CN104314755B - 基于ipso的dfig变桨距ladrc方法及系统 - Google Patents

Abstract

本发明公开了风电机组控制系统领域的一种基于IPSO的DFIG变桨距LADRC方法及系统，方法具体为把双馈风机机组的变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群，通过对粒子群的免疫优化，实现了对双馈风机机组的变桨距系统的线性自抗扰控制系统要调节参数的优化。系统包括初始化装置、计算比较装置、选择复制装置、赋值更新装置、轮盘选择装置、交叉装置、变异装置、粒子群重塑装置和迭代输出装置。本发明利用免疫粒子群优化算法对优化参数寻优，避免了手动寻优得到系统控制器参数的最优值的困难性和手动往复寻优的复杂性。

Description

基于IPSO的DFIG变桨距LADRC方法及系统

技术领域

本发明属于风电机组控制系统领域，特别涉及一种基于免疫粒子群优化算法IPSO(Immune Particle Swarm Optimization)的双馈风机DFIG(Doubly-fed InductionGenerator)变桨距系统线性自抗扰控制ADRC(active disturbance rejection control)方法。

背景技术

为降低风轮负荷以延长其使用寿命，抑制风力发电机组输出功率波动以降低对电网的不利影响，大中型风电机组通常在额定风速以上采用变桨距控制，即通过改变风轮桨距角，进而相应改变风能利用系数，使机组输出功率保持稳定，但是风力发电机组具有较大的转动惯量和较严重的非线性，并且自然风速变化范围大，使得变桨距系统控制困难。

将线性自抗扰控制策略应用在具有大惯性、非线性系统中，可以有效的减少控制过程中的检测量，简化复杂的控制过程。文献“风力发电机组变桨距线性自抗扰控制[J]”,张金芳，华东电力，2013,41(2)：371-375，将线性自抗扰控制应用到变桨距系统中，虽然取得了一定的控制效果，但是线性自抗扰控制在参数寻优上存在明显缺陷，往往通过试凑法和经验法获得最优参数，不利于优化控制。

文献“免疫粒子群算法的改进及应用[J]”，殷富，计算机应用，2010，30(7)：1883-1888，表明了免疫粒子群算法既克服了粒子群算法以及免疫算法的缺点，又结合了两种算法的优点，一方面可以保证种群的多样性，通过利用免疫记忆与自我调节机制，抑制浓度过高的抗体；二是具有很强的全局搜索能力，主要通过变异和种群刷新，不断的产生新的个体，搜索尽可能多的空间。

故为了进一步完善双馈风电机组变桨距系统的控制，本发明应用免疫粒子群优化算法对基于线性自抗扰控制的双馈风电机组变桨距系统进行参数寻优。

发明内容

本发明的目的是提供一种基于IPSO的DFIG变桨距LADRC方法，使得当风速发生变化时，机组的桨距角以及功率的变化最小，其特征是所述方法包括：

步骤1：把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

步骤2：计算粒子群A中每个粒子的适应度并比较大小；

步骤3：依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中，n为自然数；

步骤4：选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

步骤5：计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

步骤6：将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

步骤7：将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

步骤8：计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；

步骤9：当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即(线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值)的最优值。

所述步骤8中，如果子代3中不足100-n个粒子，用空粒子即双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数都设为0补充。

所述步骤4中，免疫粒子的速度向量v的更新公式为：

v_k+1＝wv_k+c₁r₁(PBEST_k-x_k)+c₂r₂(GBEST_k-x_k)

其中：v_k+1为粒子更新后的速度向量；

v_k为粒子更新前的速度向量

c₁、c₂为学习因子；

r₁、r₂为为区间(0,1)的随机数；

PBEST_k为粒子更新前的个体极值；

GBEST_k为粒子更新前的全局极值；

x_k为粒子更新前位置向量；

w为惯性因子。

所述惯性因子w的选取公式为：

$w_{\mathrm{ITER}}=w_{\max }-\mathrm{ITER}\frac{w_{\max }-w_{\min }}{\mathrm{MAXITER}}$

其中：ITER为迭代次数；

MAXITER为最大迭代次数；

w_ITER为第ITER次迭代时的惯性因子；

w_max为最大惯性因子；

w_min为最小惯性因子。

所述步骤6中进行交叉操作的交叉概率为：

$P_c=\left\{\begin{array}{c}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f_{\mathrm{avg}}-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}<f_{\mathrm{avg}}\\ P_{c1},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

其中：P_c是交叉概率；

P_c1是交叉概率上限；

P_c2是交叉概率下限；

f_max是粒子群最大适应度；

f_avg是粒子群平均适应度；

f'是交叉粒子的适应度值。

所述步骤7中进行变异操作的变异概率为：

$P_m=\left\{\begin{array}{c}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},f<f_{\mathrm{avg}}\\ P_{m1},f\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.$

其中：P_m是交叉概率；

P_m1是变异概率上限；

P_m2是变异概率下限；

f_max是种群最大适应度；

f_avg是中群平均适应度；

f是要变异个体的适应度值。

所述双馈风电机组变桨距系统的线性自抗扰控制系统为：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{z}}_1=z_2+l_1(y-z_1)\\ {\stackrel{\&CenterDot;}{z}}_2=z_3+l_2(y-z_1)+\mathrm{bu}\\ {\stackrel{\&CenterDot;}{z}}_3=l_3(y-z_1)\\ u_0=k_1(r-z_1)+k_2(\stackrel{\&CenterDot;}{r}-z_2)\\ u=u_0-\frac{z_3}{b}\end{array}\right.$

其中，f为双馈风机机组总扰动；y为双馈风机机组实际输出有功功率；y'是y的导数；z₁是y的观测值；z₂是y'的观测值；z₃是f观测值；·是求导运算；u是线性自抗扰控制系统的控制量；u₀为非线性误差反馈控制器的输出量；r为参考输入；b为桨距角估计值；l₁，l₂，l₃，k₁，k₂和b为待调节参数； $\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{z}}_1=z_2+l_1(y-z_1)\\ {\stackrel{\&CenterDot;}{z}}_2=z_3+l_2(y-z_1)+\mathrm{bu}\\ {\stackrel{\&CenterDot;}{z}}_3=l_3(y-z_1)\end{array}\right.$ 为线性扩张状态观测器；为非线性误差反馈控制器。

所述线性扩张状态观测器的增益矩阵为L＝[l₁,l₂,l₃]，用特征多项式形式表示为(s+ω₀)³＝s³+l₃s²+l₂s+l₁，其中ω₀为线性扩张状态观测器的带宽，参数l₁，l₂和l₃通过ω₀调节；s为非0向量。

所述非线性误差反馈控制器增益矩阵为K＝[k₁,k₂]^T，用特征多项式的形式表示为(s+ω_c)²＝s²+k₂s+k₁，其中，ω_c为非线性误差反馈控制器的带宽，参数k₁，k₂，通过ω_c调节；s为非0向量。

一种基于IPSO的DFIG变桨距LADRC系统，其特征在于,所述系统包括：

初始化装置，用于把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

计算比较装置，用于计算粒子群A中每个粒子的适应度并比较大小；

选择复制装置，用于依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中，n为自然数；

赋值更新装置，用于选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

轮盘选择装置，用于计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

交叉装置，用于将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

变异装置，将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

粒子群重塑装置，用于计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；

迭代输出装置，当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即(线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值)的最优值。

本发明通过采用免疫粒子群优化算法对线性自抗扰控制系统进行参数优化，避免了手动寻优得到系统控制器参数的最优值的困难性和手动往复寻优的复杂性。

附图说明

图1是基于IPSO的DFIG变桨系统线性自抗扰控制过程图。

图2是基于IPSO的DFIG变桨距LADRC方法的流程图。

图3是基于IPSO的DFIG变桨距LADRC系统结构图。

图4实施例1的采用IPSO优化的线性自抗扰控制下变桨距系统与未优化的线性自抗扰控制下变桨距系统性能对比图；其中，

(a)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统功率变化曲线对比图；

(b)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统桨距角变化曲线对比图；

(c)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统风轮转速变化曲线对比图。

图5是实施例2的采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统性能对比图；其中，

(a)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统功率变化曲线对比图；

(b)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统桨距角变化曲线对比图；

(c)是采用IPSO优化的线性自抗扰控制与未采用IPSO优化的线性自抗扰控制下变桨距系统风轮转速变化曲线对比图。

具体实施方式：

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

在介绍方法之前，首先需要对双馈风机机组变桨距系统的线性自抗扰控制系统建模，确定待优化参数，具体为：

双馈风机机组变桨距系统的线性自抗扰控制系统包括线性扩张状态观测器、非线性误差反馈控制器和跟踪微分器。

设f为双馈风机机组总扰动，y为双馈风机机组实际输出有功功率，y'是y的导数，则变桨距系统的线性自抗扰控制系统模型为(1)式如下：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{z}}_1=z_2+l_1(y-z_1)\\ {\stackrel{\&CenterDot;}{z}}_2=z_3+l_2(y-z_1)+\mathrm{bu}\\ {\stackrel{\&CenterDot;}{z}}_3=l_3(y-z_1)\\ u_0=k_1(r-z_1)+k_2(\stackrel{\&CenterDot;}{r}-z_2)\\ u=u_0-\frac{z_3}{b}\end{array}\right.---\left(1\right)$

其中：z₁是y的观测值，z₂是y'的观测值，z₃是f观测值，·是求导运算，u是线性自抗扰控制系统的控制量；u₀为非线性误差反馈控制器的输出量，r为参考输入，b为桨距角估计值，l₁，l₂，l₃，k₁，k₂，b为待调节参数，其中参数l₁，l₂和l₃通过ω₀调节，参数k₁，k₂，通过ω_c调节，ω₀为线性扩张状态观测器的带宽，ω_c为非线性误差反馈控制器的带宽，具体对应调节关系如下：

线性扩张状态观测器数学模型为：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{z}}_1=z_2+l_1(y-z_1)\\ {\stackrel{\&CenterDot;}{z}}_2=z_3+l_2(y-z_1)+\mathrm{bu}\\ {\stackrel{\&CenterDot;}{z}}_3=l_3(y-z_1)\end{array}\right.---\left(2\right)$

线性扩张状态观测器的增益矩阵L为：

L＝[l₁,l₂,l₃] (3)

(2)式的特征多项式用ω₀的形式表示为：

(s+ω₀)³＝s³+l₃s²+l₂s+l₁ (4)(4)式中s为非0向量，则线性扩张观测器的增益矩阵L由线性扩张状态观测器的带宽ω₀决定，即ω₀成为线性扩张状态观测器中唯一需要调节的参数。

非线性误差反馈控制器模型：

$u_0=k_1(r-z_1)+k_2(\stackrel{\&CenterDot;}{r}-z_2)---\left(5\right)$

非线性误差反馈控制器增益矩阵K为：

K＝[k₁,k₂]^T (6)(5)式特征多项式用ω_c的形式表示为：

(s+ω_c)²＝s²+k₂s+k₁ (7) (7)式中s为非0向量，则非线性误差反馈控制器增益矩阵K由ω_c决定，即ω_c成为非线性误差反馈控制器中唯一需要调节的参数。

综上，变桨距系统的线性自抗扰控制系统中需要调节的参数为线性扩张状态观测器的带宽ω₀、非线性误差反馈控制器的带宽ω_c和桨距角控制的给定值的估计值b。

图1是基于IPSO的DFIG变桨距LADRC过程图，实际中当双馈风电机组所在环境的风速发生变化时，风轮产生的力矩就会变化，通过传动系统双馈电机产生的动力矩也随之变化，从而传输到电网的功率y也随之变化，为使传输到电网的功率保持恒定，将实际输出功率y与功率设定值y_t相比较，并将误差作为线性自抗扰控制系统的参考输入r，通过IPSO对线性自抗扰控制系统的参数进行寻优，找到一组最佳的参数代入双馈风电机变桨距系统的线性自抗扰控制系统，使得双馈电机输出功率y在最短的时间内达到功率设定值yt。

图2是基于IPSO的DFIG变桨距LADRC方法的流程示意图，即利用免疫粒子群算法，找到一组ω₀、ω_c、b的变化序列，使得当风速发生变化时，双馈风机机组输出功率P的变化最小。其中，ω₀是线性扩张状态观测器的带宽，ω_c是非线性误差反馈控制器的带宽、b是桨距角的估计值。其特征是所述方法包括：

步骤1：把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

初始化ω₀、ω_c、b变化序列的空间维数D、粒子群规模N、迭代次数ITER、最大迭代次数MAXITER、被选择复制到免疫记忆细胞中的变桨距系统的线性自抗扰控制系统(粒子)个数n、粒子群学习因子c₁和c₂、惯性因子w、惯性因子变化上限w_max、惯性因子变化下限w_min、位置向量x变化区间下限x_min、位置向量x变化区间上限x_max、速度向量v的变化区间上限v_max、变异概率p_m、变异概率上限p_m1、变异概率下限p_m2、交叉概率p_c，交叉概率上限为p_c1和交叉概率下限为p_c2，个体极值PBEST和化全局极值GBEST。所述交叉概率p_c是初代粒子群中所有相邻粒子通过进行交叉操作得到下一代粒子的概率，变异概率pm是经过交叉操作的粒子群再进行变异操作的概率，个体极值PBEST是每一代粒子群中粒子适应度最小值，即双馈风电机组变桨距系统输出功率最小变化量，全局极值GBEST是粒子群所有粒子中适应度最小值，即风电机组输出功率的最小变化量。设r₁和r₂为区间(0,1)的随机数。

初始化免疫记忆细胞。

步骤2：计算粒子群A中每个粒子的适应度并比较大小；

变桨距系统的线性自抗扰控制系统的粒子群适应度的计算公式为：

J＝∫|et|·tdt (8) (8)式中：et是双馈风机机组输出功率反馈值与设定值的误差。

变桨距系统的线性自抗扰控制系统的粒子群的适应度是表明抗原与抗体之间亲和力大小的物理量。由于风电机组变桨距系统的主要的控制目的是在额定风速以上风速发生变化时，使风电机组功率在尽可能短的时间保持稳定，且控制过程中超调量尽可能小。因此在将粒子群依次赋值给基于线性自抗扰控制系统的风电机组变桨距控制模型后，计算粒子群各个粒子即变桨距系统的线性自抗扰控制系统的适应度，通过比较找出适应度最小的粒子参数即为最佳功率控制参数。

比较各粒子适应度大小。

步骤3：依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中，n为自然数；

步骤4：选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

变桨距系统的线性自抗扰控制系统(粒子)的速度向量v更新公式为：

v_k+1＝wv_k+c₁r₁(PBEST_k-x_k)+c₂r₂(GBEST_k-x_k) (9) (9)式中：其中，v_k+1为粒子更新后的速度向量；v_k为粒子更新前的速度向量；c₁、c₂为学习因子；r₁、r₂为为区间(0,1)的随机数；PBEST_k为粒子更新前的个体极值；GBEST_k为粒子更新前的全局极值；x_k为粒子更新前的位置向量；w是惯性因子，为免疫粒子群寻优中最重要的参数，如何选择w将直接影响算法的优化性能。较小的w会使算法在局部搜索最优值的时候占优，对算法的收敛性影响很大。较大的w会使算法在全局搜索最优值的时候占优，并且有利于算法跳出局部极小值。本文综合全局考虑，采用w自适应逐级线性递减的方法即使w从开始一个极大值逐步递减到一个极小值，w选取公式为：

$w_{\mathrm{ITER}}=w_{\max }-\mathrm{ITER}\frac{w_{\max }-w_{\min }}{\mathrm{MAXITER}}---\left(10\right)$

(10)式中：ITER为迭代次数；MAXITER为最大迭代次数；w_ITER为第ITER次迭代时的惯性因子；w_max为最大惯性因子；w_min是最小惯性因子。

免疫变桨距系统的线性自抗扰控制系统(粒子)的位置向量x更新公式为：

x_k+1＝x_k+v_k+1 (11) (11)式中，x_k+1为粒子更新后的位置向量；x_k为粒子更新前的位置向量，v_k+1为粒子更新后的速度向量。

步骤5：计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

首先，根据适应度浓度公式(12)计算免疫变桨距系统的线性自抗扰控制系统(粒子)的适应度浓度。

$P_s\left(x_i\right)=(1-\mathrm{\&alpha;})P_f+\mathrm{\&alpha;}\frac{{\mathrm{\&Sigma;}}_{j=1}^N|f\left(x_i\right)-f\left(x_j\right)|}{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{\&Sigma;}}_{j=1}^N\left|f\left(x_i\right)-f\left(x_j\right)\right|}---\left(12\right)$

(12)式中：P_s(x_i)为免疫变桨距系统的线性自抗扰控制系统(粒子)群中粒子的适应度浓度，P_f为基于粒子适应度的遗传个体选择概率，f(x_i)和f(x_j)是当前免疫变桨距系统的线性自抗扰控制系统(粒子)适应度，α是浓度衰减细数，0<α＝cos^e(π·ITER/(2MAXITER))<1，e为常数。

然后，根据轮盘赌选择法生成子代1，免疫变桨距系统的线性自抗扰控制系统(粒子)的适应度浓度越小表示该粒子被选中的概率越小，反之被选中的概率越大，从而避免丢失那些适应度较差却保持着较好进化趋势的粒子。

步骤6：将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

设p_c为交叉概率，rand1，rand2是0到1间的随机数，当pc>rand1时，则交叉操作公式为：

$\left\{\begin{array}{c}b1=\mathrm{rand}2*a1+(1-\mathrm{rand}2)*a2\\ b2=(1-\mathrm{rand}2)*a1+\mathrm{rand}2*a2\end{array}\right.---\left(13\right)$

(13)式中，a₁和a₁是需要进行交叉的初代粒子；b₁，b₂是交叉后生成的子代粒子。

交叉概率p_c是决定交叉操作性能好坏的关键,无论过大还是过小，都会直接影响交叉操作的收敛性和收敛速度，故本文采用自适应交叉概率。当粒子群处于优化初期阶段时，粒子群中粒子的差异较大，适应度比较分散，使p_c增加，当粒子群中粒子适应度趋于一致或趋于局部最优时，使p_c减小；同时，对于适应度值高于粒子群群平均适应度值的粒子，对应于较高的p_c，使该粒子被淘汰掉；而适应度值低于粒子群平均适应度值的粒子，对应于较低的p_c，使该粒子得以保护进入下一代。p_c的计算公式如下：

$P_c=\left\{\begin{array}{c}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f_{\mathrm{avg}}-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}<f_{\mathrm{avg}}\\ P_{c1},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.---\left(14\right)$

(14)式中：交叉概率上限p_c1＝0.99，交叉概率下限为p_c2＝0.49，f_max是粒子群最大适应度，f_avg是粒子群平均适应度，f'是交叉粒子的适应度值。

步骤7：将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

设mean，dif是1*3的行向量，rand3、rand4是(0,1)间的随机数，若p_m>rand3，则变异操作公式为：

v1＝mean+dif*(rand4-0.5) (15)

(15)式中，v1是变异后得到的粒子，dif＝x_max-x_min。

变异操作的主要目的是维持种群的多样性，避免粒子陷入局部极小值。变异操作是对粒子群中的每一个粒子，选择粒子中的一点进行变异以产生更优秀的粒子。变异概率P_m是决定算法性能的关键，无论过大还是过小，都会直接影响算法的收敛性和收敛速度，故本文采用自适应变异概率。当粒子群处于优化初期阶段时，粒子差异较大，适应度比较分散时，使P_m减少，当粒子群中粒子体适应度趋于一致或趋于局部最优时，使P_m增加；而同时，对于适应度值低于粒子群平均适应度值的粒子，对应于较低的P_m，使该粒子得以保护进入下一代，而适应度值高于粒子群平均适应度值的粒子，对应于较高的P_m，使该粒子被淘汰掉。P_m的计算公式如下：

$P_m=\left\{\begin{array}{c}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}},f<f_{\mathrm{avg}}\\ P_{m1},f\&GreaterEqual;f_{\mathrm{avg}}\end{array}\right.---\left(16\right)$

(16)式中：变异概率上限P_m1＝0.1，变异概率下限P_m2＝0.0001，f_max是种群最大适应度，f_avg是中群平均适应度，f是要变异个体的适应度值。

步骤8：计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；

步骤9：当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即(线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值)的最优值。

一种基于IPSO的DFIG变桨距LADRC系统，结构如图3所示。所述系统包括：

初始化装置，用于把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

计算比较装置，用于计算粒子群A中每个粒子的适应度并比较大小；

选择复制装置，用于依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中，n为自然数；

赋值更新装置，用于选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

轮盘选择装置，用于计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

交叉装置，用于将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

变异装置，将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

粒子群重塑装置，用于计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；

迭代输出装置，当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即(线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值)的最优值。

下面结合附图，用实例来说明本发明的效果。

实施例1如下：

风速突变时，即在10s时风速由12m/s突变到15m/s，在20s时风速由15m/s突变到17m/s时，采用IPSO优化的LADRC与未采用IPSO优化的LADRC下双馈风机机组输出功率、桨距角、风轮转速变化曲线的对比图如图4所示，其中：

图4(a)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统功率变化曲线对比图；

图4(b)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统桨距角变化曲线对比图；

图4(c)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统风轮转速变化曲线对比图。

可以看出在10s处，经过IPSO优化的LADRC下，双馈风机机组的输出功率变化大约27kw，调节时间大约是2s；机组桨距角的超调量大约是5度，调节时间大约为1.2s；机组转速的超调量大约为0.6rad/s，调节时间大约为2s。在20s处，经过IPSO优化的LADRC下，双馈风机机组的输出功率变化大约10kw，调节时间大约是0.5s；机组桨距角的超调量大约是2度，调节时间大约为0.5s；机组转速的超调量大约为0.3rad/s，调节时间大约为1.7s。由此可见，风速突变时，经过IPSO优化的LADRC与未优化的LADRC相对比，双馈风机机组输出功率的超调量以及调节时间都明显减少；桨距角的超调量相差无几但是调节时间明显减小；双馈风机机组转速的超调量以及调节时间都明显减少。

实施例2如下：

切机时，风速骤然变化，即在5秒时，风速阶跃变化由20m/s增加到23m/s，在15秒时，由23m/s突加到25m/s。采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统输出功率、桨距角、风轮转速变化曲线的对比图如图5所示，其中：

图5(a)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统功率变化曲线对比图；

图5(b)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统桨距角变化曲线对比图；

图5(c)为采用IPSO优化的LADRC与未采用IPSO优化的LADRC下变桨距系统风轮转速变化曲线对比图。

可以看出在5s处，经过IPSO优化的LADRC下，双馈风机机组的输出功率变化大约15kw，调节时间大约是1s，机组桨距角的超调量大约是7度，调节时间大约为1.2s；机组转速的超调量大约为0.25rad/s，调节时间大约为0.8s。在15s处，经过IPSO优化的LADRC下，双馈风机机组的输出功率变化大约10kw，调节时间大约是0.5s；机组桨距角的超调量大约是1.2度，调节时间大约为1.3s；机组转速的超调量大约为0.15rad/s，调节时间大约为0.3s。由此可见，切机时，经过IPSO优化的LADRC与未优化的LADRC相对比，双馈风机机组输出功率的超调量以及调节时间都明显减少；桨距角的超调量相差无几但是调节时间明显减小；双馈风机机组转速的超调量以及调节时间都明显减少。

本发明的有益效果为：

1.本发明在基于线性自抗扰控制的双馈风电机组变桨距系统模型的基础上，采用免疫粒子群优化算法对线性自抗扰控制系统进行参数优化，避免了手动寻优得到系统控制器参数的最优值的困难性，同时采用优化算法，大大减小了手动往复寻优的复杂性。

2.在免疫粒子群优化算法中，对权重系数、交叉概率、变异概率采用了自适应的方法，大大的增加了算法的精度与速度。

3.本发明丰富了免疫粒子群优化方法，采用免疫粒子群优化算法对线性自抗扰控制系统进行参数优化，使得该控制器更符合实际需要。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述方法包括：

步骤1：把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

步骤2：计算粒子群A中每个粒子的适应度并比较大小；

步骤3：依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中：n为自然数；

步骤4：选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

步骤5：计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

步骤6：将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

步骤7：将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

步骤8：计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；

步骤9：当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值的最优值。

2.根据权利要求1所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述步骤8中，如果子代3中不足100-n个粒子，用空粒子即双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数都设为0补充。

3.根据权利要求1所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述步骤4中，免疫粒子的速度向量v的更新公式为：

v_k+1＝wv_k+c₁r₁(PBEST_k-x_k)+c₂r₂(GBEST_k-x_k)

其中，v_k+1为粒子更新后的速度向量；

v_k为粒子更新前的速度向量

c₁、c₂为学习因子；

r₁、r₂为区间(0,1)的随机数；

PBEST_k为粒子更新前的个体极值；

GBEST_k为粒子更新前的全局极值；

x_k为粒子更新前位置向量；

w为惯性因子。

4.根据权利要求3所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述惯性因子w的选取公式为：

$w_{ITER}=w_{max}-ITER\frac{w_{max}-w_{min}}{MAXITER};$

其中，ITER为迭代次数；

MAXITER为最大迭代次数；

w_ITER为第ITER次迭代时的惯性因子；

w_max为最大惯性因子；

w_min为最小惯性因子。

5.根据权利要求1所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述步骤6中进行交叉操作的交叉概率为：

$P_c=\left\{\begin{array}{cc}{P}_{c1}-\frac{(P_{c1}-P_{c2})(f_{avg}-f^{\&prime;})}{f_{max}-f_{avg}},& f^{\&prime;}<f_{avg}\\ P_{c1},& f^{\&prime;}\&GreaterEqual;f_{avg}\end{array}\right.$

其中：P_c是交叉概率；

P_c1是交叉概率上限；

P_c2是交叉概率下限；

f_max是粒子群最大适应度；

f_avg是粒子群平均适应度；

f'是交叉粒子的适应度值。

6.根据权利要求1所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是所述步骤7中进行变异操作的变异概率为：

$P_m=\left\{\begin{array}{cc}{P}_{m1}-\frac{(P_{m1}-P_{m2})(f_{\max }-f)}{f_{max}-f_{avg}},& f<f_{avg}\\ P_{m1},& f\&GreaterEqual;f_{avg}\end{array}\right.$

其中：P_m是变异概率；

P_m1是变异概率上限；

P_m2是变异概率下限；

f_max是种群最大适应度；

f_avg是中群平均适应度；

f是要变异个体的适应度值。

7.根据权利要求1所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是，所述双馈风电机组变桨距系统的线性自抗扰控制系统为：

$\left\{\begin{array}{c}{\stackrel{\&CenterDot;}{z}}_1=z_2+l_1(y-z_1)\\ {\stackrel{\&CenterDot;}{z}}_2=z_3+l_2(y-z_1)+bu\\ {\stackrel{\&CenterDot;}{z}}_3=l_3(y-z_1)\\ u_0=k_1(r-z_1)+k_2(\stackrel{\&CenterDot;}{r}-z_2)\\ u=u_0-\frac{z_3}{b}\end{array}\right.$

其中，f为双馈风机机组总扰动；y为双馈风机机组实际输出有功功率；y'是y的导数；z₁是y的观测值；z₂是y'的观测值；z₃是f观测值；·是求导运算；u是线性自抗扰控制系统的控制量；u₀为非线性误差反馈控制器的输出量；r为参考输入；b为桨距角估计值；l₁，l₂，l₃，k₁，k₂和b为待调节参数；为线性扩张状态观测器；为非线性误差反馈控制器。

8.根据权利要求7所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是，所述线性扩张状态观测器的增益矩阵为L＝[l₁,l₂,l₃]，用特征多项式形式表示为(s+ω₀)³＝s³+l₃s²+l₂s+l₁，其中ω₀为线性扩张状态观测器的带宽，参数l₁，l₂和l₃通过ω₀调节；s为非0向量。

9.根据权利要求7所述的一种基于IPSO的DFIG变桨距LADRC方法，其特征是，所述非线性误差反馈控制器增益矩阵为K＝[k₁,k₂]^T，用特征多项式的形式表示为(s+ω_c)²＝s²+k₂s+k₁，其中，ω_c为非线性误差反馈控制器的带宽，参数k₁，k₂，通过ω_c调节；s为非0向量。

10.一种基于IPSO的DFIG变桨距LADRC系统，其特征在于，所述系统包括：

初始化装置，用于把双馈风电机组变桨距系统的线性自抗扰控制系统要调节的参数即线性扩张状态观测器的带宽，非线性误差反馈控制器的带宽和桨距角的估计值赋值给粒子群A，初始化粒子群A、迭代次数、最大迭代次数和免疫记忆细胞；

计算比较装置，用于计算粒子群A中每个粒子的适应度并比较大小；

选择复制装置，用于依次选取n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群B；其中，n为自然数；

赋值更新装置，用于选择粒子群A中适应度最小值赋值给个体极值和全局极值；更新免疫粒子群的位置向量及速度向量；

轮盘选择装置，用于计算粒子群A中每个粒子的适应度浓度，根据轮盘赌选择法生成子代1粒子群；

交叉装置，用于将子代1粒子群中所有粒子进行交叉操作，生成子代2粒子群；

变异装置，将子代2粒子群中的每个粒子进行变异操作，形成子代3粒子群；

粒子群重塑装置，用于计算子代3粒子群中每个粒子的适应度并比较大小，依次选取100-n个适应度值最小的粒子复制到免疫记忆细胞中，组成粒子群F；粒子群A＝粒子群F+粒子群B；迭代输出装置，当迭代次数<最大迭代次数时，重复步骤2-8；当迭代次数≥最大迭代次数时，结束迭代；输出全局极值即变桨距系统的线性自抗扰控制系统中需要调节的参数即线性扩张状态观测器的带宽、非线性误差反馈控制器的带宽和桨距角的估计值的最优值。