CN110889780B - 基于bls和双层smc的风电机组保性能最大风能捕获方法 - Google Patents
基于bls和双层smc的风电机组保性能最大风能捕获方法 Download PDFInfo
- Publication number
- CN110889780B CN110889780B CN201911224361.3A CN201911224361A CN110889780B CN 110889780 B CN110889780 B CN 110889780B CN 201911224361 A CN201911224361 A CN 201911224361A CN 110889780 B CN110889780 B CN 110889780B
- Authority
- CN
- China
- Prior art keywords
- bls
- nodes
- output
- wind
- turbine 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000002355 dual-layer Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract 1
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000145845 chattering Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Combustion & Propulsion (AREA)
- Human Resources & Organizations (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于BLS和双层SMC的风电机组保性能最大风能捕获方法。求取风电机组实现最大功率跟踪的控制目标,根据基于BLS的风速估计模型给出的有效风速估计值计算最大功率跟踪误差,设计最大功率跟踪误差的上下界,将有约束的最大功率跟踪误差转化为无约束变量,求取无约束变量的动态特性,根据双层SMC原理设计控制信号表达式及控制增益的更新率。该方法实施成本低,能够减小系统超调和跟踪误差,同时保证系统的瞬态和稳态性能,能够减小机组传动链系统的机械载荷,降低故障率,从而延长机组的服役寿命,实施过程简单,实用性良好,与传统的最优转矩控制算法相比,能够提高机组产能,增加风电场的经济效益。
Description
技术领域
本发明涉及风力发电机组控制技术领域,特别涉及基于BLS和双层SMC的风电机组保性能最大风能捕获方法。
背景技术
控制技术是风力发电系统的核心技术,是保障风电机组安全稳定运行的基础。最大风能捕获是风电机组的主要控制目标之一,是风电场经济效益最大化的重要保证,为实现这一目标,目前工业上普遍采用最优转矩控制算法,该算法的原理十分简单,即在假设风速为定值的情况下,仅考虑系统稳态,将控制增益乘以发电机转速的平方作为电磁转矩的设定值。然而,由于最优转矩控制算法仅仅考虑系统稳态,在湍流风情况下,风能捕获效率下降,从而影响了机组产能。
针对最优转矩控制算法存在的问题,学者们提出了直接功率法,即假设有效风速信息是已知的,进而计算出最优功率,将最大风能捕获转化为最大功率跟踪问题。在此基础上,大量的方法被提出,比如基于神经网路的自适应控制、模糊控制、鲁棒控制等智能控制方法,然而,大多数已经存在的方法仅仅考虑了系统的稳态性能,而没有关注系统的瞬态性能,少数方法虽然同时保证了瞬态和稳态性能,但是其设计过程复杂,需要调试的参数较多,在实际应用时,实施成本较高。另外,上述方法一般都假设有效风速已知,实际中,有效风速的获取需要用到激光雷达测风装置,该装置的价格十分昂贵,为风电电场的每台机组配备这样一台装置,将会极大地增加风电场的建设和运维成本。目前,大量的风速估计方法被提出,但是这些方法往往需要用到系统的精确数学模型,这是很难满足的。因此,开发一种不依赖于系统模型、实施成本低的风电机组有效风速估计方式成为风电技术领域的迫切需求。
BLS(宽度学习系统)是澳门大学陈俊龙教授团队提出的,一经提出便得到了人们的广泛关注,相对于深度学习来说,BLS能够以较小的计算代价获得原始数据的深层特征,为人们解决回归或者分类问题提供了新的思路;在另一方面,由于双层SMC(dual-layersliding mode control)的控制方法能够较好地处理系统的不确定性和干扰,同时可以减小控制信号的抖振问题,近年来得到了研究人员的日益关注。
本发明首先设计了基于BLS的风电机组有效风速估计方法,与风速估计模块相结合,并基于误差转换技术和双层SMC理论,设计了一种成本低,实用性高的风电机组的最大风能捕获方法,能同时保证系统的瞬态和稳态性能,提高机组产能,增加风电场的经济效益。
发明内容
为了提高风电机组的风能捕获效率和MPPT控制的实用性,解决现有最大风能捕获方法捕风效率低、不能同时保证系统瞬态和稳态性能、由于需要测量有效风速而导致实用性差的问题,本发明提供基于BLS和双层SMC的风电机组保性能最大风能捕获方法,不需要增加额外的传感器,实施成本低,能同时保证系统的瞬态和稳态性能,进而提高机组发电量。
本发明解决其技术问题所采用的技术方案是:一种基于BLS和双层SMC的风电机组保性能最大风能捕获方法,该方法包括以下步骤:
(1)获取机组某段时间内的有效风速信息记为V,V是BLS训练目标集,获取对应时间段内的与有效风速信息相关的机组输出数据,并去除获取到的机组输出数据中的相关性,并进行归一化处理,得到BLS的训练特征集X中的列分量,构造BLS的训练特征集,训练特征集X和训练目标集V共同构成BLS的训练集;
(2)构造BLS并确定BLS的结构和参数,BLS包括n个特征节点组、m个增强节点以及1个输出节点,通过稀疏自编码网络对步骤(1)中获得的训练集进行特征提取得到BLS特征节点组的输入和输出,将BLS的特征节点组的输出,输入到BLS的增强节点中,得到BLS的增强节点的输出,将BLS的n个特征节点组和m个增强节点与BLS的输出节点相连,计算特征节点、增强节点与输出节点之间的权重,得到训练好的BLS,将去除相关性后的机组输出数据做归一化处理后输入到训练好的BLS中,在线计算有效风速估计值;
(3)根据有效风速估计值,获取风电机组实现最大功率跟踪的控制目标表达式如下;
(4)根据最大功率跟踪的控制目标,计算最大功率跟踪误差e,并设置e的上下界;
(5)将有约束的e转化为无约束变量z,使用的转换函数如下:
进一步,求取z的动态特性如下:
(6)根据z的动态特性,设计最终的电磁转矩控制信号:
其中η>0是用户自行选取的控制参数,k(t)的更新率为:
其中r0>0,δ0>0和γ>0均为需要用户自行选择的控制参数,δ(t)的表达式为:
进一步地,所述步骤(1)中,机组某段时间内的有效风速信息通过激光雷达测风装置获得,同时使用SCADA系统记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA系统的一次采样输出,其表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
进一步地,所述步骤(1)中,采用PCA算法去除获取到的机组输出数据中的相关性,具体步骤包括:对机组输出数据进行去中心化处理,即X'的每一列数据均减去各自的均值;计算协方差矩阵;计算协方差矩阵的特征值和特征向量;将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P;将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
进一步地,所述步骤(2)中,归一化处理的具体操作为:
其中,x”(:,j)表示X”中的列分量,μ(j)和σ(j)分别是x”(:,j)的均值和标准差,x(:,j)组成BLS的训练特征集X中的列分量。
进一步地,所述步骤(2)中,使用步骤(1)获得的训练集确定BLS的结构和参数,具体包括以下步骤:
(2.1)使用稀疏自编码网络对训练集X进行特征提取,所述稀疏自编码网络是包括输入层(包含4个节点)、隐含层(包含15个节点)和输出层(包含四个节点)的神经网络,进一步,求解如下的稀疏自编码优化问题:
其中Z=ψ(XW+B)是所述稀疏自编码隐含层的输出,W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置,ψ是所述稀疏自编码隐含层节点的激活函数,选择为sigmoid函数,||·||2和||·||1分别表示矩阵的1范数和2范数,W1是需要求解的隐含层到输出层的权重,λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题,得到稀疏自编码的解Wf。
(2.2)使用稀疏自编码的解Wf对训练集X进行特征提取,得到BLS第i个特征节点组的输入XWf+Bfi,其中Bfi随机产生的第i个特征节点组的偏置,i=1,...,n,第i个特征节点组的输出Zi可以表示为:Zi=φ1i(XWf+Bfi),其中φ1i是第i个特征节点组的激活函数,取为函数y=x,BLS的n个特征节点组的输出记为:Z1=[Z1,...,Zi,...,Zn]。
(2.3)将所述BLS的n个特征节点组的输出Z1输入到BLS的增强节点中,第j个增强节点的输出Hj表示为:Hj=φ2j(Z1Wej+Bej),j=1,2,...,m,其中Wej和Bej分别是随机产生的第j个增强节点的权重和偏置,且Wej中的每一列之间都是正交的,φ2j是第j个增强节点的激活函数,取为sigmoid函数。m个增强节点的输出记为:H1=[H1,...,Hi,...,Hm]。
(2.4)将所述BLS的n个特征节点组和m个增强节点与BLS的输出节点相连,将特征节点、增强节点与输出节点之间的权重记为Wm,则Wm可求解为
Wm=[Z1 H1]+V
其中[Z1 H1]+表示[Z1 H1]的伪逆。
其中,A是BLS的特征节点和增强节点的联合输出。
进一步地,所述步骤(4)中,通过下式计算最大功率跟踪误差e
e=Pref-Pg
其中,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
本发明的有益效果是:通过使用BLS对有效风速进行估计,避免了价格昂贵的激光雷达测风装置的使用,降低了系统实现成本;通过设置最大功率跟踪误差的上下界,保证了系统的瞬态和稳态特性,减小了系统超调和跟踪误差;通过引入误差转换函数,将有约束的最大功率跟踪误差转化为无约束的被控变量,进而使用双层SMC原理完成控制增益更新率的设计,简化了控制器设计,减小了控制信号的抖振。本发明提供的方法能够减小大湍流所带来的超调对系统的冲击,从而延长机组的服役寿命,实施过程简单,不需要增加额外的传感器,实用性良好,与传统的最优转矩控制算法相比,能够提高机组产能,增加风电场的经济效益。
附图说明
图1为基于BLS和双层SMC的风电机组保性能最大风能捕获方法设计流程图;
图2为本发明风速真实值与风速估计值对比图;
图3为本发明风速估计误差图;
图4为本发明发明和传统发明的功率对比图。
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。
本发明提供的基于BLS和双层SMC的风电机组保性能最大风能捕获方法,包括下述步骤:
步骤1,求取风电机组实现最大风能捕获的控制目标。为实现最大风能捕获,风电机组的机械功率Pa应该满足:
Pa=Pamax
进一步,在实际应用中,风电机组一般会预留一部分能量参与电网的频率调整,另外,风电机组的有效风速一般是无法直接测量的,是一个需要估计的物理量。因此,风电机组实现最大风能捕获的控制目标可以写为:
步骤2,获取基于BLS的风速估计模型的训练数据,经过去相关和归一化处理后,得到BLS的训练集。在机组正常运行的过程中,使用激光雷达测风装置获取机组某段时间内的有效风速信息,记为V,V是BLS训练目标集,同时使用SCADA系统记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA系统的一次采样输出,其表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
进一步,为了去除机组输出数据X'中的相关性,提高有效风速估计的准确率,使用PCA算法对输出数据X'进行降维处理,经过对数据进行去中心化处理(即X'的每一列数据减去各自的均值)、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P、将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
进一步,为了避免不同量纲的训练特征对有效风速估计准确率的影响,对输出数据X”进行归一化处理,具体操作为:
其中,x”(:,j)表示X”中的列分量,μ(j)和σ(j)分别是x”(:,j)的均值和标准差,x(:,j)组成BLS的训练特征集X中的列分量,训练特征集X和训练目标集V共同构成BLS的训练集。
步骤3,构造BLS,并使用步骤2获得的训练集X确定BLS的结构和参数。所述BLS包括n个特征节点组、m个增强节点以及1个输出节点,此处n=30,m=50。
进一步,使用稀疏自编码网络对训练集X进行特征提取,所述稀疏自编码网络是包括输入层(包含4个节点)、隐含层(包含15个节点)和输出层(包含四个节点)的神经网络,进一步,求解如下的稀疏自编码优化问题:
其中Z=ψ(XW+B)是所述稀疏自编码隐含层的输出,W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置,ψ是所述稀疏自编码隐含层节点的激活函数,选择为sigmoid函数,||·‖2和‖·‖1分别表示矩阵的1范数和2范数,W1是需要求解的隐含层到输出层的权重,λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题,得到稀疏自编码的解Wf。
进一步,使用稀疏自编码的解Wf对训练集X进行特征提取,得到BLS第i个特征节点组的输入XWf+Bfi,其中Bfi随机产生的第i个特征节点组的偏置,i=1,...,n,第i个特征节点组的输出Zi可以表示为:Zi=φ1i(XWf+Bfi),其中φ1i是第i个特征节点组的激活函数,取为函数y=x,BLS的n个特征节点组的输出记为:Z1=[Z1,...,Zi,...,Zn]。
进一步,将所述BLS的n个特征节点组的输出Z1输入到BLS的增强节点中,第j个增强节点的输出Hj表示为:Hj=φ2j(Z1Wei+Bei),j=1,2,...,m,其中Wej和Bej分别是随机产生的第j个增强节点的权重和偏置,且Wej中的每一列之间都是正交的,,φ2j是第j个增强节点的激活函数,取为sigmoid函数。m个增强节点的输出记为:H1=[H1,...,Hi,...,Hm]。
进一步,将所述BLS的n个特征节点组和m个增强节点与BLS的输出节点相连,将特征节点、增强节点与输出节点之间的权重记为Wm,则Wm可求解为
Wm=[Z1 H1]+V
其中[Z1 H1]+表示[Z1 H1]的伪逆,得到训练好的BLS。
步骤4,在线使用步骤3获得的训练好的宽度学习模型,将某一控制周期内的机组输出数据x'new(x'new包含的物理量与x'(i,:)相同)进行PCA和归一化处理,得到xnew,将xnew输入训练好的宽度学习模型中,得到每一个采样周期的风速估计值
其中,A是步骤3获得的BLS的特征节点和增强节点的联合输出。
步骤5,计算最大功率跟踪误差,并设置最大功率跟踪误差的上下界。根据步骤1求得的最大功率跟踪的控制目标,计算最大功率跟踪误差e如下:
e=Pref-Pg
其中,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
进一步,为了保证最大功率跟踪误差的瞬态和稳态性能,e需要满足如下条件:
步骤6,将有约束的最大功率跟踪误差e转化为无约束变量z,并求取无约束变量z的动态特性。定义如下的转换函数:
进一步,求得无约束变量z的动态特性:
其中,ωr是已知的,/>是需要设计的控制信号,/>是已知的,由于系统的参数和气动转矩很难准确获得,因此/>是未知的,此处,假设F及其一阶导数是有界的,即|F|<F0,/>其中F0和F1是未知的正常数。
步骤7,根据无约束变量z的动态特性,设计控制信号表达式如下:
其中控制参数k(t)的更新率将由后续步骤给出,η是一个较小的、根据风能捕获效果选取的正数。
由于F是未知的,所述等效控制信号并不能在实际中使用,仅用于控制参数k(t)的更新率的推导。
其中,LPF(·)选择为如下的一阶低通滤波器:
步骤10,定义新的变量δ(t)如下:
其中0<α<1和ε>0均为用户自行选取的控制参数。
步骤11,根据双层SMC原理,设计控制参数k(t)的双层更新率如下:
其中r0>0,δ0>0和γ>0均为需要用户自行选择的控制参数。将上述双层更新率与步骤7中的控制信号表达式相结合,即为最终的电磁转矩控制信号。
根据李雅普诺夫原理可知,在上述控制信号的作用下,无约束变量z是有界的,因此,e将会在预设的最大功率跟踪误差的上界和下界/>之间,这有助于提高最大功率跟踪效果(包括瞬态和稳态性能),提升机组产能,增加风电场的经济效益。
实施例
本实施例使用GH Bladed风电开发软件,对本发明提供的方法的有效性进行验证。为说明本发明的创新性,与目前工业上普遍采用的最优转矩控制方法进行对比
其中,TgOTC是最优转矩控制算法给出的电磁转矩值,kopt是控制参数,ωg是发电机转速,ρ=1.225Kg/m3是空气密度,R=38.5m是风轮半径,Cpmax=0.482是最大风能捕获系数,λopt=8.5是最佳叶尖速比,ng=104.494是齿轮箱的传动比。
如图1所示,是基于BLS和双层SMC的风电机组保性能最大风能捕获方法设计流程图。首先,求取风电机组实现最大风能捕获(最大功率跟踪)的控制目标,并设计基于BLS的风电机组有效风速估计方法,用于计算控制目标的值,进而计算最大功率跟踪误差e,设置e的上下界以保证e的瞬态和稳态性能;其次,将有约束的e转化为无约束变量z,并求取z的动态特性;再次,根据z的动态特性和双层SMC原理,求得最终的控制信号表达式。
如图2所示,是本发明风速真实值和风速估计值对比图,经计算,风速真实值和风速估计值之间的MAPE是4.52%,MSE是0.1069m2/s2,风速估计效果较为理想。
如图3所示,是本发明风速估计误差图,由图可知,风速估计误差基本都在±1m/s之间,说明本发明方法的风速估计误差较小。
如图4所示,是本发明发明和传统发明的功率对比图,可见,在本发明提出的保性能最大风能捕获方法下,功率能够较好跟踪其参考值,跟踪效果的瞬态性能和稳态性能都得到了保障。经计算,本发明方法的机组产能比传统最优转矩法提高了3.34%,说明了本发明方法的效果。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种基于BLS和双层SMC的风电机组保性能最大风能捕获方法,其特征在于,该方法包括以下步骤:
(1)获取机组某段时间内的有效风速信息记为V,V是BLS训练目标集,获取对应时间段内的与有效风速信息相关的机组输出数据,并去除获取到的机组输出数据中的相关性,并进行归一化处理,得到BLS的训练特征集X中的列分量,构造BLS的训练特征集,训练特征集X和训练目标集V共同构成BLS的训练集;
(2)构造BLS并确定BLS的结构和参数,BLS包括n个特征节点组、m个增强节点以及1个输出节点,通过稀疏自编码网络对步骤(1)中获得的训练集进行特征提取得到BLS特征节点组的输入和输出,将BLS的特征节点组的输出,输入到BLS的增强节点中,得到BLS的增强节点的输出,将BLS的n个特征节点组和m个增强节点与BLS的输出节点相连,计算特征节点、增强节点与输出节点之间的权重,得到训练好的BLS,将去除相关性后的机组输出数据做归一化处理后输入到训练好的BLS中,在线计算有效风速估计值;
(3)根据有效风速估计值,获取风电机组实现最大功率跟踪的控制目标表达式如下;
(4)根据最大功率跟踪的控制目标,计算最大功率跟踪误差e,并设置e的上下界;
(5)将有约束的e转化为无约束变量z,使用的转换函数如下:
进一步,求取z的动态特性如下:
(6)根据z的动态特性,设计最终的电磁转矩控制信号:
其中η>0,η是用户自行选取的控制参数,k(t)的更新率为:
其中r0>0,δ0>0,γ>0;r0、δ0和γ均为需要用户自行选择的控制参数,δ(t)的表达式为:
2.根据权利要求1所述的基于BLS和双层SMC的风电机组保性能最大风能捕获方法,其特征在于,所述步骤(1)中,机组某段时间内的有效风速信息通过激光雷达测风装置获得,同时使用SCADA系统记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA系统的一次采样输出的一条数据,机组输出数据的表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
3.根据权利要求1所述的基于BLS和双层SMC的风电机组保性能最大风能捕获方法,其特征在于,步骤(1)中,去除获取到的机组输出数据中的相关性,具体步骤包括:对机组输出数据进行去中心化处理,即X'的每一列数据均减去各自的均值;计算协方差矩阵;计算协方差矩阵的特征值和特征向量;将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P;将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
5.根据权利要求1所述的基于BLS和双层SMC的风电机组保性能最大风能捕获方法,其特征在于,步骤(2)中,使用步骤(1)获得的训练集确定BLS的结构和参数,具体包括以下步骤:
(2.1)使用稀疏自编码网络对训练集X进行特征提取,所述稀疏自编码网络是包括4个节点的输入层、15个节点的隐含层和四个节点的输出层的神经网络,进一步,求解如下的稀疏自编码优化问题:
其中Z=ψ(XW+B)是所述稀疏自编码隐含层的输出,W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置,ψ是所述稀疏自编码隐含层节点的激活函数,选择为sigmoid函数,||·||1和||·||2分别表示矩阵的1范数和2范数,W1是需要求解的隐含层到输出层的权重,λ是用户自行选择的惩罚参数;求解所述稀疏自编码优化问题,得到稀疏自编码的解Wf;
(2.2)使用稀疏自编码的解Wf对训练集X进行特征提取,得到BLS第i个特征节点组的输入XWf+Bfi,其中Bfi随机产生的第i个特征节点组的偏置,i=1,...,n,第i个特征节点组的输出Zi可以表示为:Zi=φ1i(XWf+Bfi),其中φ1i是第i个特征节点组的激活函数,取为函数y=x,BLS的n个特征节点组的输出记为:Z1=[Z1,...,Zi,...,Zn];
(2.3)将所述BLS的n个特征节点组的输出Z1输入到BLS的增强节点中,第j个增强节点的输出Hj表示为:Hj=φ2j(Z1Wej+Bej),j=1,2,...,m,其中Wej和Bej分别是随机产生的第j个增强节点的权重和偏置,且Wej中的每一列之间都是正交的,φ2j是第j个增强节点的激活函数,取为sigmoid函数;m个增强节点的输出记为:H1=[H1,...,Hi,...,Hm];
(2.4)将所述BLS的n个特征节点组和m个增强节点与BLS的输出节点相连,将特征节点、增强节点与输出节点之间的权重记为Wm,则Wm可求解为
Wm=[Z1 H1]+V
其中[Z1 H1]+表示[Z1 H1]的伪逆。
7.根据权利要求1所述的基于BLS和双层SMC的风电机组保性能最大风能捕获方法,其特征在于,步骤(4)中,通过下式计算最大功率跟踪误差e
e=Pref-Pg
其中,Pg=Tgωr, Pg 是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224361.3A CN110889780B (zh) | 2019-12-04 | 2019-12-04 | 基于bls和双层smc的风电机组保性能最大风能捕获方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224361.3A CN110889780B (zh) | 2019-12-04 | 2019-12-04 | 基于bls和双层smc的风电机组保性能最大风能捕获方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889780A CN110889780A (zh) | 2020-03-17 |
CN110889780B true CN110889780B (zh) | 2023-03-31 |
Family
ID=69750246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224361.3A Active CN110889780B (zh) | 2019-12-04 | 2019-12-04 | 基于bls和双层smc的风电机组保性能最大风能捕获方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889780B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112145376B (zh) * | 2020-09-29 | 2021-06-22 | 沈阳航空航天大学 | 一种风力机全时效率测定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 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 |
CN110399739A (zh) * | 2019-07-26 | 2019-11-01 | 深圳市网心科技有限公司 | 一种基于区块链共识的门限投票方法及相关装置 |
CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
-
2019
- 2019-12-04 CN CN201911224361.3A patent/CN110889780B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 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 |
CN110399739A (zh) * | 2019-07-26 | 2019-11-01 | 深圳市网心科技有限公司 | 一种基于区块链共识的门限投票方法及相关装置 |
CN110429652A (zh) * | 2019-08-28 | 2019-11-08 | 广西大学 | 一种可拓展深宽度自适应动态规划的智能发电控制方法 |
Non-Patent Citations (3)
Title |
---|
Sliding-Mode Control Augmented with Broad Learning System for;Ching-Chih Tsai1;《2019 IEEE International Conference on Systems》;20191009;全文 * |
变速风力机的最大风能捕获控制策略研究;赵佩宏;《电力传动》;20090630;全文 * |
基于PSO与模糊PI控制结合的最大风能捕获研究;任志玲等;《计算机应用与软件》;20181112(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110889780A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Sierra-García et al. | Improving wind turbine pitch control by effective wind neuro-estimators | |
Soltani et al. | Estimation of rotor effective wind speed: A comparison | |
CN111079343B (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
CN110365041B (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
CN110454329B (zh) | 一种风电机组桨距角控制方法 | |
Simley et al. | Reducing LIDAR wind speed measurement error with optimal filtering | |
CN111075647B (zh) | 一种基于elm的变速风电机组最大风能捕获方法 | |
CN110889780B (zh) | 基于bls和双层smc的风电机组保性能最大风能捕获方法 | |
CN116221021A (zh) | 一种基于多层人工智能体系的风电场协同偏航控制方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
Sarkar et al. | Proficiency assessment of adaptive neuro-fuzzy inference system to predict wind power: A case study of Malaysia | |
CN110966144B (zh) | 一种基于bls的风电机组智能恒功率控制方法 | |
Aghaei et al. | Energy optimization of wind turbines via a neural control policy based on reinforcement learning Markov chain Monte Carlo algorithm | |
Shakeel | Neural networks based prediction of wind energy using pitch angle control | |
Branlard et al. | A digital twin solution for floating offshore wind turbines validated using a full-scale prototype | |
Wang et al. | Individual pitch control of wind turbines based on svm load estimation and lidar measurement | |
CN108223274B (zh) | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 | |
Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
CN111997833B (zh) | 基于激光测风前馈的风电机组复合智能变桨控制方法 | |
CN110985289B (zh) | 基于svr和smc的风电机组带预设性能的mppt方法 | |
CN110985287B (zh) | 一种基于宽度学习的间接转速控制方法 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN110985288B (zh) | 一种基于ude的风电机组保性能控制方法 | |
Gavrilas et al. | An enhanced ANN wind power forecast model based on a fuzzy representation of wind direction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |