CN113027674B - 风力发电机组的控制方法及其装置 - Google Patents
风力发电机组的控制方法及其装置 Download PDFInfo
- Publication number
- CN113027674B CN113027674B CN201911345370.8A CN201911345370A CN113027674B CN 113027674 B CN113027674 B CN 113027674B CN 201911345370 A CN201911345370 A CN 201911345370A CN 113027674 B CN113027674 B CN 113027674B
- Authority
- CN
- China
- Prior art keywords
- sequence
- wind
- control
- state
- park
- 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 44
- 230000006870 function Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000010248 power generation 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
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
- F05B2260/8211—Parameter estimation or prediction of the weather
-
- 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
- F05B2270/328—Blade pitch angle
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
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
本公开提供了一种风力发电机组的控制方法及其装置。所述控制方法包括以下步骤:获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;根据所述进入风速预测所述未来预定时间段内的风速序列;基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测风力发电机组在所述未来预定时间段内的状态序列;根据所述控制序列和所述状态序列使用代价函数来优化所述控制序列;基于优化的控制序列来生成用于控制风力发电机组的控制信号。
Description
技术领域
本公开涉及风力发电技术领域,更具体地,本公开涉及一种用于对风力发电机组进行控制的方法及其装置。
背景技术
风能作为一种清洁的可再生能源,越来越受到重视,装机量也不断增加。在风力发电机组的运行过程中,需要尽量保证风力发电机组的载荷处于允许范围内,以使风力发电机组能够在设计寿命中安全运行。
现有风电场的风力发电机组经常接收来自其控制器的统一调度,风力发电机组的控制器根据电网侧的需求发出控制指令。然而,风力发电机组控制器发出的控制指令仅仅是基于电网侧对风电场提出的控制要求产生的,其目的是为了通过风力发电机组执行控制指令,使风力发电机组的运行指标达到电网侧的控制要求,但是在控制器发出控制指令时并没有考虑风力发电机组当时所处的状态和环境是否适合执行该控制指令、执行该控制指令是否使风力发电机组在未来一段时间内的运行出现载荷超限的情况。
发明内容
本公开的示例性实施例提供了一种风力发电机组的控制方法及其装置,至少解决上述技术问题和上文未提及的其它技术问题,并且提供下述的有益效果。
本公开的一方面在于提供一种风力发电机组的控制方法,包括以下步骤:获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;根据进入风速预测未来预定时间段内的风速序列;基于控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列;根据控制序列和状态序列使用代价函数来优化控制序列;并且基于优化的控制序列来生成用于控制风力发电机组的控制信号。
本公开的另一方面在于提供一种风力发电机组的控制装置,包括:数据获取模块,用于获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;以及数据处理模块,用于:根据进入风速预测未来预定时间段内的风速序列;基于控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列;根据控制序列和状态序列使用代价函数来优化控制序列;基于优化的控制序列来生成用于控制风力发电机组的控制信号。
根据本发明的另一示例性实施例用于控制风力发电机组的设备,设备可以包括极限载荷处理器和控制器。其中,极限载荷处理器可以获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列,根据进入风速预测未来预定时间段内的风速序列,基于控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列,并且根据控制序列和状态序列使用代价函数来优化控制序列。控制器可以基于优化的控制序列来生成用于控制风力发电机组的控制信号并且根据生成的控制信号来控制风力发电机组的运行。
根据本发明的另一示例性实施例,提供一种存储有计算机程序的计算机可读存储介质,其特征在于,当计算机程序被处理器执行时实现如上所述的控制方法。
根据本发明的另一示例性实施例,提供一种计算机,包括存储有计算机程序的可读介质和处理器,其特征在于,当处理器运行计算机程序时执行如上所述的控制方法。
基于以上描述的方法和装置,针对预测的风速序列以及控制基准值来预测未来一段时间内的风力发电机组的状态,以寻找到风力发电机组在未来一段时间内状态最优的控制轨迹,使得在风力发电机组的运行过程中,能够有效避免风力发电机组的载荷超出其允许范围并且输出最大功率。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过结合附图,从实施例的下面描述中,本公开这些和/或其它方面及优点将会变得清楚,并且更易于理解,其中:
图1是示出根据本公开的示例性实施例的风力发电机组的控制方法的流程图;
图2是示出根据本公开的示例性实施例的风力发电机组的控制装置的框图;
图3是示出根据本公开的示例性实施例的用于控制风力发电机组的设备的框图。
具体实施方式
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解,但这些细节仅被视为是示例性的。因此,本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下,可对描述于此的实施例进行各种改变和修改。此外,为了清楚和简洁,省略对公知的功能和结构的描述。
在下文中,根据本公开的各种实施例,将参照附图对本公开的设备以及方法进行描述。
图1是示出根据本公开的示例性实施例的风力发电机组的控制方法的流程图。
参照图1,在步骤S101,获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列。作为示例,可以由激光雷达来测量进入风速。激光雷达可以被设置在风力发电机组的轮毂上,用于测量前方预定距离位置处的风速作为进入风速。例如,激光雷达可以测量在风力发电机组前方300米处的风速,也就是说,进入风速是在风力发电机组前方300米处的风速。
在这种情况下,知道激光雷达的量程以及风速,可以将风速的输出值与未来预定时间段相关联,即所述未来时间段可以是测风位置处到达激光雷达这个过程所经历的时间。
可以使用模型预测控制方法来获得未来预定时间段内的用于生成风力发电机组的控制信号的控制序列。由于风力发电机组系统是动态的,所以在一定程度上针对将被控制的变量需要产生关于时间的控制序列。此外,由于数字化计算机中的值的时间序列实质上由离散值的数组表示,所以可以使用u[n]表示未来预定时间段内的控制序列,其中,n表示未来预定时间段内的按照预定间隔隔开的时间点中的第n时间点,其中,n是大于或等于1的整数。预定时间间隔可以根据设备性能自适应地确定。应注意的是,针对控制序列u[n]中的每个时间点,u表示针对将被控制的变量的矢量。例如,u[1]可以表示在未来预定时间段内的第一时间点的关于将被控制的变量(例如,桨矩角和发电机扭矩)的矢量。然而,上述示例仅是示例性的,本公开不限于此。
在步骤S102,根据获得的进入风速预测未来预定时间段内的风速序列。可以使用激光雷达根据获得的进入风速来预测风力发电机组处的在未来预定时间段内的风速。作为另一示例,可以使用其他风速预测方法根据获得的进入风速来预测风力发电机组在未来预定时间段内的风速序列。这里,预测的风速序列可以包括在预定距离位置(测量进入风速的位置)处的风到达风力发电机组这个过程所经历的时间范围内的预测风速。可以使用vL[n]表示未来预定时间段内的风速序列,其中,n表示未来预定时间段内的按照预定间隔隔开的时间点中的第n时间点,其中,n是大于或等于1的整数。预定时间间隔可以根据设备性能自适应地确定。
在步骤S103,基于控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列。在本公开中,可以使用预测模型根据控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列。
根据本公开实施例的预测模型可以通过对风力发电机组的正常运行数据进行机器学习而被训练出。例如,可以基于物理定律使用物理模型结构,通过对风力发电机组在正常运行状态下的运行参数进行机器学习来训练物理模型结构中的参数,从而获得所述预测模型。在预测模型的训练中,作为示例,所述运行参数值可包括以下项之中的至少一项:桨距角、发电机的转速、发电机的转矩、环境风速、环境湍流强度、偏航角、塔顶加速度、叶片载荷。
风力发电机组的状态可以包括但不限于以下项之中的至少一项:风力发电机组当前的桨距角、风力发电机组当前的发电机的转速、风力发电机组当前的发电机的扭矩以及输出功率。
作为示例,可以使用如下等式(1)来预测风力发电机组在未来预定时间段内的状态序列:
x[n+1]=f(x[n],u[n],vL[n]) (1)
其中,x[n]表示当前时间点n的状态矢量,x[n+1]表示下一时间点n+1的状态矢量,u[n]表示当前时间点n的控制基准值,vL[n]表示当前时间点n的预测风速,f表示预测模型。
例如,当将对叶片的桨矩角以及发电机扭矩进行控制时,x[n]表示针对桨矩角和发电机扭矩这两个变量的第n时间点的状态的矢量,然后可以使用等式(1)来预测下一时间点n+1的针对这两个变量的状态的矢量。然而,上述示例仅是示例性的,本公开不限于此,还可针对风力发电机组的其他参数(例如,输出功率、发电机转速等)来设置状态矢量。
应注意的是,本公开仅使用由模型预测控制方法所获得的控制序列的初始值来预测风力发电机组在后续时间点的状态。此外,在使用等式(1)预测后续时间点的状态时,使用将在后面描述的代价函数所获得的控制基准值来预测后续时间的状态。
应被理解,状态矢量中包括的变量与控制基准值中包括的变量是相关联的,也就是说,如果状态矢量为针对发电机转速和桨矩角这两个变量的状态的矢量,则控制基准值也是针对发电机转速和桨矩角这两个变量的控制基准值。
通过预测风力发电机组在未来预定时间段内的状态序列,可以确定风力发电机组当时所处的状态和环境是否适合执行相应的控制信号、执行相应的控制信号是否会使风力发电机组在未来一段时间内的运行出现载荷超限的情况,使得风力发电机组能够避免过载或超速等情况。
在步骤S104,根据控制序列和状态序列使用代价函数来优化控制序列。针对未来预定时间段内的每个时间点,针对每个时间点的控制基准值和状态矢量使代价函数最小化来优化控制序列,即在代价函数趋向于最小的条件下对控制序列进行优化。根据实施例的代价函数不仅取决于控制基准值,还取决于状态矢量。具体地,根据实施例的代价函数可以包括关于控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项以及关于状态序列的惩罚函数。
作为示例,可以使用如以下等式(2)所示的代价函数来优化控制序列:
其中,Δu[n]表示当前时间点和下一时间点之间的控制基准值之间的差,u[n]表示当前时间点的控制基准值,h(x[n])表示使x[n]接近最大状态允许值的惩罚函数,所述最大状态允许值使与当前状态相应的载荷值在极限载荷之内,γ和ρ为用于调整算法性能的权重,n表示未来预定时间段内的每个时间点。
针对每个时间点的状态矢量,使用不等式xmin≤x[n]≤xmax来约束预测的状态矢量,使得与预测的状态矢量相应的载荷值在极限载荷之内。
在上述优化过程中,针对每个时间点n对u[n]重复优化,以获得未来预定时间段的整个预测范围内的控制序列,即最优控制轨迹。应注意的是,在本公开中,仅使用由模型预测控制方法所获得的控制序列的初始值u[0]进行预测,也就是说,根据控制序列的初始值u[0]使用等式(1)来预测风力发电机组在与初始值u[0]相应的时间点的状态,然后根据等式(2)来预测下一时间点的控制基准值,以此类推,重复优化。由此可见,优化后的控制序列的初始值与优化前的初始值相同,而优化后的控制序列中的后续时间点的控制基准值是通过使代价函数最小化而获得的。
作为另一示例,可以使用将被施加的控制信号中的控制基准值作为将用于预测风力发电机组在下一时间点的状态的初始值,然后使用等式(2)来预测下一时间点的控制基准值。上述示例仅是示例性的,本公开不限于此。
在步骤S105,基于优化的控制序列来生成用于控制风力发电机组的控制信号。在优化完控制序列后,可以基于优化的控制序列来生成用于控制风力发电机组的控制信号。
图2是示出根据本公开的示例性实施例的风力发电机组的控制装置的框图。
参照图2,风力发电机组的控制装置200可以包括数据获取模块201和数据处理模块202。控制装置200中的每个模块可以由一个或多个模块来实现,并且对应模块的名称可根据模块的类型而变化。在各种实施例中,可以省略控制装置200中的一些模块,或者还可包括另外的模块。此外,根据本公开的各种实施例的模块/元件可以被组合以形成单个实体,并且因此可等效地执行相应模块/元件在组合之前的功能。
数据获取模块201可以获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列。作为示例,数据获取模块201可以从激光雷达获得进入风速。
作为示例,数据获取模块201可以直接获得未来预定时间段内的用于生成风力发电机组的控制信号的控制序列。可以使用u[n]表示未来预定时间段内的控制序列,其中,n表示未来预定时间段内的按照预定间隔隔开的时间点中的第n时间点,其中,n是大于或等于1的整数。作为另一示例,可以由数据处理模块202使用模型预测控制方法来计算未来预定时间段内的控制序列。
数据处理模块202根据获得的进入风速来计算未来预定时间段内的风速序列。作为示例,数据处理模块202可以使用风速预测方法根据获得的进入风速来预测风力发电机组在未来预定时间段内的风速序列。作为另一示例,数据获取模块201可以直接从激光雷达获取根据获得的进入风速而预测出的风力发电机组在未来预定时间段内的风速。这里,预测的风速序列可以包括在预定距离位置处的风到达风力发电机组这个过程所经历的时间范围内的预测风速。
数据处理模块202可以基于控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列。在本公开中,数据处理模块202可以使用预测模型根据控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列。在本公开中,数据处理模块202仅利用由模型预测控制方法获得的控制序列的初始值进行后续的预测。数据处理模块202可以使用等式(1)来预测风力发电机组在未来预定时间段内的状态序列。
根据本公开实施例的预测模型可以是由数据处理模块202在预测状态序列之前被训练出的。数据处理模块202可以通过对风力发电机组的正常运行数据进行机器学习而被训练出。例如,数据处理模块202可以基于物理定律使用物理模型结构,通过对风力发电机组在正常运行状态下的运行参数进行机器学习来训练物理模型结构中的参数,从而获得所述预测模型。在预测模型的训练中,作为示例,所述运行参数值可包括以下项之中的至少一项:桨距角、发电机的转速、发电机的转矩、环境风速、环境湍流强度、偏航角、塔顶加速度、叶片载荷。
应被理解,状态矢量中包括的变量与控制基准值中包括的变量是相关联的,也就是说,如果状态矢量为针对发电机转速和桨矩角这两个变量的状态的矢量,则控制基准值也是针对发电机转速和桨矩角这两个变量的控制基准值。
接下来,数据处理模块202可以根据控制序列和状态序列使用代价函数来优化控制序列。数据处理模块202可以针对每个时间点的控制基准值和状态矢量使代价函数最小化来优化控制序列,即在代价函数趋向于最小的条件下对控制序列进行优化。根据实施例的代价函数不仅取决于控制基准值,还取决于状态矢量。具体地,根据实施例的代价函数可以包括关于控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项以及关于状态序列的惩罚函数。例如,数据处理模块202可以使用等式(2)来优化控制序列。这里,使用等式(2)根据前一时间点的状态和前一时间点的控制基准值来预测下一时间点的控制基准值。对于初始的控制基准值可以使用由模型预测控制方法所获得的控制序列中的初始控制基准值作为初始值,也可以使用将被施加的控制信号中的控制基准值。
针对每个时间点的状态矢量,数据处理模块202使用不等式xmin≤x[n]≤xmax来约束预测的状态矢量,使得与预测的状态矢量相应的载荷值在极限载荷之内。在上述优化过程中,数据处理模块202针对每个时间点n对u[n]重复优化,以获得未来预定时间段的整个预测范围内的控制序列,即最优控制轨迹。
在优化完控制序列后,数据处理模块202可以基于优化的控制序列来生成用于控制风力发电机组的控制信号。
图3是示出根据本公开的示例性实施例的用于控制风力发电机组的设备的框图。
根据本公开的用于控制风力发电机组的设备300可以包括极限载荷处理器301和控制器302。设备300可以被设置在风力发电机组的主控制器中,然而本公开不限于此。作为示例,设备300可以是部署在风电场中用于集中调度多个风力发电机组的控制器,也可以是风力发电机组内的控制器。
极限载荷处理器301可以从激光雷达获得进入风速,并且根据获得的进入风速来计算未来预定时间段内的风速序列。此外,极限载荷处理器301可以直接从激光雷达获得已经根据获得的进入风速所预测的未来时间段内的风速序列。
极限载荷处理器301可以使用模型预测控制方法来预测未来预定时间段内的用于生成风力发电机组的控制信号的控制序列。作为另一示例,可以由控制器302使用模型预测控制方法来计算未来预定时间段内的控制序列,然后由极限载荷处理器301从控制器302获得控制序列。可以根据设备性能采用不同的方式来获得风速序列和控制序列。
极限载荷处理器301可以使用预测模型根据控制序列、风速序列以及风力发电机组的当前状态来预测风力发电机组在未来预定时间段内的状态序列。根据本公开实施例的预测模型可以是由极限载荷处理器301在预测状态序列之前被训练出的。极限载荷处理器301可以通过对风力发电机组的正常运行数据进行机器学习而被训练出。例如,极限载荷处理器301可以使用等式(1)来预测风力发电机组在未来预定时间段内的状态序列。
接下来,极限载荷处理器301可以根据控制序列和状态序列使用代价函数来优化控制序列。极限载荷处理器301可以针对未来预定时间段内的每个时间点的控制基准值和状态矢量使代价函数最小化来优化控制序列,即在代价函数趋向于最小的条件下对控制序列进行优化。根据实施例的代价函数不仅取决于控制基准值,还取决于状态矢量。具体地,根据实施例的代价函数可以包括关于控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项以及关于状态序列的惩罚函数。例如,极限载荷处理器301可以使用等式(2)来优化控制序列。
针对每个时间点的状态矢量,极限载荷处理器301使用不等式xmin≤x[n]≤xmax来约束预测的状态矢量,使得与预测的状态矢量相应的载荷值在极限载荷之内。在上述优化过程中,极限载荷处理器301针对每个时间点n对u[n]重复优化,以获得未来预定时间段的整个预测范围内的控制序列,即最优控制轨迹。
在优化完控制序列后,控制器302可以基于优化的控制序列来生成用于控制风力发电机组的控制信号并且根据生成的控制信号来控制风力发电机组的运行。例如,控制器302可以将针对桨矩角的控制信号输出到桨矩致动器装置,以控制风力发电机组的变桨操作。
在本公开中,通过预测风力发电机组在未来预定时间段内的状态序列,可以确定风力发电机组当时所处的状态和环境是否适合执行相应的控制信号、执行相应的控制信号是否会使风力发电机组在未来一段时间内的运行出现载荷超限的情况,使得风力发电机组能够避免过载或超速等情况。
本技术领域技术人员可以理解,本公开包括涉及用于执行本公开中所述操作/步骤中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序,这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中,所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-OnlyMemory,只读存储器)、RAM(Random Access Memory,随即存储器)、EPROM(ErasableProgrammable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(ElectricallyErasable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
根据本公开的实施例的方法及设备适用于各种类型的风力发电机组,不仅能够避免风力发电机组的过载以及超速以使风力发电机组在正常状态下运行,而且有效减少对发电量的影响以提高风力发电机组的发电量。
虽然本公开是参照其示例性的实施例被显示和描述的,但是本领域的技术人员应该理解,在不脱离由权利要求及其等同物限定的本公开的精神和范围的情况下,可以对其形式和细节进行各种改变。
Claims (17)
1.一种风力发电机组的控制方法,所述控制方法包括:
获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;
根据所述进入风速预测所述未来预定时间段内的风速序列;
基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测风力发电机组在所述未来预定时间段内的状态序列;
根据所述控制序列和所述状态序列使用代价函数来优化所述控制序列;并且
基于优化的控制序列来生成用于控制风力发电机组的控制信号,
其中,所述代价函数包括关于所述状态序列的惩罚函数、以及关于所述控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项,
其中,所述惩罚函数是使所述状态序列中的每个时间点的状态值接近最大状态允许值的函数,并且对所述控制序列的优化是通过使所述代价函数最小化来实现的。
2.根据权利要求1所述的方法,其特征在于,预测风力发电机组在所述未来预定时间段内的状态序列的步骤包括:
使用预测模型基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测所述状态序列,
其中,所述预测模型是通过对风力发电机组的正常运行数据进行机器学习而获得的。
3.根据权利要求1所述的方法,其特征在于,所述控制信号是输出到风力发电机组的以下组件中的至少一个组件以控制相应组件的信号:桨矩制动系统和发电机。
4.根据权利要求1所述的方法,其特征在于,所述控制序列是基于模型预测控制方法而获得的。
5.根据权利要求1所述的方法,其特征在于,风力发电机组的当前状态包括以下项之中的至少一项:风力发电机组当前的桨距角、风力发电机组当前的发电机的转速、风力发电机组当前的发电机的扭矩以及输出功率。
6.根据权利要求1所述的方法,其特征在于,所述进入风速由激光雷达测量得到,并且所述风速序列表示基于所述进入风速预测出的风力发电机组处的在所述未来预定时间段内的风速的时间序列。
7.根据权利要求1所述的方法,其特征在于,所述最大状态允许值使与所述状态值相应的载荷值在极限载荷之内。
8.一种风力发电机组的控制装置,所述控制装置包括:
数据获取模块,用于获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;以及
数据处理模块,用于:
根据所述进入风速预测所述未来预定时间段内的风速序列;
基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测风力发电机组在所述未来预定时间段内的状态序列;
根据所述控制序列和所述状态序列使用代价函数来优化所述控制序列;
基于优化的控制序列来生成用于控制风力发电机组的控制信号,
其中,所述代价函数包括关于所述状态序列的惩罚函数、以及关于所述控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项,
其中,所述惩罚函数是使所述状态序列中的每个时间点的状态值接近最大状态允许值的函数,并且对所述控制序列的优化是通过使所述代价函数最小化来实现的。
9.根据权利要求8所述的装置,其特征在于,数据处理模块使用预测模型基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测所述状态序列,
其中,所述预测模型是通过对风力发电机组的正常运行数据进行机器学习而获得的。
10.根据权利要求8所述的装置,其特征在于,数据处理模块将所述控制信号输出到风力发电机组的以下组件中的至少一个组件:桨矩制动系统和发电机。
11.根据权利要求8所述的装置,其特征在于,所述控制序列是基于模型预测控制方法而获得的。
12.根据权利要求8所述的装置,其特征在于,风力发电机组的当前状态包括以下项之中的至少一项:风力发电机组当前的桨距角、风力发电机组当前的发电机的转速、风力发电机组当前的发电机的扭矩以及输出功率。
13.根据权利要求8所述的装置,其特征在于,所述进入风速由激光雷达测量得到,并且所述风速序列表示基于所述进入风速预测出的风力发电机组处的在所述未来预定时间段内的风速的时间序列。
14.根据权利要求8所述的装置,其特征在于,所述最大状态允许值使与所述状态值相应的载荷值在极限载荷之内。
15.一种用于控制风力发电机组的设备,所述设备包括:
极限载荷处理器,用于:
获得在风力发电机组的前方预定距离处的进入风速以及未来预定时间段内的用于生成风力发电机组的控制信号的控制序列;
根据所述进入风速预测所述未来预定时间段内的风速序列;
基于所述控制序列、所述风速序列以及风力发电机组的当前状态来预测风力发电机组在所述未来预定时间段内的状态序列;
根据所述控制序列和所述状态序列使用代价函数来优化所述控制序列;以及
控制器,用于基于优化的控制序列来生成用于控制风力发电机组的控制信号并且根据生成的控制信号来控制风力发电机组的运行,
其中,所述代价函数包括关于所述状态序列的惩罚函数、以及关于所述控制序列中的前一时间点的控制基准值与当前时间点的控制基准值之间的差的项,
其中,所述惩罚函数是使所述状态序列中的每个时间点的状态值接近最大状态允许值的函数,并且对所述控制序列的优化是通过使所述代价函数最小化来实现的。
16.一种计算机可读存储介质,存储有程序,其特征在于,所述程序包括用于执行如权利要求1-7中的任一项所述方法的指令。
17.一种计算机,包括存储有计算机程序的可读介质和处理器,其特征在于,当所述处理器运行所述计算机程序时执行如权利要求1-7中的任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345370.8A CN113027674B (zh) | 2019-12-24 | 2019-12-24 | 风力发电机组的控制方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911345370.8A CN113027674B (zh) | 2019-12-24 | 2019-12-24 | 风力发电机组的控制方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113027674A CN113027674A (zh) | 2021-06-25 |
CN113027674B true CN113027674B (zh) | 2022-08-30 |
Family
ID=76451674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911345370.8A Active CN113027674B (zh) | 2019-12-24 | 2019-12-24 | 风力发电机组的控制方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113027674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113803222B (zh) * | 2021-09-22 | 2023-01-03 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011095519A2 (en) * | 2010-02-05 | 2011-08-11 | Vestas Wind Systems A/S | Method of operating a wind power plant |
ES2865100T3 (es) * | 2012-12-16 | 2021-10-15 | Siemens Gamesa Renewable Energy Deutschland Gmbh | Sistema para gestionar una distribución de la vida a la fatiga, procedimiento de funcionamiento de una pluralidad de turbinas eólicas |
EP2954202A1 (en) * | 2013-02-08 | 2015-12-16 | Vestas Wind Systems A/S | Model based controller for a wind turbine generator |
US10683844B2 (en) * | 2015-05-27 | 2020-06-16 | Vestas Wind Systems A/S | Control of a wind turbine taking fatigue measure into account |
CN108150360A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
CN109737008A (zh) * | 2019-02-15 | 2019-05-10 | 国电联合动力技术有限公司 | 风电机组智能变桨控制系统及方法、风电机组 |
-
2019
- 2019-12-24 CN CN201911345370.8A patent/CN113027674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113027674A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10683844B2 (en) | Control of a wind turbine taking fatigue measure into account | |
US11585323B2 (en) | Method and apparatus for cooperative controlling wind turbines of a wind farm | |
CN108350862B (zh) | 使用模型预测控制的风力涡轮机的电力增强 | |
CN107250532A (zh) | 最佳风场运行 | |
EP3121442B1 (en) | Operating wind turbines | |
CN109312714B (zh) | 考虑噪声的风力涡轮机的控制 | |
CN110094298B (zh) | 切出策略自适应调整的方法及装置 | |
KR20120018331A (ko) | 윈드 터빈에서 윈드 거스트의 발생을 예측하기 위한 방법 및 시스템 | |
CN113027674B (zh) | 风力发电机组的控制方法及其装置 | |
EP3350902A1 (en) | Power plant ramp rate control | |
EP2541052A1 (en) | Controlling a wind turbine using a neural network function | |
US20220056882A1 (en) | Method and system for parameterization of a controller for a wind energy installation and/or operation of a wind energy installation | |
CN113685314B (zh) | 变桨控制方法、系统和可读存储介质 | |
EP3009670B1 (en) | Method to control the operation of a wind energy installation, including generating a 3D wind speed model, and wind energy installation | |
EP3356671A1 (en) | Fast reacting control system for wind turbine | |
CN117669968A (zh) | 一种风电场调度方法、装置、设备及介质 | |
US11313353B2 (en) | Controlling a wind turbine using control outputs at certain time stages over a prediction horizon | |
Odgaard | On usage of pareto curves to select wind turbine controller tunings to the wind turbulence level | |
US20220260054A1 (en) | Method for controlling a wind farm, control module for a wind farm, and wind farm | |
CN110875604B (zh) | 控制风力发电机组的方法及设备 | |
Yang et al. | Non-linear autoregressive neural network based wind direction prediction for the wind turbine yaw system | |
DK201570721A1 (en) | CONTROL OF A WIND TURBINE TAKING FATIGUE MEASURE INTO ACCOUNT | |
CN112884262A (zh) | 一种风电机组载荷适应性确定方法和系统 | |
KR101400338B1 (ko) | 풍력 발전 단지의 풍력 발전기 제어 시스템 및 방법 | |
US11808249B2 (en) | Reaction to an overspeed event |
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 |