CN104612904A - 一种双馈型风力发电机组最大风能捕获方法 - Google Patents
一种双馈型风力发电机组最大风能捕获方法 Download PDFInfo
- Publication number
- CN104612904A CN104612904A CN201410743221.8A CN201410743221A CN104612904A CN 104612904 A CN104612904 A CN 104612904A CN 201410743221 A CN201410743221 A CN 201410743221A CN 104612904 A CN104612904 A CN 104612904A
- Authority
- CN
- China
- Prior art keywords
- value
- electromagnetic torque
- wind
- search
- torque value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009194 climbing Effects 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 11
- 238000009790 rate-determining step (RDS) Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000000630 rising effect Effects 0.000 abstract description 2
- 230000010355 oscillation Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/10—Purpose of the control system
- F05B2270/101—Purpose of the control system to control rotational speed (n)
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了风力发电领域的一种双馈型风力发电机组最大风能捕获方法,构建以风速值、风向值、风轮转速值为输入量,电磁转矩值为输出量的BP神经网络模型,再根据叶尖速比点公式,计算期望的理论最佳风轮转速值,代入所述BP神经网络模型中确定电磁转矩值初始控制量,然后采用变步长的爬山搜索法,随着控制周期数的升高缩小电磁转矩值变化步长,在小范围内改变电磁转矩值大小以寻找最大功率值点,并在每次搜索前测量实时发电机转速值,在发电机转速值相比整个搜索开始时的初始发电机转速值的变化值超出限值时,重新启动搜索,在相邻两个控制周期的发电机转速值或者发电功率值的差值的绝对值小于限值时结束搜索。其技术效果是可以在爬山搜索中避免搜索周期过长或发生振荡,保证最大功率的捕获。
Description
技术领域
本发明涉及风力发电领域的一种双馈型风力发电机组最大风能捕获方法。
背景技术
风力发电机组在额定风速值以下为实现最大风能捕获,通常需要控制风轮转速值以匹配实时风速值,从而使风机运行在最佳叶尖速比点。对双馈型风力发电机组而言,风轮转速值是由风能产生的动力矩值和双馈电机产生的电磁转矩值共同决定的,所以可通过逆变器主动改变双馈电机产生的电磁转矩值的大小来调节风轮转速值实现预定的风轮转速值。然而,风速值的快速波动性和风轮转速值的大惯性使得这样的跟踪控制难以实施。目前,用于风力发电机组最大风能捕获的主流方法有三种:叶尖速比控制法,功率信号反馈法和爬山搜索法。叶尖速比控制法需要精确测量风速值,再根据风速值大小来控制风轮转速值,但作用于风轮上的“面风”采用常规测风仪无法精确测量。功率信号反馈法是将风机的输出功率值和风轮转速值联系起来,按风轮转速值的大小获取理论最佳的输出功率值,再通过控制调节风力发电机组励磁转矩值大小来获取最大输出功率值,但针对不同的风机其理论风轮转速值和最佳输出功率值的关系曲线不易获得。爬山搜索法无需实时测量风速值,也不要求提供理论功率值曲线,而爬山搜索法是通过对双馈电机不断施加转矩值的扰动观察实际功率值输出变化来实现最大风能捕获。常规的爬山搜索法存在一些缺点,如控制周期长,在最大功率值点附近可能存在振荡,尤其在风速值变化较快时,爬山搜索法可能失效,导致风能捕获效率下降。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种双馈型风力发电机组最大风能捕获方法,其以BP神经网络和叶尖速比法确定电磁转矩值初始控制量,然后采用变步长的爬山搜索法在小范围内改变电磁转矩值大小以寻找最大功率值点,并可在爬山搜索中避免搜索周期过长或发生振荡。
实现上述目的的一种技术方案是:一种双馈型风力发电机组最大风能捕获方法,包括下列步骤:
建立BP神经网络模型步骤:采集风机转子平衡状态下多个时间点的风速值,风向值,风轮转速值和电磁转矩值,建立以风速值,风向值和风轮转速值为输入量,电磁转矩值为输出量的BP神经网络模型;
电磁转矩值初始控制量计算及控制步骤:依据期望的理论最佳风轮转速值公式,即:
计算得到期望的理论最佳风轮转速值并将其代入所述的BP神经网络模型中,计算得到电磁转矩值初始控制量T(0),并以此时的发电机转速值作为启动爬山搜索前的初始发电机转速值ω0,其中,ν为10秒风速平均值,R为风机的风轮半径,λopt为最佳叶尖速比点;
电磁转矩值初次扰动步骤:等待TL个采样周期,待风机转子处于平衡状态后,记录当前发电机转速值ω1及发电功率值P1,并根据公式T(n)=T(n-1)+Tstep×α(n)计算控制周期数n为1时的电磁转矩值T(1),其中α(n)=exp(-30×(n/N)p),N为最大控制周期数,p为1~30间任意一个整数,Tstep为电磁转矩值最大变化步长;
发电机转速值判断步骤:等待TL个采样周期后,先将控制周期数n加1,再记录控制周期数为n时的发电机转速值ωn,并计算ωn相比于初始发电机转速值ω0的变化值Δω0,若|Δω0|>Δωmax,返回电磁转矩值初始值计算及控制步骤,其中Δωmax为设定的最大发电机转速偏差值,否则进入下一步骤;
爬山搜索启动判断步骤:计算相邻两个控制周期间的发电机转速值的差值Δω,以及发电功率值的差值ΔP,其中Δω=ωn-ωn-1,ΔP=Pn-Pn-1,若|ΔP|≤ΔPmin或|Δω|≤Δωmin,则结束本次搜索;若|ΔP|>ΔPmin且|Δω|>Δωmin,则进入下一步骤;ΔPmin为寻优发电功率容许变化值,Δωmin为寻优发电机转速容许变化值;
控制周期数判断步骤:若控制周期n大于最大控制周期数N,结束本次搜索,若控制周期数n小于等于最大控制周期数N,返回发电机转速值判断步骤;
爬山搜索电磁转矩值及扰动步骤:根据公式T(n+1)=T(n)+ΔT*,计算并输出控制周期数为n+1时的电磁转矩值T(n+1);其中ΔT*为电磁转矩值变化步长,爬山搜索确定电磁转矩值的规则如下:
当ΔP>0且Δω≥0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n);
当ΔP>0且Δω<0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω≥0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω<0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n)。
进一步的,所述建立BP神经网络模型步骤中建立的BP神经网络模型的隐藏层含有十五个神经单元。
进一步的,电磁转矩值初次扰动步骤和爬山搜索电磁转矩值及扰动步骤中,电磁转矩值是限值输出的。
采用了本发明的一种双馈型风力发电机组最大风能捕获方法的技术方案,构建以风速值、风向值、风轮转速值为输入量,电磁转矩值为输出量的BP神经网络模型,再根据叶尖速比点公式,计算期望的理论最佳风轮转速值,代入所述BP神经网络模型中确定电磁转矩值初始控制量,然后采用变步长的爬山搜索法,随着控制周期数的升高缩小电磁转矩值变化步长,在小范围内改变电磁转矩值大小以寻找最大功率值点,并在每次搜索前测量实时发电机转速值,在发电机转速值相比整个搜索开始时的初始发电机转速值的变化值超出限值时,重新启动搜索,在相邻两个控制周期的发电机转速值或者发电功率值的差值的绝对值小于限值时结束搜索。其技术效果是可以在爬山搜索中避免搜索周期过长或发生振荡,保证最大功率的捕获。
附图说明
图1为本发明的一种双馈型风力发电机组最大风能捕获方法的流程图。
图2为本发明的一种双馈型风力发电机组最大风能捕获方法中构建的BP神经网络模型。
图3为本发明的一种双馈型风力发电机组最大风能捕获方法中使用的爬山搜索电磁转矩值变化步长的系数曲线图。
具体实施方式
请参阅图1,本发明的发明人为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例,并结合附图进行详细地说明:
本发明的一种双馈型风力发电机组最大风能捕获方法包括下列方面的工作:
1.BP(error Back Propagation)神经网络模型建立:
采集风力发电机组在启动风速至额定风速之间,即低风速下的现场实时运行数据,采集的现场实时运行数据包括:风速值,风向值和风轮转速值,以及风机中双馈电机电磁转矩,简称电磁转矩值。在采集风速值,风向值和风轮转速值的过程中,风机的运行状态为稳定的平衡状态而非过渡状态。采集到足够多的风速值,风向值,风轮转速值和电磁转矩值的样本后,建立BP神经网络模型,该BP神经网络模型的输入量包括:风速值,风向值和风轮转速值,输出量为电磁转矩值。该BP神经网络模型的结构为三维输入,一维输出,即由三个输入量和一个输出量组成的BP神经网络模型。该BP神经网络模型中,在输入量和输出量之间的隐藏层中一共设置了用15个神经单元(请参阅图2)。其中,风速值和风向值的获得可使用风机的机舱上的测风仪来进行采样,无需增加额外的测量装置。
2.电磁转矩值初始控制量的获取:
根据现场实时采集的风速值以及风机的风轮半径,可计算期望的理论最佳风轮转速值由于最佳叶尖速比点公式如下:
可以得到期望的理论最佳风轮转速值为:
其中,ν为10秒风速平均值,单位为米/秒,R为风机的风轮半径,单位为米,为期望的理论最佳风轮转速值,单位为转/分钟。将期望的理论最佳风轮转速值以及实时的风向值和风速值输入建好的BP神经网络模型中,从而得到电磁转矩值初始控制量T(0)。
3.变步长爬山搜索法调整电磁转矩值:
变步长爬山搜索法调整电磁转矩值,无需测量实时的风速值,也不要求提供风力发电机组的理论功率值曲线,但为避免振荡,需要设置合理的电磁转矩值变化步长,以及停止搜索的条件。
爬山搜索需要良好的快速性和准确性,搜索规则是关键。由于风力发电功率值是正比于电磁转矩值和风轮转速值,或者电磁转矩值和发电机转速值的乘积,因此,可通过改变电磁转矩值来改变发电机转速值从而实现最大功率捕获。假定风速值不变化或变化很小,当增加电磁转矩值会导致发电机转速值减小,其控制规律为:
1)若ΔP>0且Δω≥0,则ΔT*=-Tstep×α;
2)若ΔP>0且Δω<0,则ΔT*=Tstep×α;
3)若ΔP<0且Δω≥0,则ΔT*=Tstep×α;
4)若ΔP<0且Δω<0,则ΔT*=-Tstep×α。
当风机转子处于平衡状态下,ΔP为相邻两个控制周期间发电功率值的差值。Δω为相邻两个控制周期间发电机转速值的差值,其中发出相邻两次调整电磁转矩值指令之间的时间间隔为一个控制周期。每个控制周期中,控制周期数n加1,n为正整数。Tstep大于0,为电磁转矩值最大变化步长;α大于0,为比例因子;ΔT*为电磁转矩值变化步长,其数值直接决定了电磁转矩值变化步长的大小。由于ΔT*越大,风机转子的响应周期就会越长,其中响应周期为一个调整电磁转矩值指令下发到发电机和风机进入平衡状态之间的时间间隔。因此响应周期必须小于控制周期。所以,ΔT*的大小应与对风速值,风向值和电磁转矩值进行采样的采样周期Ts相匹配,采样周期Ts和Tstep的大小应根据响应周期来选取。
为提高搜索的快速性,应采用变步长法,即初始搜索的电磁转矩值最大变化步长应较大,随着控制周期数n的增加逐步减小电磁转矩值变化步长,直至相邻两个控制周期间的发电机转速值的差值Δω,或发电功率值的差值ΔP在可接受范围内,即相邻两个控制周期间,发电功率值的差值的绝对值|ΔP|小于寻优发电功率容许变化值ΔPmin,|ΔP|<ΔPmin,或者控制周期数n大于最大控制周期数N。电磁转矩值变化可按下式计算:
其中,T(n)为控制周期数为n时的电磁转矩值,N为最大控制周期数,p为大于1的整数,可根据具体情况在[1,30]间选取,如p取3,最大控制周期数N为10,使控制周期数n=N时,系数α(n)小于10-5,系数α(n)的变化曲线如图3所示。
4.启动新一轮爬山搜索条件
设爬山搜索过程中最大发电机转速偏差值为Δωmax,即检测到控制周期数为n时的发电机转速值ωn相比于初始发电机转速值ω0的变化值Δω0已超过最大发电机转速偏差值Δωmax,可视为风况已发生较大变化,初始电磁转矩值控制量T(0)失效,需要启动新一轮的搜索。即当|ωn-ω0|≥Δωmax时,则停止本轮搜索,启动新一轮搜索。这正是每个控制周期中需要等待TL个采样周期后再计算下一控制周期的电磁转矩值原因。
下面对本发明的一种双馈型风力发电机组最大风能捕获方法中使用的数学符号进行说明:Ts为采样周期,单位:秒;ΔPmin为寻优发电功率容许变化值ΔPmin,发电功率值变化的绝对值小于该值视为无变化。Δωmin为寻优发电机转速容许变化值,发电机转速值变化的绝对值小于该值视为无变化。Δωmax最大发电机转速偏差值。Tstep为最大电磁转矩值变化步长;TL为一个控制周期中,调整电磁转矩值指令下发后等待的采样周期个数,[Tmin,Tmax]为低风速下有效电磁转矩值范围。N为最大控制周期个数。在任意一个控制周期中,T(n+1)的最大输出值为Tmax,最小输出值为Tmin。
本发明的一种双馈型风力发电机组最大风能捕获方法具体包括下列步骤:
建立BP神经网络模型步骤:采集风机转子平衡状态下多个时间点的风速值,风向值,风轮转速值和电磁转矩值,建立以风速值,风向值和风轮转速值为输入量,电磁转矩值为输出量的BP神经网络模型;
电磁转矩值初始控制量计算及控制步骤:依据期望的理论最佳风轮转速值公式,即:
计算得到期望的理论最佳风轮转速值并将其代入所述的BP神经网络模型中,计算得到电磁转矩值初始控制量T(0),并以此时的发电机转速值作为启动爬山搜索前的初始发电机转速值ω0。其中,ν为10秒风速平均值,R为风机的风轮半径,λopt为最佳叶尖速比点;
电磁转矩值初次扰动步骤:等待TL个采样周期,待转子处于平衡状态后,记录当前发电机转速值ω1及发电功率值P1,并根据公式T(n)=T(n-1)+Tstep×α(n-1)计算控制周期数n为1时的电磁转矩值T(1),其中α(n)=exp(-30×(n/N)p),N为最大控制周期数,p为1~30间任意一个整数,Tstep为电磁转矩值最大变化步长;
发电机转速值判断步骤:等待TL个采样周期后,记录此时发电机转速值ωn,并计算ωn与电磁转矩初次扰动时记录的发电机转速值ω0之间的偏差Δω0,若|Δω0|>Δωmax,返回电磁转矩值初始值计算及控制步骤,其中Δωmax为设定的最大发电机转速偏差值。否则进入下一步骤;
爬山搜索启动判断步骤:计算计算相邻两个控制周期间的发电机转速值的差值Δω,以及发电功率值的差值ΔP,,其中Δω=ωn-ωn-1,ΔP=Pn-Pn-1,若|ΔP|≤ΔPmin或|Δω|≤Δωmin,则结束本次搜索;若|ΔP|>ΔPmin且|Δω|>Δωmin,则进入下一步的控制周期数判断步骤;
控制周期数判断步骤:若控制周期数n大于最大控制周期数N,进入结束本次搜索,若控制周期数n小于等于最大控制周期数N,返回发电机转速值判断步骤;
爬山搜索电磁转矩值及扰动步骤:根据T(n+1)=T(n)+ΔT*,计算并输出控制周期数为n+1时的电磁转矩值T(n+1);其中ΔT*为电磁转矩值变化步长,爬山搜索确定电磁转矩值变化步长ΔT*的规则如下:
当ΔP>0且Δω≥0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n);
当ΔP>0且Δω<0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω≥0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω<0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n)。
若T(n+1)≥Tmax,则T(n+1)=Tmax,若T(n+1)≤Tmin,则T(n+1)=Tmin,即T(n+1)是限值输出的。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (3)
1.一种双馈型风力发电机组最大风能捕获方法,包括下列步骤:
建立BP神经网络模型步骤:采集风机转子平衡状态下多个时间点的风速值,风向值,风轮转速值和电磁转矩值,建立以风速值,风向值和风轮转速值为输入量,电磁转矩值为输出量的BP神经网络模型;
电磁转矩值初始控制量计算及控制步骤:依据期望的理论最佳风轮转速值公式,即:
计算得到期望的理论最佳风轮转速值并将其代入所述的BP神经网络模型中,计算得到电磁转矩值初始控制量T(0),并以此时的发电机转速值作为启动爬山搜索前的初始发电机转速值ω0,其中,ν为10秒风速平均值,R为风机的风轮半径,λopt为最佳叶尖速比点;
电磁转矩值初次扰动步骤:等待TL个采样周期,待风机转子处于平衡状态后,记录当前发电机转速值ω1及发电功率值P1,并根据公式T(n)=T(n-1)+Tstep×α(n)计算控制周期数n为1时的电磁转矩值T(1),其中α(n)=exp(-30×(n/N)p),N为最大控制周期数,p为1~30间任意一个整数,Tstep为电磁转矩值最大变化步长;
发电机转速值判断步骤:等待TL个采样周期后,先将控制周期数n加1,再记录控制周期数为n时的发电机转速值ωn,并计算ωn相比于初始发电机转速值ω0的变化值Δω0,若|Δω0|>Δωmax,返回电磁转矩值初始值计算及控制步骤,其中Δωmax为设定的最大发电机转速偏差值,否则进入下一步骤;
爬山搜索启动判断步骤:计算相邻两个控制周期间的发电机转速值的差值Δω,以及发电功率值的差值ΔP,其中Δω=ωn-ωn-1,ΔP=Pn-Pn-1,若|ΔP|≤ΔPmin或|Δω|≤Δωmin,则结束本次搜索;若|ΔP|>ΔPmin且|Δω|>Δωmin,则进入下一步骤;ΔPmin为寻优发电功率容许变化值,Δωmin为寻优发电机转速容许变化值;
控制周期数判断步骤:若控制周期n大于最大控制周期数N,结束本次搜索,若控制周期数n小于等于最大控制周期数N,返回发电机转速值判断步骤;
爬山搜索电磁转矩值及扰动步骤:根据公式T(n+1)=T(n)+ΔT*,计算并输出控制周期数为n+1时的电磁转矩值T(n+1);其中ΔT*为电磁转矩值变化步长,爬山搜索确定电磁转矩值的规则如下:
当ΔP>0且Δω≥0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n);
当ΔP>0且Δω<0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω≥0时,ΔT*=Tstep×α(n),T(n+1)=T(n)+Tstep×α(n);
当ΔP<0且Δω<0时,ΔT*=-Tstep×α(n),即T(n+1)=T(n)-Tstep×α(n)。
2.根据权利要求1所述的一种双馈型风力发电机组最大风能捕获方法,其特征在于:所述建立BP神经网络模型步骤中建立的BP神经网络模型的隐藏层含有十五个神经单元。
3.根据权利要求1所述的一种双馈型风力发电机组最大风能捕获方法,其特征在于:电磁转矩值初次扰动步骤和爬山搜索电磁转矩值及扰动步骤中,电磁转矩值是限值输出的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410743221.8A CN104612904B (zh) | 2014-12-08 | 2014-12-08 | 一种双馈型风力发电机组最大风能捕获方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410743221.8A CN104612904B (zh) | 2014-12-08 | 2014-12-08 | 一种双馈型风力发电机组最大风能捕获方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104612904A true CN104612904A (zh) | 2015-05-13 |
CN104612904B CN104612904B (zh) | 2017-06-13 |
Family
ID=53147509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410743221.8A Active CN104612904B (zh) | 2014-12-08 | 2014-12-08 | 一种双馈型风力发电机组最大风能捕获方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104612904B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109139365A (zh) * | 2018-09-03 | 2019-01-04 | 浙江运达风电股份有限公司 | 一种提高大型风电机组发电性能的最优转速控制方法 |
CN109193785A (zh) * | 2018-10-25 | 2019-01-11 | 浙江运达风电股份有限公司 | 一种考虑机械载荷约束的大型风电机组虚拟惯量控制方法 |
CN109245177A (zh) * | 2018-11-30 | 2019-01-18 | 国网山东省电力公司经济技术研究院 | 一种基于dfig的双模柔性切换控制方法 |
CN110397554A (zh) * | 2019-09-05 | 2019-11-01 | 国电联合动力技术有限公司 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
CN111734585A (zh) * | 2020-06-18 | 2020-10-02 | 上海电气风电集团股份有限公司 | 风力发电机的极限载荷的确定方法、装置及可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488350B (zh) * | 2019-09-20 | 2021-10-29 | 西南石油大学 | 基于卷积神经网络的地震反演大数据生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101069015A (zh) * | 2004-11-22 | 2007-11-07 | 再生动力系统股份公司 | 用于优化风能设备的运行的方法 |
WO2008046942A1 (es) * | 2006-10-17 | 2008-04-24 | Fundación Cener-Ciemat | Identificación de aerogeneradores en lazo cerrado |
CN101603502A (zh) * | 2008-06-11 | 2009-12-16 | 武汉事达电气股份有限公司 | 一种基于人工智能的风能控制方法 |
CN101776043A (zh) * | 2010-02-25 | 2010-07-14 | 东南大学 | 基于误差补偿模型的风电机组最大风能捕获控制方法 |
CN103410662A (zh) * | 2013-08-06 | 2013-11-27 | 江苏科技大学 | 风电系统最大风能捕获神经网络补偿控制方法 |
-
2014
- 2014-12-08 CN CN201410743221.8A patent/CN104612904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101069015A (zh) * | 2004-11-22 | 2007-11-07 | 再生动力系统股份公司 | 用于优化风能设备的运行的方法 |
WO2008046942A1 (es) * | 2006-10-17 | 2008-04-24 | Fundación Cener-Ciemat | Identificación de aerogeneradores en lazo cerrado |
CN101603502A (zh) * | 2008-06-11 | 2009-12-16 | 武汉事达电气股份有限公司 | 一种基于人工智能的风能控制方法 |
CN101776043A (zh) * | 2010-02-25 | 2010-07-14 | 东南大学 | 基于误差补偿模型的风电机组最大风能捕获控制方法 |
CN103410662A (zh) * | 2013-08-06 | 2013-11-27 | 江苏科技大学 | 风电系统最大风能捕获神经网络补偿控制方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109139365A (zh) * | 2018-09-03 | 2019-01-04 | 浙江运达风电股份有限公司 | 一种提高大型风电机组发电性能的最优转速控制方法 |
CN109193785A (zh) * | 2018-10-25 | 2019-01-11 | 浙江运达风电股份有限公司 | 一种考虑机械载荷约束的大型风电机组虚拟惯量控制方法 |
CN109193785B (zh) * | 2018-10-25 | 2020-09-08 | 浙江运达风电股份有限公司 | 一种考虑机械载荷约束的大型风电机组虚拟惯量控制方法 |
CN109245177A (zh) * | 2018-11-30 | 2019-01-18 | 国网山东省电力公司经济技术研究院 | 一种基于dfig的双模柔性切换控制方法 |
CN109245177B (zh) * | 2018-11-30 | 2021-07-30 | 国网山东省电力公司经济技术研究院 | 一种基于dfig的双模柔性切换控制方法 |
CN110397554A (zh) * | 2019-09-05 | 2019-11-01 | 国电联合动力技术有限公司 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
CN111734585A (zh) * | 2020-06-18 | 2020-10-02 | 上海电气风电集团股份有限公司 | 风力发电机的极限载荷的确定方法、装置及可读存储介质 |
CN111734585B (zh) * | 2020-06-18 | 2023-06-27 | 上海电气风电集团股份有限公司 | 风力发电机的极限载荷的确定方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104612904B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104612904A (zh) | 一种双馈型风力发电机组最大风能捕获方法 | |
CN101776043B (zh) | 基于误差补偿模型的风电机组最大风能捕获控制方法 | |
CN103603767B (zh) | 一种基于滑模的极值搜索控制参数自适应调整方法 | |
CN101272121B (zh) | 一种风力发电机组的最大功率点跟踪方法 | |
CN103758697B (zh) | 一种基于风机有效跟踪区间的改进最大功率跟踪控制方法 | |
CN102013702B (zh) | 外部电网故障时并网风电场的动态等值方法 | |
CN103701389B (zh) | 一种双馈感应发电机控制器参数辨识方法 | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN103219725A (zh) | 一种基于实时运行数据的风电场等值建模方法 | |
CN102305875B (zh) | 风力发电机组有效风速的测量方法及实现该方法的测量装置 | |
CN107100795A (zh) | 一种低风速下风力发电机组mppt自适应控制方法 | |
Thongam et al. | An optimum speed MPPT controller for variable speed PMSG wind energy conversion systems | |
CN105986960B (zh) | 一种用于风力发电机控制系统的风速估算方法 | |
CN105138845B (zh) | 获得风力发电机风速值的方法 | |
CN111336062B (zh) | 一种基于测量风速的风力发电机组最大风能捕获方法 | |
CN103266990B (zh) | 一种直驱风力发电机系统的功率给定方法 | |
CN102749955B (zh) | 一种风光互补发电系统最大功率跟踪控制方法 | |
CN103362736B (zh) | 变速变桨风力发电机组基于内模控制的最大功率追踪控制方法 | |
CN103899480A (zh) | 基于Boost类变换器的风力发电系统最大功率点跟踪方法 | |
Martyanov et al. | Modelling of wind turbine performance measurement | |
CN103529868B (zh) | 水轮机转速调节系统 | |
El Aimani | Comparison of control structures for variable speed wind turbine | |
CN104819098B (zh) | 一种无速度传感器的风力发电最大功率跟踪方法 | |
CN105317632B (zh) | 一种风电机组转动惯量的测量方法 | |
CN101299058B (zh) | 一种水轮同步发电机功角直接测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |