CN113031440A - 基于反馈线性化与预测控制的风力机变桨距控制方法 - Google Patents

基于反馈线性化与预测控制的风力机变桨距控制方法 Download PDF

Info

Publication number
CN113031440A
CN113031440A CN202110231474.7A CN202110231474A CN113031440A CN 113031440 A CN113031440 A CN 113031440A CN 202110231474 A CN202110231474 A CN 202110231474A CN 113031440 A CN113031440 A CN 113031440A
Authority
CN
China
Prior art keywords
wind turbine
control
formula
model
prediction
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.)
Granted
Application number
CN202110231474.7A
Other languages
English (en)
Other versions
CN113031440B (zh
Inventor
岑丽辉
桂凯
陈晓方
李京京
谢永芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110231474.7A priority Critical patent/CN113031440B/zh
Publication of CN113031440A publication Critical patent/CN113031440A/zh
Application granted granted Critical
Publication of CN113031440B publication Critical patent/CN113031440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于反馈线性化与预测控制的风力机变桨距控制方法，包括：进行风力机发电系统的数学模型描述，所述风力机发电系统包括风力机的气动模块、传动模块和变桨执行机构；根据输入输出反馈线性化理论，将所述风力机发电系统的非线性模型转化为可控的线性系统；通过广义预测控制算法进行控制设计，采用受控自回归积分滑动平均模型，确定性能优化指标，会将每个时刻的检测值与期望值相比较，反馈给预测模型，不断地进行滚动优化并修正模型，得到预测输出，达到预期的控制效果。

Description

基于反馈线性化与预测控制的风力机变桨距控制方法
技术领域
本发明涉及风力机控制技术领域，特别涉及一种基于反馈线性化与预测控制的风力机变桨距控制方法。
背景技术
如今，能源消耗持续增加，以及因大量使用化石燃料而引起的环境问题越来越严峻，可再生能源引起了广泛的关注。风能是被用作一种清洁的可替代能源。风力发电机能够在极端风速环境下捕获一定的能量，转换为电能，可以提供部分电力需求。但是，随着风机的单机容量，以及风力涡轮机的叶片直径和质量逐渐增加，风力涡轮机的管理越来越具有挑战性。此时，控制器性能的好坏起着至关重要的作用。风力发电机组的控制运行区域可分为两个主要部分：低于和高于额定风速。在低于额定风速区域，该区域的控制目标是使风力涡轮机的转子转速达到所需的期望值，从而实现功率捕获的最大化。在高于额定风速区域，采用桨距角作为控制输入，通过设计控制算法来调节，将捕获的风力涡轮机的输出功率保持在额定值，能够平稳地接入电网系统。同时，应尽可能地减小风力涡轮机的自身负荷和疲劳载荷，能够改善风力发电机组的发电效率和关键零部件(如轮毂、轴承、塔架等)的受载情况，延长风力机组的寿命，有效地降低运维成本。因此，研究大型风力机的变速变桨距控制问题具有重要的理论和实际意义。
发明内容
本发明提供了一种基于反馈线性化与预测控制的风力机变桨距控制方法，其目的是为了解决：在高风速情况下，通过设计变桨距控制方法，来维持风力机输出功率的稳定。
为了达到上述目的，本发明的实施例提供了一种基于反馈线性化与预测控制的风力机变桨距控制方法，包括：
步骤1，进行风力机发电系统的数学模型描述，所述风力机发电系统包括风力机的气动模块、传动模块和变桨执行机构；
步骤2，根据输入输出反馈线性化理论，将所述风力机发电系统的非线性模型转化为可控的线性系统；
步骤3，通过广义预测控制算法进行控制设计，采用受控自回归积分滑动平均模型，确定性能优化指标，会将每个时刻的检测值与期望值相比较，反馈给预测模型，不断地进行滚动优化并修正模型，得到预测输出，达到预期的控制效果。
本发明的上述方案有如下的有益效果：
本发明的上述实施例所述的基于反馈线性化与预测控制的风力机变桨距控制方法。针对风力机系统非线性的特点，采用输入输出反馈线性化，将其转化成为线性系统，这样能够很好地继承风力机自身的非线性的特性，相对于在稳定工作点附近，使用泰勒级数展开的局部线性化方法来说，在线性化的处理过程中没有忽略掉风力机变桨距控制系统的任何高阶非线性项，因此更为精确，能够有效提高系统的跟踪精度；线性化后的系统上，反馈控制设计采用广义预测控制算法来做，在复杂的外界湍流风速环境影响下，能够进行多步预测与滚动校正，将风力机系统的时滞的动态特性融入到有限时域的滚动优化目标中，能够克服模型的误差以及不确定性因素。两者方法相结合，能够可以稳定地跟踪功率的额定值，减小跟踪误差，实现良好的控制效果。
附图说明
图1为本发明的风力机变桨距控制方法的流程示意图；
图2为本发明的湍流风速轮廓图；
图3为本发明的风力机变桨距控制方法与PID方法的输出功率的对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明的实施例提供了一种基于反馈线性化与预测控制的风力机变桨距控制方法，包括：
步骤1，进行风力机发电系统的数学模型描述，所述风力机发电系统包括风力机的气动模块、传动模块和变桨执行机构；
步骤2，根据输入输出反馈线性化理论，将所述风力机发电系统的非线性模型转化为可控的线性系统；
步骤3，通过广义预测控制算法进行控制设计，采用受控自回归积分滑动平均模型，确定性能优化指标，会将每个时刻的检测值与期望值相比较，反馈给预测模型，不断地进行滚动优化并修正模型，得到预测输出，达到预期的控制效果。
本发明的上述实施例所述的风力机变桨距控制方法首先进行了风力机发电系统的数学模型描述，包括风力机的气动模块，以及传动链模块，以及变桨执行机构等等，通过输入输出反馈线性化理论，将风力机的非线性模型，转化为可控的线性系统，这样能够继承风力机的非线性的特点，在此基础上，反馈控制采用预测控制来做，实现模型的预测，在线滚动优化，以及反馈校正，能够有效地将输出功率维持在期望值附近，并且功率波动范围减小。
其中，所述步骤1具体包括：
风力机捕获的能量Pa表达式由式(1)所表示
Figure BDA0002958429800000031
其中，ρ是一常数，为空气密度系数，R为风轮叶片的半径，V为外界变化的风速，CP(λ,β)为风能利用系数，与叶尖速比λ和桨距角β有关；
叶尖速比λ的表达式如下：
Figure BDA0002958429800000032
其中，ωr指的是转子转速；
在高于额定风速区域，风力机的风能利用系数CP(λ,β)可由式(3)和式(4)来拟合：
Figure BDA0002958429800000041
Figure BDA0002958429800000042
其中，式中的参数分别是a1＝6.909，a2＝7.022，a3＝-0.04176，a4＝-0.3863，a5＝-14.52；
所述风力机的传动模块采用单质量块模型，系统的动态方程如下：
Figure BDA0002958429800000043
Figure BDA0002958429800000044
其中，ng是一常数，为齿轮箱比，Tr为转子的转矩，Tg表示为发电机的转矩，Jr和Jg分别是转子侧的转动惯量和发电机侧的转动惯量，而Kr和Kg分别为转子侧的阻尼系数和发电侧的阻尼系数；
桨距角执行器采用一阶惯性环节，具体公式如式(7)所示
Figure BDA0002958429800000045
其中，βr为桨距角的参考输入，τ是一个正常数，称为时间常数。
其中，所述步骤2具体包括：
将式(5)和式(7)进行联立，将其转化为仿射非线性模型的标准式，可得以下方程式
Figure BDA0002958429800000046
其中，h(x)为转子转速与额定转子转速的偏差，其中状态变量x＝[ωr β]T,控制变量为u＝[βr]，以及f(x)和g(x)分别如下表示：
Figure BDA0002958429800000047
进行反馈线性化的检验条件，输出函数对x的一阶偏导数为：
Figure BDA0002958429800000051
那么输出函数的一阶导数
Figure BDA0002958429800000052
为
Figure BDA0002958429800000053
计算可得Lfh(x)＝f1(x)，其中f1(x)为矩阵f(x)的第一行，并且Lgh(x)＝0，因此，输出函数的一阶导数
Figure BDA0002958429800000054
与控制率u无关；
继续对输出函数进行二次求导可得：
Figure BDA0002958429800000055
Figure BDA0002958429800000056
Figure BDA0002958429800000057
由于LgLfh(x)≠0，因此该系统的相对阶数为2，等于系统的阶数，符合反馈线性化的条件，对输出函数y逐次求导,直至出现控制输入u，得到状态反馈控制律来消去非线性项；
所述状态反馈如下：
Figure BDA0002958429800000058
反馈控制律的具体设计如下：
将上述公式(10)和公式(11)联立，可得
Figure BDA0002958429800000059
设计虚拟变量v
Figure BDA0002958429800000061
其中，βi(i＝0,1,2)为正数，用来配置线性化后的系统动态，上式可写成以下形式
v＝p(x)+F(x)u (17)
其中，
Figure BDA0002958429800000062
F(x)＝β0 -1β2LgLfh(x)；
如果n×n维矩阵F(x)非奇异，由上式可得状态反馈控制律
u＝F-1(x)[v-p(x)] (18)
在上述反馈控制律作用下，结合式(15)和式(16)可得
Figure BDA0002958429800000063
将上式(19)转换为传递函数的形式，可得
Figure BDA0002958429800000064
以采样周期T对其保持采样，离散传递函数如式(21)所示
Figure BDA0002958429800000065
其中，所述步骤3具体包括：
1.预测模型
广义预测控制算法GPC(Generalized predictive control)采用受控自回归积分滑动平均模型，(Controlled Auto-Regressive Integrated Moving Average)，简称CARIMA，有着更好的鲁棒性。所述受控自回归积分滑动平均模型由以下公式描述：
A(z-1)y(i)＝B(z-1)u(i-1)+C(z-1)ξ(i)/Δ (22)
其中，
Figure BDA0002958429800000066
其中，z-1为后移算子，Δ＝1-z-1为差分算子，ξ(i)表示一类随机噪声的影响，一般假设C(z-1)＝1；
2.滚动优化
采用以下目标函数作为性能优化指标，如式(24)所示：
Figure BDA0002958429800000071
其中，N为最大预测时域；M为控制时域，M≤N；λ(j)为控制加权系数，λ一般为常数；
所述广义预测控制算法引入柔化系数α，使得输入首先经过柔化作用后形成参考轨迹w(i+j)，而控制目标也随之改变为将输出逼近参考轨迹；
w(i+j)＝αw(i+j-1)+(1-α)c (25)
其中，0≤c＜1；
预测控制中，需要预测超前j步的输出，采用丢番图求解，如下式所示：
1＝Ej(z-1)ΔA(z-1)Δ+z-jFj(z-1) (26)
其中，Ej(z-1)，Fj(z-1)具体表示为：
Figure BDA0002958429800000072
将式(22)左右两侧乘Ej(z-1)Δ后，利用式(26)，可以得到预测方程，以及i+j时刻的输出量，如下所示：
y(i+j)＝Ej(z-1)B(z-1)Δu(i+j-1)+Fj(z-1)y(i)+Ej(z-1)ξ(i+j) (28)
令Gj(z-1)＝Ej(z-1)B(z-1)，在预测未来输出时，可忽略随机干扰项的影响，则式(28)可简写为：
Figure BDA0002958429800000073
其中，f为开环预测向量；
Figure BDA0002958429800000074
ΔU＝[Δu(i+1),Δu(i+1),…,Δu(i+N-1)]T
f＝[f(i+1),f(i+2),…,f(i+N)]T
Gj(z-1)＝g0+g1z-1+…+gj-1z-(j-1)
Figure BDA0002958429800000081
令W＝[w(i+1),w(i+2),…,w(i+n)]T，那么性能优化指标J函数可写成
J＝(Y-W)T(Y-W)+λΔUTΔU (30)
将忽略随机干扰项输入后的
Figure BDA0002958429800000082
替换上式中的Y，并通过对J函数求偏导，此时，可得最小控制增量ΔU
ΔU＝(GTG+λI)-1GT(W-f) (31)
在实际控制系统运行时，将ΔU的第一个分量，分配给预测及控制对象部分
u(i)＝u(i-1)+dT(W-f) (32)
其中，dT为(GTG+λI)-1GT的第一行，也就是dT＝[1 0 … 0](GTG+λI)-1GT，在系统运算过程中的性能优化函数不是一成不变的，系统以在线方式不断进行计算，对其进行优化。
3.反馈校正
在广义预测控制算法系统运行的过程中，会将每个时刻的检测值与期望值相比较，反馈给预测模型，不断地进行滚动优化并修正模型，最终实现预测的输出，达到好的控制效果，同时，采用了长时间的预测概念，能够将系统的动态性能很好地表现出来。对待处理复杂系统以及模型不确定性，有着良好的鲁棒性。
本发明的上述实施例所述的方法建立的风力机数学模型以及提出的控制器，采用Matlab和FAST(Fatigue,Aerodynamics,Structures,and Turbulence)联合仿真，得以验证。FAST风力机模拟器由NREL(美国国家可再生能源实验室)所开发。选择5MW陆基风力涡轮机模型在一定的风速范围内进行模拟及实验分析。具体的参数如表1所示：
表1 5 MW风力机参数说明
Figure BDA0002958429800000083
Figure BDA0002958429800000091
通过TurbSim生成基于Kaimal功率谱的100s湍流风速序列，用来模拟外界随机风速，该湍流风的平均风速为18m/s，湍流强度为10％，如图2所示。
从图3可以看出，基于反馈线性化与预测控制的风力机变桨距控制方法，在外界复杂的风速环境下，相对于传统方法，能够更快速地稳定风力机的输出功率，有效地跟踪期望值，并且波动范围要小，具有良好的鲁棒性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于反馈线性化与预测控制的风力机变桨距控制方法，其特征在于，包括：
步骤1，进行风力机发电系统的数学模型描述，所述风力机发电系统包括风力机的气动模块、传动模块和变桨执行机构；
步骤2，根据输入输出反馈线性化理论，将所述风力机发电系统的非线性模型转化为可控的线性系统；
步骤3，通过广义预测控制算法进行控制设计，采用受控自回归积分滑动平均模型，确定性能优化指标，会将每个时刻的检测值与期望值相比较，反馈给预测模型，不断地进行滚动优化并修正模型，得到预测输出，达到预期的控制效果。
2.根据权利要求1所述的基于反馈线性化与预测控制的风力机变桨距控制方法，其特征在于，所述步骤1具体包括：
风力机捕获的能量Pa表达式由式(1)所表示
Figure FDA0002958429790000011
其中，ρ是一常数，为空气密度系数，R为风轮叶片的半径，V为外界变化的风速，CP(λ,β)为风能利用系数它与叶尖速比λ和桨距角β有关；
叶尖速比λ的表达式如下：
Figure FDA0002958429790000012
其中，ωr指的是转子转速；
在高于额定风速区域，风力机的风能利用系数CP(λ,β)可由式(3)和式(4)来拟合：
Figure FDA0002958429790000013
Figure FDA0002958429790000014
其中，式中的参数分别是a1＝6.909，a2＝7.022，a3＝-0.04176，a4＝-0.3863，a5＝-14.52；
所述风力机的传动模块采用单质量块模型，系统的动态方程如下：
Figure FDA0002958429790000021
Figure FDA0002958429790000022
其中，ng是一常数，为齿轮箱比，Tr为转子的转矩，Tg表示为发电机的转矩，Jr和Jg分别是转子侧的转动惯量和发电机侧的转动惯量，而Kr和Kg分别为转子侧的阻尼系数和发电侧的阻尼系数；
桨距角执行器采用一阶惯性环节，具体公式如式(7)所示
Figure FDA0002958429790000023
其中，βr为桨距角的参考输入，τ是一个正常数，称为时间常数。
3.根据权利要求2所述的基于反馈线性化与预测控制的风力机变桨距控制方法，其特征在于，所述步骤2具体包括：
将式(5)和式(7)进行联立，将其转化为仿射非线性模型的标准式，可得以下方程式
Figure FDA0002958429790000024
其中，h(x)为转子转速与额定转子转速的偏差，其中状态变量x＝[ωr β]T,控制变量为u＝[βr]，以及f(x)和g(x)分别如下表示：
Figure FDA0002958429790000025
进行反馈线性化的检验条件，输出函数对x的一阶偏导数为：
Figure FDA0002958429790000026
那么输出函数的一阶导数
Figure FDA0002958429790000027
为
Figure FDA0002958429790000031
计算可得Lfh(x)＝f1(x)，其中f1(x)为矩阵f(x)的第一行，并且Lgh(x)＝0，因此，输出函数的一阶导数
Figure FDA0002958429790000032
与控制律u无关；
继续对输出函数进行二次求导可得：
Figure FDA0002958429790000033
Figure FDA0002958429790000034
Figure FDA0002958429790000035
由于LgLfh(x)≠0，因此该系统的相对阶数为2，等于系统的阶数，符合反馈线性化的检验条件，对输出函数y逐次求导,直至出现控制输入u，得到状态反馈控制律来消去非线性项；
所述的状态反馈如下：
Figure FDA0002958429790000036
反馈控制律的具体设计如下：
将上述公式(10)和公式(11)联立，可得
Figure FDA0002958429790000037
设计虚拟变量v
Figure FDA0002958429790000038
其中，βi(i＝0,1,2)为正数，用来配置线性化后的系统动态，上式可写成以下形式
v＝p(x)+F(x)u (17)
其中，
Figure FDA0002958429790000041
F(x)＝β0 -1β2LgLfh(x)；
如果n×n维矩阵F(x)非奇异，由上式可得状态反馈控制律
u＝F-1(x)[v-p(x)] (18)
在上述反馈控制律作用下，结合式(15)和式(16)可得
Figure FDA0002958429790000042
将上式(19)转换为传递函数的形式，可得
Figure FDA0002958429790000043
以采样周期T对其保持采样，离散传递函数如式(21)所示
Figure FDA0002958429790000044
4.根据权利要求3所述的基于反馈线性化与预测控制的风力机变桨距控制方法，其特征在于，所述步骤3具体包括：
所述受控自回归积分滑动平均模型由以下公式描述：
A(z-1)y(i)＝B(z-1)u(i-1)+C(z-1)ξ(i)/Δ (22)
其中，
Figure FDA0002958429790000045
其中，z-1为后移算子，Δ＝1-z-1为差分算子，ξ(i)表示一类随机噪声的影响，一般假设C(z-1)＝1；
采用以下目标函数作为性能优化指标，如式(24)所示：
Figure FDA0002958429790000046
其中，N为最大预测时域；M为控制时域，M≤N；λ(j)为控制加权系数，λ一般为常数；
所述广义预测控制算法引入柔化系数α，使得输入首先经过柔化作用后形成参考轨迹w(i+j)，而控制目标也随之改变为将输出逼近参考轨迹；
w(i+j)＝αw(i+j-1)+(1-α)c (25)
其中，0≤c＜1；
预测控制中，需要预测超前j步的输出，采用丢番图求解，如下式所示：
1＝Ej(z-1)ΔA(z-1)Δ+z-jFj(z-1) (26)
其中，Ej(z-1)，Fj(z-1)具体表示为：
Figure FDA0002958429790000051
将式(22)左右两侧乘Ej(z-1)Δ后，利用式(26)，可以得到预测方程，以及i+j时刻的输出量，如下所示：
y(i+j)＝Ej(z-1)B(z-1)Δu(i+j-1)+Fj(z-1)y(i)+Ej(z-1)ξ(i+j) (28)
令Gj(z-1)＝Ej(z-1)B(z-1)，在预测未来输出时，可忽略随机干扰项的影响，则式(28)可简写为：
Figure FDA0002958429790000052
其中，f为开环预测向量；Gj(z-1)＝g0+g1z-1+…+gj-1z-(j-1)
Figure FDA0002958429790000053
ΔU＝[Δu(i+1),Δu(i+1),…,Δu(i+N-1)]T
f＝[f(i+1),f(i+2),…,f(i+N)]T
Figure FDA0002958429790000054
令W＝[w(i+1),w(i+2),…,w(i+n)]T，那么性能优化指标J函数可写成
J＝(Y-W)T(Y-W)+λΔUTΔU (30)
将忽略随机干扰项输入后的
Figure FDA0002958429790000055
替换上式中的Y，并通过对J函数求偏导，此时，可得最小控制增量ΔU
ΔU＝(GTG+λI)-1GT(W-f) (31)
在实际控制系统运行时，将ΔU的第一个分量，分配给预测及控制对象部分
u(i)＝u(i-1)+dT(W-f) (32)
其中，dT为(GTG+λI)-1GT的第一行，也就是dT＝[1 0 … 0](GTG+λI)-1GT，在系统运算过程中的性能优化函数不是一成不变的，系统以在线方式不断进行计算，对其进行优化。
CN202110231474.7A 2021-03-02 2021-03-02 基于反馈线性化与预测控制的风力机变桨距控制方法 Active CN113031440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110231474.7A CN113031440B (zh) 2021-03-02 2021-03-02 基于反馈线性化与预测控制的风力机变桨距控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110231474.7A CN113031440B (zh) 2021-03-02 2021-03-02 基于反馈线性化与预测控制的风力机变桨距控制方法

Publications (2)

Publication Number Publication Date
CN113031440A true CN113031440A (zh) 2021-06-25
CN113031440B CN113031440B (zh) 2022-04-29

Family

ID=76465446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110231474.7A Active CN113031440B (zh) 2021-03-02 2021-03-02 基于反馈线性化与预测控制的风力机变桨距控制方法

Country Status (1)

Country Link
CN (1) CN113031440B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332602A (zh) * 2023-10-18 2024-01-02 华北电力大学 一种风力发电机一次调频模拟方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291543A (zh) * 2013-06-20 2013-09-11 上海电力学院 基于滑模控制理论的设计风机变桨距控制器方法
CN104314755A (zh) * 2014-09-23 2015-01-28 华北电力大学 基于ipso的dfig变桨距ladrc方法及系统
CN105545595A (zh) * 2015-12-11 2016-05-04 重庆邮电大学 基于径向基神经网络的风力机反馈线性化功率控制方法
CN105971819A (zh) * 2016-05-04 2016-09-28 浙江大学 基于ude的风力发电机组变桨距鲁棒控制方法
CN108196444A (zh) * 2017-12-08 2018-06-22 重庆邮电大学 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法
CN108223274A (zh) * 2017-12-04 2018-06-29 重庆邮电大学 基于优化rbf神经网络的大型风力机变桨距系统辨识方法
CN111749847A (zh) * 2020-06-23 2020-10-09 中国电力科学研究院有限公司 一种风力发电机桨距在线控制方法、系统和设备
EP3745218A1 (en) * 2019-05-31 2020-12-02 Vestas Wind Systems A/S Controlling a wind turbine using control outputs at certain time stages over a prediction horizon

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291543A (zh) * 2013-06-20 2013-09-11 上海电力学院 基于滑模控制理论的设计风机变桨距控制器方法
CN104314755A (zh) * 2014-09-23 2015-01-28 华北电力大学 基于ipso的dfig变桨距ladrc方法及系统
CN105545595A (zh) * 2015-12-11 2016-05-04 重庆邮电大学 基于径向基神经网络的风力机反馈线性化功率控制方法
CN105971819A (zh) * 2016-05-04 2016-09-28 浙江大学 基于ude的风力发电机组变桨距鲁棒控制方法
CN108223274A (zh) * 2017-12-04 2018-06-29 重庆邮电大学 基于优化rbf神经网络的大型风力机变桨距系统辨识方法
CN108196444A (zh) * 2017-12-08 2018-06-22 重庆邮电大学 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法
EP3745218A1 (en) * 2019-05-31 2020-12-02 Vestas Wind Systems A/S Controlling a wind turbine using control outputs at certain time stages over a prediction horizon
CN111749847A (zh) * 2020-06-23 2020-10-09 中国电力科学研究院有限公司 一种风力发电机桨距在线控制方法、系统和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI GUI,等: "Complementary Sliding Mode Control for Variable Speed Variable Pitch Wind Turbine Based on Feedback Linearization", 《IEEE》 *
崔双喜，等: "基于反馈线性化的风力机变桨距最优跟踪控制", 《中国电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332602A (zh) * 2023-10-18 2024-01-02 华北电力大学 一种风力发电机一次调频模拟方法及装置
CN117332602B (zh) * 2023-10-18 2024-04-19 华北电力大学 一种风力发电机一次调频模拟方法及装置

Also Published As

Publication number Publication date
CN113031440B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN104595106B (zh) 基于强化学习补偿的风力发电变桨距控制方法
Mirzaei et al. Robust model predictive control of a wind turbine
Burkart et al. Nonlinear control of wind turbines: An approach based on switched linear systems and feedback linearization
Dhar et al. Study on pitch angle control of a variable speed wind turbine using different control strategies
Imran et al. DAC with LQR control design for pitch regulated variable speed wind turbine
Geng et al. Robust pitch controller for output power levelling of variable-speed variable-pitch wind turbine generator systems
CN113031440B (zh) 基于反馈线性化与预测控制的风力机变桨距控制方法
Sahoo et al. Comparison of output power control performance of wind turbine using pi, fuzzy logic and model predictive controllers
CN109611274B (zh) 一种风力发电机组高风速区lqg优化控制方法
Ma et al. Offshore wind power generation system control using robust economic MPC scheme
Habibi et al. Power improvement of non-linear wind turbines during partial load operation using fuzzy inference control
CN102661243B (zh) 一种双馈感应风电机组的预报校正变桨控制方法
Eskandari et al. Optimization of wind energy extraction for variable speed wind turbines using fuzzy backstepping sliding mode control based on multi objective PSO
Dang et al. Nonlinear model predictive control (NMPC) of fixed pitch variable speed wind turbine
CN113359468B (zh) 基于鲁棒自适应与滑模变结构控制的风电机组容错控制方法
CN115167140B (zh) 风力发电机组多目标随机模型预测控制策略方法及系统
Jiao et al. Effective wind speed estimation and prediction based feedforward feedback pitch control for wind turbines
Xu et al. Iterative Neuro-Fuzzy Hammerstein Model Based Model Predictive Control for Wind Turbines
CN114876732A (zh) 一种风电机组变桨的控制方法及装置
Almaged et al. Design of an integral fuzzy logic controller for a variable-speed wind turbine model
Mérida et al. Increasing Power Generation Efficiency in Horizontal Wind Turbines by Rejecting Electromechanical Uncertainties Due to the Wind
Shahravanmehr et al. LQG controller based on fuzzy logic to control the power of wind turbine
Chang et al. Combined predictive feedforward and feedback control for blade pitch of wind turbine
Fazlollahi et al. Modeling and neuro-fuzzy controller design of a wind turbine in full-load region based on operational data
Yang et al. Non-linear autoregressive neural network based wind direction prediction for the wind turbine yaw system

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