系统输入，所以使用瞬时风速测量实现平滑控制是困难的。本申请中描述的预测控制系统采用基于前馈回路中输出到风力涡轮机的进入风速v(t)的值和控制信号u(t)的值的、发电机速度的模型。在此，对于一种或多种控制，控制信号可以是发电机的功率设定或转子叶片的桨距角。预测控制器使用针对v(t)和u(t)的值的滚动时间序列并且基于发电机速度w(t)的预测响应来优化时间序列控制信号u(t)。发电机速度w(t)的预测响应是基于模型的，可以随着风力涡轮机的工作实时改进该模型。

Description

具有用于执行对风力涡轮发电机的预测控制的控制方法和控制器的风力涡轮机

技术领域

本发明涉及风力涡轮机，更具体地涉及利用用于执行对风力涡轮机的发电机的预测控制的控制方法和/或控制器的风力涡轮机。

背景技术

图1例示了风力涡轮机1，其包括风力涡轮机塔架2，在该塔架2上安装了风力涡轮机机舱3。风力涡轮机转子4包括至少一个安装在轮毂上的风力涡轮机叶片5。轮毂6通过从机舱前面延伸的低速轴（未示出）连接到机舱3。图1中所例示的风力涡轮机可以是打算供家庭使用或轻型设施使用的小型号，或者例如可以是大型号，例如适用于风电场上大规模发电的那些型号。在后一种情况下，转子的直径可以大到100米或更大。

当为给定工作地点选择风力涡轮机时，要考虑到现场的特性，该现场的特性例如是现场地形的复杂性和平均风力状况。选择的涡轮机能够在尽可能多的时间内理想地工作在额定功率。不过，在实践中，风速是可变的，并且涡轮机必须能够应对各种各样的风速。在较低风速下，功率输出或者为零（如果存在可以忽略的风）或者低于额定功率。一旦风速增加到额定功率所需的以上，涡轮机将保护自身免受损伤，例如，通过改变叶片的桨距（pitch）以减小从风力提取的功率（power）。在极端情况下，涡轮机可以关闭或偏转到风外，以防止灾难性损伤。

在调节桨距角以补偿风力涡轮机处测量的风速变化时，在瞬时风速检测的检测与使叶片达到正确桨距位置之间存在不可避免的时间延迟。因此，已知基于利用LIDAR设备测量的未来预期的风速来控制风力涡轮机的桨距。

例如，从Lading等人的US6320272知道了使用LIDAR来控制风力涡轮机工作，其教导了使用激光风速测量系统，例如机舱上安装的LIDAR（LightDetection and Ranging：激光雷达）装置。LIDAR通过在风力涡轮机前方发射激光束来工作，以测量风力涡轮机前方一定距离处的状况。该距离通常被布置为距涡轮机介于0.5倍转子直径和3倍转子直径之间，因此对于大型现代风力涡轮机而言该距离大约是50m到300m。LIDAR以已知方式工作，通过检测空气分子或者通过检测空气流中夹带的粒子并且从这些测量计算关于空气流的信息。该信息可以包括风速和风向以及垂直和水平方向上的风切变，虽然能够计算的参数将取决于所用LIDAR的复杂性。然后能够在风速变化之前调节桨距角，因此能够使风力涡轮机的工作更有效率。

然而，基于风力的未来值的测量结果调节转子叶片桨距可能导致其他操作困难，例如如何针对风力涡轮发电机实时执行基于那些变量的控制。就此而言，我们认识到需要一种改进的控制技术。

此外，如果不适当地执行控制，对风力涡轮机进行实时控制以调节机械或电气控制参数可能导致控制致动器系统上增大的磨损。我们还认识到，可以使用基于未来参数预测值的对风力涡轮机的控制来提供更可靠和响应更灵敏的控制系统。

发明内容

在优选方面中，本发明提供了一种风力涡轮机，包括：一个或多个转子叶片；桨距致动器系统，其用于调节该一个或多个风力涡轮机转子叶片的桨距角；发电机；风传感器，其用于检测在该一个或多个转子叶片前方预定距离的至少一个位置处的进入风速；以及耦合到该风传感器的控制器，其用于提供风力涡轮机的输出控制信号，其中该控制器被布置成：a)接收来自风传感器的值，该值表示所述风力涡轮机前方预定距离处的进入风速；b)产生在未来时间段的进入风速的时间序列表示；c)假定在未来时间段的输出控制信号的值的时间序列；d)基于使成本函数最小化来优化输出控制信号的值的时间序列，其中该成本函数包括定义风力涡轮机的工作的方面的项；以及e)基于步骤d）中优化的值的时间序列来将控制信号输出。成本函数和控制信号的优化提供的控制过程允许有效率地并且平滑地控制风力涡轮机，减少操作磨损并且延长电气部件和机械部件的寿命。

在一个实施例中，该输出控制信号是输出到桨距致动系统的叶片桨距基准信号。在另一实施例中，输出控制信号可以唯一地包括或还包括输出到发电机的发电机功率基准。

有利地，该成本函数包含表示所需要的发电机速度的时间序列表示与预测的发电机速度的未来时间序列表示之间的差异的项。因此，能够将发电机的工作映射到未来，并能够在延长的时间段内对控制进行管理，而无需突然反应的控制步骤。

可以基于未来时间段的进入风速的时间序列表示和控制信号的时间序列值来计算预测的发电机速度的时间序列表示。有利地，该成本函数包含表示控制信号的值被允许改变的程度的项。因此，可以使控制信号的变化最小化，实现系统的更平滑控制。

在一个实施例中，该控制器被布置为接收基于风力涡轮机处的测量的风速的、用于控制信号的一个或多个最优基准值。有利地，该成本函数包含表示经一次优化的输出控制信号的值的时间序列被允许与呈稳态（steady state）风速的最优值不同的程度的项。这确保了能够将风力涡轮机的工作维持在最优值的需要容限之内，然而在跟踪方面还具有灵活度。

优选地，该风传感器是多普勒风速计。

还提供了对应的方法、装置和计算机程序。

附图说明

现在将仅通过示例的方式并且参考附图描述本发明的实施例，在附图中：

图1是水平轴风力涡轮机的正视图；

图2是图1的风力涡轮机的示意性侧视图，示出了机舱中安置的部件；

图3是图2所示的风力涡轮机主控制器的示意图；

图4是根据本发明第一示例的风力涡轮机主控制器的示意图；

图5是用于风力涡轮发电机的预测控制系统的示意图；

图6是预测控制模型的示意图；

图7示出了控制系统中使用的用于控制参数的多个时间序列曲线图；以及

图8是例示了控制方法的示例的流程图。

具体实施方式

本发明总体涉及一种用于执行对风力涡轮发电机的预测控制的方法和装置。已知向风力涡轮机提供控制信号以便基于测量的瞬时风速来控制风力涡轮机转子叶片的桨距和发电机速度。然而，由于关联的机电系统的有限的响应速度，以及控制系统输入的不断改变，使用瞬时风速测量来实现平滑控制是困难的。这里描述的预测控制系统采用基于前馈回路中输出到风力涡轮机的进入风速v(t)的值和控制信号u(t)的值的发电机速度的模型。在此，针对一种或多种控制，控制信号可以是发电机的功率设定或转子叶片的桨距角。预测控制器使用v(t)和u(t)的值的滚动时间序列，并且基于发电机速度w(t)的预测响应来优化时间序列控制信号u(t)。这可以跨越在长度和时间上对应于v(t)的整个时间序列u(t)完成。然而，在实践中，优选仅针对一些值将u(t)优化到未来，从而能够更迅速地完成优化。假设30个用于v的值的时间序列，已经发现优化达到五个u的值就在实践中可行。发电机速度w(t)的预测响应是基于模型的，可以随着风力涡轮机的工作实时改进该模型。

现在应当参考图2，图2是示出了位于图1所示的风力涡轮机的机舱3内部的部件的示意图。转子轮毂6在机舱3前面连接到容纳于齿轮箱8中的主驱动轴7。齿轮箱8又连接到轴9，轴9链接到发电机10。发电机10提供电输出，该电输出被传送到电气频率变换器11，并且随后被传送到用于连接到电网或本地电力机构13的输出12。

涡轮机1具有主控制器14，主控制器14连接到传感器设备15，传感器设备15例如是风速计或LIDAR。安置在风力涡轮机机舱3上的风速计可以用于测量风力涡轮机处的瞬时风速。另一方面，可以使用LIDAR装置测量风力涡轮机处的风速，或更典型地，在来风路径上风力涡轮机前方一定距离的风速。就此而言，可以将LIDAR视为测量风力涡轮机处遇到的未来风速。在连接到风电场或电网的风力涡轮机的情况下，主控制器通常还连接到监控网络16。利用网络16，主控制器14能够接收对其控制信息和工作设定点的更新，以及下载用于监测目的和故障检测的工作状态报告。

主控制器提供输出到桨距致动器装置17的独立的桨距基准以及输出到功率控制装置18的功率基准。这些是基于主控制器中的内部控制算法以及从传感器15和网络16接收的信息来计算的。

桨距基准值是要求转子叶片相对于进入的风做出的角度，并且调节该值以反映进入风速的变化。叶片的桨距角影响旋转的涡轮叶片的叶尖速度，桨距致动器装置17的任务是根据从控制器接收的桨距角不断控制叶片。不断调节转子叶片的桨距角确保了由风力涡轮机产生最优功率，或者在风速过高时能够使风力涡轮机减载运行以进入安全模式。

功率控制器18从风力涡轮机的输出12接收输入信号并且从主控制器14接收功率基准。在同步发电机中，功率控制器18的任务是确保发动机输出的交流频率在用于馈送到电网的期望范围之内。功率控制器18向电气变换器提供输出，电气变换器通过调节发动机转子电路中转子电流的频率，来允许发电机转子的速度被改变。在此，通常将发电机速度理解为发电机转子的速度。功率控制器根据电网频率来调节功率基准。尽管风力涡轮机的功率通常直接与风速相关，但该功率也可以被从主控制器14传送的外部功率基准有意地降低。当功率被外部功率基准降低时，涡轮机被称为减载运行（derated）。

图3更详细地例示了主控制器。通常地说，主控制器的任务是监督风力涡轮机的工作并且随时确保产生的能量最大，同时限制工作噪声和装置经受的机械负荷。主控制器14包括部分负荷控制器21和满负荷控制器22。这些工作于各自的功率工况（power regime）以提供适当的桨距和功率基准输出，该适当的桨距和功率基准输出根据需要使产生的功率最大化或使风力涡轮机减载运行。切换逻辑23确定风力涡轮机当前工作于这两种工况中的哪种并且在适当的控制器中切换。

当风速对于风力涡轮机来说不足以产生足够的功率以满足所需要的预设的功率值时，部分负荷控制器21工作。在该工况中，将风力涡轮机叶片的桨距设定在最优角度以从风力中提取尽可能多的能量，同时满足任何给定的噪声约束或其他操作要求。因此部分负荷控制器的首要输出控制参数是功率基准，通过功率基准可以控制发电机的转速。

通常可以将部分负荷操作分成三个范围：

a)在低速限度（v_on≤v≤v1）下的操作，其中以rpm为单位的发电机速度（w）被保持在最低可能值。在此，v_on是涡轮机能够工作的最低风速，并且v1是第一阈值；

b)在效率最优条件下的操作（v1<v≤v2），其中将转子的rpm控制为与风速成比例，实现转子的最大空气动力学效率。在该工况中，将桨距角保持为基本恒定。

c)在标称rpm下的操作（v2≤v≤v_rtd），其中如果风速高于v2，则涡轮机在其额定发电机rpm下操作。然而，在实践中，在紊流的影响下，rpm将在固定设定点附近动态波动。

一旦风力涡轮机的功率输出上升到等于由主控制器14设定的功率需求，就由切换逻辑23自动激活满负荷控制器22。在满负荷控制中，控制器22调节风力涡轮机叶片5的桨距角以确保风力涡轮机的功率输出保持在预设值。因此发电机的rpm（w）实质是由用于控制风力涡轮机叶片5的桨距基准输出控制的。如果风过强，则调节涡轮机叶片的桨距角，从而它们被倾斜到风外。此外，在满负荷控制中，如果风速下降到预设值以下，使得桨距角被调节到接近最优桨距角的值，则去激活满负荷控制器，并且部分负荷控制器接管控制。

如果风速介于额定风速和界限风速之间，通常涡轮机将处于以涡轮机输出功率等于所要求的功率为特征的满负荷状态。然而，在紊流的影响下，也可能发生这样的情况：尽管风速高于额定值，但控制系统偶尔变成部分负荷。

部分负荷控制器21和满负荷控制器22接收最优的发电机速度（w）rpm设定点和最优桨距设定点，作为来自初始模块24和初始模块25的控制信号输入，该初始模块24和初始模块25针对给定风速规定了最优的发电机速度（w）rpm设定点和最优桨距设定点。这些模块直接从风传感器（例如LIDAR设备或风速计）接收风速输出并且使用这一值查找最优值u0。将发电机速度的最优值传送给部分负荷控制器21并且形成功率基准的基础。将桨距控制的最优值传送到满负荷控制器22并且形成桨距基准的基础。在本申请人生产的风力涡轮机中，初始控制器24和初始控制器25分别称为OptiSpeed和OptiTip。

在风力涡轮机控制系统中，可以想象这样的情形：其中不执行预测控制，并且基于u和v的瞬时值或时间t=0时u和v的值以及当前发电机速度w和所需求的速度w_demand之间的差异ε，来简单控制发电机速度。瞬时控制的缺点是：由于系统机械和电气部件的响应中不可避免的物理延迟以及在现实系统中跟踪变量的困难（其中必须要针对系统和其他因素调节响应的灵敏度），所以它不允许对发电机进行最优控制。

例如，在稳态风速v和满负荷控制下，低于所需求的值w_demand的w值将表示桨距角u^pitch应当被增大，以允许从进入的风中提取更多能量。然而，由于风速罕有处于稳态，桨距角u^pitch也将取决于风速v，而不是仅仅取决于差异值ε。在该情况下，随着风速v的改变，可能突然发现所表示的桨距角u^pitch不合适，或者在风速在发生于其间的时间段内已经增加时过补偿，或者在风速随后已经减弱时欠补偿。

在下一个时间间隔中，结果可能是进一步的过补偿，经常在相反的方向上，这导致控制的振荡，导致被称为振铃（ringing）的现象。然后可以看出，如果控制器对v和w的状况变化的响应过于灵敏，则结果可以是对输入参数u的突然或剧烈调节，该突然或剧烈调节对感知到的w失配进行过补偿。在下一时间间隔中，现在由控制器提出的随后调节必须要同时应对w和v的状况以及来自先前步骤的过补偿两者。另一方面，如果控制器不够灵敏，那么控制器对参数w和v的迅速变化的响应可能不足够大以确保控制有效。因此我们已认识到需要一种预测控制系统。

尽管预测控制系统是已知的，但这些系统就下列的意义上说通常是离线（off-line）的：即它们基于LIDAR或风速计设备进行的风速瞬时测量生成逆传递控制函数(inverse transfer control function)。我们已经认识到，这样的系统是次佳的，因为风力涡轮机控制系统的响应将随着时间变化，例如因为致动器磨损或由于诸如空气密度之类的大气状况的变化，并且作为结果，所计算的控制函数将不再如预期那样精密地适用。

现在将参考图4，图4示意性例示了根据本发明的示例的主控制器14。在本示例中，风力涡轮机连接到传感器15。传感器15包括被布置为检测风力涡轮机前方的进入风速的LIDAR系统26，以及可选的用于检测风力涡轮机处的瞬时风速的风传感器或风速计。例如，可以将LIDAR布置为检测距风力涡轮机大约30m处的风速。在10m/s的平均风速下，这为风速测量提供了大约3s的未来时间窗。参考图1，LIDAR 26可以安装在机舱3的上表面上、在塔架上、在机舱的下侧上、在转子轮毂6中或甚至在叶片5中。在后者情况下，可以在每个叶片中安装独立的LIDAR 26，或者仅在一个或两个叶片中安装单个LIDAR。在一个示例中，LIDAR可以是一个或多个简单的凝视型单元，其向涡轮机上游传送单个射束，并且可以包括其自己的物理上独立的供电线路，该供电线路连接到涡轮机内的不同电源。此外，LIDAR26可以测量上游单个位置处的或在多个距离门（range gate）处的多个点处的上游状况。

主控制器14还包括预测控制器27，预测控制器27直接从LIDAR 26，并且以类似于图3的方式，直接从一个或多个初始控制器24和25接收输入，该初始控制器24和25设定用于检测到的稳态风速设定的最优瞬时功率基准和桨距基准。如图4所示，预测控制器27能够结合部分负荷控制器21或满负荷控制器22中的任一个工作，并且在这幅图中，为了清晰起见，其被示为每个控制器的功能部件。在实践中，预测控制器能够取代满负荷控制器，因为它执行基本相同的任务。提供满负荷控制的预测控制器27从初始控制器24和25两者接收输入，而结合部分负荷控制器21实施的预测控制27仅需要从初始控制器24接收输入。

图5中示出了预测控制器27的功能图，现在应当参考图5。在这幅图中，省略了预测控制器27与主控制器14中的其他控制功能（例如部分负荷控制器21和满负荷控制器22）之间交互的细节，以免使该图不清楚。如上所述，图5中所例示的预测控制器27的操作能够在任何情况下执行满负荷控制而无需独立的控制器22。

预测控制器27从LIDAR装置26接收风速v的输入，并且从初始控制器24和25接收取决于风的最优设定点u0^power和u0^pitch的输入。像上文描述的满负荷控制器和部分负荷控制器那样，预测控制器27的目的是向风力涡轮机输出桨距u^pitch和功率u^power控制信号以实现最优控制。在这幅图中，总体上由附图标记30表示风力涡轮机。然而，至少在如下方面预测控制器27与部分负荷控制器21和满负荷控制器22不同：并非计算即时应用于风力涡轮机系统的瞬时控制值，而是其基于来自LIDAR 26的未来风速信息以及对发电机在未来的预期性能的任何了解来计算未来控制值的时间序列。尽管出于控制的目的仅输出时间序列中的即时值（即t=0时的参数的值），但产生未来时间序列提供了若干优点，也就是反馈功能，该反馈功能允许对涡轮机的控制变得最优以对控制的响应速度与激活致动器系统的成本进行平衡。这样的成本可能是致动器功耗，致动器和涡轮机部件上的磨损。

将认识到，LIDAR装置提供风力涡轮机前方的并且在进入风的路径中的位置处的风速作为输出。知道了LIDAR的量程和风速，允许将风速的输出值与未来的时间相关联，该未来的时间是当LIDAR测量位置处的风到达风力涡轮机并且撞击转子叶片的时候。因此可以将LIDAR输出的v值表示为时间序列v(t)，其中为每个风速值被分配时间标签，该时间标签表示其在时间上与当前时间由风力涡轮机经历的风值的分离。类似地，可以针对控制参数u，并且针对预测的或需要的w^demand发电机速度，并且由于风力涡轮机系统是动态的，在一定程度上针对控制需要的所有变量，产生时间序列。在此在需要强调的地方使用符号x(t)，但否则在方便的时候不用。此外，由于数字或计算机化系统中的值的时间序列实质上由离散值的数组表示，所以也可以由符号x(i)指示该时间序列。因此使用i符号来强调时间序列中的个体值而不是个体时间。在一个示例中，已经发现具有0.1s的采样速度的大约3秒的时间序列的长度（对应于30个离散样本）是足够的。

预测控制器27的工作是基于将输入和输出参数及它们的关系映射到另一个的内在模型31。在图6中示意性地例示了该示例中使用的模型，下文将更详细地描述该模型。然而，这里充分注意的是，该模型假设发电机速度w是两个输入的函数，该两个输入是风速v和控制参数u，即u^pitch和/或u^power。然后由预测控制器根据模型31基于未来控制参数的成本函数分析来执行控制信号的最优未来时间序列的产生。

在一个实施例中，预测控制器27包括自适应训练和控制块32，该自适应训练和控制块32用于基于计算的和实际的控制参数与预期风力涡轮机响应之间的误差来更新模型31。减法器33接收一个或多个功率输出和发电机速度w作为来自风力涡轮机的输出。将这些值与预测的发电机速度

进行比较或相减，并且将这些值反馈到随后更新模型31的自适应训练和控制块32。稍后将更详细地解释这一过程。

为了确保瞬时发电机速度w与请求的发电机速度w_demand匹配，预测控制器27调节输入控制参数u^pitch和/或u^power。如上所述，这些值将是在每个时刻计算的u^pitch和/或u^power的值的时间序列中的当前值u^pitch和/或u^power。为了简化下面的讨论，将给出对u^pitch的详细分析。将认识到，可以遵循同样的原理实现包括基于u^power的控制。

图7例示了w、v和u^pitch的值的时间序列图。上图示出了作为时间t的函数的发电机速度w。为了例示的目的，假设在时间t=0，将需要的发电机速度w_demand设定在比当前发电机速度w更高的值。作为结果，必须通过改变转子叶片的桨距在未来时间段（在该情况下是在t+N₁dt和t+N₂dt之间）增大发电机速度。由（曲线图上的上升虚线）表示未来时间段的预测发电机速度。由阴影区域示出预测的发电机速度与需要的发电机速度w_demand的差异。

构成中间图的数据对应于风速的时间曲线图。由安装在风力涡轮机上的风速计或风传感器检测时间t=0的当前风速v，同时由LIDAR 26获得未来预期的未来风速。

下图示出了对桨距基准u^pitch的时间序列调节。u0是从初始控制器25知道的最优基准桨距值。水平虚线是u的假定值，该假定值形成稍后将要描述的计算的一部分。在实践中，桨距基准不被保持恒定而是（通常是通过阶梯值）被改变的，从而桨距值u^pitch逼近最优值u0。曲线图的阴影区域例示了du（

的最优值与控制参数u的阶梯值之间的差异），可以将du视为实施在不同相应时刻发生的u的两个改变的相对成本。在稍后的优化步骤中考虑该阴影区域。尽管仅示出了两个步骤，但这仅仅是为了清楚。

在滚动时间序列t(i)中的每个时间t，图5中的预测控制器27的目标都是确定桨距基准信号u^pitch(i)的最佳未来序列，该最佳未来序列将把预测的发电机速度

(i)驱动到需要的未来设定点w_demand。于是，在每个时间点，可以将针对t=0计算的桨距基准u^pitch作为输出传送到桨距控制器，以控制风力涡轮机叶片。为了实现这个目的，使用滚动时域策略（receding horizonpolicy），使得仅输出滚动时间序列中（即在当前时间t）的第一个值。然后随着新信息变得可用时，在每个时间样本重新评估控制对象。

持续更新基于v、u^pitch对u0的来自初始控制器25的预测以及对未来发电机速度

的预测，并且将认识到，对于每个时刻，计算的跨越滚动时间段t(i)的u^pitch和

的值，与它们在先前时刻计算的跨越该时间段的值比较，可能是不同的。

控制器的成功非常取决于对

的预测的质量。在该示例中，通过如图6中所示的线性的受控自回归积分滑动平均（CARIMA）模型，使用模型执行对的预测。该模型包括两个输入du^f和dv^f，以及一个输出

在此，使用上标符号d{}^f表示时间采样量u和v的带通滤波量。在实践中，将du和dv简单表示为u和v中的连续样本从t=(n-1)到t=n的差异，需要滤波来去除高频或测量噪声。在该情况下，可以使用本质上为Δ{}/T(q^-1)的表达式来实现滤波，其中q^-1是后向移位算子，并且T是例如(1-0.8q^-1)²的T滤波器。在实践中，这意味着通过混合当前值与80%的先前值来约束u和v的当前采样值，确保在模型31接收的值中避免突变。

A(q-1)和B(q-1)是极点和零点多项式（pole and zero polynomials），该极点和零点多项式用于包含预测器差分方程的系数。在此描述的示例中，使用（在线或实时的）递归最小二乘估计器来获得多项式系数。多项式的项允许预测控制器27补偿风v对发电机速度w的强交互。

在一个示例中，使用多模型递归最小二乘（MMRLS）在线参数估计器作为自适应控制块32以更新CARIMA模型的系数。将实时来自风力涡轮机的输出传送到减法器33，其中从实际值减去

的预测值以给出实时预测误差。然后将这馈送给MMRLS作为输入。MMRLS块计算使风力涡轮机的实时输出与由该模型产生的预测值之间的误差最小化所需的系数。采用内置估计器的优点是：就地识别模型系数，并且因此利用代表性闭环频率数据来训练模型。这意味着能够考虑精确的A/D和D/A缩放比例和性能，并且能够动态地适应由于变化的条件和老化所致的涡轮机系统中的改变。

存在两种方式利用持续更新的MMRLS模型系数：在自我调谐模式中，一旦操作者对预测质量满意，才向预测控制器传送使用MMRLS在线识别的模型系数；以及在自适应模式中，在每个采样点向控制器传送系数。认证需要可能会妨碍完全自适应的系统，在这种情况下，设想的是，自我调谐方式可能是最适当的，其将使能对预测控制器的容易委托。

对于每个时间t，预测控制器因此从模型31接收

的预测值。然后，预测控制器的任务是计算未来控制所需要的u的时间序列值。预测控制器通过假定依据u给出的成本函数作为变量，然后针对未来时间段上u的所有值争取使该成本函数最小化，来计算这一时间序列。可以由优化器执行该最小化（在成本函数趋向于最小的条件下对u进行优化），稍后将描述示例的方式。

将认识到，因此，如果要有效地执行对风力涡轮机的控制，成本函数的形式是及其重要的。

在数学上，预测控制器27的代码因此发现了未来控制信号u(t+i)的一组N_u，其中（0≤i≤N_u），在每个采样间隔i使以下成本函数最小化（在该示例中发现N_u=5就足够了，虽然如果需要的话，N_u可以等于v的值的数量，即30）：

J(t)=J(t)t_racking+J(t)_activity+J(t)_steady-state

该成本函数是三个项的总和。J_tracking描述发电机速度w中设定点跟踪误差的个体成本；J_activity描述任何控制活动处罚，例如减少桨距控制致动器的激活和磨损的操作约束；而J_steady-state描述偏离最优稳态致动器参数的成本的成本。

现在将更详细地描述各个项。跟踪误差是图7的上曲线图中的阴影区域所示的

的预测值与w_demand的需求值之间的差异。将认识到，期望的是使预测值尽快趋于需求值，并且因此这两个值的差异可以被表示为将要最小化的成本。这是优化过程中的最初驱动器。在数学上，可以如下表达成本。括号中的表达式仅仅是时间序列值的总和中每个i值处两个项的差异。对值求平方以给出差异的量级，并且避免将项消除到零的符号差异。

$J_{\mathrm{tracking}}=\underset{i=N_1}{\overset{N_2}{\mathrm{\&Sigma;}}}{(w^{\mathrm{demand}}(t+i)-w^{\mathrm{predicted}}(t+i))}^2$

控制活动成本表示：依据机械和电气系统的磨损以及使不必要的激活最小化的需求来控制风力涡轮机的成本。这既适用于桨距致动器机构，又适用于发电机的功率额定设定。

以下括号中的第一个表达式表示两个连续的时间值之间风力涡轮发电机的功率基准的变化。类似地，括号中的第二表达式表示两个连续时间值之间桨距值的变化。常数ρ^power和ρ^pitch分别是功率基准和桨距基准被允许调节的程度的度量。为零的ρ值实质上表示改变转子叶片的功率或桨距没有成本，而ρ的正值引起控制公式化中呈现增长成本的项。

$J_{\mathrm{activity}}={\mathrm{\&rho;}}^{\mathrm{Power}}\&CenterDot;\underset{i=0}{\overset{N_u-1}{\mathrm{\&Sigma;}}}{(u^{\mathrm{Power}}(t+i)-u^{\mathrm{Power}}(t+i-1))}^2+{\mathrm{\&rho;}}^{\mathrm{Pitch}}\&CenterDot;\underset{i=0}{\overset{N_u-1}{\mathrm{\&Sigma;}}}{(u^{\mathrm{Pitch}}(t+i)-u^{\mathrm{Pitch}}(t+i-1))}^2$

成本函数中最后一项表示预测的最优功率基准u0^power和u0^pitch与模型计算的桨距u^pitch和功率u^power之间的差异。它表示如下认识：u的值与初始控制器24和25产生的最优值差异过大，因为已知的瞬时风速对于系统而言不太可能是最优的，因此充当了对计算的约束。在图7a的下曲线图中，由水平线

例示了计算的起点。因此常数μ表示允许模型偏离最优值u0的自由度的量。

$J_{\mathrm{steady}-\mathrm{state}}={\mathrm{\&mu;}}^{\mathrm{Power}}\&CenterDot;\underset{i=0}{\overset{N_u-1}{\mathrm{\&Sigma;}}}{(u^{\mathrm{Power}}(t+i)-{u0}^{\mathrm{Power}}(t+i))}^2+{\mathrm{\&mu;}}^{\mathrm{Power}}\&CenterDot;\underset{i=0}{\overset{N_u-1}{\mathrm{\&Sigma;}}}{(u^{\mathrm{Pitch}}(t+i)-{u0}^{\mathrm{Pitch}}(t+i))}^2$

计算还受到以下约束：

a)量级u_min<u<u_max，以及对所提出的未来控制信号的变化率约束（rateconstraint）du_min<du<du_max；

b)发电机rpm输出约束w_min<w<w_max；

这些确保了u和w的值保持在现实参数之内；以及

c)辅助约束，例如叶片根部弯曲力矩、转子推力（rotor thrust）、塔架顶部加速度、塔架底部弯曲力矩等。

这表示在系统上的其他机械或电气限制。通过使用针对每者的CARIMA模型将这些约束并入模型中。例如，以与发电机速度w相同的方式将叶片根部弯曲力矩建模为v和u的函数，并且适当的CARIMA模型给出了针对预测的叶片根部弯曲力矩的输出。在优化过程中，优化器然后利用附加约束处理u，该附加约束即所得的叶片根部弯曲力矩不超过（或低于）预定阈值。这是该模型的重要特征，因为它确保了在力、负荷和应力方面可以将风力涡轮机的结构条件维持在安全参数之内。可以通过以这种方式控制u^pitch和u^power而被最小化的现象的示例是由于过度叶片根部弯曲力矩、转子推力和塔架顶部加速度、塔架底部弯曲力矩或振动导致的损伤。

这一基于成本函数的方式是非常强大的方法论，因为它封装了以直截了当的方式实现目标的相对重要性。例如，可以通过增大ρ值来阻抑致动器振动，并且由此减少磨损；此外，从∞（在实践中为10⁶）到0调节μ加权值允许从传统的开环或离线的基于图的控制到完全瞬态在线补偿的平滑转变。要指出的一点是，如果μ>0并且来自初始控制器24和25的稳态图致动器值不对应于稳态设定点，则在这一成本函数公式中存在设定点跟踪偏离。因此，必须小心选择成本函数加权以反映初始控制器24和25所使用的稳态图中的置信度以减轻图中影响操作的固有的任何偏离。

还注意的是，在该实施方式中，假设发电机设定点在未来是恒定的，但如果从网络或其他控制信息能够获得关于未来设定点行为的知识，则可以容易地将此并入成本函数中以产生甚至更好的瞬态性能。

我们现在将更详细地描述优化器的工作。优化器的输出是使上文表达的成本函数J最小化的du(t)的时间序列。将认识到，J中的每一项都取决于u。假设建模系统不具有约束（参见上文所述的示例约束）地工作，可以利用线性模型来实施优化器。这提供了解析解以使预测控制成本函数最小化，其计算起来既可靠又快速。在该示例中，优化器函数是最小二乘形式：

du(t)=(R^TR+ρ.I)^-1R^Tε

其中du(t)是未来的控制行为（相对于

表达的），R是动力学矩阵（dynamicsmatrix），ε是未来设定点跟踪误差

在该模型包括约束的情况下，利用混合权重最小二乘（MWLS）算法迭代该方程，以便满足约束以在设定的容限之内。我们已经发现，10^-6的容限和被设定成2000的最大迭代次数适于该功能测试。如果需要的话，这两者都可以放宽以减少计算负载。对于非线性模型，应当使用一般的优化器技术解出控制参数u。

在示例实施方式中使用线性模型CARIMA模型，因为它使用起来容易而迅速。然而，优化器可以使用非线性模型，例如非线性ARX（具有外生干扰的自回归模型）和NARMAX（具有滑动平均和外生干扰的非线性自回归模型）、Hammerstein，Weiner和Volterra模型、双-线性模型、神经网络、模糊集合，以及FAST（疲劳空气动力学和结构动力学模型）以及VTS代码（基于Vestas提供的FLEX5的专有涡轮机建模代码）。在使用非线性模型的情况下，需要使用一般的优化器技术来解出控制信号。对于技术人员而言其他实施方式将是显而易见的，重点是选择提供良好预测同时在计算上易处理的模型结构。

现在将参考图8，图8提供了以上示例中描述的控制方法的概要。在步骤S2中，预测控制器27接收用于该方法的当前迭代的u和v的值。v是从LIDAR 26接收的风速值的数组，而u是控制变量的一组值，对应于与风速值v的当前时间窗相同的时间段。将认识到，u的值的时间序列必须是在该方法的先前迭代中由预测控制器预先产生的。在该方法的第一次迭代中，可以将u的时间序列设定在初始值，例如针对对应瞬时风速的由初始控制器24和25预测的值。在该方法的后续迭代中，预测控制器27使用在先前迭代中优化的u的时间序列。

在步骤S4中，预测控制器27然后产生对应于v和u的时间窗的预测发电机速度

的时间序列。在步骤S6中，将风速的瞬时值传送到初始控制器24和25，并且初始控制器向预测控制器27输出u0的基准值。步骤S6是可选的。

在步骤S8中，以上述方式使成本函数最小化，并且对应于使成本函数最小化的该组u值在步骤S10中计算u的值的优化时间序列。在步骤S12中，由预测控制器27向风力涡轮机致动器系统输出t=0时u的值。在步骤S14中，在预测控制器中的存储器中存储

u和v的时间序列值，以供后续步骤使用。步骤S16是可选步骤，如果给出新计算的时间序列值，要更新模型31，则执行步骤S16。在该步骤中，发电机速度w被检测并且被馈送到用于该模型的自适应控制块32中，以将

的预测值与实际值进行比较。

然后将在下一时刻重复图8所例示的方法，并且将更新时间序列以去除t=0时的值，并且增加新的数据点用于数组中的最后值。

在上述示例中，跟踪误差是单独地基于预测的发电机速度与请求的发电机速度之间的差异。不过，可以独立地或组合地跟踪其他变量中的误差，并且使用这些作为针对J_tracking的成本降低函数的设定点。适当的跟踪误差变量包括在稳态表达式中用作约束的那些，即叶片根部弯曲力矩、转子推力、塔架顶部加速度、塔架底部弯曲力矩等。在至少将发电机速度w和叶片根部弯曲力矩v用作设定点的示例中，可以将J_tracking函数写为：

$J_{\mathrm{tracking}}={\mathrm{\&gamma;}}_1\underset{i=N_1}{\overset{N_2}{\mathrm{\&Sigma;}}}{(w^{\mathrm{demand}}(t+i)-w^{\mathrm{predicted}}(t+i))}^2+{\mathrm{\&gamma;}}_2\underset{i=N_1}{\overset{N_2}{\mathrm{\&Sigma;}}}{(v^{\mathrm{demand}}(t+i)-v^{\mathrm{predicted}}(t+i))}^2+...$

系数γ1和γ2允许每个设定点跟踪误差被给予加权，并且允许每个设定点因此被包括在跟踪误差函数中或被省略。例如，在上述表达式中，如果将γ₂和任何后续系数设定为零，而γ₁是非零的，则表达式简化到仅考虑发电机速度差异的情况，那样。

我们还已经识别到，并入叶跟弯曲力矩中的差异是尤其有用的。本领域的技术人员将认识到，希望根据负荷和桨距控制指令将叶片根部弯曲力矩维持在设定参数之内。根据该参数优化成本函数的结果将是用于如以前那样输出的优化的发电机和/或桨距控制信号。在替代实施例中，可以单独地基于叶片根部弯曲力矩计算跟踪误差，在该情况下，必须要独立地约束发电机速度。

在一个实施例中，可以将预测控制器用作诊断工具。由于始终更新模型31以便预测发电机速度的未来值、桨距控制基准值和功率控制基准值，所以可以识别风力涡轮机不正常工作的状况。这可以通过将用于控制目的的由该模型计算的预测值与表示正常工作状况的值进行比较来实现。在该实施例中，未来自预测控制器27和模型31的输出被馈送给存储器33和分类器34，该分类器34被布置为解释数据并且向网络16指示检测到的任何故障的性质。以该方式识别故障可以通过将数据与阈值进行比较、模式匹配或任何其他已知的数学方法来实现。

上述示例使用了既考虑桨距控制又考虑功率控制的成本函数，但如正文中所述，将可以实现更简单的系统，其中仅使用基准之一或另一个。此外，将认识到，可以将预测控制器并入部分负荷控制和满负荷控制中的一个或多个中。

尽管已经使用LIDAR系统描述了本发明的示例，但将认识到，可以使用检测在风力涡轮机前适当位置或距离的进入风的任何风传感器系统。一个这样的示例是桅杆安装的风速计以及诸如SODAR和RADAR之类的其他多普勒风速计装置。然后优选LIDAR设备，因为它们能够被容易安装用于每个个体风力涡轮机并且提供迅速且可靠的感测方法。

Claims (22)

1.一种风力涡轮机，包括：

一个或多个转子叶片；

桨距致动器系统，其用于调节所述一个或多个风力涡轮机转子叶片的桨距角；

发电机；

风传感器，其用于检测在所述一个或多个转子叶片的前方预定距离的至少第一位置处的进入风速；以及

耦合到所述风传感器的控制器，其用于为所述风力涡轮机提供输出控制信号，其中，所述控制器被布置为：

a)从所述风传感器接收值，所述值指示所述风力涡轮机的前方预定距离处的所述进入风速；

b)产生在未来时间段的所述进入风速的时间序列表示；

c)假定在未来时间段的用于输出控制信号的值的时间序列；

d)基于使成本函数最小化来优化用于所述输出控制信号的所述值的时间序列，其中，所述成本函数包括定义所述风力涡轮机的操作的方面的项；

e)基于步骤d）中优化的所述值的时间序列来输出控制信号。

2.根据权利要求1所述的风力涡轮机，其中，所述输出控制信号是输出到所述桨距致动系统的叶片桨距基准信号。

3.根据权利要求1或2所述的风力涡轮机，其中，所述输出控制信号是输出到所述发电机的发电机功率基准。

4.根据前述权利要求中的任一项所述的风力涡轮机，其中，所述成本函数包含表示需要的发电机速度的时间序列表示与预测的发电机速度的未来时间序列表示之间的差异的项。

5.根据权利要求4所述的风力涡轮机，其中，基于未来时间段的所述进入风速的时间序列表示和所述控制信号的所述时间序列值来计算所述预测的发电机速度的所述时间序列表示。

6.根据前述权利要求中的任一项所述的风力涡轮机，其中，所述成本函数包含表示期望的叶片根部弯曲力矩的时间序列表示与预测的叶片根部弯曲力矩的未来时间序列表示之间的差异的项。

7.根据前述权利要求中的任一项所述的风力涡轮机，其中，所述成本函数包含表示所述控制信号的所述值的变化被允许的程度的项。

8.根据前述权利要求中的任一项所述的风力涡轮机，其中，所述控制器被布置为接收基于所述风力涡轮机处的测量风速的用于所述控制信号的一个或多个最优基准值。

9.根据权利要求8所述的风力涡轮机，其中，所述成本函数包含表示用于经一次优化的所述输出控制信号的所述值的时间序列被允许与所述最优基准值不同的程度的项。

10.根据权利要求1所述的风力涡轮机，其中，所述风传感器是多普勒风速计装置。

11.一种控制风力涡轮机的方法，所述风力涡轮机具有：一个或多个转子叶片、用于调节所述一个或多个风力涡轮机转子叶片的桨距角的桨距致动器系统；发电机；用于检测所述一个或多个转子叶片的前方预定距离的至少第一位置处的进入风速的风传感器；以及耦合到所述风传感器的控制器，所述控制器用于为所述风力涡轮机提供输出控制信号，所述方法包括在所述控制器处的以下步骤：

a)从所述风传感器接收值，所述值指示所述风力涡轮机的前方预定距离处的所述进入风速；

b)产生在未来时间段的所述进入风速的时间序列表示；

c)假定在未来时间段的用于输出控制信号的值的时间序列；

d)基于使成本函数最小化来优化用于所述输出控制信号的所述值的时间序列，其中，所述成本函数包括定义所述风力涡轮机的操作的方面的项；

e)基于步骤d）中优化的所述值的时间序列来输出控制信号。

12.根据权利要求11所述的方法，包括输出叶片桨距基准信号作为控制信号以控制所述桨距致动系统。

13.根据权利要求11所述的方法，包括输出发电机功率基准输出作为控制信号以控制所述发电机。

14.根据权利要求11到13中的任一项所述的方法，其中，所述成本函数包含表示需要的发电机速度的时间序列表示与预测的发电机速度的未来时间序列表示之间的差异的项。

15.根据权利要求14所述的方法，其中，基于未来时间段的所述进入风速的所述时间序列表示与所述控制信号的所述时间序列值来计算所述预测的发电机速度的所述时间序列表示。

16.根据权利要求11到15中的任一项所述的方法，其中，所述成本函数包含表示期望的叶片根部弯曲力矩的时间序列表示与预测的叶片根部弯曲力矩的未来时间序列表示之间的差异的项。

17.根据权利要求11到16中的任一项所述的方法，其中，所述成本函数包含表示所述控制信号的所述值的变化被允许的程度的项。

18.根据权利要求11到17中的任一项所述的方法，包括：在所述控制器处，接收基于所述风力涡轮机处的测量风速的用于所述控制信号的一个或多个最优基准值。

19.根据权利要求17所述的方法，其中，所述成本函数包含表示用于经一次优化的所述输出控制信号的所述值的时间序列被允许与所述最优基准值不同的程度的项。

20.根据权利要求1所述的方法，其中，所述风传感器是多普勒风速计装置。

21.一种用于控制风力涡轮机的操作的装置，所述风力涡轮机包括：一个或多个转子叶片；用于调节所述一个或多个风力涡轮机转子叶片的桨距角的桨距致动器系统；发电机；以及用于检测所述一个或多个转子叶片的前方预定距离的至少第一位置处的进入风速的风传感器；所述装置包括：

耦合到所述风传感器的控制器，其用于为所述风力涡轮机提供输出控制信号，其中所述控制器被布置为：

a)从所述风传感器接收值，所述值表示所述风力涡轮机的前方预定距离处的进入风速；

b)产生在未来时间段的所述进入风速的时间序列表示；

c)假定在未来时间段的用于输出控制信号的值的时间序列；

d)基于使成本函数最小化来优化用于所述输出控制信号的所述值的时间序列，其中，所述成本函数包括定义所述风力涡轮机的操作的方面的项；

e)基于步骤d）中优化的所述值的时间序列来输出控制信号。

22.一种包含计算机代码的计算机程序产品，当在计算机上执行所述计算机代码时，所述计算机代码实施根据权利要求10到20中的任一项所述的方法。

Images