CN105626377A - 一种基于记忆的分散式直驱风电机组控制方法 - Google Patents

Abstract

本发明公开了一种基于记忆的分散式直驱风电机组控制方法，将记忆控制与分散式永磁直驱风电机组相结合，分散式的机组保证了风力机最佳布局，记忆控制为机组提供了高效的风能利用和可靠的变浆控制；从仿生学角度设计机组控制器，利用当前响应，联系过去响应，产生新的控制命令，并让控制器在运行中不断优化自身，提高控制精度和准确性；控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率；整个系统高效、智能、可靠，具有良好的应用前景。

Description

一种基于记忆的分散式直驱风电机组控制方法

技术领域

本发明涉及风力机组控制领域，具体来说就是一种基于记忆的分散式直驱风电机组控制方法。

背景技术

风能是当今世界重点发展的可再生能源，具有资源丰富，发电技术成熟的特点；我国的风能资源十分丰富，目前我国的风电场建设发展十分迅速，实现大型风力发电厂的高效并网运行已是大势所趋。而我国大型风电场一般处于地形复杂的内陆或近岸海上，受地形环境因素的限制，线路布局繁琐，设备成本较大。比如，优先考虑风能资源的最优布局时，可能会增加设备，线路设计难度加大，成本增大；优先考虑设备的最优配置时，风能资源利用率又会受影响。为此，分散式风电场应运而生，它让每台风电机组都分布在合适的风力区域，使其最大程度的利用风能资源。又因为地形复杂导致风能变化复杂，致使风力发电机组不易控制，风轮损耗严重，发电输出功率不稳定，这些问题都需要一个更优化和高效的控制技术来解决。

考虑到我国低风速区域占全部风能资源的一半左右，适合永磁直驱式这种低速运转的风电机组运行。而分散式永磁直驱风电机组需要可靠高效的控制策略作为支撑才能发挥其应有的优势，为此，从仿生学的角度，研究基于记忆控制的方法，让控制器在运行中不断优化自身，提高控制精度和准确性。控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率。

发明内容

本发明公开了一种基于记忆的分散式直驱风电机组控制方法，将记忆控制与分散式永磁直驱风电机组相结合。控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时执行电磁转矩控制以保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率；分散式的机组保证了风力机最佳布局，记忆控制为机组提供了高效的风能利用和可靠的变浆控制；整个系统高效、智能、可靠，具有良好的应用前景。

为实现以上功能，本发明采用的技术方案如下：一种基于记忆的分散式直驱风电机组控制方法，包括分散式直驱风电机组、基于记忆的控制器；从仿生学角度设计机组控制器，利用当前响应，联系过去响应，产生新的控制命令，并让控制器在运行中不断优化自身，控制器设计如下：

首先根据变浆动力学特性，变浆过程方程描述为：

$\stackrel{\·}{\mathrm{\β}}=\mathrm{\φ}\left(\mathrm{\β}\right)+Ni---\left(1\right)$

其中为变桨距角快慢程度的计量，φ为非线性函数；i为变浆执行电流；N为一常数。

最大功率跟踪误差定义为：

e＝C-C^*(2)

其中C为实际风能利用系数；C^*为风能利用系数期望值。式(2)微分形式如下：

$\begin{array}{c}\stackrel{\·}{e}=\stackrel{\·}{C}-{\stackrel{\·}{C}}^{*}=\frac{\∂C}{\∂\mathrm{\β}}\stackrel{\·}{\mathrm{\β}}+\frac{\∂C}{\∂\mathrm{\λ}}\stackrel{\·}{\mathrm{\λ}}-{\stackrel{\·}{C}}^{*}\\ =\frac{\∂C}{\∂\mathrm{\β}}\stackrel{\·}{\mathrm{\β}}+\frac{\∂C}{\∂\mathrm{\λ}}\left(\frac{{\stackrel{\·}{\mathrm{\ω}}}_{t}RV-{\mathrm{\ω}}_{t}R\stackrel{\·}{V}}{V^2}\right)-{\stackrel{\·}{C}}^{*}\\ =\frac{\∂C}{\∂\mathrm{\β}}\stackrel{\·}{\mathrm{\β}}+\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\stackrel{\·}{\mathrm{\ω}}}_{t}R}{V}-\frac{\∂C}{\mathrm{\λ}}\frac{{\mathrm{\ω}}_{t}R\stackrel{\·}{V}}{V^2}-{\stackrel{\·}{C}}^{*}\\ =\frac{\∂C}{\∂\mathrm{\β}}\stackrel{\·}{\mathrm{\β}}+\frac{\∂C}{\∂\mathrm{\λ}}\frac{R(\frac{1}{2\mathrm{\λ}}{\mathrm{C\ρA}}_w{\mathrm{RV}}^2-T_d-T_e)}{JV}-\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{\ω}}_{t}R\stackrel{\·}{V}}{V^2}-{\stackrel{\·}{C}}^{*}\\ =\frac{\∂C}{\∂\mathrm{\β}}\stackrel{\·}{\mathrm{\β}}+\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{RC\ρA}}_{w}RV}{2\mathrm{\λ}J}-\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{\ω}}_{t}R\stackrel{\·}{V}}{V^2}-{\stackrel{\·}{C}}^{*}-\frac{\∂C}{\∂\mathrm{\λ}}\frac{R(T_d+T_e)}{JV}\end{array}---\left(3\right)$

把式(1)代入式(3)，并拆分再配对得：

$\stackrel{\·}{e}=f_1{T}_e+f_{2}i+f_3+f_4---\left(4\right)$

其中：

$\begin{array}{cc}{f}_1=-\frac{\∂C}{\∂\mathrm{\λ}}\frac{R}{JV},f_2=\frac{\∂C}{\∂\mathrm{\β}}N,f_3-=\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{RT}}_d}{JV}& f_4=\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{RC\ρA}}_{w}RV}{2\mathrm{\λ}J}-\frac{\∂C}{\∂\mathrm{\λ}}\frac{{\mathrm{\ω}}_{t}R\stackrel{\·}{V}}{V^2}-{\stackrel{\·}{C}}^{*}+\frac{\∂C}{\∂\mathrm{\β}}\mathrm{\φ}---\left(5\right)\end{array}$

式(4)表明，是由变桨距执行电流i和电磁转矩T_e共同决定的，为减小机组空气动力载荷，增强风电转换效率，采取控制策略：V_in≤V＜V_R时，运行在低风速区，桨距角不变，进行电磁转矩控制；V_R≤V≤V_out时，运行在超额风速区，进行变桨距控制，以限值超额功率吸收。其中V_in、V_R、V_out分别为切入风速、额定风速、切出风速。各种风速区间内机组吸收的目标控制功率如下：

$P_t=\left\{\begin{array}{cc}0& V<V_{in}\\ \frac{1}{2}{C}_p(\mathrm{\&lambda;},\mathrm{\&beta;}){\mathrm{\&rho;A}}_w{V}_{wind}^3& V_{im}\&le;V<V_R\\ P_R& V_R\&le;V\&le;V_{out}\\ 0& V\&GreaterEqual;V_{out}\end{array}\right.---\left(6\right)$

式中，λ、ρ、A_w、C_p分别表示叶尖速比、空气密度、叶片扫掠面积以及风能转化为风力机输出转换比例的功率系数。

再根据基于记忆的仿生学原理来设计控制器：

人类基于记忆的学习过程，即人的行为是由外界刺激(固有响应，NR)和经验响应(ER)共同控制的，即是这样一个由一开始的固有响应所刺激的不成熟的响应，慢慢到由经验响应主导的成熟响应过程。基于此，仿照这种控制方法，即利用过去的响应和反馈信息，结合当前不成熟的响应，不断优化控制，提高精度的策略，这就是基于记忆的机组控制方法。

基于记忆原理构造的数学模型如下：

C(t)＝(1-σ(t))C_NR+σ(t)C_ER(7)

上式中，C(t)为当前响应行为，σ(t)为影响因子，取值为σ(t)∈[0,1]，C_NR和C_ER分别为系统的固有响应和经验响应。即固有响应对应的影响因子为1-σ(t)，经验响应对应为σ(t)，它们共同影响系统的当前响应行为，影响比重由影响因子σ(t)所决定。

构造影响因子σ(t)函数时需要考虑如下：

(1)σ(t)应为时间t和误差变量e的函数；

(2)误差变量e的值应当满足如下要求：

(a)e的值较大时，系统误差大，系统不具有精确信息记忆，表现为(1-σ(t))C_NR比重大，系统主要由固有响应所主导；

(b)e值较小时，系统误差小，系统获得较为准确的经验信息，表现为σ(t)C_ER比重大，系统主要由经验响应所主导；

(c)随着时间的推移，e越来越小，σ(t)应该越来越接近1，系统最终由C_ER控制。

综上所述，影响因子可设为如下形式函数：

$\mathrm{\&sigma;}(t,e)=1-\exp (-\frac{c}{\left|e\right|+\mathrm{\&epsiv;}}t)---\left(8\right)$

上式中c和ε均为大于零的常数，保证函数的收敛及分母不为零。

基于记忆的一阶控制器设计

式(4)改写如下：

$\stackrel{\&CenterDot;}{e}=f_1{T}_e+f_{2}i+f_3+f_4=L+f_1{T}_e+f_{2}i---\left(9\right)$

其中L＝f₃+f₄，为非线性项和扰动项。

基于记忆的电磁转矩控制和变浆控制方法数学模型如下：

$\{\begin{array}{c}{T}_{e,k}=(1-\mathrm{\&sigma;}(k\left)\right)T_{e,NR,k}+\mathrm{\&sigma;}\left(k\right)T_{e,ER,k}\\ T_{e,NR,k}=-k_0{e}_k\\ T_{e,ER,k}=w_0{i}_{k-1}+g_1^{-1}{T}^{-1}(w_1{e}_k+w_k{e}_{k-1})\end{array}---\left(10\right)$

式(10)为V_in≤V＜V_R风速区间时的电磁转矩控制算法；

$\left\{\begin{array}{c}i=(1-\mathrm{\&sigma;}(k\left)\right)i_{NR,k}+\mathrm{\&sigma;}\left(k\right)i_{ER,k}\\ i_{NR,k}=-k_0{e}_k\\ i_{ER,k}=w_0{i}_{k-1}+g_2^{-1}{T}^{-1}V\\ V=w_1{T}^{-1}{e}_k+w_2{T}^{-1}{e}_{k-1}+g_{1k}{T}_{ek}-g_{1k-1}{T}_{ek-1}\end{array}\right.---\left(11\right)$

上述式中：w₀＝1,w₂＝-2,w₃＝1,w₄＝-1,w₅＝1。

式(11)为V_R≤V≤V_out风速区间时的变浆电流控制算法。

由式(10)、(11)可得误差变量另一形式：

e_k＝T(L_k-1-L_k-2)(12)

当周期T足够小时，对L项求导得：

$\frac{L_{k-1}-L_{k-2}}{T}\&ap;\frac{dL}{dt}---\left(13\right)$

$L_{k-1}-L_{k-2}\&ap;T\frac{dL}{dt}---\left(14\right)$

$\left|e_k\right|\&le;T{(L_{k-1}-L_{k-2})}_{max}=T^2|\frac{dL}{dt}{|}_{max}<\mathrm{\&infin;}---\left(15\right)$

式(19)中是个有限数，当T足够小时，就足够小，就能实现理想的控制精度，这就是一阶记忆控制器算法。

综上所述，本发明的有益技术效果为：

研究基于记忆控制的方法，将记忆控制与分散式永磁直驱风电机组相结合，分散式的机组保证了风力机最佳布局，记忆控制则在低风速时保证最大功率跟踪，在高风速时保证可靠变浆控制，为机组提供了高效的风能利用和可靠的变浆控制；从仿生学的角度设计机组控制器算法，让控制器具有智能，能在运行中利用过去的响应和反馈信息，结合当前不成熟的响应，不断优化控制，产生新的控制命令，提高精度和准确性，性能不断增强却不增加记忆存储空间。控制策略主要包括电磁转矩控制和变桨执行电流控制，能在低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率。整个系统高效、智能、可靠，具有良好的应用前景。

附图说明

图1是本发明的仿生原理图。

图2是本发明的控制策略流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐述本发明。

一种基于记忆的分散式直驱风电机组控制方法，包括分散式直驱风电机组、基于记忆的控制器；将记忆控制与分散式永磁直驱风电机组相结合，分散式的机组保证了风力机最佳布局，记忆控制则在低风速时保证最大功率跟踪，在高风速时保证可靠变浆控制，为机组提供了高效的风能利用和可靠的变浆控制；

如图1所示，人类基于记忆的学习过程，即人的行为是由外界刺激(固有响应，NR)和经验响应(ER)共同控制的，是一个由一开始的固有响应所刺激的不成熟的响应，慢慢到由经验响应主导的成熟响应过程；从仿生学角度设计机组控制器的控制算法和控制策略，让控制器具有智能，能在运行中利用当前不成熟响应，联系过去响应和反馈信息，产生新的控制命令，让控制器在运行中不断优化自身，提高控制精度和准确性，性能不断增强却不增加记忆存储空间；

如图2所示，控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时执行电磁转矩控制，保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率；整个系统高效、智能、可靠，具有良好的应用前景。

Claims (1)

1.一种基于记忆的分散式直驱风电机组控制方法，其特征在于将记忆控制与分散式永磁直驱风电机组相结合；从仿生学角度设计机组控制器算法，利用当前响应，联系过去响应，产生新的控制命令，并让控制器在运行中不断优化自身，提高控制精度和准确性；控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时保证最大功率跟踪，在高风速时保证可靠变浆控制。具体步骤如下：

(1)根据变浆动力学特性，变浆过程方程可描述为：

$\stackrel{\&CenterDot;}{\mathrm{\&beta;}}=\mathrm{\&phi;}\left(\mathrm{\&beta;}\right)+Ni---\left(1\right)$

其中为变桨距角快慢程度的计量，φ为非线性函数；i为变浆执行电流；N为一常数；

最大功率跟踪误差定义为：

e＝C-C^*(2)

其中C为实际风能利用系数，为桨距角β和叶尖速比λ的函数；C^*为风能利用系数期望值；对式(2)进行微分如下：

$\begin{array}{c}\stackrel{\&CenterDot;}{e}=\stackrel{\&CenterDot;}{C}-{\stackrel{\&CenterDot;}{C}}^{*}=\frac{\&part;C}{\&part;\mathrm{\&beta;}}\stackrel{\&CenterDot;}{\mathrm{\&beta;}}+\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\stackrel{\&CenterDot;}{\mathrm{\&lambda;}}-{\stackrel{\&CenterDot;}{C}}^{*}=\frac{\&part;C}{\&part;\mathrm{\&beta;}}\stackrel{\&CenterDot;}{\mathrm{\&beta;}}+\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\left(\frac{{\stackrel{\&CenterDot;}{\mathrm{\&omega;}}}_{t}RV-{\mathrm{\&omega;}}_{t}R\stackrel{\&CenterDot;}{V}}{V^2}\right)-{\stackrel{\&CenterDot;}{C}}^{*}\\ =\frac{\&part;C}{\&part;\mathrm{\&beta;}}\stackrel{\&CenterDot;}{\mathrm{\&beta;}}+\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\stackrel{\&CenterDot;}{\mathrm{\&omega;}}}_{t}R}{V}-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{\&omega;}}_{t}R\stackrel{\&CenterDot;}{V}}{V^2}-{\stackrel{\&CenterDot;}{C}}^{*}=\frac{\&part;C}{\&part;\mathrm{\&beta;}}\stackrel{\&CenterDot;}{\mathrm{\&beta;}}+\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{R\left(\frac{1}{2\mathrm{\&lambda;}}{\mathrm{C\&rho;A}}_w{\mathrm{RV}}^2-T_d-T_e\right)}{JV}-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{\&omega;}}_{t}R\stackrel{\&CenterDot;}{V}}{V^2}-{\stackrel{\&CenterDot;}{C}}^{*}\\ =\frac{\&part;C}{\&part;\mathrm{\&beta;}}\stackrel{\&CenterDot;}{\mathrm{\&beta;}}+\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{RC\&rho;A}}_{w}RV}{2\mathrm{\&lambda;}J}-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{\&omega;}}_{t}R\stackrel{\&CenterDot;}{V}}{V^2}-{\stackrel{\&CenterDot;}{C}}^{*}-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{R\left(T_d+T_e\right)}{JV}\end{array}---\left(3\right)$

把式(1)代入式(3)，并拆分再配对得：

$\stackrel{\&CenterDot;}{e}=f_1{T}_e+f_{2}i+f_3+f_4---\left(4\right)$

其中：

$\begin{array}{cc}{f}_1=-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{R}{JV},f_2=\frac{\&part;C}{\&part;\mathrm{\&beta;}}N,f_3=-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{RT}}_d}{JV}& f_4=\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{RC\&rho;A}}_{w}RV}{2\mathrm{\&lambda;}J}-\frac{\&part;C}{\&part;\mathrm{\&lambda;}}\frac{{\mathrm{\&omega;}}_{t}R\stackrel{\&CenterDot;}{V}}{V^2}-{\stackrel{\&CenterDot;}{C}}^{*}+\frac{\&part;C}{\&part;\mathrm{\&beta;}}\mathrm{\&phi;}\end{array}---\left(5\right)$

式(4)表明，是由变桨距执行电流i和电磁转矩T_e共同决定的，为减小机组空气动力载荷，增强风电转换效率，采取控制策略：V_in≤V＜V_R时，运行在低风速区，桨距角不变，进行电磁转矩控制；V_R≤V≤V_out时，运行在超额风速区，进行变桨距控制，以限值超额功率吸收；其中V_in、V_R、V_out分别为切入风速、额定风速、切出风速。

(2)仿照人类基于记忆的学习过程这种控制方法，利用过去的响应和反馈信息，结合当前不成熟的响应，不断优化控制，提高精度的策略，设计基于记忆的机组控制方法。

(21)基于记忆原理构造数学模型如下：

C(t)＝(1-σ(t))C_NR+σ(t)C_ER(6)

上式中，C(t)为当前响应行为，σ(t)为影响因子，取值为σ(t)∈[0,1]，C_NR和C_ER分别为系统的固有响应和经验响应；固有响应对应的影响因子为1-σ(t)，经验响应对应为σ(t)，它们共同影响系统的当前响应行为，影响比重由影响因子σ(t)所决定；

其中，影响因子σ(t)设为如下形式函数：

$\mathrm{\&sigma;}(t,e)=1-\exp (-\frac{c}{\left|e\right|+\mathrm{\&epsiv;}}t)---\left(7\right)$

上式中c和ε均为大于零的常数，保证函数的收敛及分母不为零。

(22)基于记忆的一阶控制器算法：

式(4)改写如下：

$\stackrel{\&CenterDot;}{e}=f_1{T}_e+f_{2}i+f_3+f_4=L+f_1{T}_e+f_{2}i---\left(8\right)$

其中L＝f₃+f₄，为非线性项和扰动项；

基于记忆的电磁转矩控制和变浆控制方法数学模型如下：

$\left\{\begin{array}{c}{T}_{e,k}=\left(1-\mathrm{\&sigma;}\left(k\right)\right)T_{e,NR,k}+\mathrm{\&sigma;}\left(k\right)T_{e,ER,k}\\ T_{e,NR,k}=-k_0{e}_k\\ T_{e,ER,k}=w_0{i}_{k-1}+g_1^{-1}{T}^{-1}\left(w_1{e}_k+w_2{e}_{k-1}\right)\end{array}\right.---\left(9\right)$

式(9)为V_in≤V＜V_R风速区间时的电磁转矩控制算法；

$\left\{\begin{array}{c}i=(1-\mathrm{\&sigma;}(k\left)\right)i_{NR,k}+\mathrm{\&sigma;}\left(k\right)i_{ER,k}\\ i_{NR,k}=-k_0{e}_k\\ i_{ER,k}=w_0{i}_{k-1}+g_2^{-1}{T}^{-1}V\\ V=w_1{T}^{-1}{e}_k+w_2{T}^{-1}{e}_{k-1}+g_{1k}{T}_{ek}-g_{1k-1}{T}_{ek-1}\end{array}\right.---\left(10\right)$

上述式中：w₀＝1,w₂＝-2,w₃＝1,w₄＝-1,w₅＝1；

式(10)为V_R≤V≤V_out风速区间时的变浆电流控制算法。