CN110500239A - 一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 - Google Patents
一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 Download PDFInfo
- Publication number
- CN110500239A CN110500239A CN201910297092.7A CN201910297092A CN110500239A CN 110500239 A CN110500239 A CN 110500239A CN 201910297092 A CN201910297092 A CN 201910297092A CN 110500239 A CN110500239 A CN 110500239A
- Authority
- CN
- China
- Prior art keywords
- control
- adaptive
- sliding mode
- wind
- follows
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009415 formwork Methods 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000005511 kinetic theory Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012938 design process Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 210000001258 synovial membrane Anatomy 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 235000021170 buffet Nutrition 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
- 238000009795 derivation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000007796 conventional method Methods 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
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001629 suppression 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B25/00—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes
- G09B25/02—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes of industrial processes; of machinery
- G09B25/025—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes of industrial processes; of machinery hydraulic; pneumatic
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Educational Administration (AREA)
- Wind Motors (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
Abstract
本发明公开了一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,所述方法包括:(a)、根据运动学、动力学理论建立风电机组系统的数学模型;(b)、在传统最佳转矩法设计的基础上利用反演控制、自适应控制以及滑模控制理论以及所述数学模型,设计风电机组的自适应反演滑模控制器;(c)、利用高阶滑模观测器在线实时估计系统状态,并平滑功率输出、减少抖振;(d)、利用粒子群算法对设计的控制器进行参数寻优寻找最佳控制参数。(e)、应用具有所述控制律的自适应反演滑模控制器对风电机组进行自适应反演滑模控制。由此克服风电机组存在的未知参数和有界干扰的问题,提高了系统的鲁棒性。最终实现了风机系统在低风速区的最大功率点跟踪控制。
Description
技术领域
本发明涉及风电机组控制技术领域,特别是涉及一种针对大型化、高参数化的风电机组的自适应反演滑模优化控制方法。
背景技术
风能以独有的优势而成为近十年来增长最快的能源之一,正受到世界各国的重视。随着风力发电机组向着大型化、高参数化方向发展,对风力发电机组风能利用率、输出电能品质和运行平稳性的要求也越来越高。
风力发电系统所具有的非线性和强耦合性以及各种不确定干扰等使得最佳转矩法、功率曲线法、叶尖速比法等经典的最大功率跟踪控制方法效果不佳。由于滑动模态的设计与对象的参数及扰动无关,这就使得变结构控制具有快速响应、对参数变化及扰动不灵敏等特点,所以越来越多的滑模控制被用在风电机组的最大功率跟踪实现上面。反演设计方法是一种针对控制对象的变化和环境干扰影响而提出的控制策略。滑模控制与反演控制相结合,既可以简化反演控制的设计,又可以增加系统对非匹配不确定性的鲁棒性。
传统滑模控制中引入切换项sgn(s),从而产生不连续控制,所以会造成较大的抖振现象,增加了风电机组的疲劳载荷,减少了其使用寿命。上述的控制方法均存在不足,因此需要一种新的控制方法,能够得到稳定的滑模控制律,并调整控制量跟随系统的需求变化,使系统状态保持最优或近似最优,得到较为满意的控制效果,实现风电机组的抖振抑制和最大功率输出。
发明内容
针对上述背景技术中存在的问题,本发明的目的在于提供一种具有高参数、存在各种不确定性扰动的非线性风力发电机系统的自适应反演滑模控制方法,能够得到稳定的滑模控制律,并调整控制量跟随系统的需求变化,使系统状态保持最优或近似最优,得到较为满意的控制效果,实现非线性风电机组的颤振抑制。以5MW风力发电机组为对象,在传统最佳转矩控制的基础上设计自适应反演滑模控制器,同时针对系统的状态变量难以准确测量、功率无法平滑输出等问题设计高阶滑模观测器对系统的状态进行在线实时估计以提高系统的可控性和鲁棒性,利用粒子群算法对控制器中正定矩阵Q进行参数寻优以找到最佳控制参数。最后与传统控制方法进行仿真实验对比,通过仿真实验证明了该方法的有效性。
为解决上述问题,本发明提出一种基于高阶滑模观测器的风力发电机组自适应反演滑模控制方法,包括以下步骤:
(a)、根据运动学、动力学理论建立非线性风力发电机组系统的数学模型;
(b)、将反演控制、自适应控制以及滑模控制理论以及所述数学模型,设计非线性风力发电机组系统的自适应反演滑模控制器,其控制律为:
其中,k1、c、h均为根据反演控制理论获得的控制律参数,且均为正数,自适应控制率A、 B均为系统参数,X1、X2为状态量,传统最佳转矩法控制为:其中滑模面函数为:s=k1z1+z2。
(c)、由于实际系统中的风轮转子角速度ω2、风轮转子角加速度难以在线准确测量,输出功率、转矩抖振较大。因此设计出用于实时估计的高阶反演滑模观测器并减少输出抖振、平滑输出。
(d)利用粒子群算法对设计的控制器进行参数寻优寻找最佳控制参数。
(e)、应用具有所述控制律的自适应反演滑模控制器对风电机组进行自适应反演滑模控制。
进一步的,所述步骤(a)包括以下过程:
a1,空气动力模型
风轮机捕获的有效风功率Pr为:Pr=0.5πρR2V3Cp(β,λ)
式中,ρ为空气密度,R为涡轮转子半径,V为风速。Cp(β,λ)表示风机功率转换效率。它是叶尖速比λ和叶片桨距角β的函数。
λ为风轮叶片的叶尖速度与风速之比,即:
其中ωr是风轮转子转速。风轮转子的机械转矩为:
Cp可按下式计算:
上式中参数为:
d1=0.5176,d2=116,d3=0.4,d4=5,
d5=21,d6=0.0068,d7=0.08,d8=0.035
a2,传动系统模型
风机的传动系统由高速轴和低速轴通过齿轮箱相互连接而组成,风轮转子机械转矩Ta将以ωr的速度驱动风机。
低速扭矩Tls作为转子上的制动扭矩。发电机由高速转矩Ths驱动,由发电机电磁转矩Tg制动。过齿轮箱传动比Ng提高转子转速,得到发电机转速ωg。
故低速轴的动力学特性为:式中,Tls为作用在风轮转子低速轴转矩上的转矩,即为:
上式中,Kd、Bd分别为刚性轴的扭转系数和阻尼系数,Ng为齿轮箱传动比。θr、θg分别为风轮转子转动角度和发电机转动角度,θr-θg/Ng表示低、高速轴的扭转程度。
齿轮箱传动比定义为:
高速轴的动力学特性为:在Ngωr=ωg始终成立的条件下,可将传动系统模型简化为一个单质量块模型,故传动系统的数学模型表示为:
其中Tg为发电机转矩,Ng为风力机齿轮比,J为风力机等效转动惯量,Jr为发电机转子转动惯量, Jg为涡轮转子转动惯量。
a3,风力发电机模型
为简便起见,可将其电磁部分简化为一个一阶线性模型为:
其中,τg为转矩系数;Tg,ref为发电机转矩给定值。
发电机的输出功率为:Pt=ηTgωg。η为发电效率。
a4,定义状态变量和控制输入分别为x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],并基于获得的所述系统不确定性和外部扰动简化所述运动方程,获得非线性风电机组系统的数学模型:
其中F为总不确定性。且F=ΔAx2+ΔBu+d(t),ΔA 和ΔB为系统参数不确定部分。假设参数不确定部分及外加干扰变化缓慢,取
进一步的,所述步骤(b)中的在传统最佳转矩法基础上的自适应反演滑模控制器的设计过程包括:
传统最佳转矩法介绍:
控制发电机转矩Tg使得风轮转子转速ωr跟踪一个由风速v决定的参考角速度ωref即能达到最佳转矩控制的目的。
基于传统最佳转矩法的控制策略为:
其中
传统最佳转矩法在大功率风电机组控制效果不佳问题分析:
最佳转矩法实际上是根据系统的稳态平衡点构建了转速与电磁转矩的一种关系,并且在这种关系下系统是局部渐近稳定的。然而对于中小惯性风能转换系统,最佳转矩控制方法具有低功率波动、良好的动态性能和高效的转换效率。随着惯性的增大,发电机转矩变化缓慢,风轮转子转速不能及时达到叶尖速比的最佳运行点。使得发电效率显著降低。
针对上述问题,在传统最佳转矩法的基础上设计自适应反演滑模控制方法,以提高系统转速跟踪的响应速度。设计过程如下:
b1,基于所述数学模型,定义系统状态向量及参考输入:x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],以及反演控制的虚拟控制量:
风电机组低风速区的控制目标是风轮角速度ωr(t)实时跟踪参考角速度ωref(t)。令 x1=ωr,zd=ωref,即定义角速度跟踪误差为:z1=x1-zd
其中zd为参考角速度,x1为风轮转子角速度。
误差导数为:
b2,根据所述跟踪误差及跟踪误差的导数和虚拟控制量,定义滑模面函数如下:
s=k1z1+z2
则其中k1+c>0。
b3,基于所述滑模控制量和滑模面函数,并采用反演控制理论以及自适应控制理论设计滑模面趋近律以及自适应控制律,以获得自适应反演滑模控制器的控制律,其中,选取的滑模面趋近律为:选取的自适应控制律为:
获得自适应反演滑模控制器的控制律为:
其中,k1、c、h、β均为根据自适应反演滑模控制理论获得的所述控制律中的控制率参数。A,B 为风电机组数学建模的参数。其中,控制项z1=x1-zd,x1、x2为系统的状态量,为模型的外部扰动的估计。为传统最佳转矩法控制,其中
b4,利用反演控制理论的Lyapunov函数稳定性为所述控制律进行稳定性分析。
进一步的,利用反演控制理论的Lyapunov函数稳定性为所述控制律选取控制律参数的过程包括:
b41,定义Lyapunov函数:获得V1的导数为:V2的导数:
其中为正定矩阵,k1、c、h均大于0;
b42,根据所述滑模面函数、控制律以及自适应控制律,将所述V2的导数转化为:
其中λ2<0。由于
即:其中zT=[z1 z2]。
其中所以保证Q为正定矩阵时系统会渐进稳定。即通过取h、c和k1的值,可使|Q|>0,从而保证
b43,通过|Q|≥0、h≥0、c≥0和k1≥0,使满足Lyapunov稳定性条件,以获得自适应反演滑模控制器的控制律参数h、c和k1的值。
进一步的,在滑模变结构控制器设计中,为了减少输出的抖振,符号函数sgn(s)一般用S函数代替:
其中:Δ为较小正数,本发明取值Δ=0.15。
进一步的,所述步骤(c)中利用高阶滑模观测器在线实时估计系统状态、平滑功率输出、减少抖振的设计过程包括:
最后在仿真结果可以看出本文设计的高阶反演滑模观测器在平滑功率输出、抑制抖振方面有较好的效果。
高阶滑模观测器设计过程如下:
考虑如下公式:
其中a1、a2、a3为修正项,定义误差变量为和则修正项为 和a3=k3sgn(e1),其中k1,k2,k3为正常数。
动态误差方程可以表示为:
定义新的变量为我们还假设扰动ρ1是一个Lipschitz和
可以进一步改写上式为:
所以可以得出结论,通过选择合适的增益k1,k2和k3,e1,e2和e3会在有限时间t>T收敛到0。在融合误差后,可以发现在有限时间t>T后有和
现在基于前面介绍的系统的估计信息设计反演滑模观测器,考虑滑动面并对其进行求导,可得:
设计一个连续的控制u,使二阶滑模在有限的时间内发生在滑模面上。综上,具有高阶观测器的反演滑模控制器可以表示为:
进一步的,所述步骤(d)中利用粒子群算法所述控制器进行参数寻优寻找最佳控制参数的设计过程包括:
设计目标函数作为粒子群算法的适应度函数:
式中,t1为完成单次仿真的时间,Pe为发电机输出功率,z1为风轮角速度跟踪误差,std(Tg)为发电机转矩的标准差,w1~w2为加权系数,可根据实际情况进行相应的调整。
整个控制算法的流程如下:
步骤1:控制器参数h、c和k1进行初始化赋值;
步骤2:根据系统的运行特性所确定的Cpmax和λopt然后计算控制率u;
步骤3:计算滑模面s;
步骤4:风电系统进行仿真,根据Jmin计算适应度函数值;
步骤5:粒子群算法按照适应度函数最小的原则在系统的稳定区域内对控制器参数h、c和k1进行反复迭代寻优。
步骤6:当达到最大的迭代次数或者满足最小精度时,给出最佳控制器参数h、c和k1的值,否则返回步骤1。
与现有技术相比,本发明的技术方案,具有以下有益效果:
1、将反演控制理论应用于滑模控制方法,使构建的滑模面函数得到稳定的控制律,不仅简化了复杂非线性风电机组系统控制器的设计,而且能保证系统的稳定性和鲁棒性;
2、同时在反演滑模控制中引入自适应律来克服系统存在的参数不确定和外部扰动,使系统状态保持最优或近似最优,提高了系统的抗干扰能力;
3、设计了高阶滑模观测器,有效解决了系统状态变量难以准确在线实时获取的问题,并且平滑了系统功率输出、减少转矩抖振、减轻风力机载荷,增长了风电机组使用寿命,也为后一步的风力发电机组并网提供便利条件。
4、本发明利用粒子群算法对控制器参数进行寻优,解决了传统方法依靠经验试凑、无法保证所选参数是最佳参数的不足。
5、实现了系统在参数摄动及外部扰动存在的情况下风轮转子转速快速精确跟踪,满足了最大功率点跟踪控制要求。为提高风电机组的发电效率提供了有价值的参考方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,由于本发明是在传统最佳转矩法的基础上进行的改进自适应反演滑模控制器设计,所以仿真与传统最佳转法进行对比。仿真图如下:
图1为本发明具体实施方式的风电机组自适应反演控制方法流程图;
图2为本发明具体实施方式的非线性风电机组系统传动结构图;
图3为本发明具体实施方式的自适应反演滑模控制装置的结构图;
图4为本发明具体实施方式的非线性风电机组系统的Cp-λ关系曲线图;
图5为本发明MATLAB/SIMULINK仿真风速图;
图6为本发明MATLAB/SIMULINK仿真风轮角速度跟踪参考转速图;
图7为本发明MATLAB/SIMULINK仿真叶尖速比跟踪最佳叶尖速比图;
图8为本发明MATLAB/SIMULINK仿真发电机功率输出图;
图9为本发明MATLAB/SIMULINK仿真发电机转矩图;
图10为本发明MATLAB/SIMULINK仿真功率系数图;
图11为本法明MATLAB/SIMULINK仿真高阶滑模观测器跟踪估计效果图;
表1为本发明的非线性风电机组的主要参数表;
表2为本发明的非线性风电机组的控制策略性能对比表;
具体实施方式
为使本发明的目的、特征更明显易懂,下面结合附图对本发明的具体实施方式作进一步的说明。
请参考图1,本发明提供一种非线性风电机组自适应反演滑模控制方法,在反演滑模控制中加入自适应控制律来补偿非线性风电机组存在的不确定和外部扰动,引入积分环节来减小系统状态的稳态偏差,从而实现对风电机组的风轮转子转速的跟踪控制,满足最大功率跟踪的要求。最终使非线性风电机组达到最大功率输出的目的,且系统的稳态精度高、抗干扰能力强。所述自适应反演滑模控制方法包括以下步骤:
(a)、根据运动学、动力学理论建立非线性风电机组系统的数学模型;
(b)、在传统最佳转矩法设计的基础上利用反演控制、自适应控制以及滑模控制理论以及所述数学模型,设计风电机组的自适应反演滑模控制器,其控制律为:
其中,k1、c、h均为根据反演控制理论获得的控制律参数,且均为正数,自适应控制率A、B 均为系统参数,X1、X2为状态量,传统最佳转矩法控制为:其中滑模面函数为:s=k1z1+z2。
(c)、利用高阶滑模观测器在线实时估计系统状态,并平滑功率输出、减少抖振,具体实施如下:
考虑如下公式:
其中a1、a2、a3为修正项,定义误差变量为和则修正项为 和a3=k3sgn(e1),其中k1,k2,k3为正常数。
动态误差方程可以表示为:
定义新的变量为我们还假设扰动ρ1是一个Lipschitz和
可以进一步改写上式为:
所以可以得出结论,通过选择合适的增益k1,k2和k3,e1,e2和e3会在有限时间t>T收敛到0。在融合误差后,可以发现在有限时间t>T后有和
现在基于前面介绍的系统的估计信息设计反演滑模观测器,考虑滑动面并对其进行求导,可得:
设计一个连续的控制u,使二阶滑模在有限的时间内发生在滑模面上。综上,具有高阶观测器的反演滑模控制器可以表示为:
(d)、利用粒子群算法对设计的控制器进行参数寻优寻找最佳参数过程如下:
设计目标函数作为粒子群算法的适应度函数:
式中,t1为完成单次仿真的时间,Pe为发电机输出功率,z1为风轮角速度跟踪误差,std(Tg)为发电机转矩的标准差,w1~w2为加权系数,可根据实际情况进行相应的调整。
整个控制算法的流程如下:
步骤1:控制器参数h、c和k1进行初始化赋值;
步骤2:根据系统的运行特性所确定的Cpmax和λopt然后计算控制率u;
步骤3:计算滑模面s;
步骤4:风电系统进行仿真,根据Jmin计算适应度函数值;
步骤5:粒子群算法按照适应度函数最小的原则在系统的稳定区域内对控制器参数h、c和k1进行反复迭代寻优。
步骤6:当达到最大的迭代次数或者满足最小精度时,给出最佳控制器参数h、c和k1的值,否则返回步骤1。
(e)、应用具有所述控制律的自适应反演滑模控制器对风电机组进行自适应反演滑模控制。
本实施例的步骤(a)包括以下过程:
请参考图2,为本发明的非线性风电机组的双质量模型,将风电机组模型分为三部分:1、空气动力模型, 2、传动系统模型,3、风力发电机模型。具体描述如下:
a1,空气动力模型
风轮机捕获的有效风功率Pr为:Pr=0.5πρR2V3Cp(β,λ)式中,ρ为空气密度,R为涡轮转子半径,V 为风速。Cp(β,λ)表示风机功率转换效率。它是叶尖速比λ和叶片桨距角β的函数。
λ为风轮叶片的叶尖速度与风速之比,即:
其中ωr是风轮转子转速。风轮转子的机械转矩为:
Cp可按下式计算:
上式中参数为:
d1=0.5176,d2=116,d3=0.4,d4=5,
d5=21,d6=0.0068,d7=0.08,d8=0.035
a2,传动系统模型
风机的传动系统由高速轴和低速轴通过齿轮箱相互连接而组成,风轮转子机械转矩Ta将以ωr的速度驱动风机。
低速扭矩Tls作为转子上的制动扭矩。发电机由高速转矩Ths驱动,由发电机电磁转矩Tg制动。
通过齿轮箱传动比Ng提高转子转速,得到发电机转速ωg。
故低速轴的动力学特性为:
上式中,Tls为作用在风轮转子低速轴转矩上的转矩,即为:式中,Kd、 Bd分别为刚性轴的扭转系数和阻尼系数,Ng为齿轮箱传动比。θr、θg分别为风轮转子转动角度和发电机转动角度,θr-θg/Ng表示低、高速轴的扭转程度。
齿轮箱传动比定义为:
高速轴的动力学特性为:在Ngωr=ωg始终成立的条件下,可将传动系统模型简化为一个单质量块模型,故传动系统的数学模型表示为:
其中Tg为发电机转矩,Ng为风力机齿轮比,J为风力机等效转动惯量,Jr为发电机转子转动惯量,Jg为涡轮转子转动惯量。
a3,风力发电机模型
为简便起见,可将其电磁部分简化为一个一阶线性模型为:
其中,τg为转矩系数;Tg,ref为发电机转矩给定值。发电机的输出功率为:Pt=ηTgωg。其中η为发电效率。
定义状态变量和控制输入分别为x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],并基于获得的所述系统不确定性和外部扰动简化所述运动方程,获得非线性风电机组系统的数学模型:
其中F为总不确定性。且F=ΔAx2+ΔBu+d(t),ΔA 和ΔB为系统参数不确定部分。假设参数不确定部分及外加干扰变化缓慢,取
本实施例的步骤(b)主要是在传统最佳转矩法的基础上通过自适应反演滑模控制器产生所需的风电机组风轮转子转速进而跟踪参考转子转速以实现最大功率输出,步骤(b)的自适应反演滑模控制器根据反演控制理论、滑模变结构控制理论以及自适应控制理论来设计的,通过在反演滑模控制中加入自适应律来补偿系统存在的不确定部分和外部扰动。自适应反演滑模控制器设计过程中引入积分环节来减小系统状态的稳态偏差,从而提高系统的稳态精度。其中,反演(backstepping)控制理论是将复杂的非线性系统分解成不超过系统阶数的子系统,然后为每个子系统分别设计李雅普诺夫函数和中间虚拟控制量,一直后退到整个系统,直到完成整个控制律的设计。自适应控制是指能自动地、适时地调节系统本身的参数,以适应外界换进变化、系统本身参数变化、外界干扰等的影响,使整个控制系统能按某一性能指标运行在最佳状态下的系统。但是控制率的参数依旧是人为设定的,所以本发明利用粒子群算法,设计出适应度函数Jmin进行参数寻优,以找到最佳控制器参数。
b1:基于所述数学模型,定义系统状态向量及参考输入:x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],以及反演控制的虚拟控制量:
风电机组低风速区的控制目标是风轮角速度ωr(t)实时跟踪参考角速度ωref(t)。令 x1=ωr,zd=ωref,即定义角速度跟踪误差为:z1=x1-zd。其中zd为参考角速度,x1为风轮转子角速度。误差导数为:
b2:根据所述跟踪误差及跟踪误差的导数和虚拟控制量,定义滑模面函数如下:
s=k1z1+z2
则其中k1+c>0。
b3:基于所述滑模控制量和滑模面函数,并采用反演控制理论以及自适应控制理论设计滑模面趋近律以及自适应控制律,以获得自适应反演滑模控制器的控制律,其中,选取的滑模面趋近律为:
b4:利用反演控制理论的Lyapunov函数稳定性为所述控制律进行稳定性分析。
进一步的,利用反演控制理论的Lyapunov函数稳定性为所述控制律选取控制律参数的过程包括:
b41:定义Lyapunov函数:
获得V1的导数为:V2的导数:
其中为正定矩阵,k1、c、h均大于0;
b42:根据所述滑模面函数、控制律以及自适应控制律,将所述V2的导数转化为:
其中λ2<0。由于
即:其中zT=[z1 z2]。
其中所以保证Q为正定矩阵时系统会渐进稳定。即通过取h、c和k1的值,可使|Q|>0,从而保证
b43:通过|Q|≥0、h≥0、c≥0和k1≥0,使满足Lyapunov稳定性条件,以获得自适应反演滑模控制器的控制律参数h、c和k1的值。
综上所述可得自适应反演滑模控制器的控制律为:
其中,k1、c、h、β均为根据自适应反演滑膜控制理论获得的所述控制律中的控制率参数。A,B 为风电机组数学建模的参数。其中,控制项z1=x1-zd,x1、x2为系统的状态量,为模型的外部扰动的估计。为传统最佳转矩法控制,其中
进一步的,在滑模变结构控制器设计中,为了减少输出的抖振,符号函数sgn(s)一般用S函数代替:
其中:Δ为较小正数,本发明取值Δ=0.15。最终,自适应反演滑模控制器产生所需的风电机组风轮转子转速进而跟踪参考转子转速以实现最大功率输出。
为验证本发明的技术方案的有效性,对非线性风电机组的自适应反演滑模控制装置进行仿真验证。本发明选择粒子群种群数为50,学习因子为:c1=c2=0.5,粒子群算法经过30余次循环的迭代使得寻优参数趋于稳定,最终得到最佳的控制器参数值为:k1=0.05,c=0.1,h=15,β=0.1,γ=0.125。
其仿真结果如图5-11所示,其中,图5为本发明MATLAB/SIMULINK仿真风速图;图6为本发明 MATLAB/SIMULINK仿真风轮角速度跟踪参考转速图;图7为本发明MATLAB/SIMULINK仿真叶尖速比跟踪最佳叶尖速比图;图8为本发明MATLAB/SIMULINK仿真发电机功率输出图;图9为本发明MATLAB/SIMULINK 仿真发电机转矩图;图10为本发明MATLAB/SIMULINK仿真功率系数图;图11为本发明MATLAB/SIMULINK 仿真高阶滑模观测器跟踪估计效果图;
从图5为400s的湍流风速曲线,采用美国国家能源部可再生能源实验室开发的TURBSIM软件生成,平均风速为7.5m/s。符合仿真要求。从图6中可以看出,当风速为3.6~11.6m/s时,本发明所述方法比传统最佳转矩法能更好的使风轮转子转速ωr快速跟踪风速变化。从图7可以计算出本文提出的控制策略得到的叶尖速比平均值为8.510,而传统最佳转矩控制的叶尖速比平均值为8.953,故在风速变化时,本文提出的控制策略比传统最佳转矩控制更能使得叶尖速比接近最佳叶尖速比8.13。
从图8、图9和图10可以看出本发明所述的控制策略在减少转矩抖振和最大风能捕获方面都比传统最佳转矩控制的控制效果要好。证明了所述自适应反演滑模控制装置有良好品质,在自适应反演滑模控制下,系统的振颤和抖振均得到了较好的抑制,减小了系统状态的稳态偏差,提高了系统的稳态精度。
从图11可以看出精准的实时估计系统状态参数为改进反演滑模控制器的计算准确提供了保障,从而达到了想要的控制效果。
表1 风电机组的主要参数表
由表2可知,相比于传统的最佳转矩控制方法和常规滑模控制方法,本文设计的控制策略能有较大的功率输出、抖振较小、风能捕获能力强。可计算出相对于传统最佳转矩控制提高了3.67%的功率输出,创造出更多的经济效益。
表2 控制结果比较
因此,本发明的技术方案,在存在系统不确定和时变外部扰动,同时,考虑输出功率的平滑、抑制发电机转矩抖振的条件下系统跟踪误差能快速收敛且逐渐趋近于零,满足了最大功率的要求,利用高阶滑模观测器实时有效估计系统状态,避免了直接测量会引入高频信号的问题。同时解决了传统最佳转矩法在大惯量风力发电机的能量转换效率低、无法平滑转矩输出等问题。
Claims (10)
1.一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,包括:
(a)、根据运动学、动力学理论建立非线性风电机组系统的数学模型;
(b)、在传统最佳转矩法设计的基础上利用反演控制、自适应控制以及滑模控制理论以及所述数学模型,设计风电机组的自适应反演滑模控制器,其控制率为:
其中,k1、c、h、β均为根据自适应反演滑膜控制理论获得的所述控制律中的控制率参数。A,B为风电机组数学建模的参数。其中,控制项z1=x1-zd,x1、x2为系统的状态量,为模型的外部扰动的估计。为传统最佳转矩法控制,其中
2.根据权利要求1所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,所述步骤(a)包括以下过程:
a1,根据空气动力学、运动学原理可得风轮机捕获的有效风功率Pr为:Pr=0.5πρR2V3Cp(β,λ)
式中,ρ为空气密度,R为涡轮转子半径,V为风速。Cp(β,λ)表示风机功率转换效率。它是叶尖速比λ和叶片桨距角β的函数。λ为风轮叶片的叶尖速度与风速之比,即:其中ωr是风轮转子转速。风轮转子的机械转矩为:
a2,风机的传动系统由高速轴和低速轴通过齿轮箱相互连接而组成,风轮转子机械转矩Ta将以ωr的速度驱动风机。低速扭矩Tls作为转子上的制动扭矩。发电机由高速转矩Ths驱动,由发电机电磁转矩Tg制动。通过齿轮箱传动比Ng提高转子转速,得到发电机转速ωg。故低速轴的动力学特性为:式中,Tls为作用在风轮转子低速轴转矩上的转矩,即为:其中,Kd、Bd分别为刚性轴的扭转系数和阻尼系数,Ng为齿轮箱传动比。θr、θg分别为风轮转子转动角度和发电机转动角度,θr-θg/Ng表示低、高速轴的扭转程度。齿轮箱传动比定义为:高速轴的动力学特性为:在Ngωr=ωg始终成立的条件下,可将传动系统模型简化为一个单质量块模型,故传动系统的数学模型表示为:
其中Tg为发电机转矩,Ng为风力机齿轮比,J为风力机等效转动惯量,Jr为发电机转子转动惯量,Jg为涡轮转子转动惯量。
a3,为简便起见,可将风力发电机模型电磁部分简化为一个一阶线性模型为:
其中,τg为转矩系数;Tg,ref为发电机转矩给定值。发电机的输出功率为:Pt=ηTgωg其中η为发电效率。
a4,定义状态变量和控制输入分别为x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],并基于获得的所述系统不确定性和外部扰动简化所述运动方程,获得非线性风电机组系统的数学模型:
其中F为总不确定性。且F=ΔAx2+ΔBu+d(t),ΔA和ΔB为系统参数不确定部分。假设参数不确定部分及外加干扰变化缓慢,取
3.根据权利要求2所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,所述步骤(b)中的自适应反演滑模控制器的设计过程包括:
b1,基于所述数学模型,定义系统状态向量及参考输入:x=[x1,x2]T=[θr,ωr]T,y=[y1]=[u],以及反演控制的虚拟控制量:风电机组低风速区的控制目标是风轮角速度ωr(t)实时跟踪参考角速度ωref(t)。令x1=ωr,即定义角速度跟踪误差为:z1=x1-zd。其中zd为参考角速度,x1为风轮转子角速度。误差导数为:
b2,根据所述跟踪误差及跟踪误差的导数和虚拟控制量,定义滑模面函数如下:s=k1z1+z2
则其中k1+c>0。
b3,基于所述滑模控制量和滑模面函数,并采用反演控制理论以及自适应控制理论设计滑模面趋近律以及自适应控制律,以获得自适应反演滑模控制器的控制律,其中,选取的滑模面趋近律为:选取的自适应控制律为:获得自适应反演滑模控制器的控制律为:
其中,k1、c、h、β均为根据自适应反演滑膜控制理论获得的所述控制律中的控制率参数。A,B为风电机组数学建模的参数。其中,控制项z1=x1-zd,x1、x2为系统的状态量,为模型的外部扰动的估计。为传统最佳转矩法控制,其中
(c)、利用高阶滑模观测器在线实时估计系统状态,并平滑功率输出、减少抖振。
4.根据权利要求3所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,所述步骤(c)中的高阶滑模观测器的设计过程包括:
考虑如下公式:
其中a1、a2、a3为修正项,定义误差变量为和则修正项为 和a3=k3sgn(e1),其中k1,k2,k3为正常数。
动态误差方程可以表示为:
定义新的变量为我们还假设扰动ρ1是一个Lipschitz和可以进一步改写上式为:
所以可以得出结论,通过选择合适的增益k1,k2和k3,e1,e2和e3会在有限时间t>T收敛到0。在融合误差后,可以发现在有限时间t>T后有和
现在基于前面介绍的系统的估计信息设计反演滑模观测器,考虑滑动面并对其进行求导,可得:
设计一个连续的控制u,使二阶滑模在有限的时间内发生在滑模面上。综上,具有高阶观测器的反演滑模控制器可以表示为:
。
(d)、利用粒子群算法对设计的控制器进行参数寻优寻找最佳控制参数。
5.根据权利要求4所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,所述步骤(d)中的粒子群算法的设计过程包括:
设计目标函数作为粒子群算法的适应度函数:
式中,t1为完成单次仿真的时间,Pe为发电机输出功率,z1为风轮角速度跟踪误差,std(Tg)为发电机转矩的标准差,w1~w2为加权系数,可根据实际情况进行相应的调整。
整个控制算法的流程如下:
步骤1:控制器参数h、c和k1进行初始化赋值;
步骤2:根据系统的运行特性所确定的Cpmax和λopt然后计算控制率u;
步骤3:计算滑模面s;
步骤4:风电系统进行仿真,根据Jmin计算适应度函数值;
步骤5:粒子群算法按照适应度函数最小的原则在系统的稳定区域内对控制器参数h、c和k1进行反复迭代寻优。
步骤6:当达到最大的迭代次数或者满足最小精度时,给出最佳控制器参数h、c和k1的值,否则返回步骤1。
(e)、应用具有所述控制律的自适应反演滑模控制器对风电机组进行自适应反演滑模控制。
6.根据权利要求1所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法,其特征在于,在滑模变结构控制器设计中,为了减少输出的抖振,符号函数sgn(s)一般用S函数代替:
式中:Δ为任意小正常数。
7.如权利要求3所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制装置,其特征在于,所述反演控制器中定义有Lyapunov函数:以及Lyapunov函数导数由于:
其中zT=[z1 z2]。如果保证Q为正定矩阵,即:由于通过取h、c和k1的值,可使|Q|>0,保证Q为正定矩阵,从而保证
8.一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制装置,其特征在于,包括系统建模器、滑模控制器、反演控制器、高阶滑模观测器、离线粒子群算法以及自适应控制器;结合最佳转矩法设计改进自适应反演滑模控制;所述系统建模器与非线性风电机组系统相连接,建立运动学模型,并根据运动学模型建立滑模控制器所需要的数学模型;滑模控制器分别与系统建模器、反演控制器、高阶滑模观测器以及自适应控制器连接,用于根据所述数学模型、自适应控制器的自适应控制律以及反演控制器确定的控制律参数以及其内部的控制律输出控制量,对非线性风电机组进行改进自适应反演滑模控制。
9.如权利要求8所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制装置,其特征在于,对非线性风电机组进行改进自适应反演滑模控制,控制率为:
其中,k1、c、h、β均为根据自适应反演滑膜控制理论获得的所述控制律中的控制率参数。A,B为风电机组数学建模的参数。其中,控制项z1=x1-zd,x1、x2为系统的状态量,为模型的外部扰动的估计。为传统最佳转矩法控制,其中
10.如权利要求8所述的基于高阶滑模观测器的风电机组自适应反演滑模优化控制装置,其特征在于,所述自适应控制器中的自适应控制律为为正定矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297092.7A CN110500239A (zh) | 2019-04-12 | 2019-04-12 | 一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910297092.7A CN110500239A (zh) | 2019-04-12 | 2019-04-12 | 一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110500239A true CN110500239A (zh) | 2019-11-26 |
Family
ID=68585651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910297092.7A Pending CN110500239A (zh) | 2019-04-12 | 2019-04-12 | 一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110500239A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111188732A (zh) * | 2020-01-17 | 2020-05-22 | 湖南工业大学 | 一种风力发电变桨鲁棒容错控制方法 |
CN111664062A (zh) * | 2020-06-16 | 2020-09-15 | 湖南科技大学 | 基于新型可切换趋近率的双馈感应电机故障检测方法 |
CN112147900A (zh) * | 2020-09-30 | 2020-12-29 | 苏州科技大学 | 全状态约束电力系统的有限时间自适应模糊跟踪控制方法 |
CN112696311A (zh) * | 2020-12-27 | 2021-04-23 | 中国电建集团河南省电力勘测设计院有限公司 | 基于变边界层准滑模变桨优化控制方法 |
CN112879217A (zh) * | 2021-01-22 | 2021-06-01 | 湘潭大学 | 一种基于负载的低风速风力机双积分滑模控制方法 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN114325387A (zh) * | 2022-01-17 | 2022-04-12 | 湖南科技大学 | 一种基于粒子群反演滑模观测器感应电机状态监测方法 |
-
2019
- 2019-04-12 CN CN201910297092.7A patent/CN110500239A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111188732A (zh) * | 2020-01-17 | 2020-05-22 | 湖南工业大学 | 一种风力发电变桨鲁棒容错控制方法 |
CN111188732B (zh) * | 2020-01-17 | 2022-05-13 | 湖南工业大学 | 一种风力发电变桨鲁棒容错控制方法 |
CN111664062A (zh) * | 2020-06-16 | 2020-09-15 | 湖南科技大学 | 基于新型可切换趋近率的双馈感应电机故障检测方法 |
CN111664062B (zh) * | 2020-06-16 | 2021-05-11 | 湖南科技大学 | 基于可切换滑模趋近率的双馈感应发电机故障检测方法 |
CN112147900B (zh) * | 2020-09-30 | 2022-04-26 | 苏州科技大学 | 全状态约束电力系统的有限时间自适应模糊跟踪控制方法 |
CN112147900A (zh) * | 2020-09-30 | 2020-12-29 | 苏州科技大学 | 全状态约束电力系统的有限时间自适应模糊跟踪控制方法 |
CN112696311A (zh) * | 2020-12-27 | 2021-04-23 | 中国电建集团河南省电力勘测设计院有限公司 | 基于变边界层准滑模变桨优化控制方法 |
CN112696311B (zh) * | 2020-12-27 | 2022-10-25 | 中国电建集团河南省电力勘测设计院有限公司 | 基于变边界层准滑模变桨优化控制方法 |
CN112879217A (zh) * | 2021-01-22 | 2021-06-01 | 湘潭大学 | 一种基于负载的低风速风力机双积分滑模控制方法 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN113741184B (zh) * | 2021-08-17 | 2023-03-21 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN114325387A (zh) * | 2022-01-17 | 2022-04-12 | 湖南科技大学 | 一种基于粒子群反演滑模观测器感应电机状态监测方法 |
CN114325387B (zh) * | 2022-01-17 | 2023-10-03 | 湖南科技大学 | 一种基于粒子群反演滑模观测器感应电机状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110500239A (zh) | 一种基于高阶滑模观测器的风电机组自适应反演滑模优化控制方法 | |
Asgharnia et al. | Load mitigation of a class of 5-MW wind turbine with RBF neural network based fractional-order PID controller | |
CN108334672B (zh) | 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 | |
CN105179164B (zh) | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 | |
CN108167120B (zh) | 一种变速风力发电机组的变桨变矩联合控制方法 | |
Yuan et al. | On advanced control methods toward power capture and load mitigation in wind turbines | |
CN110145436A (zh) | 应用于风机的非线性经济模型预测控制方法 | |
CN103758699B (zh) | 一种风力发电机组的桨距角控制方法及桨距角控制器 | |
CN103410660A (zh) | 基于支持向量机的风力发电变桨距自学习控制方法 | |
CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
CN104454347A (zh) | 一种独立变桨距风力发电机桨距角的控制方法 | |
Rubio et al. | Maximizing the performance of variable speed wind turbine with nonlinear output feedback control | |
Golnary et al. | Novel sensorless fault-tolerant pitch control of a horizontal axis wind turbine with a new hybrid approach for effective wind velocity estimation | |
Zhang et al. | Optimization of sizing parameters and multi-objective control of trailing edge flaps on a smart rotor | |
Qi et al. | Data-driven control of the coupled loads for floating wind turbine systems based on deformable trailing edge flaps | |
Poushpas | Wind farm simulation modelling and control | |
Balas et al. | Dynamics and control of horizontal axis wind turbines | |
Thomsen et al. | Individual pitch control of wind turbines using local inflow measurements | |
CN115685847B (zh) | 漂浮式风电机组的容错控制方法及装置 | |
Meng et al. | Adaptive power acquisition control of variable-speed wind energy conversion systems under inaccurate wind speed measurement | |
Bertašienė et al. | Synergies of Wind Turbine control techniques | |
Wan-Jun et al. | Variable pitch sliding mode control of wind turbine based on disturbance observer | |
Bottasso et al. | Power curve tracking with tip speed constraint using LQR regulators | |
Chauvin et al. | Nonlinear two stage control strategy of a wind turbine for mechanical load and extreme moment reduction | |
Fadaeinedjad et al. | Simulation of a wind turbine with doubly-fed induction machine using FAST and Simulink |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191126 |
|
WD01 | Invention patent application deemed withdrawn after publication |