CN108334672A

CN108334672A - 基于有效风速估计的变速风力发电机组最大风能捕获方法

Info

Publication number: CN108334672A
Application number: CN201810033271.5A
Authority: CN
Inventors: 杨秦敏; 焦绪国; 鲍雨浓; 陈积明
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2018-01-14
Filing date: 2018-01-14
Publication date: 2018-07-27
Anticipated expiration: 2038-01-14
Also published as: CN108334672B

Abstract

本发明公开了一种基于有效风速估计的变速风力发电机组最大风能捕获方法。该方法包括有效风速估计模型和最大风能捕获控制器两部分。为获得有效风速估计值，归一化后的机组历史输出数据和历史风速测量值构成SVR模型的训练集，使用GA算法选择惩罚参数和核函数参数，得到训练好的SVR模型，该模型在线给出风速估计值；设计最大风能捕获控制器时，根据有效风速估计模型给出的有效风速，得到实时的最优风轮转速估计值，使用鲁棒因子和神经网络应对系统的非线性特性和参数不确定性，从而实现转速跟踪误差的有界性和风力发电机组系统的稳定性。该方法不需要使用机组的数学模型和参数，设计过程简单，实现成本低，能够提高机组产能和风电场的经济效益。

Description

基于有效风速估计的变速风力发电机组最大风能捕获方法

技术领域

本发明涉及变速风力发电机组控制技术领域，特别涉及变速风力发电机组的最大风能捕获控制。

背景技术

随着人类社会的发展，能源短缺和环境危机变得日益严重。风电作为目前应用规模最大的新能源发电方式，是解决能源和环境危机的重要手段。近年来，风电的发展十分迅速，根据世界风能协会(IEA)发布的报告，到2050年，全球风电渗透率将会达到15-18％。一般来说，风电机组可以分为定速风电机组和变速风电机组。与定速风电机组相比，变速风电机组有着更高的发电效率和更低的结构载荷，因此，在当前的风电市场当中，变速风电机组的应用更加的广泛。由于风速的未知性、机组结构和运行环境的复杂性，变速风电机组的最大风能捕获仍然是一个具有挑战性的研究课题。

为实现变速风电机组的最大风能捕获，目前工业上普遍采用的是最优转矩控制器，其基本思路是将发电机转速的平方乘以一个固定常数作为发电机电磁转矩的设定值。然而，该控制器仅仅考虑机组的稳态特性，当机组的转动惯量和湍流强度较大时，其风能捕获效果较差。

为解决这一问题，学者们提出基于叶尖速比法的最大风能捕获控制器设计方法，该方法的基本思想是，将最大功率点跟踪问题转化为最优转速跟踪问题。但是，该方法需要已知风速信息。实际中，风速信息的获取通常有两种方法：使用风速计或者使用激光雷达测风装置。然而，前者只能测量风轮后某一点的风速，无法代表有效风速，且测量误差较大，后者则价格昂贵。因此，基于有效风速估计的变速风电机组最大风能捕获控制器设计已经成为研究热点。

目前已有的有效风速估计方法可以分为两种：一种是基于卡尔曼滤波或者扩展卡尔曼滤波的风速估计方法，该方法能够间接或者直接地计算有效风速，但是，该方法需要已知精确的机组或者风速模型，这一条件在实际中很难满足；为了克服这一限制，学者们提出了基于机器学习算法的风速估计方法，通过使用神经网络，支持向量回归，极限学习机等算法，建立机组输出与有效风速之间的非线性关系，然而，该方法训练集构建过程十分复杂，计算量大，并且需要计算风轮转速的导数，这会给系统带来较大的噪声。

基于上述风速估计方法，许多最大风能捕获控制器被提出。在早期的研究中，有关学者使用卡尔曼滤波算法间接估计风速，最大风能捕获控制器则采用PI，但是PI控制器不能很好地应对系统的非线性和参数的不确定性，当机组的工作点不断变化时，机组产能减少。为了应对系统的非线性，学者们提出了非线性状态反馈控制器以及滑模控制器，但是这两种控制器的表达式中都包含系统的参数，一方面系统的参数很难准确获得，另一方面，即使通过大量仿真计算获得了比较准确的系统参数，随着机组运行时间的增加，系统的参数也会发生漂移，这将会导致机组产能的下降。为了摆脱对系统参数的依赖，学者们提出了自适应最大风能捕获控制器，使用支持向量回归进行风速估计，但是其输入特征存在很大的冗余，实现成本较高，同时，该方法所设计的控制器需要计算风速估计值的一阶和二阶导数，这些导数在实际中很难准确计算获得。

发明内容

为了提高机组产能，解决现有基于有效风速估计的最大风能捕获控制器因实现成本高、计算量大、无法应对系统非线性特性和参数不确定性而导致的机组产能下降的问题，本发明提供一种简单易行、不依赖于系统数学模型和参数的基于有效风速估计的最大风能捕获控制器，能够精确建立机组输出和有效风速之间的非线性关系，较好的应对系统非线性和参数漂移，适应不同型号的机组，提高机组产能和风电场的经济效益。

本发明解决其技术问题所采用的技术方案是：一种基于有效风速估计的变速风力发电机组最大风能捕获方法，包括下述步骤：

(1)对风电机组传动链结构进行动力学分析，建立风电机组传动轴系简化模型如下：

其中，J_t是系统等效转动惯量，ω_r是风轮转速，T_a是气动转矩，其表达式是ρ是空气密度，R是风轮半径，C_q是转矩系数，v是有效风速，K_t是系统等效阻尼，T_g是系统等效电磁转矩；

(2)根据机组机械功率的表达式和风能利用系数曲线，将最大风能捕获问题转化为最优风轮转速跟踪问题，计算转速跟踪误差；所述转速跟踪误差定义为实际风轮转速与最优风轮转速估计值之差；

(3)使用激光雷达测风装置测量并记录一段时间内的有效风速信息，使用SCADA系统和力矩传感器获得相应时间段内风电机组的相关输出数据X'，X'＝[x'(i,j)],i＝1,...,l,j＝1,...,6，l为采样输出次数；用x'(i,:)表示机组的一次采样输出，x'(i,:)表达式为：

x'(i,:)＝[ω_r,ω_g,ω_ra,a_fa,M_yb1,F_xb1]

其中，ω_r是风轮转速，ω_g是发电机转速，ω_ra是叶轮方位角，a_fa是塔架前后加速度，M_yb1是某一叶片的叶根挥舞弯矩，F_yb1是该叶片的叶根挥舞力；

(4)将步骤3获得的机组输出数据进行归一化处理，作为SVR模型的训练特征集X，X＝[x(i,j)],i＝1,...,l,j＝1,...,6，将步骤3获得的有效风速信息作为SVR模型的训练目标值，将训练特征集和训练目标值构成SVR的训练集；

(5)使用步骤4获得的训练集对SVR模型进行训练，使用GA算法选择SVR的惩罚参数和核函数参数，得到训练好的SVR模型，通过该模型在线给出有效风速估计值，从而实时获得最优风轮转速估计值；将有效风速估计值和有效风速真实值v之间的关系表示为：其中ζ(t)是有界的有效风速估计误差；

(6)将步骤(1)中的气动转矩T_a的表达式分解成风轮转速和风速的函数加上一个有界量δ(t)，根据最优风轮转速估计值得到转速跟踪误差，进一步求得转速跟踪误差的动态特性如下：

其中，是跟踪误差，ω_r是实际风轮转速，是最优风轮转速估计值，是系统未知动态，T_g是控制信号，是系统未知有界部分。

(7)使用两层的神经网络，对步骤6中的系统未知动态进行逼近，并设计神经网络理想权重估计值的更新规则如下：

其中，是神经网络隐含层的激活函数，Γ＝Γ^T>0是正定对称矩阵，σ₁>0是需要用户选择的控制器参数。

(8)设计鲁棒因子对步骤6中的系统未知有界部分D(t)进行逼近，并给出该鲁棒因子的幅值的更新规则如下：

其中，是鲁棒因子的幅值，σ,μ,σ₂>0是用户自定义的控制器参数，tanh(·)是双曲正切函数。

(9)设计步骤6中控制信号的表达式如下：

其中，k>0是用户自定义的控制器参数，在该控制信号的作用下，跟踪误差e是有界的，即风力发电机组的风轮转速能够跟踪最优风轮转速，从而实现最大风能捕获，同时，该控制信号能够使得风力发电机组系统中的所有信号都是有界的，系统是稳定的。

进一步地，所述步骤4中，归一化处理指的是：

其中，用x'(:,j)表示X'中的列分量，max(x'(:,j))和min(x'(:,j))分别是x'(:,j)的最大值和最小值，x(:,j)是X中的列分量。

进一步地，所述步骤6中，将气动转矩表示成风轮转速和风速的函数加上一个有界量，具体操作是：

其中，ρ是空气密度，R是风轮半径，C_q是转矩系数，v是有效风速，是有效风速估计值，ζ(t)是有效风速估计误差，且存在是步骤6所述的风轮转速和风速的函数，δ(t)是步骤6所述的有界量。

进一步地，所述步骤7中，对步骤6中的系统未知动态进行逼近，具体过程是：

其中，W^*是神经网络权重的理想值，φ(·)是神经网络隐含层的激活函数，ε是重构误差。神经网络理想权重W^*的估计值用表示。

进一步地，所述步骤8中，鲁棒因子的表达式为：

其中，是鲁棒因子的幅值，σ>0是用户自定义的控制器参数。

本发明的有益效果是：针对现有风速估计方法需要系统数学模型、训练集构建复杂、计算量大的现状，合理选择机组输出变量，包括风轮转速、发电机转速、叶轮方位角、塔架前后加速度、叶片的叶根挥舞弯矩、叶片的叶片挥舞力，使用SVR模型建立机组输出与有效风速之间的非线性关系；针对现有基于风速估计的最大风能捕获控制器由于无法应对系统非线性特性和参数不确定性而导致的机组产能下降的现状，设计神经网络和鲁棒因子逼近系统的未知动态。该基于有效风速估计的最大风能捕获控制器，计算量小，易于实施，成本低，能够比较准确地在线给出有效风速估计值，为最大风能捕获控制器提供实时控制目标，该控制器不需要使用系统的模型和参数，该控制器能够较好的应对系统的非线性特性和参数漂移，同时，该控制器不需要使用风轮转速或者风速估计值的导数，从而避免了噪声的引入，提高了控制精度。实际使用时，该控制器能够适应不同型号的机组，与目前工业上普遍采用的最优转矩控制器相比，能增加机组产能，提高风电场的经济效益。

附图说明

图1为风电机组传动链简化模型；

图2为C_p(λ,β)曲线；

图3为两层神经网络结构图；

图4为基于有效风速估计的变速风电机组最大风能捕获控制方法设计流程图；

图5为基于有效风速估计的变速风电机组最大风能捕获控制器框图；

图6为真实风速与估计风速对比图；

图7为磁转矩对比图；

图8为发电功率对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

本发明提供的一种基于有效风速估计的变速等电机组最大风能捕获方法，包括以下步骤：

步骤1，对风电机组传动链结构进行分析，得到简化传动链模型，如图1所示，其数学模型可以表示为：

其中，J_t是系统等效转动惯量，ω_r是风轮转速，T_a是气动转矩，K_t是系统等效阻尼，T_g是系统等效电磁转矩。

进一步，v为风速，为叶尖速比，R为风轮半径，ρ为空气密度，β为桨距角。C_p(λ,β)是风能利用系数，表示风力发电机组将风能转化为机械能的能力，该系数是叶尖速比和桨距角的函数。

步骤2，根据机组机械功率的表达式其中P_a是机组机械功率，可见，若P_a取其最大值P_amax，则C_p(λ,β)需取其最大值C_pmax(λ,β)，从图2所示的C_p(λ,β)曲线来看，若C_p(λ,β)取C_pmax(λ,β)，则λ取其最大值λ_opt，β＝0°，根据叶尖速比的定义，最优风轮转速可以表示为：至此，最大风能捕获问题转化为最优转速跟踪问题。

进一步，最优风轮转速ω_ropt的表达式中，包括无法准确获得的有效风速v，有效风速估计值用表示，得到最优风轮转速估计值

进一步，计算得到跟踪误差

步骤3，为获取步骤2所述有效风速估计值，使用激光雷达测风装置测量并记录一段时间内的有效风速信息，使用SCADA系统和力矩传感器获得相应时间段内风电机组的相关输出数据，机组的相关输出数据用X'表示，(X'＝[x'(i,j)],i＝1,...,l,j＝1,...,6)。用x'(i,:)表示机组的一次采样输出，x'(i,:)表达式为：

x'(i,:)＝[ω_r,ω_g,ω_ra,a_fa,M_yb1,F_xb1]

其中，ω_r是风轮转速，ω_g是发电机转速，ω_ra是叶轮方位角，其取值范围是[0,2π]，a_fa是塔架前后加速度，M_yb1是叶片1的叶根挥舞弯矩，F_yb1是叶片1的叶片挥舞力。

步骤4，将步骤1获得的机组输出数据进行归一化处理，具体指的是：

其中，用x'(:,j)表示X'中的列分量，max(x'(:,j))和min(x'(:,j))分别是x'(:,j)的最大值和最小值，x(:,j)是X中的列分量。步骤1获得的有效风速信息并不需要进行归一化处理，而是直接作为SVR模型的训练目标值，因为训练好的SVR模型在在线使用时无法进行反归一化操作。训练特征集和训练目标值构成了SVR的训练集。

步骤5，使用步骤4获得的训练集对SVR模型进行训练，此处的SVR模型指的是普遍使用的支持向量回归模型，使用GA算法选择SVR的惩罚参数和核函数参数，此处的GA算法指的是普遍采用的遗传算法，进而得到训练好的SVR模型，改模型能够在线给出有效风速估计值，从而实时获得最优风轮转速估计值

步骤6，将气动转矩表示成风轮转速和风速的函数加上一个有界量，具体操作为：

其中，C_q是转矩系数，ζ(t)是有效风速估计误差，且存在是步骤6所述的风轮转速和风速的函数，δ(t)是步骤6所述的有界量。计算得到如下的转速跟踪误差动态特性：

其中，是系统未知动态，T_g是控制信号，系统未知有界部分。

步骤7，使用两层的神经网络，其结构如图3所示，其中，n₁，n₂和n₃分别表示输入层、隐含层和输出层的神经元的个数，a₁～a_n1表示神经网络的输入，V是输入层到隐含层的权重，φ₁～φ_n2是隐含层的激活函数，W是隐层到输出层的权重，b₁～b_n3是神经网络的输出。值得注意的是，在该神经网路的在线更新过程中，V一经初始化就不再改变，W是需要不断在线更新的。

进一步，使用该神经网络对步骤6中的系统未知动态进行逼近，具体操作为：

其中，W^*是神经网络权重的理想值，φ(·)是神经网络隐含层的激活函数，ε是重构误差。W^*和ε均为有界量。W^*的值无法准确获得，其估计值用表示，的更新规则设计为：

进一步，在设计控制信号时，将使用抵消对系统动态特性的影响，从而使得控制器能够应对机组的非线性特性和参数不确定性。神经网络理想权重W^*的估计值用表示。

步骤8，设计如下的鲁棒因子对步骤6中的系统未知有界部分进行逼近：

其中，是鲁棒因子的幅值，σ>0是用户自定义的控制器参数。

进一步，的更新规则为：

其中，μ,σ₂>0是控制器参数。

进一步，在设计控制信号时，将使用抵消系统未知有界部分对机组动态特性的影响。

步骤9，设计如下的控制信号的表达式：

其中，k>0是用户自定义的控制器参数。在该控制信号的作用下，跟踪误差是有界的，且闭环系统是有界稳定的。同时，控制系统能够较好地应对机组的非线性特性和参数不确定性，提升机组产能和风电场的经济效益。

实施例

本实施例使用风电技术开发软件FAST仿真平台，对本发明方法的有效性进行验证。

图1所示为风电机组传动链简化模型。实施例中使用1.5MW三叶片水平轴变速风力发电机组模型，其主要参数如下表所示：

风力发电机组基本参数	数值范围
		额定功率	1500KW
切入风速	3m/s
		额定风速	11m/s
切出风速	25m/s
		风轮半径	35m
叶片数	3
		齿轮箱传动比	87.965
最优功率系数	0.412
		最佳叶尖速比	7.0

控制器参数选择如下：

k＝7×10⁷,Γ＝diag{10⁵,...,10⁵},σ＝10^-2,σ₁＝5×10^-7,σ₂＝10^-5,μ＝10⁵。

同时，将提出的方法与下述工业上普遍采用的最优转矩控制器进行对比：

图2为C_p(λ,β)曲线。可见，若C_p(λ,β)取其最大值C_pmax，则β＝0°，λ＝λ_opt。

图4是基于有效风速估计的最大风能捕获方法设计流程图。对机组传动轴系基本结构进行分析，得到传动轴简化动态模型，为计算得到机组转速跟踪误差，使用训练好SVR模型，在线给出最优风轮转速的估计值，使用神经网络逼近系统的未知动态，使用鲁棒因子应对系统的未知有界部分，最终给出控制信号的表达式。

图5为基于有效风速估计的变速风电机组最大风能捕获控制器框图。机组的实时输出经过归一化后，输入到风速估计模型中，风速估计模型在线给出风速估计值，计算得到最有风轮转速估计值，进而得到跟踪误差，分别使用神经网络和鲁棒因子应对系统的未知动态和未知有界部分，使得跟踪误差有界，闭环系统稳定。实际中，该控制框架能够提高发电量和风电场的经济效益。

图6为真实风速和估计风速的对比图。

图7为两种方法的电磁转矩对比图。

图8为两种方法的发电功率对比图。经计算，最优转矩控制器的产电量为：38.1806kW·h，本方法的产电量为：39.1278kW·h，机组产能提升2.48％。

Claims

1.一种基于有效风速估计的变速风力发电机组最大风能捕获方法，其特征在于，该方法包括以下步骤：

x'(i,:)＝[ω_r,ω_g,ω_ra,a_fa,M_yb1,F_xb1]

(9)设计步骤6中控制信号的表达式如下：

2.根据权利要求1所述的基于有效风速估计的变速风力发电机组最大风能捕获方法，其特征在于，所述步骤4中，归一化处理指的是：

3.根据权利要求1所述的基于有效风速估计的变速风力发电机组最大风能捕获方法，其特征在于，所述步骤6中，将气动转矩表示成风轮转速和风速的函数加上一个有界量，具体操作是：

4.根据权利要求1所述的基于有效风速估计的变速风力发电机组最大风能捕获方法，其特征在于，所述步骤7中，对步骤6中的系统未知动态进行逼近，具体过程是：

5.根据权利要求1所述的基于有效风速估计的变速风力发电机组最大风能捕获方法，其特征在于，所述步骤8中，鲁棒因子的表达式为：

其中，是鲁棒因子的幅值，σ>0是用户自定义的控制器参数。