CN105673325A - 基于rbf神经网络pid的风电机组独立变桨控制方法 - Google Patents
基于rbf神经网络pid的风电机组独立变桨控制方法 Download PDFInfo
- Publication number
- CN105673325A CN105673325A CN201610022088.6A CN201610022088A CN105673325A CN 105673325 A CN105673325 A CN 105673325A CN 201610022088 A CN201610022088 A CN 201610022088A CN 105673325 A CN105673325 A CN 105673325A
- Authority
- CN
- China
- Prior art keywords
- rbf neural
- centerdot
- wind
- blade
- driven generator
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title abstract 3
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000001537 neural effect Effects 0.000 claims description 50
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/044—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with PID control
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/328—Blade pitch angle
-
- 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
Abstract
本发明公开了一种基于RBF神经网络PID的大型风电机组独立变桨控制方法,步骤如下:建立风电机组数学模型,计算风电机组桨叶的挥舞力矩;通过park变换,把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩;把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器,得出PID控制器参数调节变化量,PID控制器输出静止坐标系下的桨距角;经过park逆变换把得到的桨距角变换成三个叶片的桨距角,再与同步变桨桨距角进行叠加,得出风电机组每个叶片的变桨桨距角,实现对风电机组的独立变桨控制,从而实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善,稳定风电机组输出功率。
Description
技术领域
本发明涉及大型风电机组变桨控制领域,特别涉及基于RBF神经网络PID的风电机组独立变桨控制方法。
背景技术
当今社会,人类社会对能源的需求与日俱增,能源的浪费、低效率和不可持续利用造成了整个社会的能源危机。在可再生能源中,风能因其无污染、零排放和可再生等优点,成为了国内外新能源研究的重要对象,因此风能发电技术在开发利用新能源技术中是最成熟的。风电机组变桨控制系统分统一变桨控制系统和独立变桨控制系统,因为在风电机组运行中独立变桨控制系统相对统一变桨控制系统能提高风能利用系数,使风电机组输出最佳风能。
采用常规PID控制的独立变桨控制系统在风电机组中得到了普及,然而,由于PID控制不能很好地处理时变、非线性和强耦合的风力发电系统,因而为了解决PID变桨控制系统的控制缺点,国内外科研工作者在独立变桨控制系统中提出了各种先进的控制方法,如滑模变结构变桨距控制、H∞鲁棒控制、自适应控制、模糊控制等。但是上面提到的各种先进变桨控制方法都不能有效解决运行于额定风速以上由风切变、风剪切和塔影效应在塔架和桨叶上产生的不平衡载荷,不能有效稳定风电机组的输出功率。
为了解决不平衡载荷和稳定风电机组输出功率的问题,需要对风电机组进行综合分析,以此来改善风电机组运行的动态性能,从而降低对风切变、风剪切和塔影效应在塔架和桨叶等关键部件上产生的不平衡载荷,使风电机组输出功率稳定。
发明内容
为了解决上述技术问题,本发明提供一种基于RBF神经网络PID的大型风电机组独立变桨控制方法,通过RBF神经网络在线自学习能力,得出PID控制器参数调节变化量,从而优化大型风电机组独立变桨控制系统的动态性能,实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善,稳定风电机组输出功率。
本发明解决上述问题的技术方案是:
一种基于RBF神经网络PID的大型风电机组独立变桨控制方法,包括以下步骤:
1)建立风电机组的数学模型,计算风电机组桨叶的挥舞力矩;
2)通过park变换,把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩;
3)把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器,通过RBF神经网络在线自学习能力,由梯度下降法得出PID控制器参数调节变化量,PID控制器输出静止坐标系下的桨距角;
4)经过park逆变换把步骤3)得到的桨距角变换成三个叶片的桨距角,再把三个叶片桨距角与同步变桨桨距角进行叠加,得出风电机组每个叶片的变桨桨距角,实现对风电机组的独立变桨控制。
上述基于RBF神经网络PID的大型风电机组独立变桨控制方法,所述步骤1)中,建立的风电机组数学模型为:
其中,J是风轮的转动惯量,Ω是叶片的转速,是Ω的导数,xfa是塔架在俯仰方向的位移,是xfa的一阶导数和二阶导数,xsd是塔架侧向方向的位移,是xsd的一阶导数和二阶导数,是叶片1和叶片2处的有效风速,Tg是电机电磁转矩,mtw是塔架等效质量,H是风机塔架高度,R是风电机组叶片半径,stw是塔架的刚度,dtw是塔架的阻尼系数,是风轮转矩对风速的导数,是风轮转矩对桨距角的导数。
上述基于RBF神经网络PID的大型风电机组独立变桨控制方法,所述步骤2)中,叶片i的挥舞力矩Mzi,则偏航力矩和俯仰力矩为
上述基于RBF神经网络PID的大型风电机组独立变桨控制方法,所述步骤3)中,通过跟踪系统的俯仰力矩Mtilt和偏航力矩Myaw来调节风轮转速、转矩和叶片载荷,设RBF神经网络的输入量为
X=[u(k),u(k-1),y(k-1)]T
式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号;k表示神经网络计算次数;
设控制系统的输入为r(k),则控制系统的误差为
e(k)=r(k)-y(k)
由梯度下降法得PID参数调节量为
式中,ηP表示比例学习速率,ηI表示积分学习速率,ηD表示微分学习速率,e(k)表示误差,y(k)表示控制目标的输出量,xi(k)为RBF神经网络PID控制器的输入量;
RBF神经网络的径向基向量为φ=[φ1,φ2,...,φn],φi的高斯表示形式为
式中,M表示中心数;dm表示中心之间的最大距离,X表示RBF神经网络输入向量,ti表示第i个神经网络结点的中心矢量,m表示RBF神经网络神经元个数;
设置PID控制器为RBF神经网络的输出端,输出量为
式中ωi为第i个RBF神经网络隐含层与输出层之间权值。
本发明的有益效果在于:
1、本发明通过RBF神经网络在线自学习能力,对RBF神经网络的权值进行在线调整,得出PID控制器参数调节变化量来优化大型风电机组独立变桨控制系统的动态性能,从而实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善,稳定风电机组输出功率,提高了风机的性能、效率和使用寿命;
2、本发明提高了独立变桨控制系统对运行在额定风速以上的动态性能,风电机组位于强湍流风速下的性能得到明显提高,适用于复杂的风力发电系统运行环境,而且不会增加控制系统的硬件设备的复杂度;
3、本发明采用RBF神经网络来调节PID参数,通过采用智能优化控制算法,提高了控制系统的性能和效率,有效减小了系统变量相互耦合的影响,提高了系统的稳定性。
附图说明
图1为本发明的控制原理图。
图2为本发明RBF神经网络PID控制框图。
图3为本发明RBF神经网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
图1所示为本发明的控制原理图,本控制方法包括以下步骤:
1)建立风电机组的数学模型,计算风电机组桨叶的挥舞力矩Mz1、Mz2、Mz3;
为了提高风电机组运行的动态性能,本发明的控制对象选择为风轮转矩、风轮转速、叶片载荷和风电机组输出功率,建立的风电机组数学模型为:
其中,J是风轮的转动惯量,Ω是叶片的转速,是Ω的导数,xfa是塔架在俯仰方向的位移,是xfa的一阶导数和二阶导数,xsd是塔架侧向方向的位移,是xsd的一阶导数和二阶导数,是叶片1和叶片2处的有效风速,Tg是电机电磁转矩,mtw是塔架等效质量,H是风机塔架高度,R是风电机组叶片半径,stw是塔架的刚度,dtw是塔架的阻尼系数,是风轮转矩对风速的导数,是风轮转矩对桨距角的导数。
2)通过park变换,把挥舞力矩Mz1、Mz2、Mz3变换为固定坐标系下的偏航力矩Mtilt与俯仰力矩Myaw;
3)把偏航力矩Mtilt与俯仰力矩Myaw输入到RBF神经网络PID控制器,通过RBF神经网络在线自学习能力,由梯度下降法得出PID控制器参数调节变化量,PID控制器输出静止坐标系下的桨距角θα、θβ;
通过跟踪系统的俯仰力矩Mtilt和偏航力矩Myaw来调节风轮转速、转矩和叶片载荷,图2为RBF神经网络PID控制框图,图中r为输入量,e为PID控制器输入量,u为PID控制器输出量,y为控制目标输出量,ym为RBF神经网络输出量,设RBF神经网络的输入量为
X=[u(k),u(k-1),y(k-1)]T
式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号;k表示神经网络计算次数;
设控制系统的输入为r(k),则控制系统的误差为
e(k)=r(k)-y(k)
由梯度下降法得PID参数调节量为
式中,ηP表示比例学习速率,ηI表示积分学习速率,ηD表示微分学习速率,e(k)表示误差,y(k)表示控制目标的输出量,xi(k)为RBF神经网络PID控制器的输入量;
RBF神经网络结构包括输入层、隐含层和输出层,如图3所示,输入层传输输入信号到隐含层,隐含层由高斯函数构成,输出层为线性函数,在输入信号位于高斯函数中间范围时,此时隐含层产生较大的输出,可以得出RBF神经网络具有局部逼近特性。设RBF神经网络的径向基向量为φ=[φ1,φ2,...,φn],φi的高斯表示形式为
式中,M表示中心数;dm表示中心之间的最大距离,X表示样本输入向量,ti表示第i个神经网络结点的中心矢量,m表示RBF神经网络神经元个数;
设置PID控制器为RBF神经网络的输出端,输出量为
式中ωi为第i个RBF神经网络隐含层与输出层之间权值。
4)经过park逆变换把步骤3)得到的桨距角θα、θβ变换成三个叶片的桨距角θi cm,再把三个叶片桨距角θi cm与同步变桨桨距角θ进行叠加,得出风电机组每个叶片的变桨桨距角,实现对风电机组的独立变桨控制。
Claims (4)
1.一种基于RBF神经网络PID的大型风电机组独立变桨控制方法,包括以下步骤:
1)建立风电机组的数学模型,计算风电机组桨叶的挥舞力矩;
2)通过park变换,把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩;
3)把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器,通过RBF神经网络在线自学习能力,由梯度下降法得出PID控制器参数调节变化量,PID控制器输出静止坐标系下的桨距角;
4)经过park逆变换把步骤3)得到的桨距角变换成三个叶片的桨距角,再把三个叶片桨距角与同步变桨桨距角进行叠加,得出风电机组每个叶片的变桨桨距角,实现对风电机组的独立变桨控制。
2.根据权利要求1所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法,其特征在于:所述步骤1)中,建立的风电机组数学模型为:
其中,J是风轮的转动惯量,Ω是叶片的转速,是Ω的导数,xfa是塔架在俯仰方向的位移,是xfa的一阶导数和二阶导数,xsd是塔架侧向方向的位移,是xsd的一阶导数和二阶导数,是叶片1和叶片2处的有效风速,Tg是电机电磁转矩,mtw是塔架等效质量,H是风机塔架高度,R是风电机组叶片半径,stw是塔架的刚度,dtw是塔架的阻尼系数,是风轮转矩对风速的导数,是风轮转矩对桨距角的导数。
3.根据权利要求2所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法,其特征在于:所述步骤2)中,叶片i的挥舞力矩Mzi,则偏航力矩和俯仰力矩为
4.根据权利要求3所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法,其特征在于:所述步骤3)中,通过跟踪系统的俯仰力矩Mtilt和偏航力矩Myaw来调节风轮转速、转矩和叶片载荷,设RBF神经网络的输入量为
X=[u(k),u(k-1),y(k-1)]T
式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号;k表示神经网络计算次数;
设控制系统的输入为r(k),则控制系统的误差为
e(k)=r(k)-y(k)
由梯度下降法得PID参数调节量为
式中,ηP表示比例学习速率,ηI表示积分学习速率,ηD表示微分学习速率,e(k)表示误差,y(k)表示控制目标的输出量,xi(k)为RBF神经网络PID控制器的输入量;
RBF神经网络的径向基向量为φ=[φ1,φ2,...,φn],φi的高斯表示形式为
式中,M表示中心数;dm表示中心之间的最大距离,X表示RBF神经网络输入向量,ti表示第i个神经网络结点的中心矢量,m表示RBF神经网络神经元个数;
设置PID控制器为RBF神经网络的输出端,输出量为
式中ωi为第i个RBF神经网络隐含层与输出层之间权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022088.6A CN105673325A (zh) | 2016-01-13 | 2016-01-13 | 基于rbf神经网络pid的风电机组独立变桨控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022088.6A CN105673325A (zh) | 2016-01-13 | 2016-01-13 | 基于rbf神经网络pid的风电机组独立变桨控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105673325A true CN105673325A (zh) | 2016-06-15 |
Family
ID=56300470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610022088.6A Pending CN105673325A (zh) | 2016-01-13 | 2016-01-13 | 基于rbf神经网络pid的风电机组独立变桨控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105673325A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106499583A (zh) * | 2016-10-13 | 2017-03-15 | 浙江运达风电股份有限公司 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
CN108223274A (zh) * | 2017-12-04 | 2018-06-29 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108333936A (zh) * | 2018-01-30 | 2018-07-27 | 山西机电职业技术学院 | 一种基于神经网络提高异步电机定位精度的方法 |
CN110207871A (zh) * | 2018-02-28 | 2019-09-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
CN110454329A (zh) * | 2019-09-04 | 2019-11-15 | 风脉能源(武汉)股份有限公司 | 一种风电机组桨距角控制方法 |
CN111120222A (zh) * | 2019-12-10 | 2020-05-08 | 浙江大学 | 一种具有风剪切和塔影效应的真实风况风力发电模拟装置及方法 |
CN111287888A (zh) * | 2020-03-27 | 2020-06-16 | 重庆大学 | 一种漂浮式风机独立变桨控制方法 |
CN111404203A (zh) * | 2020-04-10 | 2020-07-10 | 湘电风能有限公司 | 一种基于鲸鱼群算法的风电场有功功率调度方法 |
CN111852763A (zh) * | 2020-09-11 | 2020-10-30 | 重庆大学 | 一种基于漂浮式风机的容错自适应pid控制方法 |
TWI708893B (zh) * | 2018-10-24 | 2020-11-01 | 日商日立製作所股份有限公司 | 風力發電系統 |
WO2020239177A1 (en) * | 2019-05-28 | 2020-12-03 | Vestas Wind Systems A/S | Reduction of edgewise vibrations using blade load signal |
CN112177864A (zh) * | 2020-09-30 | 2021-01-05 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组极端风切变的识别方法及装置 |
CN112412698A (zh) * | 2020-11-18 | 2021-02-26 | 中国船舶重工集团海装风电股份有限公司 | 基于轮毂不平衡载荷特征量的独立变桨控制方法 |
WO2021073090A1 (zh) * | 2019-10-16 | 2021-04-22 | 上海海事大学 | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 |
CN112943530A (zh) * | 2019-12-11 | 2021-06-11 | 新疆金风科技股份有限公司 | 风力发电机组的控制方法及其装置 |
CN113738577A (zh) * | 2021-09-28 | 2021-12-03 | 中国华能集团清洁能源技术研究院有限公司 | 一种风力发电机组独立变桨控制方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100127495A1 (en) * | 2008-11-26 | 2010-05-27 | Per Egedal | Estimating an achievable power production of a wind turbine by means of a neural network |
CN104454347A (zh) * | 2014-11-28 | 2015-03-25 | 云南电网公司电力科学研究院 | 一种独立变桨距风力发电机桨距角的控制方法 |
-
2016
- 2016-01-13 CN CN201610022088.6A patent/CN105673325A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100127495A1 (en) * | 2008-11-26 | 2010-05-27 | Per Egedal | Estimating an achievable power production of a wind turbine by means of a neural network |
CN104454347A (zh) * | 2014-11-28 | 2015-03-25 | 云南电网公司电力科学研究院 | 一种独立变桨距风力发电机桨距角的控制方法 |
Non-Patent Citations (1)
Title |
---|
田猛等: "风电机组RBF神经网络PID独立变桨控制研究", 《电力电子技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106499583B (zh) * | 2016-10-13 | 2019-03-05 | 浙江运达风电股份有限公司 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
CN106499583A (zh) * | 2016-10-13 | 2017-03-15 | 浙江运达风电股份有限公司 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
CN108223274B (zh) * | 2017-12-04 | 2019-11-12 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108223274A (zh) * | 2017-12-04 | 2018-06-29 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108333936A (zh) * | 2018-01-30 | 2018-07-27 | 山西机电职业技术学院 | 一种基于神经网络提高异步电机定位精度的方法 |
CN110207871B (zh) * | 2018-02-28 | 2021-04-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
CN110207871A (zh) * | 2018-02-28 | 2019-09-06 | 新疆金风科技股份有限公司 | 风电机组的应力预测的方法、装置、存储介质和系统 |
TWI708893B (zh) * | 2018-10-24 | 2020-11-01 | 日商日立製作所股份有限公司 | 風力發電系統 |
WO2020239177A1 (en) * | 2019-05-28 | 2020-12-03 | Vestas Wind Systems A/S | Reduction of edgewise vibrations using blade load signal |
CN110454329A (zh) * | 2019-09-04 | 2019-11-15 | 风脉能源(武汉)股份有限公司 | 一种风电机组桨距角控制方法 |
WO2021073090A1 (zh) * | 2019-10-16 | 2021-04-22 | 上海海事大学 | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 |
CN111120222A (zh) * | 2019-12-10 | 2020-05-08 | 浙江大学 | 一种具有风剪切和塔影效应的真实风况风力发电模拟装置及方法 |
CN112943530A (zh) * | 2019-12-11 | 2021-06-11 | 新疆金风科技股份有限公司 | 风力发电机组的控制方法及其装置 |
CN112943530B (zh) * | 2019-12-11 | 2022-11-08 | 新疆金风科技股份有限公司 | 风力发电机组的控制方法及其装置 |
CN111287888A (zh) * | 2020-03-27 | 2020-06-16 | 重庆大学 | 一种漂浮式风机独立变桨控制方法 |
CN111404203A (zh) * | 2020-04-10 | 2020-07-10 | 湘电风能有限公司 | 一种基于鲸鱼群算法的风电场有功功率调度方法 |
CN111852763A (zh) * | 2020-09-11 | 2020-10-30 | 重庆大学 | 一种基于漂浮式风机的容错自适应pid控制方法 |
CN112177864B (zh) * | 2020-09-30 | 2022-04-29 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组极端风切变的识别方法及装置 |
CN112177864A (zh) * | 2020-09-30 | 2021-01-05 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组极端风切变的识别方法及装置 |
CN112412698A (zh) * | 2020-11-18 | 2021-02-26 | 中国船舶重工集团海装风电股份有限公司 | 基于轮毂不平衡载荷特征量的独立变桨控制方法 |
CN112412698B (zh) * | 2020-11-18 | 2021-12-21 | 中国船舶重工集团海装风电股份有限公司 | 基于轮毂不平衡载荷特征量的独立变桨控制方法 |
CN113738577A (zh) * | 2021-09-28 | 2021-12-03 | 中国华能集团清洁能源技术研究院有限公司 | 一种风力发电机组独立变桨控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
Nadour et al. | Comparative analysis between PI & backstepping control strategies of DFIG driven by wind turbine | |
Johnson et al. | Wind farm control: Addressing the aerodynamic interaction among wind turbines | |
Abbas et al. | Simulation of wind-turbine speed control by MATLAB | |
Bharti et al. | Controller design for doubly fed induction generator using particle swarm optimization technique | |
CN105971819B (zh) | 基于ude的风力发电机组变桨距鲁棒控制方法 | |
CN106786677A (zh) | 一种计及风电的互联电力系统分布式动态矩阵频率控制方法 | |
CN104612898A (zh) | 一种风电变桨距多变量模糊神经网络pid控制方法 | |
CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
CN106059422A (zh) | 一种用于双馈风电场次同步振荡抑制的模糊控制方法 | |
CN102900603B (zh) | 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法 | |
Selvam | Individual pitch control for large scale wind turbines | |
CN110970925A (zh) | 基于双馈风机快速有功功率调制改善系统阻尼及建模方法 | |
CN102661243B (zh) | 一种双馈感应风电机组的预报校正变桨控制方法 | |
Deshmukh et al. | Simultaneous structural and control system design for horizontal axis wind turbines | |
Hosseini et al. | Intelligent pitch angle control based on gain-scheduled recurrent ANFIS | |
CN103595045A (zh) | 风机参与调频的风柴混合电力系统负荷频率协调控制方法 | |
Baltag et al. | Design of H∞ Robust Controllers for Wind Turbines Based on DFIG | |
Abbas et al. | Speed control of wind turbine by using PID controller | |
Yusong et al. | The control strategy and simulation of the yaw system for MW rated wind turbine | |
CN102900606B (zh) | 基于有限时间保成本稳定的风电机组变桨距控制器设计方法 | |
Najd et al. | Pitch angle control using neural network in wind turbines | |
Babayeva et al. | MPPT algorithms for magnus effect wind turbine control system | |
Chayaopas et al. | H∞ fuzzy integral power control for DFIG wind energy system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |
|
RJ01 | Rejection of invention patent application after publication |