CN111027169A - 一种适用于风力发电机叶轮面等效风速的改进型观测方法 - Google Patents

Abstract

本发明提供了一种风力发电机叶轮面等效风速的改进型观测方法。针对基于风电机组机理模型的观测方法对模型参数的依赖性强，以及基于神经网络模型的方法存在数据量大、计算量大、模型复杂等缺点，进行针对性的改进型的建模。首先利用未知输入扰动观测器对风机传动链模型进行未知输入气动转矩的精确观测，然后利用基于非线性输入‑输出映射的极限学习机模型逼近风力机的气动特性，从而降低了模型复杂度，同时提高了叶轮面等效风速的观测精度，且大大加快了观测速度。

Description

一种适用于风力发电机叶轮面等效风速的改进型观测方法

技术领域

本发明属于风力发电机领域，涉及大型风力发电机的风速观测及风机控制问题，尤其是涉及到一种适用于风力发电机叶轮面等效风速的改进型观测方法。

背景技术

随着风能市场的激烈竞争，通过控制策略优化提升风力发电机组性能和降低机组部件载荷具有极其重要的意义。众所周知，和传统的一般控制问题不同，风力发电机主要由外力驱动，即风速，风速是一个随时间和空间维度变化的随机变量，也是决定风力发电机工作点的动力学参数变量。这意味着风不但影响电机组各个结构部件的动态特性，而且作为关键因素决定机组运行状态。因此，风速信息在风力发电机的控制应用中是不可缺少的。然而，采用风速计测量的机舱风速精度不高，难以应用于先进的控制系统，因为它只能测量单点的受转子旋转强烈干扰的风速。对于影响风力发电机整个转子的风速，它并不是一个合格的代表。换句话说，它需要使用多个风速计来获取更多的风速信息。显然，更多的风速计将会增加风机的成本，降低风力发电机的可靠性。因此，有必要准确观测影响整个转子的风速，即叶轮面等效风速(EWS)。

由于观测的EWS主要用于实时控制算法，观测结果将直接影响控制器的有效性。只有在掌握风速这一关键信息后，才能设计出适当的控制策略进行机组主动保护，降低极端工况下机组部件载荷。

发明内容

鉴于此，本发明提供一种适用于风力发电机叶轮面等效风速的改进型观测方法，以降低风速观测的成本，提升风力发电机组性能及降低机组部件载荷损耗。该方法首先利用未知输入干扰观测器(UIDOB)观测输入气动力矩，避免了状态观测器的观测精度不高的问题。其次，利用快速有效的极限学习机(ELM)算法对风力发电机的气动特性进行非线性输入输出映射。该方法考虑了风力发电机空气动力学的非线性特性和风湍流特性，计算速度快且计算复杂度低，对计算机性能的要求也比较低。

为实现上述目的，本发明的技术方案如下：

一种适用于风力发电机叶轮面等效风速的改进型观测方法，所述观测方法包括以下步骤：

步骤一、采用传动链二质量体模型，将风机的气动转矩T_a看作未知扰动输入，叶轮转速ω_r和发电机电气转矩T_g为已知输入，利用未知输入干扰观测器观测出气动转矩

并且测量得到桨距角β；

步骤二、建立ELM风速观测模型：

其中

υ_e表示实际叶轮面等效风速，C_p(λ,β)表示风能利用系数，f(·)表示非线性函数，λ表示叶尖速比，β表示桨距角，T_a表示气动转矩，ρ表示空气密度，R表示叶轮半径；

则ELM风速观测模型为：

其中，X_j表示第j个输入变量，

表示叶轮面等效风速估计值，i表示隐含层节点，j表示样本集，b_i是第i个隐含层节点的偏置项，W_i是输入层与第i个隐含层节点之间的权重，α_i是第i个隐含层节点与输出层之间的权重，M是隐含层单元数，L是样本集大小，g(·)表示激活函数；

由步骤一所观测的气动转矩

和量测所得的叶轮转速ω_r计算得到的

及量测所得的桨距角β作为模型输入，叶轮面等效风速υ_e作为模型输出，离线训练得到最终的ELM风速观测模型；

步骤三、使用步骤二训练得到的最终的ELM风速观测模型，输入待检测风力发电机的

和桨距角β，则实时观测得到叶轮面等效风速

进一步的改进，所述步骤一中，传动链二质量体模型具体为：

ω_r ^m＝ω_r+ET_a

其中，γ＝(θ_r-θ_g/N)，θ_r和θ_g分别为叶轮和发电机旋转角度，s_dt和d_dt分别为传动链刚度系数和阻尼系数，ω_r和ω_g分别为叶轮和发电机转速，J_r和J_g分别为叶轮和发电机转动惯量，T_a和T_g分别为气动转矩和发电机电气转矩，T_sh为低速轴机械转矩，T_sh/N为高速轴机械转矩，N为齿轮箱变比，E为扰动系数，ω_r ^m是ω_r的测量值。

进一步的改进，未知输入干扰观测器具体为：

其中^为对应的观测值，K_P和K_I分别是比例增益和积分增益。

本发明的改进型观测方法中提出了一种提高观测精度的未知输入干扰观测器，降级计算成本和计算复杂度的ELM风速观测算法。内容包括建立未知输入干扰观测器的数学模型，并针对风力发电机空气动力学的非线性特性，设计了一种基于ELM风速观测算法对非线性函数进行拟合。该方法在拟合过程中无需知晓函数参数信息，避免了对模型参数的过度依赖问题。在实际应用中，该方法每次只需输入一个

和一个桨距角β，便可以实现叶轮面等效风速的观测，计算速度快且计算复杂度低，对计算机性能的要求也比较低。

附图说明

图1为本发明的叶轮面等效风速观测器结构框图；

图2为本发明的叶轮面等效风速观测算法流程图；

图3为平均风速2m/s的气动转矩观测结果图；

图4为平均风速10m/s的气动转矩观测结果图；

图5为平均风速18m/s的气动转矩观测结果图；

图6为平均风速2m/s的叶轮面等效风速观测结果图；

图7为平均风速10m/s的叶轮面等效风速观测结果图；

图8为平均风速18m/s的叶轮面等效风速观测结果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。所描述的实施例旨在便于对本发明的理解，而对其不起任何限定作用。

本发明提供了一种改进型观测方法，用于保证叶轮面等效风速的精确及实时的观测，图1为本发明观测器的结构框图，所述观测方法包括以下步骤：

(1)考虑风力发电机机组的传动链模型，采用常用的二质量体模型，将风机的气动转矩T_a看作未知扰动输入，叶轮转速ω_r和发电机电气转矩T_g为已知输入，利用未知输入干扰观测器(UIDOB)观测出气动转矩

(2)建立极限学习机(ELM)风速观测模型，由步骤(1)所观测的气动转矩

和量测所得的叶轮转速ω_r计算得到的

及量测所得的桨距角β作为模型输入，叶轮面等效风速υ_e作为模型输出，离线训练得到ELM风速观测算法模型；

(3)使用步骤(2)训练得到的ELM风速观测算法模型，实时观测叶轮面等效风速

本观测器主要由两部分组成，观测算法的具体流程如图2所示。第一部分用UIDOB去观测未知输入T_a，相对来说，用输入观测器去观测输入，比用状态观测器去观测输入的精确度要高；第二部分本发明是用快速ELM算法去拟合非线性函数，相对而言，本发明的计算速度更快且计算复杂度降低，对计算机性能的要求也比较低。

具体的，图2中采用的观测算法包括以下步骤：

步骤一：设计未知输入扰动观测器

风电机组传动链二质量体模型具体为：

ω_r ^m＝ω_r+ET_a

其中，γ＝(θ_r-θ_g/N)，θ_r和θ_g分别为叶轮和发电机旋转角度，s_dt和d_dt为传动链刚度系数和阻尼系数，ω_r和ω_g为叶轮和发电机转速，J_r和J_g为叶轮和发电机转动惯量，T_a和T_g为气动转矩和发电机电气转矩，T_sh为低速轴机械转矩，T_sh/N为高速轴机械转矩，N为齿轮箱变比，E为扰动系数，ω_r ^m是ω_r的测量值。其未知输入观测器具体为：

其中^为对应的观测值，K_P和K_I分别是比例增益和积分增益。

步骤二：计算

的值

风机气动系统用于将捕获的风能转化为机械能，根据空气动力学原理，叶轮实际捕获功率为

其中，R是叶轮半径；υ_e是叶轮面等效风速；ρ是空气密度；C_p(λ,β)是风能利用系数，表征静态气动特性，可定义为叶尖速比和桨距角的非线性函数形式；叶尖速比λ的定义为

ω_r是叶轮转速，β是桨距角。风机气动转矩为

式(2)可整理为

步骤三：离线训练ELM风速观测算法模型

根据

和式(3)，有

可得其ELM风速观测算法模型，具体为：

其中，X_j表示第j个输入变量，

表示叶轮面等效风速估计值，i表示隐含层节点，j表示样本集，b_i是第i个隐含层节点的偏置项，W_i是输入层与第i个隐含层节点之间的权重，α_i是第i个隐含层节点与输出层之间的权重，M是隐含层单元数，L是样本集大小，g(·)表示激活函数；步骤四：用ELM风速观测算法实时观测叶轮面等效风速

输入一个

和一个桨距角β，采用ELM风速观测算法便可以实现叶轮面等效风速的观测，计算速度快且计算复杂度低，对计算机性能的要求也比较低。

为说明所采用UIDOB观测器的实际效果，本发明对所提出的观测器进行了仿真模拟。为了简便起见，给出了平均风速为2m/s，10m/s，18m/s的气动转矩观测结果，如图3-5所示。仿真中，K_P＝[-0.16 -0.07 0.14]^T，K_I＝10000000，E＝0.0002。气动转矩的理论值，经典卡尔曼滤波(KF)方法的观测值，UIDOB的观测值分别绘制成绿色、红色和蓝色，如图3-5(a)所示。KF方法的相对误差和UIDOB方法的相对误差，分别绘制成红色和蓝色，如图3-5(b)所示。由图3-5(a)可知，三种气动转矩趋势相同。然而，基于UIDOB的观测器具有更好的性能和更高的精度，如图3-5(b)所示。KF方法的缺点是不能直接用于输入估计。而当T_a的值过小时，则会出现较大的波动，如图3(b)所示。因为当平均风速(2m/s)小于风机切入风速(3m/s)时，风力发电机可能处于静止状态。

最后，为了说明所述叶轮面等效风速观测方法的实际效果，验证所提出的观测算法的有效性，本发明对所提出的ELM观测算法进行了仿真模拟。与气动转矩的观测结果相对应，给出了平均风速为2m/s，10m/s，18m/s的等效风速观测结果，如图6-8所示。如图6-8(a)所示，KF方法和UIDOB-ELM方法都能跟踪叶轮面等效风速(EWS)真实值的变化轨迹。然而，KF方法的估计误差基本保持在0.5m/s内，本发明的估计误差保持在0.2m/s，说明本发明的观测方法具有更好的跟踪精度，如图6-8(b)所示。当风速太小时，会有较大的波动误差如图6(b)所示。因此，本发明适用于风速大于2m/s的情况。如图6-8(b)所示，所提出的观测方法在开始时未能观测出某些点的实际速度。因为UIDOB的气动转矩观测值一开始就含有异常值，这一结果超出了预期，但也是可以接受的。需要注意的是，估计精度在峰谷点处有所下降。其原因是这些点风速变化起伏较大，影响了观测精度，观测器在其他时刻工作完全正常。

为了检验计算效率，对提出的观测器和KF方法进行了在线运行时间的计算，如表1所示。由表1可以看出，与KF方法相比，所提出的观测方法的计算效率提高了10-14％。值得指出的是，仿真测试是在CPU1.8GHz，内存8GB的笔记本电脑上进行的。实验结果表明，所提方法比KF方法速度更快。由于UIDOB的阶数比KF滤波器的阶数低一阶，而且ELM算法比牛顿拉弗逊方法花费的时间更短。因此，所提方法的计算速度更快且计算复杂度更低，对计算机性能的要求也比较低。

表1

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种适用于风力发电机叶轮面等效风速的改进型观测方法，其特征在于，所述观测方法包括以下步骤：

步骤一、采用传动链二质量体模型，将风机的气动转矩T_a看作未知扰动输入，叶轮转速ω_r和发电机电气转矩T_g为已知输入，利用未知输入干扰观测器UIDOB观测出气动转矩

并且测量得到桨距角β；

步骤二、建立极限学习机ELM风速观测模型：

其中

其中，υ_e表示实际叶轮面等效风速；C_p(λ,β)表示功率系数；f(·)表示非线性函数；λ表示叶尖速比，β表示桨距角；T_a表示气动转矩，ρ表示空气密度，R表示叶轮半径；

则极限学习机ELM风速观测模型为：

其中，X_j表示第j个输入变量，

表示叶轮面等效风速估计值，i表示隐含层节点，j表示样本集，b_i是第i个隐含层节点的偏置项，W_i是输入层与第i个隐含层节点之间的权重，α_i是第i个隐含层节点与输出层之间的权重，M是隐含层单元数，L是样本集大小，g(·)表示激活函数；

由步骤一所观测的气动转矩

和量测所得的叶轮转速ω_r计算得到的

及量测所得的桨距角β作为模型输入，叶轮面等效风速υ_e作为模型输出，离线训练得到最终的ELM风速观测模型；

步骤三、使用步骤二训练得到的最终的ELM风速观测模型，输入待检测风力发电机的

和桨距角β，则实时观测得到叶轮面等效风速

2.根据权利要求1所述的适用于风力发电机叶轮面等效风速的改进型观测方法，其特征在于，所述步骤一中，传动链二质量体模型具体为：

ω_r ^m＝ω_r+ET_a

其中，γ＝(θ_r-θ_g/N)，θ_r和θ_g分别为叶轮和发电机旋转角度，s_dt和d_dt分别为传动链刚度系数和阻尼系数，ω_r和ω_g分别为叶轮和发电机转速，J_r和J_g分别为叶轮和发电机转动惯量，T_a和T_g分别为气动转矩和发电机电气转矩，T_sh为低速轴机械转矩，T_sh/N为高速轴机械转矩，N为齿轮箱变比，E为扰动系数，ω_r ^m是ω_r的测量值。

3.根据权利要求2所述的适用于风力发电机叶轮面等效风速的改进型观测方法，其特征在于，未知输入干扰观测器具体为：

其中^为对应的观测值，K_P和K_I分别是比例增益和积分增益。

Images