CN113294297A - 风电机组非线性模型预测转矩控制变权重调节方法 - Google Patents

Abstract

本发明提供了一种风电机组非线性模型预测转矩控制的变权重调节方法，包括：建立风电机组的数学模型，确定非线性模型预测转矩控制的控制目标；设计包含能量捕获和转矩波动两个控制目标的非线性模型预测转矩控制成本函数；以风速的加权平均值和均方根平均值为输入、权重系数为输出建立模糊调节器，并通过多目标灰狼优化算法优化模糊调节器隶属度函数的线形，以实时更新目标函数。本发明提高了风电机组的能量捕获效率，减小了转矩波动，缓解了风速的瞬时性与风电机组大惯性造成的响应延时之间的矛盾，实现了能量捕获和转矩波动的协调优化。

Description

风电机组非线性模型预测转矩控制变权重调节方法

技术领域

本发明涉及风力发电技术领域，特别涉及一种风电机组非线性模型预测转矩控制变权重调节方法。

背景技术

能源需求的增加和全球环境的恶化促进了可再生能源的飞速发展。风能是最具吸引力的可再生能源之一，具有全球性、可再生和环境友好等特点。风电机组可以获取风能并将其转换为电能，其首要控制目标为最大能量捕获。为实现最大能量捕获控制目标，风电机组要始终保持最佳的叶尖速比。叶尖速比是风速和转子转速的函数，因此风电机组必须根据风速的变化来调整转子转速。然而，由于风电机组的大惯性影响，转速无法实时跟踪风速的快速变化，使最大能量捕获控制目标的实现面临挑战。

为更好地实现控制目标，研究人员提出一种模拟未来响应的预测控制--模型预测控制。与传统的控制方法不同，模型预测控制在每个采样时刻用当前测量信息更新优化问题，这种滚动优化策略使模型预测控制更有效。模型预测控制的另一个优点是它可以较容易地将执行器的约束集成到成本函数中，并可处理多变量问题。因此，它在控制领域广受欢迎，在船舶、电力和无人驾驶等行业均有应用。虽然基于线性化的模型预测控制对计算能力要求低，但风电机组的本质是一个非线性且高度耦合的系统，其工作点是非单一且实时变化的。为此，非线性模型预测转矩控制被提出以应对因风电机组工作点变化而引起的非线性问题，如用于避免颤动气动弹性失稳问题的非线性模型预测变桨控制、基于多步预测的模型预测偏航控制和基于大步长建立的离散非线性预测转矩控制。然而非线性模型预测转矩控制在实现上较为复杂且在多目标求解问题上存在局限性，导致其难以广泛应用推广。

当非线性模型预测转矩控制存在多个控制目标时，典型的方法是增加权重系数将它们连接在一个控制目标中，但权重系数的选择是大多数非线性模型预测转矩控制面临的挑战。权重系数分配了各控制目标的重要性，因此对控制系统性能有显著影响。然而，权重系数通常根据经验设置且保持不变。当系统运行过程中发生较大变化，预定义的权重系数可能表现不佳，导致风电机组非线性模型预测转矩控制性能难以达到预期要求。

发明内容

本发明提供了一种风电机组非线性模型预测转矩控制变权重调节方法，用于解决传统非线性模型预测转矩控制中由于忽略了发电机转矩变化，而引起的控制性能不佳问题。

为了达到上述目的，本发明的实施例提供了一种风电机组非线性模型预测转矩控制变权重调节方法，包括：

步骤1，建立风电机组的数学模型，获取最大能量捕获问题；

步骤2，确定非线性模型预测转矩控制的控制目标；

步骤3，设计非线性模型预测转矩控制的成本函数；

步骤4，设计模糊调节器，采用模糊调节器调整非线性模型预测转矩控制的成本函数；

步骤5，采用多目标灰狼优化算法优化模糊调节器隶属度函数的线形，得到最优的帕累托曲面；

步骤6，采用欧几里得距离方法获取帕累托前沿面中的最优解。

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风电机组非线性模型预测转矩控制变权重调节方法，通过一个变化的权重系数将能量捕获和发电机转矩波动两个相互矛盾的控制目标联系起来，模糊调节器利用风况信息动态调整权重系数进而调整控制目标之间的平衡，采用多目标灰狼优化算法对模糊调节器的隶属度函数进行优化，找到最优的帕累托曲面，使能量捕获和发电机转矩同时达到最优，实现了风电机组的最大能量捕获。

附图说明

图1为本发明的流程图；

图2(a)为本发明的不同风速下能量捕获随权重系数变化的曲线；

图2(b)为本发明的不同风速下转矩STD随权重系数变化的曲线；

图3(a)为本发明的不同风速下能量捕获和转矩STD随权重系数变化的曲线；

图3(b)为本发明的不同湍流强度下能量捕获和转矩STD随权重系数变化的曲线；

图4(a)为本发明的W_m的隶属函数示意图；

图4(b)为本发明的W_r的隶属函数示意图；

图4(c)为本发明的b的隶属函数示意图；

图5为本发明的隶属度函数优化具体流程图；

图6为本发明的600s风速分布图；

图7为本发明的采用多目标灰狼优化算法优化后的优化结果示意图；

图8(a)为本发明优化后W_m的隶属函数示意图；

图8(b)为本发明优化后W_r的隶属函数示意图；

图8(c)为本发明优化后b的隶属函数示意图。

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。

本发明针对现有的非线性模型预测控制效率始终无法达到研究人员要求的问题，提供了一种风电机组非线性模型预测转矩控制变权重调节方法。

如图1至图8所示，本发明的实施例提供了一种风电机组非线性模型预测转矩控制变权重调节方法，包括：步骤1，建立风电机组的数学模型，获取最大能量捕获问题；步骤2，确定非线性模型预测转矩控制的控制目标；步骤3，设计非线性模型预测转矩控制的成本函数；步骤4，设计模糊调节器，采用模糊调节器调整非线性模型预测转矩控制的成本函数；步骤5，采用多目标灰狼优化算法优化模糊调节器隶属度函数的线形，得到最优的帕累托曲面；步骤6，采用欧几里得距离方法获取帕累托前沿面中的最优解。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，在控制周期内，愈靠近当前控制时刻的风速对控制器动作的影响越大，因此选取风速的加权平均值和均方根平均值作为模糊调节器的输入，输出为权重系数；引入模糊调节器以调整权重系数，利用模糊调节器实时更新权重因子，实现非线性模型预测转矩控制的最终成本函数的实时更新，以适应风速快速变化给风力发电机组系统带来的影响；利用多目标灰狼优化算法对模糊调节器进行优化，主要考虑其输入输出隶属度函数的优化，选取输入输出隶属度函数的15个点作为待优化变量；优化后得到的帕累托前沿面包含很多非支配解，且这些解无法确定哪个才是最优的，引入欧几里得距离的方法确定一个“最优解中的最优解”，它是通过测量每个备选点与“最低点”之间的距离来实现的。

其中，所述步骤1具体包括：风电机组叶片捕获的机械功率P_a，如下所示：

其中，ρ表示空气密度；R表示转子半径；V表示风速；C_p(λ,β)表示功率因素，为叶尖速比λ和浆距角β的非线性函数；

在研究的风速区域中，风电机组桨距控制通常处于关闭状态，因此不考虑桨距角对功率因素的影响，功率因素取决于叶尖速比λ，将功率因素用多项式拟合，得到：

其中，C_p（λ）表示功率因素，为叶尖速比λ的非线性函数；d表示多项式阶数，取值范围为[2,5]；p_i表示叶片空气动力学拟合参数；ω_r表示转子转速；

根据公式(1)和公式(2)的风电机组能量捕获公式，风电机组在一个控制周期内捕获能量E，如下所示：

其中，t₀表示当前时刻；T表示控制周期；ψ为定值，ψ＝0.5ρπR²；

将长周期T划分为n个短周期，将公式(3)离散化，如下所示：

其中，Δt表示短周期时间；V_k表示n个短周期的预测风速均值；λ_k表示n个短周期的叶尖速比平均值；C_pk表示n个短周期的功率因素；k＝1,2,...,n。

其中，所述步骤2具体包括：在风电机组运行过程中考虑能量捕获最大化，非线性模型预测转矩控制的第一个控制目标，如下所示：

其中，ω_rk表示n个短周期的平均转子转速；k＝1,2,...,n；

在风电机组运行过程中考虑风电机组的稳定运行，非线性模型预测转矩控制的第二个控制目标为最大限度地减小发电机的转矩波动，如下所示：

其中，T_m表示转矩波动；T_gk表示第k个控制周期的发电机转矩，T_gk-1表示第k-1个控制周期的发电机转矩；

根据公式(1)和公式(5)，得到转子转速是风速、最后时刻转子转速和发电机转矩的非线性函数，如下所示：

其中，ω_rk-1表示第k-1个控制周期的转子转速，N是齿轮箱比；

J_R表示叶片惯性。

其中，所述步骤3具体包括：根据公式(5)和公式(6)设计非线性模型预测函数的成本函数，考虑两个控制目标的不同数量级差异，将两个控制目标进行归一化处理，如下所示：

其中，F1表示能量捕获的损失率；E表示实际能量捕获；E_max表示最大能量捕获；i＝1,2,...,d；

表示功率因素最大值；

其中，F2表示发电机转矩的波动率，

表示发电机转矩最大值。

其中，所述步骤3还包括：利用权重系数b将两个控制目标连接起来，得到非线性模型预测转矩控制的成本函数，如下所示：

其中，

表示额定发电机转矩；

表示额定转子转速；

表示发电机最小转矩；

表示切入转子转速；

表示最大转子转速；b表示权重系数，其作用是平衡能量捕获和发电机的转矩波动，b的取值范围为[0.001,0.1]。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，在风电机组运行过程中，控制策略只能使能量捕获和发电机转矩波动在一定范围内达到最优的情况。同时，控制性能随着风电机组发电环境的变化而变化，例如风速变化。为分析风速对能量捕获和发电机转矩的影响，以10个不同权重系数(以步长0.01从0.01变化到0.1)为例进行分析，图2分别给出了平均风速为5m/s、6m/s和7m/s时的能量捕获和发电机转矩波动情况。从图2可见，当平均风速为5m/s-7m/s时，能量捕获曲线最高点对应的权重系数分别为0.02、0.09和0.06，不同平均风速下达到最大能量捕获对应的权重系数完全不同，而且不存在任何明确的线性关系。发电机转矩STD值的结果也类似，平均风速的不同造成了显著差异。值得注意的是，同一平均风速下能量捕获最大值点和发电机转矩波动最小值点均对应着不同的权重系数。这也说明了一个非常重要的问题，即能量捕获与发电机转矩波动两个控制目标无法同时达到最好的状态，只能最大限度地平衡两者之间的关系。

其中，所述步骤4具体包括：将风速平均值作为模糊调节器的第一个输入，根据风速的时间属性对风速平均值进行加权处理，以一个控制周期T为基准，获取风速加权平均值W_m，如下所示：

其中，c表示预测步长，预测步长取5；W（k+j|k)表示在k时刻下k+j时刻的风速，j＝1,2,...,c；

取控制周期T内风速加权平均值的均方根作为模糊调节器的第二个输入，如下所示：

其中，W_r表示均方根平均值。

本发明的上述实施例所述的风力机非线性模型预测转矩控制变权重调节方法，采用模糊调节器调整权重系数的方法用以确定非线性模型预测转矩控制的权重系数b，模糊调节器设计的首要问题是确定其输入。风电机组最大能量捕获和发电机转矩变化的影响因素包括结构因素和风速因素。其中，风速因素是本文研究的重点，主要包括平均风速和风速湍流强度。平均风速是指在一定的时间尺度上，风速存在缓慢变化的趋势，在此期间风速平均值认为是不变的；而风速湍流强度是描述风速波动程度的指标，即风速实际值偏离平均值的程度。为考察平均风速和风速湍流强度对两个控制目标的影响，本文分别对不同平均风速和湍流强度的风况下，仿真分析了能量捕获和发电机转矩变化随权重系数的变化规律，结果如图3所示。图3是权重系数步长从0.001变化到0.1时，不同平均风速和风速湍流强度对风电机组发电性能的影响曲线。其中，图3(a)表示风速湍流强度为12％时不同平均风速对风电机组发电性能的影响，E曲线表示能量捕获标准化值，T曲线表示发电机转矩STD标准化值，菱形表示每条曲线的最高或最低点；图3(b)表示平均风速为6m/s时不同风速湍流强度对风电机组发电性能的影响，E曲线表示能量捕获标准化值，T曲线表示发电机转矩STD标准化值；菱形表示每条曲线的最高或最低点，不同的标志符号表示不同的平均风速和风速湍流强度曲线。从图3(a)中可以看到平均风速从5m/s-7m/s时，能量捕获曲线最高点对应的权重系数分别为0.02、0.098和0.046，发电机功率STD(标准差)曲线最低点对应的权重系数分别为0.66、078和0.96。从图3(b)可见，风速湍流强度从12％-14％时，能量捕获曲线最高点对应的权重系数分别为0.98、0.54和0.48，发电机功率STD曲线最低点对应的权重系数分别为0.78、0.52和0.98。这说明平均风速和风速湍流强度的差异，造就了能量捕获曲线最高点和发电机转矩STD曲线最低点对应权重系数的差异。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，将模糊逻辑推理输入和输出模糊化，论述范围均在[0，1]上定义。将风速的加权平均值W_m划分为三个模糊集，分别为小(S)、中(M)、大(L)，其隶属度函数如图4(a)所示；将均方根平均值W_r和权重系数b均划分为5个模糊集，分别为非常小(VS)、小(S)、中(M)、大(L)、非常大(VL)，隶属度函数分别如图4(b)和图4(c)所示。

从图4可以看出，两个输入变量分别映射为三个和五个不同的语言值，因此，建立的模糊规则表将包含15个不同的规则，表1列出了模糊逻辑推理的完整规则库，模糊规则的制定基于以下认识：较大的风速的加权平均值和较大的均方根平均值导致发电机转矩变化频繁以提高能量捕获。

表1规则库

	VS	S	M	L	VL
						S	VS	VS	S	M	L
M	VS	S	M	L	VL
						L	S	M	L	VL	VL

虽然采用模糊调节器更新权重系数可以将专家经验纳入其中，但也有其缺点。当专家经验不足或出现错误时，模糊调节器的结果将不再可靠，并且复杂输入下的模糊关系有时无法直接由专家经验给出。因此，对模糊调节器进一步优化，主要考虑其输入和输出隶属度函数的优化。以图4(c)的输出隶属度函数为例，待优化变量包括最左侧的三角隶属函数右侧的底点、最右侧的三角隶属函数左侧的底点和中间3个三角隶属函数的顶点共5个待优化变量。其中，中间3个三角隶属函数的形状不改变，随顶点在隶属空间内平移。同理，W_m和W_r的隶属度函数分别包含3个和5个待优化变量，模糊调节器的隶属度函数共包含13个待优化变量。

其中，所述步骤4还包括：将风速加权平均值W_m和均方根平均值W_r作为模糊调节器的输入，在模糊调节器设计中，首先将模糊调节器输入和输出参数模糊化，论述范围为[0，1]，将风速的加权平均值W_m划分为三个模糊集，分别为小、中和大；将均方根平均值W_r和权重系数b分别划分为5个模糊集，分别为非常小、小、中、大和非常大，模糊调节器输出为权重系数。

其中，所述步骤4具体包括：多目标灰狼优化算法定义了四种类型的狼，分别为α、β、δ和ω狼，每条狼的维度为13，对应上节隶属度函数的13个待优化变量，α狼作为领导者，负责做出决定和狩猎；β狼是次级狼，帮助α狼决定；δ狼统治其他等级较低的狼，α狼为最优解决方案，β和δ狼分别为第二和第三解决方案，剩下的所有候选解决方案为ω狼，狼找到猎物后，首先包围它，建立灰狼狩猎行为的数学模型，如下所示：

其中，

表示距离向量；

表示系数向量；

表示猎物的位置向量；

表示灰狼的位置向量；t表示当前的迭代；

其中，

表示系数向量，为：

其中，

表示从2到0线性递减值，

表示[0,1]中的随机向量，在

的值从2减小到0的搜索迭代过程中，当

时，灰狼攻击猎物，当

时灰狼分散开来寻找猎物；

其中，

表示[0,1]中的随机向量；

其中，a表示从2到0线性递减值，Max_iter表示最大迭代次数；

前三个最佳解α狼、β狼和δ狼更了解猎物的位置，在迭代过程中，ω狼根据α狼、β狼和δ狼的要求搜索出有希望的区域，ω狼的搜索行为，如下所示：

其中，

表示α狼的距离向量，

表示β狼的距离向量，

表示δ狼的距离向量，

和

为前三个最优解，

和

均表示α狼的系数向量，

和

均表示β狼的系数向量，

和

均表示δ狼的系数向量，

表示α狼的位置向量，

表示β狼的位置向量，

表示δ狼的位置向量，

和

根据公式(14)计算，

和

根据公式(15)计算；

其中，

表示t+1次迭代时灰狼的位置向量；

多目标灰狼优化算法迭代计算完成后，得到最终的非支配解集，其所有元素均位于帕累托前沿面上。

其中，所述步骤4还包括：帕累托前沿面中的两个控制目标的向量定义为u,υ，u＝(u₁,u₂,...,u_k)，v＝(v₁,v₂,...,v_k)，有

满足u_i≤v_i，并且

使得u_j＜v_j，则称为向量u优于向量v，记作

向量u中至少有一个元素应该小于向量v中所有元素，如下所示：

其中，i，j∈{1,2,...,k}，当向量u中不存在任何元素大于或等于向量v中的元素时，称向量u为非支配解，所有非支配解的集合称为多目标函数的帕累托前沿，定义所有解向量的集合为M，帕累托前沿面，如下所示：

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，灰狼优化算法结构简单、调整参数少，是近年来最流行的元启发式算法之一。隶属度函数的优化过程如图5所示：首先，初始化MOGWO各个参数并建立预定义的模糊调节器系统；然后，取一段时间内的风速数据，计算风速的加权平均值和均方根平均值作为模糊调节器的输入；接着，将模糊调节器输出的权重系数b代入适应度函数中进行评估，以确定最佳的解决方案和三个头狼的排序；最后，如果达到终止迭代的条件，将停止计算；反之，则使用方程(18)-(20)更新搜索代理和系数向量并重新评估适应度函数，如果比之前的搜索代理好，则更新α、β和δ狼并继续进程，直到满足停止条件。

其中，所述步骤6具体包括：采用基于欧几里得距离的方法确定帕累托前沿面中的最优解，通过测量每个备选点与最低点之间的距离，考虑到两个控制目标的尺度不同，将两个控制目标统一，如下所示：

其中，

表示控制目标尺度统一后的距离，f_st表示帕累托前沿面上的点与最低点之间的距离，s表示帕累托边界上的点的序号，t表示考虑的目标指标。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，欧几里得距离越短，该备选点越接近理想点，认为越好。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，研究对象为明阳智能所生产的1.5MW风电机组，其规格如表2所示。

表2风电机组的相关参数

参数	值
		额定功率	1.5MW
额定转子转速	183.26rad/s
		额定发电机转矩	8185Nm
转子半径	41.2m
		齿轮箱比	100.48
整合惯性	5.78×10<sup>6</sup>kg·m<sup>2</sup>
		最大功率因素	0.4827
最佳叶尖速比	9.5

为了验证所提出的方法，本文首先利用多目标灰狼优化算法计算模糊调节器的隶属度函数，然后将优化后的模糊调节器用于风电机组仿真。仿真实验在MATLAB R2017b上进行，计算机参数为：Intel(R)Core(TM)i5-7200U CPU@2.50GHz 2.70GHz，RAM12GB。在仿真实验中，采用平均风速为6m/s的随机湍流风。风速分布如图6所示，600s风速前400s用于隶属度函数训练，后200s用于应用与验证。多目标灰狼优化算法的参数如表3所示，其中，a是压力因子，size是种群大小，T是最大迭代次数，n是优化维数。

表3多目标灰狼优化算法参数

采用MOGWO(多目标灰狼优化算法)算法对隶属度函数进行优化，得到的训练优化结果如图7所示：横坐标为次要目标发电机转矩波动率，而纵坐标表示主要目标能量捕获损失率；MOGWO的实心点表示MOGWO最后一次迭代的粒子，固定权重的实心点表示固定权重MPC以步长0.001从0.001到0.1的结果，菱形代表位于帕累托前沿面上的粒子。从图7可见，经过优化迭代的粒子最终收敛到帕累托前沿面，且其基本位于固定权重MPC结果的下方，这说明所述风电机组非线性模型预测转矩控制变权重调节方法优于固定权重MPC。计算帕累托前沿面上所有粒子与点[0.05,0.05]之间的欧式距离，距离最小的点为最优点，图7中表示为五角星的MPCFM点和最优结果进行对比，以MPCFM点坐标为基准分别画两条垂直于X轴和Y轴的直线，它们与固定权重MPC的交点分别为五角星MPC1点和五角星MPC2点，对应权重系数为0.06和0.002。其中MPC1点的发电机转矩波动率与最优点接近，MPC2点的能量捕获损失率与最优点接近。最优点MPCFM所代表的一组13维数据代表优化后隶属度函数的参数，如图8所示。输入和输出隶属度函数的变化都很大，如图8(a)中初始状态时最左侧的三角隶属函数右侧的底点在右边，最右侧的三角隶属函数左侧的底点在左边且两者距离0.2，优化后两者相互交叉且距离0.356。图8(c)中初始状态时其顶点间隔为0.1，优化后顶点L所对应的三角形后移至顶点S和M所对应三角形后面且三者之间的间隔从0.1变为S与L间隔0.04、M与S间隔0.29。最终优化后的结果位于帕累托前沿面上。

本发明的上述实施例所述的风电机组非线性模型预测转矩控制变权重调节方法，通过一个变化的权重系数将能量捕获和发电机转矩波动两个相互矛盾的控制目标联系起来，模糊调节器利用风况信息动态调整权重系数进而调整控制目标之间的平衡，采用多目标灰狼优化算法对模糊调节器的隶属度函数进行优化，找到最优的帕累托曲面，使能量捕获提高并降低发电机转矩波动，实现了风电机组的最大能量捕获。

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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，包括：

步骤1，建立风电机组的数学模型，获取最大能量捕获问题；

步骤2，确定非线性模型预测转矩控制的控制目标；

步骤3，设计非线性模型预测转矩控制的成本函数；

步骤4，设计模糊调节器，采用模糊调节器调整非线性模型预测转矩控制的成本函数；

步骤5，采用多目标灰狼优化算法优化模糊调节器隶属度函数的线形，得到最优的帕累托曲面；

步骤6，采用欧几里得距离方法获取帕累托前沿面中的最优解。

2.根据权利要求1所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤1具体包括：

风电机组叶片捕获的机械功率P_a，如下所示：

其中，ρ表示空气密度；R表示转子半径；V表示风速；C_p(λ，β)表示功率因素，为叶尖速比λ和浆距角β的非线性函数；

在研究的风速区域中，风电机组桨距控制通常处于关闭状态，因此不考虑桨距角对功率因素的影响，功率因素取决于叶尖速比λ，将功率因素用多项式拟合，得到：

其中，C_p(λ)表示功率因素，为叶尖速比λ的非线性函数；d表示多项式阶数，取值范围为[2，5]；p_i表示叶片空气动力学拟合参数；ω_r表示转子转速；

根据公式(1)和公式(2)的风电机组能量捕获公式，风电机组在一个控制周期内捕获能量E，如下所示：

其中，t₀表示当前时刻；T表示控制周期；ψ为定值，ψ＝0.5pπR²；

将长周期f划分为n个短周期，将公式(3)离散化，如下所示：

其中，Δt表示短周期时间；V_k表示n个短周期的预测风速均值；λ_k表示n个短周期的叶尖速比平均值；C_pk表示n个短周期的功率因素；k＝1，2，...，n。

3.根据权利要求2所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤2具体包括：

在风电机组运行过程中考虑能量捕获最大化，非线性模型预测转矩控制的第一个控制目标，如下所示：

其中，ω_rk表示n个短周期的平均转子转速；k＝1，2，...，n；

在风电机组运行过程中考虑风电机组的稳定运行，非线性模型预测转矩控制的第二个控制目标为最大限度地减小发电机的转矩波动，如下所示：

其中，T_m表示转矩波动；T_gk表示第k个控制周期的发电机转矩，T_gk-1表示第k-1个控制周期的发电机转矩；

根据公式(1)和公式(5)，得到转子转速是风速、最后时刻转子转速和发电机转矩的非线性函数，如下所示：

其中，ω_rk-1表示第k-1个控制周期的转子转速；N是齿轮箱比；

J_R表示叶片惯性。

4.根据权利要求3所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤3具体包括：

根据公式(5)和公式(6)设计非线性模型预测函数的成本函数，考虑两个控制目标的不同数量级差异，将两个控制目标进行归一化处理，如下所示：

其中，F1表示能量捕获的损失率；E表示实际能量捕获；E_max表示最大能量捕获；i＝1，2，...，d；

表示功率因素最大值；

其中，F2表示发电机转矩的波动率；

表示发电机转矩最大值。

5.根据权利要求4所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤3还包括：

利用权重系数b将两个控制目标连接起来，得到非线性模型预测转矩控制的成本函数，如下所示：

其中，

表示额定发电机转矩；

表示额定转子转速；

表示发电机最小转矩；

表示切入转子转速；

表示最大转子转速；b表示权重系数，其作用是平衡能量捕获和发电机的转矩波动，b的取值范围为[0.001，0.1]。

6.根据权利要求5所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤4具体包括：

将风速平均值作为模糊调节器的第一个输入，根据风速的时间属性对风速平均值进行加权处理，以一个控制周期T为基准，获取风速加权平均值W_m，如下所示：

其中，c表示预测步长，预测步长取5；W(k+j|k)表示在k时刻下k+j时刻的风速，j＝1，2，...，c；

取控制周期T内风速加权平均值的均方根作为模糊调节器的第二个输入，如下所示：

其中，W_r表示均方根平均值。

7.根据权利要求6所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤4还包括：

将风速加权平均值W_m和均方根平均值W_r作为模糊调节器的输入，在模糊调节器设计中，首先将模糊调节器输入和输出参数模糊化，论述范围为[0，1]，将风速的加权平均值W_m划分为三个模糊集，分别为小、中和大；将均方根平均值W_r和权重系数b分别划分为5个模糊集，分别为非常小、小、中、大和非常大，模糊调节器输出为权重系数。

8.根据权利要求7所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤4具体包括：

多目标灰狼优化算法定义了四种类型的狼，分别为α、β、δ和ω狼，每条狼的维度为13，对应上节隶属度函数的13个待优化变量，α狼作为领导者，负责做出决定和狩猎；β狼是次级狼，帮助α狼决定；δ狼统治其他等级较低的狼，α狼为最优解决方案，β和δ狼分别为第二和第三解决方案，剩下的所有候选解决方案为ω狼，狼找到猎物后，首先包围它，建立灰狼狩猎行为的数学模型，如下所示：

其中，

表示距离向量；

表示系数向量；

表示猎物的位置向量；

表示灰狼的位置向量；t表示当前的迭代；

其中，

表示系数向量，为：

其中，

表示从2到0线性递减值，

表示[0，1]中的随机向量，在

的值从2减小到0的搜索迭代过程中，当

时，灰狼攻击猎物，当

时灰狼分散开来寻找猎物；

其中，

表示[0，1]中的随机向量；

其中，a表示从2到0线性递减值，Max_iter表示最大迭代次数；

前三个最佳解α狼、β狼和δ狼更了解猎物的位置，在迭代过程中，ω狼根据α狼、β狼和δ狼的要求搜索出有希望的区域，ω狼的搜索行为，如下所示：

其中，

表示α狼的距离向量，

表示β狼的距离向量，

表示δ狼的距离向量，

知

为前三个最优解，

知

均表示α狼的系数向量，

知

均表示β狼的系数向量，

知

均表示δ狼的系数向量，

表示α狼的位置向量，

表示β狼的位置向量，

表示δ狼的位置向量，

知

根据公式(14)计算，

知

根据公式(15)计算；

其中，

表示t+1次迭代时灰狼的位置向量；

多目标灰狼优化算法迭代计算完成后，得到最终的非支配解集，其所有元素均位于帕累托前沿面上。

9.根据权利要求10所述的风力机非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤4还包括：

帕累托前沿面中的两个控制目标的向量定义为u，v，u＝(u₁，u₂，...，u_k)，v＝(v₁，v₂，...，v_k)，有

满足u_i≤v_i，并且

使得u_j＜v_j，则称为向量u优于向量v，记作

向量u中至少有一个元素应该小于向量v中所有元素，如下所示：

其中，i，j∈{1，2，...，k}，当向量u中不存在任何元素大于或等于向量v中的元素时，称向量u为非支配解，所有非支配解的集合称为多目标函数的帕累托前沿，定义所有解向量的集合为M，帕累托前沿面，如下所示：

10.根据权利要求9所述的风电机组非线性模型预测转矩控制变权重调节方法，其特征在于，所述步骤6具体包括：

采用基于欧几里得距离的方法确定帕累托前沿面中的最优解，通过测量每个备选点与最低点之间的距离，考虑到两个控制目标的尺度不同，将两个控制目标统一，如下所示：

其中，

表示控制目标尺度统一后的距离，f_st表示帕累托前沿面上的点与最低点之间的距离，s表示帕累托边界上的点的序号，t表示考虑的目标指标。

Images