CN111030180A - 基于无线传感器网络的双馈风电机组风能集成控制方案 - Google Patents

Abstract

本发明涉及风力发电系统，尤其涉及基于无线传感器网络的双馈风电机组风能集成控制方案。本发明针对双馈风电机组，深入探究一致性各种指标下的理论本质，结合来自无线传感器网络的海量数据，建立具有相应映射关系的数据集合，通过滤波算法对数据模型进行降噪、解耦等处理，设计具有自适应结构的数据驱动控制器，结合基于模型的方法，构建基于数据驱动的风能捕获集成控制方案。本发明系统地研究机组多目标协调优化及一致性理论，通过滤波算法构建基于数据驱动的风能捕获集成控制方案,设计高效率和低成本的双馈风电机组，有效提高风能利用率，提高双馈风电机组的运行效率和使用寿命，增加发电量，提高风电产业的经济效益和社会效益。

Description

基于无线传感器网络的双馈风电机组风能集成控制方案

技术领域

本发明涉及风力发电系统，尤其涉及基于无线传感器网络的双馈风电机组风能集成控制方案。

背景技术

风电已经成为世界上发展最快的可再生能源之一，是解决世界能源危机不可或缺的重要力量。风电又因其技术相对较为成熟，更加具备大规模商业开发的条件，得到了世界上众多发达国家的大力发展。根据世界风能行业协会预计，到2020年，风电或可占到全球电力总量的百分之十二。在2020年之后，新能源发电中风力发电逐渐成为未来世界最重要的替代能源，世界风力发电装机总量将达到12亿KW，占全球发电总量的12％。我国在2015年时，风电累计装机已接近1亿KW，成为继火电、水电之后的第三大电源。我国在《新能源产业振兴规划》中指出，截至2020年，我国预计风电装机2亿KW，其中陆地1.5亿KW，海上5000万KW，力争风力发电量在全国发电量中的比重超过5％。根据国家气候中心的资料初步估算全国可增加技术开发量的风电量可达800亿KW，其中主要分布于浅山丘陵地区和中东部平原地区。受弃风限电等因素影响，国家己将风电发展重点由“三北”地区调整至中部地区。

风电设备正朝着特性化和大型化方向发展，2-3兆瓦双馈式风力发电机组已是市场主流产品。然而，风能的随机性、突发性、不稳定性等特征，给双馈机组的运行、控制及风电并网等各个环节带来一系列影响。落后的风能控制技术将严重影响风能利用效率、电能质量和电力系统的安全运行。尤其当风电功率在电网中所占比重超过一定值之后，如果不对机组进行有效控制，机组输出功率直接并入电网，将造成电网污染，影响局部电网运行的稳定性，严重降低风电系统输出电能的商业使用价值。

发明内容

本发明针对现有双馈风电机组运行不稳定，发电效率低等问题，提供一种基于无线传感器网络的双馈风电机组风能集成控制方案。本发明在无线传感器网络环境中，通过获得的双馈风电机组输入输出状态数据，系统地研究机组多目标协调优化及一致性理论，通过滤波算法对数据模型进行降噪、解耦等处理，构建基于数据驱动的风能捕获集成控制方案,设计高效率和低成本的双馈风电机组，有效提高风能利用率，提高双馈风电机组的运行效率和使用寿命，增加发电量,提高风电产业的经济效益和社会效益。

为解决上述技术问题，本发明所采用的技术方案是：

基于无线传感器网络的双馈风电机组风能集成控制方案，通过双馈风电机组，研究基于无线传感器网络的一致性控制系统，分析一致性算法的收敛性、收敛速度、能量效率等性能，深入探究一致性各种指标下的保平均一致性、分布式效用优化、分布式数据聚合和分布式资源调配的理论本质，结合来自无线传感器网络的海量数据，建立具有相应映射关系的数据集合，通过卡尔曼滤波和粒子滤波算法研究多目标控制系统中的降噪、解耦等数据处理方法提纯有效数据，设计具有自适应结构的数据驱动控制器，根据双馈机组状态量，建立双馈机组LPV模型，结合基于模型和基于数据的优势，实现多源数据下的双馈机组在线优化，提出集成的风能捕获多目标数据驱动优化方案，结合基于模型的方法，构建基于数据驱动的风能捕获集成控制方案。

所述基于无线传感器网络的双馈风电机组风能集成控制方案包括以下步骤：

步骤一：构建面向无线传感器网络应用的一致性理论体系。

步骤二：建立数据映射集合。

步骤三：风能捕获控制系统的数据处理。

步骤四：风能捕获多目标数据驱动控制。

步骤五：双馈机组建模及多目标优化方案。

步骤六：多源数据信息优化。

步骤七：无线传感器网络下风能捕获集成控制方案构建。

优选的，所述面向无线传感器网络应用的一致性理论体系，包括保平均一致性、分布式效用优化、分布式数据聚合、分布式资源调配。

优选的，所述数据映射集合是通过分析SCADA数据集，建立具有相应映射关系的数据集合，基于滤波技术的数据处理方法，提取反映双馈机组真实运行状态的数据。

优选的，所述风能捕获控制系统的数据处理是通过卡尔曼滤波和粒子滤波对风能捕获控制系统有关数据进行降噪和解耦，提纯风电机组有效数据。

优选的，所述风能捕获多目标数据驱动控制是基于SPSA同步随机逼近扰动的数据驱动自适应控制方法，基于粒子滤波对风电机组控制系统中的耦合变量解耦，用前馈神经网络设计具有自适应控制结构的最大风能捕获数据驱动控制器。

优选的，所述双馈机组建模及多目标优化方案是基于双馈机组LPV模型的最大风能捕获控制通过设计线性二次型高斯最优控制器对机组进行优化，通过将双馈机组稳态工作点进行线性化，得到双馈机组线性变参数模型。

优选的，所述多源数据信息优化过程分为3层，即数据层、特征层和决策层。数据层对多速率传感器的数据进行分析处理，选取相应的映射关系建立数据模型，通过粒子滤波算法进行数据处理，通过同步随机逼近算法获取优化所需要的控制系统参数；特征层利用卡尔曼算法对数据层的结果进行分析，实现特征提取；决策层针对不同的控制对象，利用前馈神经网络做出最终的优化结果。

与现有技术相比，本发明的有益效果如下：

1.本发明基于无线传感器网络，在获取双馈机组实际运行数据的同时，进一步延伸、拓展和完善一致性理论研究，当风速剧烈变化，最优叶尖速比未知时，基于数据驱动思想，有效利用数据驱动对复杂非线性系统控制的优势，基于粒子滤波算法切实提高数据驱动算法的计算效率，减少双馈机组控制系统的干扰信息，使得双馈机组风能捕获多个优化目标相互协调，对控制系统参数进行实时跟踪和优化，使控制系统达到整体最优效果，以期在线或提前预报机组最优状态，促进风电机组不同优化目标的协调性和智能性，进一步推进风电市场化进程。

2.本发明通过卡尔曼滤波和粒子滤波对风能捕获控制系统有关数据进行降噪和解耦，提纯风电机组有效数据。风的随机性导致实际运行双馈风电机组数据动态性、噪声多的特点。如果忽略风速信号中噪声的存在，将严重降低风能捕获控制系统的控制精度。用卡尔曼滤波算法对系统噪声和量测噪声进行实时估计，根据估算的系统状态调整动态最优增益，研究双馈风电机组数据降噪方法，可以很大程度上抑制双馈风电机组实际运行参数变化产生的噪声信息。

3.本发明基于SPSA设计具有自适应控制结构的数据驱动控制器，应用权值选择粒子滤波技术优化控制器参数，降低对机组模型的依赖，提高控制系统计算效率，且SPSA作为一种完全基于数据驱动的方法，具有算法结构简单、工程造价低等优势。

附图说明

图1为本发明结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1所示。

基于无线传感器网络的双馈风电机组风能集成控制方案，通过双馈风电机组，研究基于无线传感器网络的一致性控制系统，分析一致性算法的收敛性、收敛速度、能量效率等性能，深入探究一致性各种指标下的保平均一致性、分布式效用优化、分布式数据聚合和分布式资源调配的理论本质，结合来自无线传感器网络的海量数据，建立具有相应映射关系的数据集合，通过卡尔曼滤波和粒子滤波算法研究多目标控制系统中的降噪、解耦等数据处理方法提纯有效数据，设计具有自适应结构的数据驱动控制器，根据双馈机组状态量，建立双馈机组LPV模型，结合基于模型和基于数据的优势，构架数据融合的风能捕获控制方案，实现多源数据下的双馈机组在线优化，提出集成的风能捕获多目标数据驱动优化方案，结合基于模型的方法，构建基于数据驱动的风能捕获集成控制方案。

所述基于无线传感器网络的双馈风电机组风能集成控制方案包括以下步骤：

步骤一：构建面向无线传感器网络应用的一致性理论体系。

步骤二：建立数据映射集合。

步骤三：风能捕获控制系统的数据处理。

步骤四：风能捕获多目标数据驱动控制。

步骤五：双馈机组建模及多目标优化方案。

步骤六：多源数据信息优化。

步骤七：无线传感器网络下风能捕获集成控制方案构建。

上述实施例中，具体的，所述面向无线传感器网络应用的一致性理论体系，包括保平均一致性、分布式效用优化、分布式数据聚合、分布式资源调配。

所述构建面向无线传感器网络应用的一致性理论体系，将拓扑动态变化、节点能量衰竭、网络丢包等关键因素，在数学上进行变量建模和拓扑建模，建立算法性能和理论结果与关键因素之间的函数关系，构建基于应用的性能指标和理论；重点基于随机矩阵理论和Lyapunov稳定性理论研究一致性的有限时间稳定性理论，建立一致性算法收敛速度和收敛精度直接的理论关系。

所述在无线传感器网络中拓展一致性理论及其算法设计中，进一步深入研究一致性理论在时钟同步算法设计和分析中的应用，设计更具实用价值的同步算法；探究无线传感器网络中一致性理论的应用，研究分布式资源分配、数据聚合和网络效用优化，基于一致性理论设计相应的分布式算法。在保证算法的鲁棒性和精度的同时，提高无线传感器网络的效率，节省节点能量；分布式数据聚合是高效的分布式数据收集方式。

所述在对时钟同步的研究基础上，考虑多模态攻击、非对称和非高斯噪声、节点时钟数据隐私和传输数据的量化性等更为实际的因素下的同步算法，对考虑的因素进行数学建模，并给出相应的性能分析。针对分布式效用优化，以单个节点的效用函数作为一致性系统中的初始变量，设计基于一致性的分布式优化算法，获取全局效用函数，利用最优化理论求取全局最优的效用点。针对数据聚合，分别考虑求和与求积的聚合形式，建立一致性算法中变量和聚合数据直接的内在联系，建立数学上的映射，接着设计迭代算法实现数据聚合的目标。针对分布式资源调配，包括通信信道和节点能量分配等典型问题，在数学上用参量和函数刻画单个节点所拥有的资源，并把它们映射成一致性算法中的节点状态变量。针对时变的资源函数，映射为二阶一致性系统中的自变量，接着利用一致性理论中的稳定性结果设计相应的资源分配算法，实现高能效，低复杂度、快速收敛的分布式资源分配。

上述实施例中，具体的，所述数据映射集合是通过分析SCADA数据集，建立具有相应映射关系的数据集合，基于滤波技术的数据处理方法，提取反映双馈机组真实运行状态的数据。

上述实施例中，具体的，所述风能捕获控制系统的数据处理通过卡尔曼滤波和粒子滤波对风能捕获控制系统有关数据进行降噪和解耦，提纯风电机组有效数据。

所述风的随机性导致实际运行双馈风电机组数据动态性、噪声多的特点。如果忽略风速信号中噪声的存在，将严重降低风能捕获控制系统的控制精度。用卡尔曼滤波算法对系统噪声和量测噪声进行实时估计，根据估算的系统状态调整动态最优增益，研究双馈风电机组数据降噪方法，可以很大程度上抑制双馈风电机组实际运行参数变化产生的噪声信息。双馈机组可以表示为如式(2-1)所示的卡尔曼滤波器状态方程：

式中，x(t)是t时刻的系统状态，x(t)＝[Δω_r Δω_g ΔΤ_dc ΔΤ_dt Δv Δp]^T，即为双馈电机转速、叶片转速、齿轮箱阻尼、塔架阻尼、风速、功率。u(t)是t时刻对系统的控制量，u(t)＝ΔΤ_g，即双馈电机转矩。A和B是系统矩阵。y(t)为t时刻的系统测量值，即电机转速。H是测量系统矩阵，W(t)和V(t)分别是系统噪声和量测噪声。首先，初始化测量状态

和误差协方差矩阵P(0)；然后，利用t时刻以前的所有数据得到的x(t)的最佳先验估计

得到先验估计误差

之后，根据上述先验估计误差e^-(t)得到先验误差协方差矩P^-(t)＝AP⁺(t-1)A^Τ+Q；继而，计算卡尔曼滤波增益K(t)＝P^-(t)H^Τ(HP^-(t)H^Τ+R)^-1，使其满足后验误差协方差阵极小；进而，利用先验估计和测量值与预测值之差的线性加权得到与观测值均方误差最小的估计

最后，由卡尔曼滤波增益和先验误差协方差矩阵更新后验误差协方差矩阵P⁺(t)＝(I-K(t)H)P^-(t)。

虽然卡尔曼滤波采用最小方差准则在参数估计中的应用取得了广泛的应用，但是状态变换过程中的调整系数需要依靠已知双馈机组受控模型，但实际运行的双馈机组精确受控模型是难以建立的，这严重影响了KF卡尔曼滤波的降噪效果。因此，可以使用粒子滤波对控制系统数据进行解耦。首先，用风能捕获控制闭环系统的最优性能指标设计给定值状态目标跟踪控制器，然后根据系统稳态运行时的抗扰动要求，在过程输入和控制对象输入之间设计前馈控制器。C为转速控制器，F是实现粒子滤波的前馈控制器，P为双馈机组，k_p为反馈回路的比例系数，D为负载扰动。用粒子滤波的方法消除非高斯噪声对控制系统的干扰。在标称情况下，轨迹跟踪响应和负载干扰响应是完全解耦的。可以推导出前馈补偿控制器的传递函数：

y＝[y_rF+y_rC-k_pyC+D]P (2-2)

在标称情况下，从负载扰动D、设定点y_r到过程输出y的传递函数分别为：

由式(2-3)可见，H_yD与C有关。在C一定情况下，由式(2-4)可见

只与F有关。因此，可以通过设计相应的F得到满意的设定点响应，通过设计合适的C控制器来获得满意的扰动抑制响应。控制器C的设计目标是稳定机组转速输出，在负载扰动D引入系统时，过程输出不至于发散，并可获得较好的扰动抑制性能。

上述实施例中，具体的，所述风能捕获多目标数据驱动控制基于SPSA同步随机逼近扰动的数据驱动自适应控制方法，基于粒子滤波对风电机组控制系统中的耦合变量解耦，用前馈神经网络设计具有自适应控制结构的最大风能捕获数据驱动控制器。

所述基于SPSA设计具有自适应控制结构的数据驱动控制器，应用权值选择粒子滤波技术优化控制器参数，降低对机组模型的依赖，提高控制系统计算效率。考虑SPSA是一种完全基于数据驱动的方法，且具有算法结构简单、工程造价低等优势，研究基于SPSA同步扰动随机逼近算法，原始数据和通过上述步骤获取的标准样本数据存放在存储器中，通过相应的映射关系建立数据集合，选择适当的数据利用策略，用三层结构的前馈神经网络作为数据模型的函数逼近器。

前馈神经网络结构简单，可以作为基本的函数逼近器。与一般的BP网络不同的是，这里的前馈神经网络只有实际信号前向流通，而没有用到误差反传。采用三层结构神经网络作为函数逼近器，但其结构可能不是最优的，输入层神经元以及隐含层神经元、输出层神经元数量可以根据需要任意调整。若控制系统的性能指标函数为误差函数

r(t)为参考输入，y(t)系统实际输出，按照梯度下降法修正网络的权系数，按照E(t)对加权系数的负梯度方向搜索调整。结合SPSA算法和三层结构的前馈神经网络优势构成自适应控制器，不失一般性，损失函数取为一步超前二次性能指标：

式中，A_k与B_k为半正定系数矩阵，分别反映了跟踪误差和控制能量的权重，这是一个单步性能指标，r(k)为参考输入，y(k)为系统实际输出。所有的连接权重系数、偏置系数组成了控制器参数向量，记为θ_k。控制的目标是使L_k(θ_k)最小，即寻找

使梯度

由于对象未知，所以考虑采用基于免疫梯度的SPSA方法。SPSA同步扰动随机逼近算法步骤如式(2-6)至式(2-9)所示：

y_k ⁺＝l(θ_k-1+c_kΔ_k) (2-8)

y_k ^-＝l(θ_k-1-c_kΔ_k) (2-9)

式中，按照一定的方法选取非负系数a,c,A,α,r,γ_t＝a/(A+t+1)^r,c_t＝c/(t+1)^r,随机扰动向量Δ_t的每个元素通过从Bernoulli±1分布中独立采样得到。式中，上标“∧”表示估测量，增益α_k＝α/(A+k)^α，其中a，α，A为给定系数；扰动值c_k＝c/k^γ，随着迭代数的增加其值减小，c和γ为给定系数；Δ_k为含1或-1值的p维扰动向量，Δ_kp为其中的元素；k为迭代数；θ_k为决策向量；g_k为由同时扰动法产生的近似梯度；y_k ⁺和y_k ^-为加入扰动量的损耗函数；l(g)为损耗函数；

为梯度估测。系统目标函数的梯度，实现了系统动态状态和静态参数的联合估计。只需要最大风能捕获控制系统目标函数的两个估计值，而且与系统参数的维数无关，该方法易于执行，计算量小。

上述实施例中，具体的，所述双馈机组建模及多目标优化方案基于双馈机组LPV模型的最大风能捕获控制通过设计线性二次型高斯最优控制器对机组进行优化，通过将双馈机组稳态工作点进行线性化，得到双馈机组线性变参数模型。

所述建立双馈机组LPV模型，应用卡尔曼滤波技术设计线性二次高斯最优控制器，协调机组的多个优化目标。基于卡尔曼滤波器对系统噪声和量测噪声进行实时估计，根据估算的系统状态调整动态最优增益，以实现不同工作点的最优控制。基于双馈机组LPV模型的最大风能捕获控制通过设计线性二次型高斯最优控制器对机组进行优化，通过将双馈机组稳态工作点进行线性化，得到双馈机组线性变参数模型：

式(2-10)中的状态向量为：x(t)＝[Δω_r Δω_g ΔΤ_dc ΔΤ_dt Δv Δp]^T，状态量包括风轮叶片转速、双馈电机转速、叶片转速、齿轮箱阻尼、塔架阻尼、风速、功率等。控制变量定义为u(t)＝ΔΤ_g，即双馈电机转矩。A、B、H、C为系统矩阵。v(t)是系统噪声，

是量测噪声。

基于卡尔曼滤波器对系统噪声和量测噪声进行实时估计，根据估算的系统状态调整动态最优增益，以实现不同工作点的最优控制。卡尔曼滤波器的预测方程如式(2-11)所示,

式中，输出量y＝Δω_g，即双馈电机转速，调整双馈电机转速对状态量x(t)＝[Δω_r Δω_g ΔΤ_dc ΔΤ_dt Δv Δp]^T进行补偿，以估计出系统状态变量x(t)各值。K为卡尔曼滤波增益，ω_r是风轮叶片转速，ω_g是双馈电机转速，Τ_dc是齿轮箱阻尼，Τ_dt是塔架阻尼，v是风速，p是功率。符号“^”表示估计量。

卡尔曼滤波增益可通过式(2-12)求得：

K＝P_kC^TW^-1 (2-12)

式(2-13)中，P_k满足Riccati矩阵方程的解，

P_kA+A^TP_k-P_kC^TV^-1CP_k+HWH^T＝0 (2-13)

其中，V和W分别是系统噪声和量测噪声，如式(2-14)所示，

v(t)和

为零均值的高斯白噪声，v(t)和

互不相关。其中，V是半正定对称矩阵，W是正定对称矩阵。由于系数矩阵与机组转速、风速等是有关的，所以矩阵P_k和卡尔曼滤波器的增益K会随着系数矩阵的变化而调整。

为了同时考虑功率波动最小化和转矩波动最小化这两个目标，控制系统通过最小化下面的目标函数来实现：

式中，x(t)＝[Δω_r Δω_g ΔΤ_dc ΔΤ_dt Δv Δp]^T为机组状态，u(t)＝ΔΤ_g；加权矩

阵Q为半正定对称矩阵，加权矩阵R为对称正定对称矩阵，通过调整加权矩阵可以改变各变量对机组的影响系数。最优增益矩阵L通过最小化J获得，系统最优控制方程如式(2-16)：

u(t)＝-Lx(t) (2-16)

最优增益矩阵L为：

L＝R^-1B^TP (2-17)

式中，P是满足下面Riccati矩阵方程PA+A^TP-PBR^-1B^TP+C^TQC＝0的唯一的半正定对称矩阵解。随着风电机组中风轮转速ω_r和风速v的变化，矩阵P和增益矩阵L也随着变化。

上述实施例中，具体的，所述多源数据信息优化过程分为3层，即数据层、特征层和决策层。数据层对多速率传感器的数据进行分析处理，选取相应的映射关系建立数据模型，通过粒子滤波算法进行数据处理，通过同步随机逼近算法获取优化所需要的控制系统参数；特征层利用卡尔曼算法对数据层的结果进行分析，实现特征提取；决策层针对不同的控制对象，利用前馈神经网络做出最终的优化结果。基于模型、数据和知识的3大类方法刚好对应于此数据级、特征级和决策级的3个功能层次，有效地实现了不同方法的集成。

上述实施例中，具体的，结合基于模型和基于数据的优势，设计基于数据融合的风能捕获集成控制方案，对控制方案参数进行动态优化。风能捕获多目标优化需要在线实现，因此系统需要有足够的灵活性以便针对不同的传感器采用多种数据分析技术，实现多数据源和多模型的优化任务，体现目前基于数据的风电机组优化控制的一个新的研究方向。

上述实施例和说明书中描述的只是说明本发明的可行性，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的范围内。

Claims (7)

1.基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，通过双馈风电机组，研究基于无线传感器网络的一致性控制系统，分析一致性算法的收敛性、收敛速度、能量效率等性能，深入探究一致性各种指标下的保平均一致性、分布式效用优化、分布式数据聚合和分布式资源调配的理论本质，结合来自无线传感器网络的海量数据，建立具有相应映射关系的数据集合，通过卡尔曼滤波和粒子滤波算法研究多目标控制系统中的降噪、解耦等数据处理方法提纯有效数据，设计具有自适应结构的数据驱动控制器，根据双馈机组状态量，建立双馈机组LPV模型，结合基于模型和基于数据的优势，实现多源数据下的双馈机组在线优化，提出集成的风能捕获多目标数据驱动优化方案，结合基于模型的方法，构建基于数据驱动的风能捕获集成控制方案；

所述基于无线传感器网络的双馈风电机组风能集成控制方案包括以下步骤：

步骤一：构建面向无线传感器网络应用的一致性理论体系；

步骤二：建立数据映射集合；

步骤三：风能捕获控制系统的数据处理；

步骤四：风能捕获多目标数据驱动控制；

步骤五：双馈机组建模及多目标优化方案；

步骤六：多源数据信息优化；

步骤七：无线传感器网络下风能捕获集成控制方案构建。

2.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，面向无线传感器网络应用的一致性理论体系，包括保平均一致性、分布式效用优化、分布式数据聚合、分布式资源调配。

3.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，所述数据映射集合是通过分析SCADA数据集，建立具有相应映射关系的数据集合，基于滤波技术的数据处理方法，提取反映双馈机组真实运行状态的数据。

4.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，所述风能捕获控制系统的数据处理通过卡尔曼滤波和粒子滤波对风能捕获控制系统有关数据进行降噪和解耦，提纯风电机组有效数据。

5.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，所述风能捕获多目标数据驱动控制是基于SPSA同步随机逼近扰动的数据驱动自适应控制方法，基于粒子滤波对风电机组控制系统中的耦合变量解耦，用前馈神经网络设计具有自适应控制结构的最大风能捕获数据驱动控制器。

6.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，所述双馈机组建模及多目标优化方案是基于双馈机组LPV模型的最大风能捕获控制通过设计线性二次型高斯最优控制器对机组进行优化，通过将双馈机组稳态工作点进行线性化，得到双馈机组线性变参数模型。

7.根据权利要求1所述的基于无线传感器网络的双馈风电机组风能集成控制方案，其特征在于，所述多源数据信息优化过程分为3层，即数据层、特征层和决策层。

Images