CN111997833B - 基于激光测风前馈的风电机组复合智能变桨控制方法 - Google Patents
基于激光测风前馈的风电机组复合智能变桨控制方法 Download PDFInfo
- Publication number
- CN111997833B CN111997833B CN202010817222.8A CN202010817222A CN111997833B CN 111997833 B CN111997833 B CN 111997833B CN 202010817222 A CN202010817222 A CN 202010817222A CN 111997833 B CN111997833 B CN 111997833B
- Authority
- CN
- China
- Prior art keywords
- turbine generator
- wind turbine
- wind
- feedforward
- feedforward controller
- 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 37
- 239000002131 composite material Substances 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- 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
Abstract
本发明涉及一种基于激光测风前馈的风电机组复合智能变桨控制方法,利用激光测风雷达测量叶片前方同一平面内4点风速,重构了轮毂高度的等效风速,根据转速误差和前馈控制量额变化,利用径向基神经网络(RBF)动态调整有限脉冲滤波器(FIR)的系数,实现前馈控制算法参数的动态自适应调整;通过曲线拟合的方法,得到了桨距角与状态观测器观测带宽之间的函数关系,设计了变带宽的LADRC变桨距控制策略弥补了传统PI变桨控制算法的缺陷,将RBF‑FIR与LADRC两者结合形成了能够自适应调节的复合智能变桨控制算法。通过本发明,实现了控制参数的自适应调节,增强了变桨控制算法的鲁棒性和抗扰性,实现了风电机组降低转速波动和机组叶根载荷的目的。
Description
技术领域
本发明涉及风电机组技术领域,更具体地说,涉及一种基于激光测风前馈的风电机组复合智能变桨控制方法。
背景技术
传统机械式测风仪不能提前测量叶轮正前方的风速,并且受叶片转动影响存在测量不准的缺陷;目前风电机组的变桨控制算法是变增益PI控制算法,利用转速误差反馈来计算桨距角的目标指令值,而转速误差滞后于风速的变化,这样桨距角并不能根据风速的变化及时动作,不利于降低机组的载荷;并且PI控制算法针对外界的风速扰动抗扰性较弱;现有的基于激光测风雷达的风速前馈控制大部分是与变增益PI反馈控制相结合的复合控制,而变增益PI反馈控制本身存在缺陷。
发明内容
针对现有方法的不足,提出一种基于激光测风前馈的风电机组复合智能变桨控制方法。
本发明解决其技术问题所采用的技术方案是:构造一种基于激光测风前馈的风电机组复合智能变桨控制方法,包括:
采集风电机组叶片前方同一平面内四点的风速信息,重构风电机组轮毂高度的等效风速,同时通过获取风电机组的实时转速信息,计算实时的转速误差;
基于风电机组轮毂高度的等效风速,计算风电机组前馈控制器前后时刻的输出增量,将风电机组前馈控制器的输出增量及所述转速误差作为RBF神经网络的输入,输出结果为前馈控制器优化参数的调整变化量;
依据前馈控制器优化参数的调整变化量对前馈控制器的优化参数进行调整;
通过曲线拟合的方法,获取风电机组桨距角与状态观测器观测带宽之间的函数关系,通过调整状态观测器观测带宽,实现对风电机组自抗扰变桨控制器参数的调整;
将自抗扰控制器的输出与前馈控制器的输出相加得到对风电机组变桨执行机构的控制指令,实现对风电机组桨距角的调整。
其中,风电机组轮毂高度的等效风速表示为:
其中,vi(t)表示四点中任意一点的风速,λi表示各点的系数,取值范围在0~1。
其中,在计算风电机组前馈控制器的输出增量的步骤中,
风电机组前馈控制器在k时刻的输出信号βFF(k)为从当前时刻到之前N-1时刻输入风速的线性加权和,即:
前馈控制器的输出增量为:
其中,在RBF神经网络中,网络的输入向量为X=[x1,x2,…,xn]T,网络隐含层节点径向基向量为H=[h1,h2,…,hm]T,其中hm为高斯函数。网络隐含层第j个节点的中心矢量为Cj=[Cj1,Cj2,…,Cjm]T,隐含层节点基宽向量为B=[b1,b2,…,bm]T,网络的权向量为W=[w1,w2,…,wm]T,设第k时刻辨识网络输出为em(k),RBF神经网络辨识输出如公式5 所示:
em(k)=w1h1+w2h2+…+wmhm (5)
RBF网络辨识性能指标函数如公式6所示:
采用梯度下降法对RBF神经网络各参数进行迭代,为了使搜索过程收敛于全局极小值,引入了包含k时刻之前两个时刻系数变化量的动量项,如公式7~11所示:
wj(k)=wj(k-1)+η(e(k)-em(k))hj+α1(wj(k-1)- wj(k-2))+α2(wj(k-2)-wj(k-3)) (7)
bj(k)=bj(k-1)+ηΔbj+α1(bj(k-1)-bj(k-2))+ α2(bj(k-2)-bj(k-3)) (9)
cji(k)=cji(k-1)+ηΔcji+α1(cji(k-1)-cji(k-2))+α2(cji(k- 2)-cji(k-3)) (11)
其中动量因子α1、α2和学习速率η的取值范围为0~1;
将转速误差及前馈控制器输出增量输入RBF神经网络,输出结果为前馈控制器优化参数的调整变化量,公式表示为:
……
其中,η0、η1、……、ηN-1分别表示前馈滤波器各项系数的学习速率;
将前馈控制器优化参数的调整变化量对应添加至前馈控制器的待优化参数上,实现对前馈控制器的优化参数的实时调整。
其中,在通过曲线拟合的方法,获取风电机组桨距角与状态观测器观测带宽之间的函数关系,通过调整状态观测器观测带宽的步骤中,包括步骤:
桨距角与转速之间的动态特性可以用状态空间表达式表示为:
其中D(Δω,x2,f)表示系统内部和外部的总扰动;
状态观测器的数学表达式如公式17所示:
设计LADRC控制器进行控制:
u0=kp(r-y) (18)
LADRC控制器中需要整定的参数有kp、b0、β1和β2,其中,β1和β2与扩张状态观测器带宽wo存在如公式19所示的关系:
做不同幅度的风速阶跃试验,按照调整时间短,转速超调量小的原则,固定kp进行b0和wo参数的调整,b0、wo与桨距角θ的拟合函数关系如公式20所示:
通过拟合函数的方法,实现状态观测器带宽随桨距角的变化而变化,增强了观测器带宽的适应性。
区别于现有技术,本发明提供了一种基于激光测风前馈的风电机组复合智能变桨控制方法,利用激光测风雷达重构叶片前方轮毂高度的风速,根据转速误差和前馈控制量额变化,利用径向基神经网络 (RBF)动态调整有限脉冲滤波器(FIR)的系数,实现前馈控制算法参数的动态自适应调整;通过曲线拟合的方法,得到了桨距角与状态观测器观测带宽之间的函数关系,设计了变带宽的LADRC变桨距控制策略弥补了传统PI变桨控制算法的缺陷,将RBF-FIR与LADRC两者结合形成了能够自适应调节的复合智能变桨控制算法。通过本发明,实现了控制参数的自适应调节,增强了变桨控制算法的鲁棒性和抗扰性,实现了风电机组降低转速波动和机组叶根载荷的目的。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的流程示意图。
图2是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的控制结构示意图。
图3是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法与现有方法的转速调节时间和超调分析对比图。
图4是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的与现有方法的转速波动分析对比图。
图5是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的与现有方法的功率波动分析对比图。
图6是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的与现有方法的叶根x方向上载荷力矩分析对比图。
图7是本发明提供的一种基于激光测风前馈的风电机组复合智能变桨控制方法的与现有方法的叶根y方向上载荷力矩转速分析对比图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1和图2,本发明提供了一种基于激光测风前馈的风电机组复合智能变桨控制方法,包括:
采集风电机组叶片前方同一平面内四点的风速信息,重构风电机组轮毂高度的等效风速,同时通过获取风电机组的实时转速信息,计算实时的转速误差;
基于风电机组轮毂高度的等效风速,计算风电机组前馈控制器的输出增量,将风电机组前馈控制器的输出增量及所述转速误差作为 RBF神经网络的输入,输出结果为前馈控制器优化参数的调整变化量;
依据前馈控制器优化参数的调整变化量对前馈控制器的优化参数进行调整;
通过曲线拟合的方法,获取风电机组桨距角与状态观测器观测带宽之间的函数关系,通过调整状态观测器观测带宽,实现对风电机组自抗扰变桨控制器参数的调整;
将自抗扰控制器的输出与前馈控制器的输出相加得到对风电机组变桨执行机构的控制指令,实现对风电机组桨距角的调整。
本发明利用激光测风雷达的测量数据,设计一种抗扰性、鲁棒性强的变桨控制算法,是风电机组向着智能化发展的必然要求。本文利用激光测风雷达测量叶片前方50m处轮毂高度的风速,根据转速误差和前馈控制量额变化,利用径向基神经网络(RBF)动态调整有限脉冲滤波器(FIR)的系数,实现前馈控制算法参数的动态自适应调整;通过曲线拟合的方法,得到了桨距角与状态观测器观测带宽之间的函数关系,设计了变带宽的LADRC变桨距控制策略弥补了传统PI变桨控制算法的缺陷,将RBF-FIR与LADRC两者结合形成了能够自适应调节的复合智能变桨控制算法。
激光测风雷达通过采集同一平面内v1、v2、v3、v4四个点的风速信息,常用式1来重构风电机组轮毂高度的等效风速。
有限脉冲滤波器在k时刻的输出信号βFF(k)为从当前时刻到之前 N-1时刻输入风速的线性加权和,即:
在RBF神经网络中,网络的输入向量为X=[x1,x2,…,xn]T,网络隐含层节点径向基向量为H=[h1,h2,…,hm]T,其中hm为高斯函数。网络隐含层第j个节点的中心矢量为Cj=[Cj1,Cj2,…,Cjm]T,隐含层节点基宽向量为B=[b1,b2,…,bm]T,网络的权向量为W=[w1,w2,…,wm]T,设第k时刻辨识网络输出为em(k),RBF神经网络辨识输出如公式5 所示:
em(k)=w1h1+w2h2+…+wmhm (5)
RBF网络辨识性能指标函数如公式6所示:
采用梯度下降法对RBF神经网络各参数进行迭代,为了使搜索过程收敛于全局极小值,引入了包含k时刻之前两个时刻系数变化量的动量项,如公式7~11所示:
wj(k)=wj(k-1)+η(e(k)-em(k))hj+α1(wj(k-1)- wj(k-2))+α2(wj(k-2)-wj(k-3)) (7)
bj(k)=bj(k-1)+ηΔbj+α1(bj(k-1)-bj(k-2))+ α2(bj(k-2)-bj(k-3)) (9)
cji(k)=cji(k-1)+ηΔcji+α1(cji(k-1)-cji(k-2))+α2(cji(k- 2)-cji(k-3)) (11)
其中动量因子α1、α2和学习速率η的取值范围为0~1;
RBF能够根据性能指标函数公式6进行在线的参数自我整定,同时能够给出前馈控制器的参数整定算法,使前馈控制器实现了参数的自适应调整。前馈控制的目标是保证在出现风速波动扰动的情况下,系统转速误差最小,所以取前馈控制的性能指标函数为:
前馈控制器的输出增量为:
将转速误差及前馈控制器输出增量输入RBF神经网络,输出结果为前馈控制器优化参数的调整变化量,公式表示为:
……
桨距角与转速之间的动态特性可以用状态空间表达式表示为:
其中D(Δω,x2,f)表示系统内部和外部的总扰动。在此基础上设计了扩张状态观测器(ESO),观测器的数学表达式如式17所示:
经过补偿后的对象可以看做是积分串联的对象,设计比例控制器进行控制:
u0=kp(r-y) (18)
LADRC控制器中需要整定的参数有kp、b0、β1和β2,但是β1和β2与扩张状态观测器带宽wo存在如式19所示的关系,所以实际控制器只需要整定kp、b0和wo3个参数。
做不同幅度的风速阶跃试验,按照调整时间短,转速超调量小的原则,固定kp进行b0和wo参数的调整。式20给出了b0和wo与桨距角θ的拟合函数关系。
通过拟合函数的方法,能够实现观测器带宽随桨距角的变化而变化,增强了观测器带宽的适应性。
采用美国可再生能源实验室(NREL)开发的开源软件FAST中的 5MW双馈风电机组模型对所提的控制方法进行测试,对比了PI控制、 RBFNNFIR+PI控制、LADRC控制和RBFNNFIR+LADRC控制四种变桨控制策略的控制效果。
为了验证系统的鲁棒性,分别针对1m/s,2m/s,3m/s,4m/s,5m/s,6m/s的阶跃风速,通过对系统转速超调和转速稳定的调节时间进行统计分析。
分析结果如图3所示,四种控制策略均能保证在不同阶跃风速下的控制稳定,相比较而言,本发明提出的控制策略在转速调节时间和转速超调量方面都有明显的下降趋势,故控制的鲁棒性更好。
按照IEC 61400标准,取中等湍流强度B级,分别采用四种控制策略,对转速、功率波动的最大值、最小值、均值、方差,以及叶根 x和y方向上载荷力矩的最大值、最小值、均值、方差进行统计分析,如图4-7所示。
从图4-7不难看出各个指标在四种控制策略下的变化情况,转速、功率方差以及叶根x方向力矩的均值都具有明显的降低,但是x方向力矩的波动无明显变化。叶根y方向力矩的均值和方差在四种控制策略下的控制效果基本持平。经过统计分析,本发明提出的复合智能变桨控制算法能够降低转速波动约47.9%,功率波动约34.3%,降低叶根 x方向力矩均值约8.8%。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (1)
1.一种基于激光测风前馈的风电机组复合智能变桨控制方法,其特征在于,包括:
采集风电机组叶片前方同一平面内四点的风速信息,重构风电机组轮毂高度的等效风速,同时通过获取风电机组的实时转速信息,计算实时的转速误差;
基于风电机组轮毂高度的等效风速,采用有限脉冲滤波算法计算风电机组前馈控制器的输出,将风电机组前馈控制器的前后时刻输出增量及所述转速误差作为RBF神经网络的输入,RBF神经网络的输出结果为前馈控制器优化参数的调整变化量;
其中,风电机组轮毂高度的等效风速表示为:
其中,vi(t)表示四点中任意一点的风速,λi表示各点的系数,取值范围在0~1;
在计算风电机组前馈控制器的前后时刻输出增量的步骤中,
风电机组前馈控制器在k时刻的输出信号βFF(k)为从当前时刻到之前N-1时刻输入风速的线性加权和,即:
前馈控制器的前后时刻输出增量为:
依据前馈控制器优化参数的调整变化量对前馈控制器的优化参数进行调整;
在RBF神经网络中,网络的输入向量为X=[x1,x2,…,xn]T,网络隐含层节点径向基向量为H=[h1,h2,…,hm]T,其中hm为高斯函数;网络隐含层第j个节点的中心矢量为Cj=[Cj1,Cj2,…,Cjm]T,隐含层节点基宽向量为B=[b1,b2,…,bm]T,网络的权向量为W=[w1,w2,…,wm]T,设第k时刻神经网络辨识输出为em(k),RBF神经网络辨识输出为公式(5)所示:
em(k)=w1h1+w2h2+…+wmhm (5)
RBF神经网络辨识性能指标函数为公式(6)所示:
采用梯度下降法对RBF神经网络各参数进行迭代,为了使搜索过程收敛于全局极小值,引入了包含k时刻之前两个时刻系数变化量的动量项,为公式(7)~(11)所示:
wj(k)=wj(k-1)+η(e(k)-em(k))hj+α1(wj(k-1)-wj(k-2))+α2(wj(k-2)-wj(k-3)) (7)
bj(k)=bj(k-1)+ηΔbj+α1(bj(k-1)-bj(k-2))+α2(bj(k-2)-bj(k-3)) (9)
cji(k)=cji(k-1)+ηΔcji+α1(cji(k-1)-cji(k-2))+α2(cji(k-2)-cji(k-3)) (11)
其中动量因子α1、α2和学习速率η的取值范围为0~1;
将转速误差及前馈控制器前后时刻输出增量输入RBF神经网络,RBF神经网络的输出结果为前馈控制器优化参数的调整变化量,公式表示为:
……
将前馈控制器优化参数的调整变化量对应添加至前馈控制器的待优化参数上,实现对前馈控制器的优化参数的实时调整;
通过曲线拟合的方法,获取风电机组桨距角与状态观测器观测带宽之间的函数关系,通过调整状态观测器观测带宽,实现对风电机组自抗扰变桨控制器参数的调整;
将自抗扰变桨控制器的输出与前馈控制器的输出相加得到对风电机组变桨执行机构的控制指令,实现了对风电机组的变桨控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817222.8A CN111997833B (zh) | 2020-08-14 | 2020-08-14 | 基于激光测风前馈的风电机组复合智能变桨控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817222.8A CN111997833B (zh) | 2020-08-14 | 2020-08-14 | 基于激光测风前馈的风电机组复合智能变桨控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111997833A CN111997833A (zh) | 2020-11-27 |
CN111997833B true CN111997833B (zh) | 2021-11-19 |
Family
ID=73473271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817222.8A Active CN111997833B (zh) | 2020-08-14 | 2020-08-14 | 基于激光测风前馈的风电机组复合智能变桨控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111997833B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112648140B (zh) * | 2020-12-21 | 2022-03-18 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
CN113638840B (zh) * | 2021-08-27 | 2022-09-23 | 山西大学 | 基于双自抗扰控制器的风电机组转矩—桨距控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103016266A (zh) * | 2013-01-11 | 2013-04-03 | 华北电力大学 | 模糊前馈与线性自抗扰结合的风电机组变桨距控制方法 |
CN104866714A (zh) * | 2015-05-14 | 2015-08-26 | 同济大学 | 一种电力系统自适应核密度抗差状态估计方法 |
CN111075650A (zh) * | 2019-12-30 | 2020-04-28 | 明阳智慧能源集团股份公司 | 风力发电机组基于激光雷达前馈测风的独立变桨控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7342323B2 (en) * | 2005-09-30 | 2008-03-11 | General Electric Company | System and method for upwind speed based control of a wind turbine |
-
2020
- 2020-08-14 CN CN202010817222.8A patent/CN111997833B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103016266A (zh) * | 2013-01-11 | 2013-04-03 | 华北电力大学 | 模糊前馈与线性自抗扰结合的风电机组变桨距控制方法 |
CN104866714A (zh) * | 2015-05-14 | 2015-08-26 | 同济大学 | 一种电力系统自适应核密度抗差状态估计方法 |
CN111075650A (zh) * | 2019-12-30 | 2020-04-28 | 明阳智慧能源集团股份公司 | 风力发电机组基于激光雷达前馈测风的独立变桨控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111997833A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nygaard et al. | Modelling cluster wakes and wind farm blockage | |
CN110454329B (zh) | 一种风电机组桨距角控制方法 | |
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 | |
CN108334672A (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 | |
Astolfi et al. | Precision computation of wind turbine power upgrades: An aerodynamic and control optimization test case | |
CN111881572A (zh) | 一种基于多目标优化的风电场协同偏航智能控制方法 | |
Pöschke et al. | Model-based wind turbine control design with power tracking capability: A wind-tunnel validation | |
CN108547736A (zh) | 风速风向预测方法及风力发电机组的偏航控制方法 | |
Branlard et al. | A digital twin based on OpenFAST linearizations for real-time load and fatigue estimation of land-based turbines | |
Aghaei et al. | Energy optimization of wind turbines via a neural control policy based on reinforcement learning Markov chain Monte Carlo algorithm | |
Munteanu et al. | Control-based strategy for effective wind speed estimation in wind turbines | |
Simley | Wind speed preview measurement and estimation for feedforward control of wind turbines | |
CN108537372B (zh) | 一种风向预测方法及风力发电机组的偏航控制方法 | |
Thomsen et al. | Individual pitch control of wind turbines using local inflow measurements | |
CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
Chen et al. | Improved pitch control strategy for the robust operation of wind energy conversion system in the high wind speed condition | |
Li et al. | Modified P&O approach based detection of the optimal power-speed curve for MPPT of wind turbines | |
Stock et al. | Design and implementation of a wind farm controller using aerodynamics estimated from LIDAR scans of wind turbine blades | |
CN109989875B (zh) | 一种水轮机调节系统参数辨识方法 | |
Taruffi et al. | Numerical design of a wind observer and feedforward control of wind turbines | |
CN111651939B (zh) | 计及变流器控制参数差异的永磁风电场动态等值建模方法 | |
Mahdizadeh et al. | Enhanced energy capture of wind turbines by exact output regulation | |
Chen et al. | Multi‐dimensional evaluation and diagnostic methods for wind turbine power generation performance based on different influencing factors |
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 |