CN110985287A

CN110985287A - 一种基于宽度学习的间接转速控制方法

Info

Publication number: CN110985287A
Application number: CN201911224516.3A
Authority: CN
Inventors: 杨秦敏; 焦绪国; 陈积明; 傅凌焜; 陈棋; 孙勇
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2019-12-04
Filing date: 2019-12-04
Publication date: 2020-04-10
Anticipated expiration: 2039-12-04
Also published as: CN110985287B

Abstract

本发明公开了一种基于宽度学习的间接转速控制方法。获取机组某段时间内的有效风速信息，使用互信息选择对应时间段的与有效风速相关的机组输出数据，去除获取到的机组输出数据中的相关性并进行归一化操作，构造宽度学习系统的训练集，使用该训练集确定宽度学习系统的结构和参数，得到风速估计模型，该模型在线给出有效风速值，进而计算转速跟踪误差和间接转速控制表达式。该方法保留了传统间接转速控制算法结构简单的优势，克服了其收敛速度较慢的缺点，能够同时加快机组的加速和减速性能，提高风能捕获效率，简单易行，实施成本低，需要调试的参数少，相比于传统间接转速控制算法相比，能够提高机组产能，增加风电场的效益。

Description

一种基于宽度学习的间接转速控制方法

技术领域

本发明涉及风力发电机组控制技术领域，特别涉及一种基于宽度学习的间接转速控制方法。

背景技术

在过去的几十年中，风力发电在世界范围内得到了飞速发展。自然界的风具有很强的随机性和间接性，导致风电功率存在很大的不可预测性和波动性，“弃风限电”在风电工业中普遍存在，因此，风力发电的商用价值有待于进一步提升和挖掘。

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间接转速控制算法，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，间接转速控制算法存在两个主要问题。首选，其控制增益的计算需要已知风电机组的最大功率系数和最佳叶尖速比，这两个关键量虽然在机组出厂时会有一个标称值，然而，随着时间的运行，由于磨损、废物堆积、叶片结冰等原因，叶片的翼形会发生变化，导致机组的最大功率系数和最佳叶尖速比也会发生变化，且很难确定其准确值，因此，原有的控制增益就会不断偏离其理论最优值，从而导致风电系统捕风效率的下降；其次，间接转速控制算法并没有使用风速信息，其实现形式上并没有最优转速跟踪误差以及可以影响其收敛速度的可调参数，因此，在湍流风的情况下，算法的响应速度较慢，将会影响机组产能。

针对间接转速控制算法存在的问题，学者们提出了一些解决方案，这些方法可以总结为两类：控制增益更新法和减小转矩增益法。控制增益更新法主要解决间接转速控制算法的第一个问题，该方案需要使用激光雷达装置测量有效风速，进而计算风能捕获效率，然后根据风能捕获效率的增减来对控制增益进行更新，从而使得控制增益一直维持在理论最优状态，但是，由于激光雷达测风装置价格昂贵，该方法的实用性较差；减小转速增益法主要针对间接转速控制算法存在的第二个问题，通过减小控制增益的大小来加快机组加速性能，然而，该方法是以牺牲机组减速性能为代价来加快的机组的加速性能，且当控制增益的减小比例选取不当时，机组的捕风效率不增反减。

本发明针对控制增益更新法和减小转矩增益法中存在的问题，使用基于宽度学习的有效风速估计方法代替昂贵的雷达测风装置，进而得到最优转速估计值，通过引入转速跟踪误差的比例项，对转矩增益进行补偿，同时加快机组的加速和减速性能，提高机组的风能捕获效率。

发明内容

为了提高间接转速控制算法的风能捕获效率，解决现有间接转速控制方法实现成本高、参数选取困难的问题，本发明提供一种实现成本低、控制参数调试简单的间接转速控制方法，能够降低风电场的建设和运维成本，同时加快风电机组加速和减速性能性能，提高机组产能，增加风电场的经济效益。

本发明解决其技术问题所采用的技术方案是：一种基于宽度学习的间接转速控制方法，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是宽度学习系统训练目标集，同时使用SCADA系统记录对应时间段内的机组输出数据X_a＝[x_a(i,j)],i＝1,...,l,j＝1,...,8，其中 x_a(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a是风轮角位移。分别计算机组输出数据X_a的每一列数据与对应有效风速信息V之间的互信息指标。对于两个给定的离散变量A＝{A₁,A₂,...,A_m}和B＝{B₁,B₂,...,B_n}，其互信息计算公式如下：

其中，P(A_i)是变量A的概率分布，P(B_i)是变量B的概率分布，P(A_i,B_j)是变量A和B的联合概率分布。对计算获得的互信息进行正规化处理，选择正规化后的大于0.1的互信息对应的机组变量组成与有效风速相关的机组输出数据X'：

X'＝[x'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4。

使用PCA算法去除X'中的相关性，得到去除相关性后的数据；

(2)对步骤(1)获得的去除相关性后的数据进行归一化处理，得到宽度学习系统的训练特征集X的列分量，构造宽度学习系统的训练特征集X，训练特征集X和训练目标集V共同构成宽度学习系统的训练集；

(3)构造宽度学习系统，宽度学习系统包括n个特征节点组、m个增强节点以及1个输出节点，使用步骤(2)获得的宽度学习系统的训练集确定宽度学习系统的结构和参数；具体步骤如下：

(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；

(3.2)使用稀疏自编码的解对训练集进行特征提取，得到宽度学习系统特征节点组的输入，进而得到宽度学习系统特征节点组的输出；

(3.3)将宽度学习系统的特征节点组的输出，输入到宽度学习系统的增强节点中，得到宽度学习系统的增强节点的输出；

(3.4)将宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的宽度学习系统；

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的宽度学习系统中，计算得到有效风速估计值；

(5)根据步骤(4)得到的有效风速估计值，得到机组风轮的最优风轮转速估计值，进而计算得到风轮转速跟踪误差e；

(6)根据步骤(5)获得跟踪误差e，得到间接转速控制表达式为；

其中是T_g电磁转矩设定值，k(t)＞0是需要不断更新的比例控制增益，C_pmax是最佳风能利用系数， n_g是齿轮箱传动比，ω_g是发电机转速，t是控制步长，η＞0是用户自定义的常值控制参数，λ_opt是机组最佳叶尖速比，R是风轮半径。

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2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,j)。

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) 组成宽度学习系统的训练特征集X中的列分量。

进一步地，所述步骤(3.1)具体为：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4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W_f。

进一步地，所述步骤(3.2)具体为：使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi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Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为： Z¹＝[Z₁,...,Z_i,...,Z_n]。

进一步地，所述步骤(3.3)具体为：将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)， j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j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,...,H_i,...,H_m]。

进一步地，所述步骤(3.4)具体为：将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹ H¹]的伪逆。

进一步地，所述步骤(4)中，有效风速估计值

的表达式为：

其中，A是宽度学习系统的特征节点和增强节点的联合输出。

进一步地，所述步骤(5)中，风轮转速跟踪误差e为：

其中，ω_r是风轮转速，

是最优风轮转速估计值，λ_opt是机组最佳叶尖速比，R 是风轮半径。

本发明的有益效果是：使用宽度学习进行有效风速估计，避免了激光雷达测风装置的使用，降低了系统成本，通过互信息指标选择与风速相关的机组输出变量，提高了风速估计准确率；通过在传统间接转速控制算法中引入转速跟踪误差的比例项，同时加快了机组的加速和减速性能，在未改变间接转速控制算法基本形式的情况下提高了风能捕获效率。本发明提供的基于宽度学习的间接转速控制方法，保留了传统间接转速控制算法结构简单的优势，而克服了其收敛速度较慢的缺点，方法简单易行，实施成本低，需要调试的参数少，相比于传统间接转速控制算法相比，能够提高机组产能，增加风电场的经济效益。

附图说明

图1为本发明风速真实值与估计值对比图；

图2为本发明风速估计误差图；

图3为本发明方法设计流程图；

图4为本发明提出的方法与传统方法的发电功率对比图；

图5为本发明提出的方法与传统方法的电磁转矩对比图；

图6为本发明提出的方法与传统方法的风轮转速对比图。

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宽度学习的间接转速控制方法，包括下述步骤：

步骤1，为了获取风速估计模型的训练样本，维持风电机组的桨距角为0度，使用间接转速控制算法实现最大风能捕获。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是宽度学习系统训练目标集，同时使用SCADA系统记录对应时间段内的机组输出数据X_a＝[x_a(i,j)],i＝1,...,l,j＝1,...,8，其中x_a(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a是风轮角位移。

进一步，为了确定与有效风速信息非线性相关程度较大的机组输出变量，提高风速估计准确率，分别计算机组输出数据X_a的每一列数据与对应有效风速信息V之间的互信息。对于两个给定的离散变量A＝{A₁,A₂,...,A_m}和B＝{B₁,B₂,...,B_n}，其互信息计算公式如下：

X'＝[x'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4。

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2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,:)。

步骤2，将步骤1获得的机组输出数据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) 组成宽度学习系统的训练特征集X中的列分量，训练特征集X和训练目标集V共同构成宽度学习系统的训练集。

步骤3，构造宽度学习系统，并使用步骤2获得的训练集X确定宽度学习系统的结构和参数。所述宽度学习系统包括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：

进一步，使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi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Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为：Z¹＝[Z₁,...,Z_i,...,Z_n]。

进一步，将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)，j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j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,...,H_i,...,H_m]。

进一步，将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹H¹]的违逆，得到训练好的宽度学习系统。

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x_new，将x_new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获得的宽度学习系统的特征节点和增强节点的联合输出。

步骤5，计算风轮转速跟踪误差e：

其中，ω_r是风轮转速，λ_opt是机组最佳叶尖速比，R是风轮半径，

是最优风轮转速估计值。

步骤6，根据步骤5获得跟踪误差e，得到如下的间接转速控制算法形式

其中是T_g电磁转矩设定值，k(t)＞0是需要不断更新的控制参数，C_pmax是最佳风能利用系数，n_g是齿轮箱传动比，ω_g是发电机转速，t是控制步长，η＞0是用户自定义的常值控制参数。通过引入风轮转速跟踪误差的比例环节，同时加速了间接转速控制算法的加速和减速性能，且比例环节的控制增益能够随着风速变化的快慢而变化，例如，当风速增加量较大时，根据步骤6中得到的间接转速控制算法表达式，此时的k(t)比较大，由于k(t)是负值，T(g)比较小，此时机组将会获得更快的加速性能，反之亦然。因此，本发明提供的方法缩短了间接转速控制算法调整到最优转速的时间，最终提高了算法的风能捕获效率。

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，与如下的传统间接转速控制方法进行对比

其中，T_g1是最优转矩控制算法给出的电磁转矩值，k_opt是控制参数，ω_g是发电机转速，ρ＝1.225Kg/m³是空气密度，R＝38.5m是风轮半径，C_pmax＝0.482是最大风能捕获系数，λ_opt＝8.5 是最佳叶尖速比，n_g＝104.494是齿轮箱的传动比。

如图1所示，是本发明有效风速真实值和估计值的对比图。可见，风速估计值的趋势与风速真实值一致，即风速的变化量信息被纳入间接转速控制方法中，从而使得机组的产能得到提升。经计算，风速估计值与风速真实值之间的MAPE是：4.04％，MSE是0.0827m²/s²。

如图2所示，是本发明风速估计误差图，风速估计值的误差定义为风速真实值与风速估计值之差。风速估计值的误差基本在±1m/s，风速估计效果较好。

如图3所示，是本发明方法设计流程图。首先，获取机组相关输出数据，进行包括基于互信息的机组输出数据选择、PCA去相关和归一化在内的数据预处理，构造宽度学习系统的训练集；其次，构造宽度学习系统，通过训练确定宽度学习系统的结构和参数，得到有效风速估计模型，利用该风速估计模型，在线给出风速估计值的大小；最后，计算转速跟踪误差，进一步给出电磁转矩控制信号表达式。

如图4所示，是本发明提出的方法与传统方法的发电功率对比图，如图5所示，是本发明提出的方法与传统方法的电磁转矩对比图，如图所示，图6是本发明提出的方法与传统方法的风轮转速对比图。通过计算可知，本发明的方法比传统方法产能提升0.97％，由于实际风电场的发电量基数很大，所以提升0.97％的产能也会带来较大的收益。同时，从图4可看出，本方法的功率平滑程度要优于传统方法，如图4中的10s左右，且本方法的电磁转矩值以及风轮转速值的平滑程度基本与传统方法一致，因此，本方法取得机组产能的提升，并没有带来机组载荷的增加，也不会影响机组的服役寿命。

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

1.一种基于宽度学习的间接转速控制方法，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是宽度学习系统训练目标集，同时使用SCADA系统记录对应时间段内的机组输出数据X_a＝[x_a(i,j)],i＝1,...,l,j＝1,...,8，其中x_a(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

X'＝[x'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4。

使用PCA算法去除X'中的相关性，得到去除相关性后的数据；

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的宽度学习系统中，计算得到有效风速估计值

(6)根据步骤(5)获得跟踪误差e，得到间接转速控制表达式为；

其中是T_g电磁转矩设定值，k(t)＞0是需要不断更新的比例控制增益，C_pmax是最佳风能利用系数，n_g是齿轮箱传动比，ω_g是发电机转速，t是控制步长，η＞0是用户自定义的常值控制参数，λ_opt是机组最佳叶尖速比，R是风轮半径。

2.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，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2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,j)。

3.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，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)组成宽度学习系统的训练特征集X中的列分量。

4.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(3.1)具体为：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4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W_f。

5.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(3.2)具体为：使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi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Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为：Z¹＝[Z₁,...,Z_i,...,Z_n]。

6.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(3.3)具体为：将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)，j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j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,...,H_i,...,H_m]。

7.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(3.4)具体为：将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹ H¹]的伪逆。

8.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(4)中，有效风速估计值

的表达式为：

其中，A是宽度学习系统的特征节点和增强节点的联合输出。

9.根据权利要求1所述的基于宽度学习的间接转速控制方法，其特征在于，所述步骤(5)中，风轮转速跟踪误差e为：

其中，ω_r是风轮转速，

是最优风轮转速估计值，λ_opt是机组最佳叶尖速比，R是风轮半径。