CN110397554A - 智能寻优的风电机组偏航控制方法、装置及风电机组 - Google Patents
智能寻优的风电机组偏航控制方法、装置及风电机组 Download PDFInfo
- Publication number
- CN110397554A CN110397554A CN201910836265.8A CN201910836265A CN110397554A CN 110397554 A CN110397554 A CN 110397554A CN 201910836265 A CN201910836265 A CN 201910836265A CN 110397554 A CN110397554 A CN 110397554A
- Authority
- CN
- China
- Prior art keywords
- wind
- yaw
- wind speed
- wind turbines
- control method
- 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 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 230000004069 differentiation Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 230000002045 lasting effect Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000001934 delay Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000009194 climbing Effects 0.000 claims description 2
- 201000009482 yaws Diseases 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 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
- F03D7/0204—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for orientation in relation to wind direction
-
- 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
- F05B2270/70—Type of control algorithm
- F05B2270/707—Type of control algorithm fuzzy logic
-
- 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
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明实施例提供了一种智能寻优的风电机组偏航控制方法、装置及风电机组。所述方法包括:采用预设的模糊神经网络预测算法,来修正风向偏差值;对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动;采用爬山算法调整偏航机构的方向,以发现最大输出功率。本发明实施例提供的智能寻优的风电机组偏航控制方法、装置及风电机组采用高、低风速下进行差异化控制策略,细化了偏航动作的条件,使偏航动作更加准确。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种智能寻优的风电机组偏航控制方法、装置及风电机组。
背景技术
风能作为发展最快的绿色清洁能源因为其蕴藏量大,分布广泛,完全绿色无污染等特点得到了世界各地广泛的关注与研究,由于大部分的地域风向条件是多变无规律的,因此,风力发电机组对风向有效准确的追踪依赖于风力发电机组的偏航系统,该系统可以快速准确的对风控制,是风力发电机组的不可或缺的核心部分。
大型风力发电机组的偏航系统的工作原理以及特点:偏航系统一般由偏航轴承、偏航驱动装置、偏航制动器、偏航计数器、偏航液压系统以及偏航扭缆保护控制等几部分组成,目前大型风力发电机采用的主动偏航系统,工作方式为风向标传感器采集到风向与机舱位置的风向角度差值,通过电信号传送给偏航控制器中,偏航控制器则判断当前风向偏差值是否需要启动偏航命令和启动偏航电机,偏航电机将带动偏航齿轮使机舱运行,直到对风完成后结束偏航与偏航电机控制。
现有的偏航对风控制主要都采用相对比较简单的控制策略,一版来说都是当风向偏差值大于某一个设定阈值后并持续一段时间就进行偏航对风控制,该策略的好处在于简单易于实现应用,但是这样控制的弊端就会造成风机在风向偏差值的范围里,机组并不是准确对准风向的,经常在风向变化是出现一定的夹角,使机组获得的功率减少,并使桨叶受力不平衡,提高机组的疲劳载荷。
由此可见,上述现有的偏航控制策略显然仍存在有不便与缺陷,为了进一步提高风能利用率,保证风力发电机可靠稳定的运行,需要对偏航控制系统以及控制策略进行重新的设计和研发。
发明内容
本发明要解决的技术问题是提供一种智能寻优的风电机组偏航控制方法、装置及风电机组,采用高、低风速下进行差异化控制策略,细化了偏航动作的条件,使偏航动作更加准确。
为解决上述技术问题,本发明实施例提供了一种智能寻优的风电机组偏航控制方法,所述方法包括:对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动。
在一些实施方式中,对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动,包括:采用风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断是否需要偏航动作。
在一些实施方式中,采用风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断是否需要偏航动作,包括:长时间平均风速大于6.5m/s并且风向偏差值大于8°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于15°持续20s,两个条件满足其一开启偏航电机进行偏航操作;长时间平均风速小于6.5m/s并且风向偏差值大于10°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于18°持续20s,两个条件满足其一开启偏航电机进行偏航操作。
在一些实施方式中,还包括:在高风速及低风速分别采取不同的差异化控制策略,控制偏航控制机构的启动之前,采用预设的模糊神经网络预测算法,来修正风向偏差值。
在一些实施方式中,所述模糊神经网络预测算法中使用的模糊神经网络模型包括:输入层、中间层以及输出层,所述输入层包括6个输入单元,所述中间层包括12个中间层单元,所述输出层包括1个输出单元。
在一些实施方式中,将所述模糊神经网络模型的预测值进与实际值进行加权修正,得到修正后的风向偏差值。
在一些实施方式中,还包括:在高风速及低风速分别采取不同的差异化控制策略,控制偏航控制机构的启动之后,采用爬山算法调整偏航机构的方向,以发现最大输出功率。
在一些实施方式中,采用爬山算法调整偏航机构的方向,以发现最大输出功率,包括:当前功率点减去上一个功率点的差值大于了功率范围的容错阈值即所允许的偏差功率,这时候偏航启动,偏航电机按照设定方向转动,完成对风时的输出功率大于之前的输出功率时,则偏航方向正确,否则偏航反向运动,直到在局部范围找到输出的最大功率点停止偏航。
此外,本发明实施例还提供了一种智能寻优的风电机组偏航控制装置,所述装置包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的智能寻优的风电机组偏航控制方法。
此外,本发明实施例还提供了一种风电机组,所述风电机组包括:根据前文所述的智能寻优的风电机组偏航控制装置。
采用这样的设计后,本发明至少具有以下优点:
1、本发明采用了风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断偏航是否需要动作,这样的优点在于细化了偏航动作的条件,使偏航动作更加准确。
2、本发明采用最新的预测算法,提前修正了偏航角度的误差,使风力发电机组对风误差减小,根据仿真计算得出,该算法可以很大程度上减小风向采集以及风向多变带来的误差问题。
3、本发明采用的爬山寻求最大功率算法,可以在一定范围中不依赖于风向标传感器提高机组对风精度,在同等工况下获得更多的发电量。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例提供的智能寻优的风电机组偏航控制方法的流程图;
图2是本发明实施例提供的智能寻优的风电机组偏航控制方法的流程图;
图3是本发明实施例提供的采用模糊神经网络对风向偏差值进行预测修正的流程图;
图4是本发明实施例提供的智能寻优的风电机组偏航控制装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的智能寻优的风电机组偏航控制方法的流程图。参见图1,智能寻优的风电机组偏航控制方法包括:
S11,采用预设的模糊神经网络预测算法,来修正风向偏差值。
首先在采集的风向偏差值数据增加了模糊网络神经网络预测算法进行分析与处理,将采集到的6个风向偏差信号编为一组进行第7个数据的预测分析,然后对当前风向偏差值进行一定量的修正。
模糊神经网络预测算法,其作用是用来修正风向偏差值,模糊控制有着良好的动态特性,可以有效的减小风力发电机组在偏航过程产生超调和震荡,配置输入层、中间层以及输出层参数即为输入6、中间层为12、输出层为1,经过仿真计算这样的配置在系统的动态响应以及数据处理速度来看是最优的组合,控制器将采集到的六个风向偏差值数据作为一组数据,预测第七个数据值,然后将预测值进与实际值进行加权修正,修正比例为原始为0.7,预测值为0.3。
本发明采用最新的预测算法,提前修正了偏航角度的误差,使风力发电机组对风误差减小,根据仿真计算得出,该算法可以很大程度上减小风向采集以及风向多变带来的误差问题。
S12,对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动。
与以往之前大部分的偏航控制策略风向偏差角以及时间延时阈值判断不同,本发明采用了风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断偏航是否需要动作,这样的优点在于细化了偏航动作的条件,使偏航动作更加准确。
本发明实施例提供的智能寻优的风电机组偏航控制方法,该方法采用高、低风速下进行差异化控制策略所述控制策略包括:长时间平均风速大于6.5m/s并且风向偏差值大于8°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于15°持续20s,两个条件满足其一开启偏航电机进行偏航操作;长时间平均风速小于6.5m/s并且风向偏差值大于10°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于18°持续20s,两个条件满足其一开启偏航电机进行偏航操作。
S13,采用爬山算法调整偏航机构的方向,以发现最大输出功率。
本发明实施例提供的智能寻优的风电机组偏航控制方法还包括以下内容:爬山寻求最大功率算法,采用中间变量记录功率点,并设定功率容错阈值,减少偏航启停次数。
采用递归的方式逐步寻找最优的功率,最终发现局部最优输出功率,主控系统一直追踪并采集当前发电机的输出功率,当前功率点减去上一个功率点的差值大于功率范围的容错阈值即所允许的偏差功率,这时候偏航启动,偏航电机按照设定方向转动,完成对风时的输出功率大于之前的输出功率时,则偏航方向正确,否则偏航反向运动,直到在局部范围找到输出的最大功率点停止偏航。
当风向不变,风速增大时或者减小,这时候输出功率变大或者变小,主控主动偏航值该点的左边设定点,判断输出功率是否大于最初输出功率,如果小于则偏航至右边设定点,判断功率是否大于最初设定功率,如果依然不满足,则判定风速变化,回归最原始位置。
本发明采用的爬山寻求最大功率算法,可以在一定范围中不依赖于风向标传感器提高机组对风精度,在同等工况下获得更多的发电量。
图2示出了本发明实施例提供的智能寻优的风电机组偏航控制方法的流程图。参见图2,智能寻优的风电机组偏航控制方法包括:
S201,采集风速、风向差值。
此处采集的数据是实时风速值,以及风向差值。风向差值是指偏航机构所指向的方向与实际风向之间的差值。
S202,采用模糊神经网络预测算法对风向差值进行预测及修正。
预测过程是采用预设的模糊神经网络模型执行的预测。具体的,向模糊神经网络模型输入六个连续采样点上采集到的风向差值,模糊神经网络模型能够输出一个风向差值的预测值。
得到这个风向差值的预测值之后,向得到的预测值与当前的实测风向进行加权平均,实现对预测值的修正。典型的,在加权平均过程,对预测值进行加权的加权值是0.3,而对实测值进行加权的加权值是0.7。
S203,判断是否连续160s风速小于6.5m/s,并且风向差值大于10°,或者连续20s风速小于6.5m/s,并且风向差值大于18°,如果是,则启动偏航电机,并执行S204。
S204,判断风向偏差值是否小于5°,如果是,执行S205,如果不是,执行S208。
S205,运行爬山算法,寻求最大功率点。
S206,判断当前是否处在最大功率点,如果是,执行S207。
S207,偏航电机停机。
S208,采用模糊神经网络预测算法对风向差值进行预测及修正。
S209,启动偏航电机,并跳转至S204。
S210,判断是否连续160s风速大于6.5m/s,并且风向差值大于8°,或者连续20s风速大于6.5m/s,并且风向差值大于15°,如果是,启动偏航电机,并执行S204,如果不是,执行S211。
S211,运行爬山算法,寻求最大功率点。
S212,判断当前是否处在最大功率点,如果是,执行S207。
图3使出了本发明实施例提供的采用模糊神经网络对风向偏差值进行预测修正的流程。参见图3,采用预设的模糊神经网络预测算法,来修正风向偏差值,包括:
S301,采集风向偏差值。
S302,初始化模糊神经网络模型的参数。
S303,配置输入层、中间层及输出层参数。
S304,对模糊神经网络模型进行初始化。
S305,对采集数据进行分组并分别进行归一化。
S306,判断是否进行网络进化训练。
S307,进行模糊规则计算。
此处涉及的模糊规则是模糊神经网络中采用的模糊规则。
S308,进行预测值计算。
S309,判断网络进化训练是否完成,如果是,执行S310,如果不是,执行S306。
S310,利用完成网络进化训练的模糊神经网络,输出预测值。
S311,利用风向实测值,对预测值进行修正。
S312,得到修正后的风向偏差值。
图4是本发明智能寻优的风电机组偏航控制装置的结构图。参见图4,智能寻优的风电机组偏航控制装置包括:中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别的,根据本发明实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明的方法中限定的上述功能。需要说明的是,本发明的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意结合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何恰当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连的表示的方框实际上可以基本并行的执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种智能寻优的风电机组偏航控制方法,其特征在于,包括:
对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动。
2.根据权利要求1所述的智能寻优的风电机组偏航控制方法,其特征在于,对高风速及低风速分别采取不同的差异化控制策略,控制偏航机构的启动,包括:
采用风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断是否需要偏航动作。
3.根据权利要求2所述的智能寻优的风电机组偏航控制方法,其特征在于,采用风速段区分、风向偏差值阈值区分和判断时间延时阈值区分,三个判断条件来判断是否需要偏航动作,包括:
长时间平均风速大于6.5m/s并且风向偏差值大于8°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于15°持续20s,两个条件满足其一开启偏航电机进行偏航操作;
长时间平均风速小于6.5m/s并且风向偏差值大于10°持续160s,长时间平均风速大于6.5m/s并且风向偏差值大于18°持续20s,两个条件满足其一开启偏航电机进行偏航操作。
4.根据权利要求1所述的智能寻优的风电机组偏航控制方法,其特征在于,还包括:
在高风速及低风速分别采取不同的差异化控制策略,控制偏航控制机构的启动之前,采用预设的模糊神经网络预测算法,来修正风向偏差值。
5.根据权利要求4所述的智能寻优的风电机组偏航控制方法,其特征在于,所述模糊神经网络预测算法中使用的模糊神经网络模型包括:输入层、中间层以及输出层,所述输入层包括6个输入单元,所述中间层包括12个中间层单元,所述输出层包括1个输出单元。
6.根据权利要求5所述的智能寻优的风电机组偏航控制方法,其特征在于,将所述模糊神经网络模型的预测值进与实际值进行加权修正,得到修正后的风向偏差值。
7.根据权利要求1至6任意一项所述的智能寻优的风电机组偏航控制方法,其特征在于,还包括:
在高风速及低风速分别采取不同的差异化控制策略,控制偏航控制机构的启动之后,采用爬山算法调整偏航机构的方向,以发现最大输出功率。
8.根据权利要求7所述的智能寻优的风电机组偏航控制方法,其特征在于,采用爬山算法调整偏航机构的方向,以发现最大输出功率,包括:
当前功率点减去上一个功率点的差值大于了功率范围的容错阈值即所允许的偏差功率,这时候偏航启动,偏航电机按照设定方向转动,完成对风时的输出功率大于之前的输出功率时,则偏航方向正确,否则偏航反向运动,直到在局部范围找到输出的最大功率点停止偏航。
9.一种智能寻优的风电机组偏航控制装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至8任意一项所述的智能寻优的风电机组偏航控制方法。
10.一种风电机组,其特征在于,包括:根据权利要求9所述的智能寻优的风电机组偏航控制装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836265.8A CN110397554A (zh) | 2019-09-05 | 2019-09-05 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836265.8A CN110397554A (zh) | 2019-09-05 | 2019-09-05 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110397554A true CN110397554A (zh) | 2019-11-01 |
Family
ID=68329688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836265.8A Pending CN110397554A (zh) | 2019-09-05 | 2019-09-05 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110397554A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111852769A (zh) * | 2020-07-22 | 2020-10-30 | 武汉展盛科技有限公司 | 风机scada数据的偏航静态偏差角预测方法及系统 |
CN112879220A (zh) * | 2021-03-16 | 2021-06-01 | 上海电气风电集团股份有限公司 | 风机控制方法、系统和可读存储介质 |
CN113027680A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 风力发电机组的偏航对风控制方法和装置 |
CN114607562A (zh) * | 2022-03-31 | 2022-06-10 | 华能陕西靖边电力有限公司 | 风机偏航系统的控制策略优化方法、系统及介质 |
CN114718811A (zh) * | 2022-06-09 | 2022-07-08 | 东方电气风电股份有限公司 | 一种基于gps监测风机叶片状态的自适应控制方法 |
CN115977874A (zh) * | 2023-01-09 | 2023-04-18 | 中电投新疆能源化工集团木垒新能源有限公司 | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 |
CN117909696A (zh) * | 2024-03-20 | 2024-04-19 | 北京科技大学 | 一种基于风速传感器的风速风向预警方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101012809A (zh) * | 2007-02-08 | 2007-08-08 | 上海交通大学 | 基于风向标和输出功率的风力机偏航控制方法 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
KR101287319B1 (ko) * | 2011-12-15 | 2013-07-22 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN103487754A (zh) * | 2013-09-02 | 2014-01-01 | 吉林省电力科学研究院有限公司 | 一种面向小尺度风速环境的风力发电数字闪变仪 |
CN104504464A (zh) * | 2014-12-11 | 2015-04-08 | 国家电网公司 | 基于风区风带风速规律的风功率预测方法 |
CN104612904A (zh) * | 2014-12-08 | 2015-05-13 | 上海电气集团股份有限公司 | 一种双馈型风力发电机组最大风能捕获方法 |
CN104895741A (zh) * | 2015-06-10 | 2015-09-09 | 国家电网公司 | 一种风力发电机混合制动系统及制动方法 |
CN104929863A (zh) * | 2015-04-28 | 2015-09-23 | 广州市香港科大霍英东研究院 | 一种基于改进爬山算法的风力发电最大功率点跟踪方法 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
CN107781108A (zh) * | 2017-09-30 | 2018-03-09 | 上海华兴数字科技有限公司 | 一种风电机组偏航控制方法 |
CN107795433A (zh) * | 2016-08-31 | 2018-03-13 | 北京天诚同创电气有限公司 | 风力发电机偏航控制方法、装置及系统 |
CN108194266A (zh) * | 2017-12-29 | 2018-06-22 | 华润新能源(临武)风能有限公司 | 偏航控制方法和偏航控制装置 |
CN108869175A (zh) * | 2018-06-15 | 2018-11-23 | 中南大学 | 一种基于多步预测的模型预测控制mpc的偏航控制方法 |
CN109190839A (zh) * | 2018-09-20 | 2019-01-11 | 中南大学 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
CN109653946A (zh) * | 2018-12-13 | 2019-04-19 | 爱普(福建)科技有限公司 | 风力发电系统最大功率的捕获方法、系统及其实现方法 |
US20190203696A1 (en) * | 2016-05-23 | 2019-07-04 | General Electric Company | System and method for forecasting power output of a wind farm |
CN110159483A (zh) * | 2019-06-17 | 2019-08-23 | 三一重能有限公司 | 一种风机偏航控制方法、装置及风电机组 |
-
2019
- 2019-09-05 CN CN201910836265.8A patent/CN110397554A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101012809A (zh) * | 2007-02-08 | 2007-08-08 | 上海交通大学 | 基于风向标和输出功率的风力机偏航控制方法 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
KR101287319B1 (ko) * | 2011-12-15 | 2013-07-22 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
CN103487754A (zh) * | 2013-09-02 | 2014-01-01 | 吉林省电力科学研究院有限公司 | 一种面向小尺度风速环境的风力发电数字闪变仪 |
CN104612904A (zh) * | 2014-12-08 | 2015-05-13 | 上海电气集团股份有限公司 | 一种双馈型风力发电机组最大风能捕获方法 |
CN104504464A (zh) * | 2014-12-11 | 2015-04-08 | 国家电网公司 | 基于风区风带风速规律的风功率预测方法 |
JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
CN104929863A (zh) * | 2015-04-28 | 2015-09-23 | 广州市香港科大霍英东研究院 | 一种基于改进爬山算法的风力发电最大功率点跟踪方法 |
CN104895741A (zh) * | 2015-06-10 | 2015-09-09 | 国家电网公司 | 一种风力发电机混合制动系统及制动方法 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
US20190203696A1 (en) * | 2016-05-23 | 2019-07-04 | General Electric Company | System and method for forecasting power output of a wind farm |
CN107795433A (zh) * | 2016-08-31 | 2018-03-13 | 北京天诚同创电气有限公司 | 风力发电机偏航控制方法、装置及系统 |
CN107781108A (zh) * | 2017-09-30 | 2018-03-09 | 上海华兴数字科技有限公司 | 一种风电机组偏航控制方法 |
CN108194266A (zh) * | 2017-12-29 | 2018-06-22 | 华润新能源(临武)风能有限公司 | 偏航控制方法和偏航控制装置 |
CN108869175A (zh) * | 2018-06-15 | 2018-11-23 | 中南大学 | 一种基于多步预测的模型预测控制mpc的偏航控制方法 |
CN109190839A (zh) * | 2018-09-20 | 2019-01-11 | 中南大学 | 一种融合风向的铁路沿线风速智能滚动预测方法 |
CN109653946A (zh) * | 2018-12-13 | 2019-04-19 | 爱普(福建)科技有限公司 | 风力发电系统最大功率的捕获方法、系统及其实现方法 |
CN110159483A (zh) * | 2019-06-17 | 2019-08-23 | 三一重能有限公司 | 一种风机偏航控制方法、装置及风电机组 |
Non-Patent Citations (1)
Title |
---|
常新功著: "《基于混合进化的子结构发现》", 31 January 2009, 国防工业出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113027680A (zh) * | 2019-12-25 | 2021-06-25 | 新疆金风科技股份有限公司 | 风力发电机组的偏航对风控制方法和装置 |
CN113027680B (zh) * | 2019-12-25 | 2024-02-06 | 金风科技股份有限公司 | 风力发电机组的偏航对风控制方法和装置 |
CN111852769A (zh) * | 2020-07-22 | 2020-10-30 | 武汉展盛科技有限公司 | 风机scada数据的偏航静态偏差角预测方法及系统 |
CN112879220A (zh) * | 2021-03-16 | 2021-06-01 | 上海电气风电集团股份有限公司 | 风机控制方法、系统和可读存储介质 |
CN114607562A (zh) * | 2022-03-31 | 2022-06-10 | 华能陕西靖边电力有限公司 | 风机偏航系统的控制策略优化方法、系统及介质 |
CN114718811A (zh) * | 2022-06-09 | 2022-07-08 | 东方电气风电股份有限公司 | 一种基于gps监测风机叶片状态的自适应控制方法 |
CN115977874A (zh) * | 2023-01-09 | 2023-04-18 | 中电投新疆能源化工集团木垒新能源有限公司 | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 |
CN115977874B (zh) * | 2023-01-09 | 2024-03-19 | 中电投新疆能源化工集团木垒新能源有限公司 | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 |
CN117909696A (zh) * | 2024-03-20 | 2024-04-19 | 北京科技大学 | 一种基于风速传感器的风速风向预警方法及系统 |
CN117909696B (zh) * | 2024-03-20 | 2024-05-31 | 北京科技大学 | 一种基于风速传感器的风速风向预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110397554A (zh) | 智能寻优的风电机组偏航控制方法、装置及风电机组 | |
EP3613982B1 (en) | Method for controlling operation of a wind turbine | |
CN110516877A (zh) | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 | |
CN102454544B (zh) | 调整风力涡轮机功率参数的系统和方法 | |
US20180100488A1 (en) | Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives | |
CN110094298A (zh) | 切出策略自适应调整的方法及装置 | |
EP3724490A1 (en) | Method and apparatus for cooperative controlling wind turbines of a wind farm | |
CN110206685A (zh) | 风电场中的风力发电机组的前馈控制方法和设备 | |
EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
CN105649877A (zh) | 一种大型风电机组的蚁群pid独立变桨控制方法 | |
CN107829878A (zh) | 风力发电机组的偏航控制设备和方法 | |
CN106777499B (zh) | 一种双馈异步风力发电机组的整机动态建模方法 | |
US20230003193A1 (en) | Control of a multi-rotor wind turbine system using local mpc controllers | |
CN112012875B (zh) | 一种水轮机调节系统pid控制参数的优化方法 | |
CN110737876A (zh) | 区域电网光伏功率预测优化方法和装置 | |
CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
Poushpas | Wind farm simulation modelling and control | |
EP3987171B1 (en) | Controlling noise emissions from individual blades of a wind turbine | |
EP3828408A1 (en) | A method and an apparatus for computer-implemented monitoring of a wind turbine | |
Jelavic et al. | Identification of wind turbine model for controller design | |
KR20150018060A (ko) | 풍력단지 내 터빈의 최적 발전 요구량 산출 방법 및 시스템 | |
CN116301038A (zh) | 一种基于航迹优化规划的无人机输电线路自主巡检方法 | |
US20240103197A1 (en) | Method for computer-implemented forecasting of wind phenomena with impact on a wind turbine | |
US11313353B2 (en) | Controlling a wind turbine using control outputs at certain time stages over a prediction horizon | |
CN109583107A (zh) | 柔性塔筒的低风速智能优化方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |