CN110985289B - 基于svr和smc的风电机组带预设性能的mppt方法 - Google Patents
基于svr和smc的风电机组带预设性能的mppt方法 Download PDFInfo
- Publication number
- CN110985289B CN110985289B CN201911224526.7A CN201911224526A CN110985289B CN 110985289 B CN110985289 B CN 110985289B CN 201911224526 A CN201911224526 A CN 201911224526A CN 110985289 B CN110985289 B CN 110985289B
- Authority
- CN
- China
- Prior art keywords
- svr
- wind
- smc
- wind speed
- 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 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 108010046685 Rho Factor Proteins 0.000 claims 1
- 230000001052 transient effect Effects 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000012938 design process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 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
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
-
- 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
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- 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
- F05B2270/10—Purpose of the control system
- F05B2270/103—Purpose of the control system to affect the output of the engine
- F05B2270/1033—Power (if explicitly mentioned)
-
- 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
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于SVR和SMC的风电机组带预设性能的MPPT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SVR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,使用误差转换技术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SMC原理设计控制信号表达式及控制增益表达式。该方法避免了对系统未知动态先验信息的依赖和价格昂贵的激光雷达测风装置的使用,实施成本低,能够同时保证系统的瞬态和稳态性能,设计过程简单,能够减小大湍流所带来的超调对系统的冲击,需要调试的控制参数少,实施过程简单,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,特别涉及一种基于SVR和SMC的风电机组并具有预设性能的MPPT方法。
背景技术
近年来我国风电装机容量的增长速度稳居全球第一,然而,由于我国风力发电起步较晚,目前我国的风电公司还是靠国外风电巨头的开发平台和控制系统来进行上层的风电技术研发。因此,打破垄断,研发具有自主知识产权的智能风电控制系统具有重要的战略意义。
最大功率跟踪(Maximum Power Pont tracking,MPPT)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,并根据功率跟踪误差设计反馈控制器。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,同时,目前已有的鲁棒控制方法,往往对系统的未知动态的先验信息有所依赖,比如需要已知系统未知动态的界等。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。
针对上述风电机组MPPT控制存在的问题,本发明首先设计了基于SVR(支持向量回归)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SMC(滑模控制)理论,设计了一种成本低,不依赖于系统未知动态先验信息、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SVR和SMC的MPPT方法,不需要增加额外的传感器,实施成本低,在不依赖系统未知动态先验信息的情况下,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SVR和SMC的风电机组并具有预设性能的MPPT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SVR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,得到去除相关性后的数据,其中SVR是支持向量回归模型;
(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SVR的训练特征集X中的列分量,构造SVR的训练特征集,训练特征集X和训练目标集V共同构成SVR的训练集,使用SVR的训练集训练得到基于SVR的有效风速估计模型,将去除相关性后的机组输出数据做归一化处理,输入到训练好的有效风速估计模型中,计算得到有效风速估计值
(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,得到z的动态特性如下:
其中,是已知的,ωr是风轮转速,是需要设计的控制信号,电磁转矩设定值的导数,是已知的,由于风轮转速的导数很难准确获得,因此是未知的,Pref为最大功率跟踪的控制目标,可通过使用SMC控制原理进行补偿。
(6)根据z的动态特性和SMC理论,得到控制信号表达式为:
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(2)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。
其中,fsvr表示训练好的基于SVR的有效风速估计模型,xnew是经过PCA去相关和归一化处理的机组实时输出。
进一步地,所述步骤(1)中,最大功率跟踪的控制目标是:
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=Pg-Pref
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SVR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,降低了实现成本;通过设置最大功率跟踪误差的预设上下界,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SMC思想完成了控制器设计,简化了控制器设计,避免了繁琐的智能控制器设计过程和对系统未知动态先验信息的依赖。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,需要调试的控制参数少,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SVR和SMC的风电机组带预设性能的MPPT方法设计流程图;
图2为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为本发明方法与传统方法的功率对比图。
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SVR和SMC的风电机组并具有预设性能的MPPT方法,包括下述步骤:
步骤1,求取风电机组实现最大功率跟踪的控制目标。为实现最大功率跟踪,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,风电机组实现最大功率跟踪的控制目标可以表示为:
步骤2,为了获取风速估计模型的训练样本,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SVR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,:)]。
步骤3,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SVR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SVR的训练集。
步骤4,选择核函数,使用烟花算法确定SVR的惩罚参数和核函数参数,并使用步骤(1)中的训练集训练得到SVR模型。所述核函数选择如下的sigmoid函数
其中γ和r是需要选择的超参数。所述烟花算法的适应度函数选择为SVR算法在训练集上的均方误差。
步骤5,在线使用步骤3获得的训练好的SVR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SVR模型中,得到每一个采样周期的风速估计值
其中,fsvr表示训练好的SVR模型,xnew是经过PCA去相关和归一化处理的机组实时输出。
e=Pg-Pref
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7,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:
步骤8,根据无约束变量z的动态特性和SMC原理,设计控制信号的表达式如下:
其中k,μ,ε>0是根据风能捕获效率确定的控制参数,B的初值B(0)>0,a0>0是根据最大风能捕获效果确定给的、较小的常数。根据李雅普诺夫稳定性原理,上述控制信号的实施并不依赖于系统未知动态的先验信息,且系统是有界的,即无约束变量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e(t)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SVR和SMC的风电机组带预设性能的MPPT方法设计流程图。首先,求取风电机组实现最大功率跟踪的控制目标,并设计基于SVR的风电机组有效风速估计方法,用于计算控制目标的值,并进一步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SMC理论,设计控制信号表达式。
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,风速估计值与风速真实值之间的MAPE是5.27%,MSE是0.1309m2/s2,风速估计效果较好。
如图3所示,是本发明风速估计误差图,风速估计误差定义为风速真实值与风速估计值之间的差值,由图可知,风速估计误差均在±1m/s之间,同样说明了风速估计效果较好。如图4所示,是本发明方法与传统方法的功率对比图,可见,在本发明方法的作用下,功率跟踪的瞬态和稳态性能都得到了保证。经计算,本发明方法的机组产能比传统最优转矩法提高了3.08%,说明了本发明方法能够提高机组产能,增加风电场的经济效益。
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SVR和SMC的风电机组带预设性能的MPPT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SVR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,得到去除相关性后的数据,其中SVR是支持向量回归模型;
(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SVR的训练特征集X中的列分量,构造SVR的训练特征集,训练特征集X和训练目标集V共同构成SVR的训练集,使用SVR的训练集训练得到基于SVR的有效风速估计模型,将去除相关性并做归一化处理的机组实时输出数据,输入到训练好的有效风速估计模型中,计算得到有效风速估计值
(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,得到z的动态特性如下:
其中,是已知的,ωr是风轮转速,是需要设计的控制信号,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,电磁转矩设定值的导数,是已知的,由于风轮转速的导数很难准确获得,因此是未知的,F可通过使用SMC控制原理进行补偿,Pref为最大功率跟踪的控制目标;
(6)根据z的动态特性和SMC理论,得到控制信号表达式为:
2.根据权利要求1所述的基于SVR和SMC的风电机组带预设性能的MPPT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,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。
3.根据权利要求1所述的基于SVR和SMC的风电机组带预设性能的MPPT方法,其特征在于,所述步骤(2)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,:)]。
7.根据权利要求6所述的基于SVR和SMC的风电机组带预设性能的MPPT方法,其特征在于,所述步骤(4)中,通过下式计算最大功率跟踪误差e
e=Pg-Pref
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224526.7A CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224526.7A CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110985289A CN110985289A (zh) | 2020-04-10 |
CN110985289B true CN110985289B (zh) | 2021-01-01 |
Family
ID=70089849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224526.7A Active CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110985289B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115182844B (zh) * | 2022-07-25 | 2024-08-13 | 青岛理工大学 | 一种变速风力发电机组有界ude转矩控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105024599A (zh) * | 2015-08-10 | 2015-11-04 | 华北电力大学(保定) | 一种波浪能发电系统最大功率跟踪装置及控制方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293950B (zh) * | 2013-04-09 | 2016-04-20 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
CN103277252B (zh) * | 2013-04-10 | 2015-01-14 | 浙江大学 | 一种并网型风力机控制方法 |
CN104454346B (zh) * | 2014-11-09 | 2017-02-15 | 中科诺维(北京)科技有限公司 | 一种小型永磁直驱风力发电系统最大功率跟踪控制方法 |
CN108334672B (zh) * | 2018-01-14 | 2019-12-24 | 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 |
CN108678902B (zh) * | 2018-05-02 | 2019-08-27 | 曾喆昭 | 直驱pmsm风力发电系统mppt的扰动感知控制方法 |
CN108717266B (zh) * | 2018-05-30 | 2021-03-12 | 迪比(重庆)智能科技研究院有限公司 | 风场风机功率基于扰动观测器的神经自适应跟踪控制方法 |
CN109062316A (zh) * | 2018-10-29 | 2018-12-21 | 海南电网有限责任公司电力科学研究院 | 一种光伏系统最大功率跟踪方法及系统 |
CN109962496B (zh) * | 2019-03-11 | 2020-09-11 | 浙江大学 | 一种基于高压直流输电的海上风电场集成拓扑设计方法 |
CN110346160B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110360051A (zh) * | 2019-07-16 | 2019-10-22 | 内蒙古工业大学 | 一种小型定桨永磁同步风力发电机组控制器 |
CN110206686A (zh) * | 2019-07-17 | 2019-09-06 | 星际(重庆)智能装备技术研究院有限公司 | 一种用于风力发电机组的自适应最大功率跟踪控制方法 |
-
2019
- 2019-12-04 CN CN201911224526.7A patent/CN110985289B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105024599A (zh) * | 2015-08-10 | 2015-11-04 | 华北电力大学(保定) | 一种波浪能发电系统最大功率跟踪装置及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110985289A (zh) | 2020-04-10 |
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 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
Li et al. | Using neural networks to estimate wind turbine power generation | |
CN110454329B (zh) | 一种风电机组桨距角控制方法 | |
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 | |
CN111075647B (zh) | 一种基于elm的变速风电机组最大风能捕获方法 | |
CN113935247B (zh) | 计及风速随机性与相关性的分区虚拟惯量估计方法 | |
KR102425267B1 (ko) | 디지털 트윈 기반의 해상 풍력단지의 제어 장치 및 방법 | |
Han et al. | Neural network model predictive control optimisation for large wind turbines | |
CN110985289B (zh) | 基于svr和smc的风电机组带预设性能的mppt方法 | |
CN110966144B (zh) | 一种基于bls的风电机组智能恒功率控制方法 | |
CN115807734A (zh) | 一种基于尾流跟踪的海上风电场场级协同控制策略 | |
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 | |
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 | |
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 | |
CN117610449A (zh) | 一种基于GRA-XGBoost的风电机组入流风速估计方法 | |
Yin et al. | Graph attention-based U-net conditional generative adversarial networks for the identification of synchronous generation unit parameters | |
Sinner et al. | A comparison of individual and collective pitch model predictive controllers for wind turbines | |
CN110985287B (zh) | 一种基于宽度学习的间接转速控制方法 | |
Wang et al. | Turbulence intensity identification and load reduction of wind turbine under extreme turbulence | |
CN115544860A (zh) | 间歇性分布式电源在复杂运行场景下的出力建模方法 | |
CN110985290B (zh) | 一种基于支持向量回归的最优转矩控制方法 | |
Jiao et al. | Adaptive dual-layer sliding mode control for wind turbines with estimated wind speed |
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 |