CN113298317A - 一种风力发电机组偏航控制方法 - Google Patents

一种风力发电机组偏航控制方法 Download PDF

Info

Publication number
CN113298317A
CN113298317A CN202110667290.5A CN202110667290A CN113298317A CN 113298317 A CN113298317 A CN 113298317A CN 202110667290 A CN202110667290 A CN 202110667290A CN 113298317 A CN113298317 A CN 113298317A
Authority
CN
China
Prior art keywords
wind
yaw
network
coding
sequence
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
CN202110667290.5A
Other languages
English (en)
Other versions
CN113298317B (zh
Inventor
董帅
杨志华
熊坤坤
邹昆
李文生
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.)
Dragon Totem Technology Hefei Co ltd
Guangfa Huidong Wind Power Co ltd
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202110667290.5A priority Critical patent/CN113298317B/zh
Publication of CN113298317A publication Critical patent/CN113298317A/zh
Application granted granted Critical
Publication of CN113298317B publication Critical patent/CN113298317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种风力发电机组偏航控制方法，包括以下步骤：1)对风机的偏航模型进行离散化，得到最优偏航控制的优化模型；2)对多组风的样本进行三进制编码；3)采用三进制遗传算法，分别计算每组风的样本计算最优偏航控制序列；4)对样本进行编码，在编码空间对样本进行聚类，获得对应的隐变量；5)将风和偏航控制指令进行解码，并与风横态隐变量配对为完整的数据集；6)构建生成对抗模仿学习偏航网络，利用数据集训练网络。优点在于：能够精准预测中短期风速变化情况，有效提高追风效果，降低偏航误差；2、提高训练的稳定；3、利用单步判别和序列判别器组合，指导生成对抗网络的训练，提高训练速度和稳定性。

Description

一种风力发电机组偏航控制方法
技术领域
本发明涉及故障处理技术领域，特别是一种风力发电机组偏航控制方法。
背景技术
大型风力发电机偏航控制系统采用反馈控制，现有方法基于scada采集的运行数据， 利用遗传算法直接对控制器参数进行优化，但是控制器形式是传统的分段非线性控制器， 鲁棒性不够，需要针对不同的风场和机型分别优化出不同的控制器，且现有方法采用强化 学习来训练偏航决策网络，需要训练过程不稳定。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种风力发电机组偏航控制方法。
为解决上述问题，本发明采用如下的技术方案。
一种风力发电机组偏航控制方法，包括以下步骤：
1)对风机的偏航模型进行离散化，得到最优偏航控制的优化模型；
2)对多组风的样本进行三进制编码；
3)采用三进制遗传算法，分别计算每组风的样本计算最优偏航控制序列；
4)对样本进行编码，在编码空间对样本进行聚类，获得对应的隐变量；
5)将风和偏航控制指令进行解码，并与风横态隐变量配对为完整的数据集；
6)构建生成对抗模仿学习偏航网络，利用数据集训练网络。
2.根据权利要求1所述的一种风力发电机组偏航控制方法，其特征在于：
1)采集n条不同风况下的风序列
Figure BDA0003117879970000011
基于机组简化的 离散偏航模型，以发电量最大化作为优化指标，利用三进制遗传算法离线优化方法计算每 个风序列wi的最优偏航动作序列
Figure BDA0003117879970000012
并建立偏航专家示教样本集合 S1＝{(Wi,Ci),i＝1,2,…，n}；
2)对风序列Wi进行二进制编码得到一个实数wi，对偏航动作序列Ci进行三进制编码 得到一个实数编码ci，建立混合编码专家示教样本集合S2＝{(Wi,Ci),i＝1,2,…,n}；
3)在二维平面上绘制{(Wi,Ci),i＝1,2,…,n}的散点图，采用Kmeans获取中心点坐标， 采用EM算法确定混合高斯分布的参数，并确定每个样本点所属于的专家模态mi，建立包 含模态变量的混合编码专家示教样本集合S3＝{(Wi,Ci,mi),i＝1,2,…,n}；
4)对S3进行解码，构建训练用专家样本集合S4＝{(Wi,Ci,mi),i＝1,2,…,n}。
5)对一种改进的生成对抗网络进行监督训练，来学习专家偏航策略。在实际控制时， 只运行变分自编码网络和策略生成网络，而不运行判别网络；将
Figure BDA0003117879970000021
输入偏航执行机构， 控制偏航系统动作。
3.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述大型风力发电偏航控制偏航控制的运动模型可以表示为：
Figure BDA0003117879970000022
Figure BDA0003117879970000023
Figure BDA0003117879970000024
Figure BDA0003117879970000025
其中，
Figure BDA0003117879970000026
是反映机组的机械特性和电气特性的常数，x1∈[0,2π)为相对于 正北方向的机舱偏航角，x2为机组的发电量，v1和v2为叶轮面所吸收风能的等效风速和风 向，w1和w2为风速和风向的加速度，
Figure BDA0003117879970000027
为机舱的偏航速率，
Figure BDA0003117879970000028
和
Figure BDA0003117879970000029
分别为湍流对风速风向加速度产生的摄动的限幅值。记x＝[x1,x2]T，v＝[v1,v2]T，w＝[w1,w2]T，
Figure BDA00031178799700000210
为v的测量值。定义系统的L2增益性能指标
Figure BDA00031178799700000211
则最优偏航控制问题可以描述为找到一个偏航控制律u*(t)使得性能指标J最小，由 于机舱的偏航速率大大滞后于风向的变化，执行机构在动作时大部分时间处于饱和状态， 因此，可以控制量的动作空间从
Figure BDA00031178799700000212
近似为
Figure BDA00031178799700000213
0表示不动作，
Figure BDA00031178799700000214
表示顺时针偏航，
Figure BDA00031178799700000215
表示逆时针偏航；
对系统进行离散化，可以将最优偏航轨迹T*离线优化问题转变为
Figure BDA0003117879970000031
其中，
Figure BDA0003117879970000032
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure BDA0003117879970000033
s.t.1)u(k)∈{0,1,2}
2)
Figure BDA0003117879970000034
3)x2(k)＝x2(k-1)+P(k)
4)x1(0)＝0,x2(0)＝0，
控制序列u(1),u(2)u(3),…,u(kf)对应一个kf位的三进制数U，其变化区间为’000…0’ 到’222…2’。交叉和变异等常见的进化算法操作进行适当改进，都可以用于该序列。可 以得到每个风况样本对应的偏航控制序列u*(k)，[v1,v2]对应前述的
Figure RE-GDA0003151809280000042
u(k)对应前述的
Figure RE-GDA0003151809280000043
4.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述风速风向编码表示为：
Figure BDA0003117879970000041
将风向风速空间进行网格化：风速区间为[0m/s,25m/s]，节点间隔为25m/s/256；风 向区间为[-π,π]，节点间隔为π/512；当
Figure BDA0003117879970000042
位于某一网格内部时，将该网格的小标表示为二进制数，则风速维度的下标为8位的二进制数，风向维度的下标为9位的二进制数； 将两个二进制数进行拼接，可以得到一个17位的二进制数；将17维的二进制数除以217以 将其转换为0～1之间的实数。该实数即为最终的编码结果，解码过程为上述过程的逆过程。
5.根据权利要求4所述的一种风力发电机组偏航控制方法，其特征在于：
所述聚类包括：在二维平面上，以风况编码信息为横轴，动作序列编码为纵轴，绘制 散点图。对该散点图采用Kmean方法进行初步聚类，再采用EM算法得到一个高斯混合模型。假设高斯混合模型包括K个高斯分布，则可以算出每个散点属于每个高斯分布的概率，如果属于第k个高斯分布的概率最大，则该样本的模态为mi，
Figure BDA0003117879970000043
Figure BDA0003117879970000044
和mi组合成一个完整样本。
6.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述对抗网络包括：1个变分自编码网络V用于预测当前状态所需要采用的策略模态， 1个策略生成网络G用于根据历史数据和机组状态生成实时的偏航动作，2个判别网络D1 和D2用于度量单步和序列的生成策略与专家策略之间的距离；
网络的损失函数为：
Figure BDA0003117879970000045
其中，P(·)表示某一变量的分布，D包含了D1和D2的参数；
在训练过程中，首先对判别器进行优化
Figure BDA0003117879970000046
再对
Figure BDA0003117879970000047
进行优化，
变分自编码器的输出的标签为mi，实际输出为
Figure BDA0003117879970000048
不直接计算变分自编码器的损失。 生成器的标签为期望指令ci，输出为生成指令
Figure BDA0003117879970000049
损失函数为二者的L1_loss或mse_loss。 当wi,ci,mi输入单步判别器时，对应标签为1；当wi,
Figure BDA0003117879970000051
输入单步判别器时，对应标签为0。 当
Figure BDA00031178799700000512
输入单步判别器时，对应标签为1；当
Figure BDA0003117879970000053
输入单步判别器时，对应标签为0。单步判别器序列判别器的损失均为二值交叉熵。
7.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述网络的训练方法为：
1)所述从S4中随机抽取一个样本，截取其中的一段长度为Δ+τ的片段，将其记为
W＝[w1,w2,…,wΔ,…,wΔ+τ]
C＝[cΔ+1,…,cΔ+τ]
M＝[mΔ+1,…,mΔ+τ]
2)采用滑动窗口，得到τ个输入向量Xi＝[wi,wi+1,…,wi+Δ]T,i＝1,…,τ，以及τ个标签 向量Yi＝[mi+Δ,ci+Δ]T,i＝1,…,τ。将输入向量组成一个batch输入网络，并利用标签向量作为监督信息。
3)固化变分自编码网络和生成网络参数，计算变分自编码网络的输出
Figure BDA0003117879970000054
以及策略生成网络的输出
Figure BDA0003117879970000055
并得到序列输出结果
Figure BDA0003117879970000056
4)计算单步判别器的输出D1(Xi,ci,mi)和D1(Xi,ci,mi)，并计算损失函数
Figure BDA0003117879970000057
5)计算序列判别器的输出D2(W,C)和
Figure BDA0003117879970000058
并计算损失函数
Figure BDA0003117879970000059
6)根据lossD1和lossD2更新判别器参数。
7)固化两个判别器参数，计算模态预测损失
Figure BDA00031178799700000510
和策略生成损失
Figure BDA00031178799700000511
8)对模态预测损失进行加权，更新变分自编码网络和策略生成网络参数。
本发明的有益效果
相比于现有技术，本发明的优点在于：
1、采用深度卷积网络的形式作为控制器，引入多尺度的风况预测模块，能够精准预 测中短期风速变化情况，有效提高追风效果，降低偏航误差
2、离线计算最优控制轨迹，作为示教数据供偏航决策网络学习，提高训练的稳定。
3、利用单步判别和序列判别器组合，指导生成对抗网络的训练，提高训练速度和稳 定性。
附图说明
图1为本发明的流程图。
图2为本发明改进生成对抗网络的模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地 描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本 发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
请参阅图1至图2，本发明的具体步骤为：
1)采集n条不同风况下的风序列
Figure BDA0003117879970000061
基于机组简化的 离散偏航模型，以发电量最大化作为优化指标，利用三进制遗传算法离线优化方法计算每 个风序列wi的最优偏航动作序列
Figure BDA0003117879970000062
并建立偏航专家示教样本集合 S1＝{(Wi,Ci),i＝1,2,…，n}。
2)对风序列Wi进行二进制编码得到一个实数wi，对偏航动作序列Ci进行三进制编码 得到一个实数编码ci，建立混合编码专家示教样本集合S2＝{(Wi,Ci),i＝1,2,…,n}。
3)在二维平面上绘制{(Wi,Ci),i＝1,2,…,n}的散点图，采用Kmeans获取中心点坐标， 采用EM算法确定混合高斯分布的参数，并确定每个样本点所属于的专家模态mi，建立包 含模态变量的混合编码专家示教样本集合S3＝{(Wi,Ci,mi),i＝1,2,…,n}。
4)对S3进行解码，构建训练用专家样本集合S4＝{(Wi,Ci,mi),i＝1,2,…,n}。
5)对一种改进的生成对抗网络进行监督训练，来学习专家偏航策略。在实际控制时， 只运行变分自编码网络和策略生成网络，而不运行判别网络；将
Figure BDA0003117879970000063
输入偏航执行机构， 控制偏航系统动作。
(2)偏航系统模型的简化方法
大型风力发电偏航控制偏航控制的运动模型可以表示为
Figure BDA0003117879970000071
Figure BDA0003117879970000072
Figure BDA0003117879970000073
Figure BDA0003117879970000074
其中，
Figure BDA0003117879970000075
是反映机组的机械特性和电气特性的常数，x1∈[0,2π)为相对于 正北方向的机舱偏航角，x2为机组的发电量，v1和v2为叶轮面所吸收风能的等效风速和风 向，w1和w2为风速和风向的加速度，
Figure BDA0003117879970000076
为机舱的偏航速率，
Figure BDA0003117879970000077
和
Figure BDA0003117879970000078
分别为湍 流对风速风向加速度产生的摄动的限幅值。记x＝[x1,x2]T，v＝[v1,v2]T，w＝[w1,w2]T，
Figure BDA0003117879970000079
为v的测量值。定义系统的L2增益性能指标
Figure BDA00031178799700000710
则最优偏航控制问题可以描述为找到一个偏航控制律u*(t)使得性能指标J最小。
由于机舱的偏航速率大大滞后于风向的变化，执行机构在动作时大部分时间处于饱和 状态，因此，可以控制量的动作空间从
Figure BDA00031178799700000711
近似为
Figure BDA00031178799700000712
0表示不动作，
Figure BDA00031178799700000713
表示顺时针偏航，
Figure BDA00031178799700000714
表示逆时针偏航。
对系统进行离散化，可以将最优偏航轨迹T*离线优化问题转变为
Figure BDA0003117879970000081
其中，
Figure BDA0003117879970000082
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure BDA0003117879970000083
(3)三进制遗传算法求解优化问题(4)
控制序列u(1),u(2)u(3),…,u(kf)对应一个kf位的三进制数U，其变化区间为’000…0’ 到’222…2’。交叉和变异等常见的进化算法操作进行适当改进，都可以用于该序列。可 以得到每个风况样本对应的偏航控制序列u*(k)。
注意：[v1,v2]对应前述的
Figure BDA0003117879970000085
u(k)对应前述的
Figure BDA0003117879970000086
(4)风序列与动作序列的编码与聚类
1)风速风向编码
Figure BDA0003117879970000091
将风向风速空间进行网格化：风速区间为[0m/s,25m/s]，节点间隔为25m/s/256；风 向区间为[-π,π]，节点间隔为π/512；当
Figure BDA0003117879970000092
位于某一网格内部时，将该网格的小标表示为二进制数，则风速维度的下标为8位的二进制数，风向维度的下标为9位的二进制数； 将两个二进制数进行拼接，可以得到一个17位的二进制数；将17维的二进制数除以217以 将其转换为0～1之间的实数。该实数即为最终的编码结果。
解码过程为上述过程的逆过程。
2)控制序列编码
Figure BDA0003117879970000093
当序列长度为3时，动作序列编码示例如下
Figure BDA0003117879970000094
3)聚类
在二维平面上，以风况编码信息为横轴，动作序列编码为纵轴，绘制散点图。对该散 点图采用Kmean方法进行初步聚类，再采用EM算法得到一个高斯混合模型。假设高斯混合模型包括K个高斯分布，则可以算出每个散点属于每个高斯分布的概率，如果属于第k 个高斯分布的概率最大，则该样本的模态为mi。
Figure BDA0003117879970000101
和mi组合成一个完整样本。
聚类方法都是经典的，但先编码再聚类，是本专利要保护的一个点。
(5)网络模型
网络包括：1个变分自编码网络V用于预测当前状态所需要采用的策略模态，1个策略生成网络G用于根据历史数据和机组状态生成实时的偏航动作，2个判别网络D1和D2 用于度量单步和序列的生成策略与专家策略之间的距离。
网络的损失函数为
Figure BDA0003117879970000102
其中，P(·)表示某一变量的分布，D包含了D1和D2的参数。
在训练过程中，首先对判别器进行优化
Figure BDA0003117879970000103
再对
Figure BDA0003117879970000104
进行优化。
变分自编码器的输出的标签为mi，实际输出为
Figure BDA0003117879970000105
不直接计算变分自编码器的损失。 生成器的标签为期望指令ci，输出为生成指令
Figure BDA0003117879970000106
损失函数为二者的L1_loss或mse_loss。 当wi,ci,mi输入单步判别器时，对应标签为1；当wi,
Figure BDA0003117879970000107
输入单步判别器时，对应标签为0。 当
Figure BDA00031178799700001010
输入单步判别器时，对应标签为1；当
Figure BDA0003117879970000109
输入单步判别器时，对应标签为0。单步判别器序列判别器的损失均为二值交叉熵。
(6)网络的训练方法
1)从S4中随机抽取一个样本，截取其中的一段长度为Δ+τ的片段，将其记为
W＝[w1,w2,…,wΔ,…,wΔ+τ]
C＝[cΔ+1,…,cΔ+τ]
M＝[mΔ+1,…,mΔ+τ]
2)采用滑动窗口，得到τ个输入向量Xi＝[wi,wi+1,…,wi+Δ]T,i＝1,…,τ，以及τ个标签 向量Yi＝[mi+Δ,ci+Δ]T,i＝1,…,τ。将输入向量组成一个batch输入网络，并利用标签向量作为监督信息。
3)固化变分自编码网络和生成网络参数，计算变分自编码网络的输出
Figure BDA0003117879970000111
以及策略生成网络的输出
Figure BDA0003117879970000112
并得到序列输出结果
Figure BDA0003117879970000113
4)计算单步判别器的输出D1(Xi,ci,mi)和D1(Xi,ci,mi)，并计算损失函数
Figure BDA0003117879970000114
5)计算序列判别器的输出D2(W,C)和
Figure BDA0003117879970000115
并计算损失函数
Figure BDA0003117879970000116
6)根据lossD1和lossD2更新判别器参数。
7)固化两个判别器参数，计算模态预测损失
Figure BDA0003117879970000117
和策略生成损失
Figure BDA0003117879970000118
8)对模态预测损失进行加权，更新变分自编码网络和策略生成网络参数。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任 何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改 进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种风力发电机组偏航控制方法，其特征在于，包括以下步骤：
1)对风机的偏航模型进行离散化，得到最优偏航控制的优化模型；
2)对多组风的样本进行三进制编码；
3)采用三进制遗传算法，分别计算每组风的样本计算最优偏航控制序列；
4)对样本进行编码，在编码空间对样本进行聚类，获得对应的隐变量；
5)将风和偏航控制指令进行解码，并与风横态隐变量配对为完整的数据集；
6)构建生成对抗模仿学习偏航网络，利用数据集训练网络。
2.根据权利要求1所述的一种风力发电机组偏航控制方法，其特征在于：
1)采集n条不同风况下的风序列
Figure FDA0003117879960000011
基于机组简化的离散偏航模型，以发电量最大化作为优化指标，利用三进制遗传算法离线优化方法计算每个风序列wi的最优偏航动作序列
Figure FDA0003117879960000012
并建立偏航专家示教样本集合S1＝{(Wi,Ci),i＝1,2,…,n}；
2)对风序列Wi进行二进制编码得到一个实数wi，对偏航动作序列Ci进行三进制编码得到一个实数编码ci，建立混合编码专家示教样本集合S2＝{(Wi,Ci),i＝1,2,…,n}；
3)在二维平面上绘制{(Wi,Ci),i＝1,2,…,n}的散点图，采用Kmeans获取中心点坐标，采用EM算法确定混合高斯分布的参数，并确定每个样本点所属于的专家模态mi，建立包含模态变量的混合编码专家示教样本集合S3＝{(Wi,Ci,mi),i＝1,2,…,n}；
4)对S3进行解码，构建训练用专家样本集合S4＝{(Wi,Ci,mi),i＝1,2,…,n}。
5)对一种改进的生成对抗网络进行监督训练，来学习专家偏航策略。在实际控制时，只运行变分自编码网络和策略生成网络，而不运行判别网络；将
Figure FDA0003117879960000013
输入偏航执行机构，控制偏航系统动作。
3.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述大型风力发电偏航控制偏航控制的运动模型可以表示为：
Figure FDA0003117879960000021
Figure FDA0003117879960000022
Figure FDA0003117879960000023
Figure FDA0003117879960000024
其中，
Figure FDA0003117879960000025
是反映机组的机械特性和电气特性的常数，x1∈[0,2π)为相对于正北方向的机舱偏航角，x2为机组的发电量，v1和v2为叶轮面所吸收风能的等效风速和风向，w1和w2为风速和风向的加速度，
Figure FDA0003117879960000026
为机舱的偏航速率，
Figure FDA0003117879960000027
和
Figure FDA0003117879960000028
分别为湍流对风速风向加速度产生的摄动的限幅值。记x＝[x1,x2]T，v＝[v1,v2]T，w＝[w1,w2]T，
Figure FDA0003117879960000029
为v的测量值。定义系统的L2增益性能指标
Figure FDA00031178799600000210
则最优偏航控制问题可以描述为找到一个偏航控制律u*(t)使得性能指标J最小，由于机舱的偏航速率大大滞后于风向的变化，执行机构在动作时大部分时间处于饱和状态，因此，可以控制量的动作空间从
Figure FDA00031178799600000211
近似为
Figure FDA00031178799600000212
0表示不动作，
Figure FDA00031178799600000213
表示顺时针偏航，
Figure FDA00031178799600000214
表示逆时针偏航；
对系统进行离散化，可以将最优偏航轨迹T*离线优化问题转变为
Figure FDA0003117879960000031
其中，
Figure FDA0003117879960000032
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure FDA0003117879960000033
s.t.1)u(k)∈{0,1,2}
2)
Figure FDA0003117879960000034
3)x2(k)＝x2(k-1)+P(k)
4)x1(0)＝0,x2(0)＝0，
控制序列u(1),u(2)u(3),…,u(kf)对应一个kf位的三进制数U，其变化区间为’000…0’到’222…2’。交叉和变异等常见的进化算法操作进行适当改进，都可以用于该序列。可以得到每个风况样本对应的偏航控制序列u*(k)，[v1,v2]对应前述的
Figure FDA0003117879960000035
u(k)对应前述的
Figure FDA0003117879960000036
4.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述风速风向编码表示为：
Figure FDA0003117879960000037
将风向风速空间进行网格化：风速区间为[0m/s,25m/s]，节点间隔为25m/s/256；风向区间为[-π,π]，节点间隔为π/512；当
Figure FDA0003117879960000041
位于某一网格内部时，将该网格的小标表示为二进制数，则风速维度的下标为8位的二进制数，风向维度的下标为9位的二进制数；将两个二进制数进行拼接，可以得到一个17位的二进制数；将17维的二进制数除以217以将其转换为0～1之间的实数。该实数即为最终的编码结果，解码过程为上述过程的逆过程。
5.根据权利要求4所述的一种风力发电机组偏航控制方法，其特征在于：
所述聚类包括：在二维平面上，以风况编码信息为横轴，动作序列编码为纵轴，绘制散点图。对该散点图采用Kmean方法进行初步聚类，再采用EM算法得到一个高斯混合模型。假设高斯混合模型包括K个高斯分布，则可以算出每个散点属于每个高斯分布的概率，如果属于第k个高斯分布的概率最大，则该样本的模态为mi，
Figure FDA0003117879960000042
Figure FDA0003117879960000043
和mi组合成一个完整样本。
6.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述对抗网络包括：1个变分自编码网络V用于预测当前状态所需要采用的策略模态，1个策略生成网络G用于根据历史数据和机组状态生成实时的偏航动作，2个判别网络D1和D2用于度量单步和序列的生成策略与专家策略之间的距离；
网络的损失函数为：
Figure RE-FDA0003151809270000045
其中，P(·)表示某一变量的分布，D包含了D1和D2的参数；
在训练过程中，首先对判别器进行优化
Figure RE-FDA0003151809270000051
再对
Figure RE-FDA0003151809270000052
进行优化，
变分自编码器的输出的标签为mi，实际输出为
Figure RE-FDA0003151809270000053
不直接计算变分自编码器的损失。生成器的标签为期望指令ci，输出为生成指令
Figure RE-FDA0003151809270000054
损失函数为二者的L1_loss或mse_loss。当wi,ci,mi输入单步判别器时，对应标签为1；当
Figure RE-FDA0003151809270000055
输入单步判别器时，对应标签为0。当
Figure RE-FDA0003151809270000056
输入单步判别器时，对应标签为1；当
Figure RE-FDA0003151809270000057
输入单步判别器时，对应标签为0。单步判别器序列判别器的损失均为二值交叉熵。
7.根据权利要求2所述的一种风力发电机组偏航控制方法，其特征在于：
所述网络的训练方法为：
1)所述从S4中随机抽取一个样本，截取其中的一段长度为Δ+τ的片段，将其记为
W＝[w1,w2,…,wΔ,…,wΔ+τ]
C＝[cΔ+1,…,cΔ+τ]
M＝[mΔ+1,…,mΔ+τ]
2)采用滑动窗口，得到τ个输入向量Xi＝[wi,wi+1,…,wi+Δ]T,i＝1,…,τ，以及τ个标签向量Yi＝[mi+Δ,ci+Δ]T,i＝1,…,τ。将输入向量组成一个batch输入网络，并利用标签向量作为监督信息。
3)固化变分自编码网络和生成网络参数，计算变分自编码网络的输出
Figure FDA0003117879960000051
以及策略生成网络的输出
Figure FDA0003117879960000052
并得到序列输出结果
Figure FDA0003117879960000053
4)计算单步判别器的输出D1(Xi,ci,mi)和D1(Xi,ci,mi)，并计算损失函数
Figure FDA0003117879960000054
5)计算序列判别器的输出D2(W,C)和
Figure FDA0003117879960000055
并计算损失函数
Figure FDA0003117879960000056
6)根据lossD1和lossD2更新判别器参数；
7)固化两个判别器参数，计算模态预测损失
Figure FDA0003117879960000057
和策略生成损失
Figure FDA0003117879960000058
8)对模态预测损失进行加权，更新变分自编码网络和策略生成网络参数。
CN202110667290.5A 2021-06-16 2021-06-16 一种风力发电机组偏航控制方法 Active CN113298317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110667290.5A CN113298317B (zh) 2021-06-16 2021-06-16 一种风力发电机组偏航控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110667290.5A CN113298317B (zh) 2021-06-16 2021-06-16 一种风力发电机组偏航控制方法

Publications (2)

Publication Number Publication Date
CN113298317A true CN113298317A (zh) 2021-08-24
CN113298317B CN113298317B (zh) 2022-11-04

Family

ID=77328441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110667290.5A Active CN113298317B (zh) 2021-06-16 2021-06-16 一种风力发电机组偏航控制方法

Country Status (1)

Country Link
CN (1) CN113298317B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344963A (zh) * 2013-07-12 2013-10-09 电子科技大学中山学院 一种基于激光雷达的鲁棒航迹推算方法
CN109340046A (zh) * 2018-10-26 2019-02-15 广东工业大学 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法
US20190170118A1 (en) * 2017-12-05 2019-06-06 WindWISDEM Corp. Cloud-based turbine control feedback loop
CN110886681A (zh) * 2019-12-13 2020-03-17 北京三力新能科技有限公司 一种基于时间分区和偏航扇区的偏航角度定位控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344963A (zh) * 2013-07-12 2013-10-09 电子科技大学中山学院 一种基于激光雷达的鲁棒航迹推算方法
US20190170118A1 (en) * 2017-12-05 2019-06-06 WindWISDEM Corp. Cloud-based turbine control feedback loop
CN109340046A (zh) * 2018-10-26 2019-02-15 广东工业大学 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法
CN110886681A (zh) * 2019-12-13 2020-03-17 北京三力新能科技有限公司 一种基于时间分区和偏航扇区的偏航角度定位控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张峻宾等: "三进制编码实现硬件演化方法研究", 《微电子学与计算机》 *
沈小军 等: "大 型风 力 发 电 机 偏 航 系 统控 制 策 略", 《电工技术学报》 *

Also Published As

Publication number Publication date
CN113298317B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
Yu et al. Adaptive fuzzy backstepping position tracking control for a permanent magnet synchronous motor
Arulmozhiyal et al. Speed control of induction motor using fuzzy PI and optimized using GA
CN107102223A (zh) 基于改进的隐马尔可夫模型ghmm的npc光伏逆变器故障诊断方法
Peng et al. A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation
CN110880773A (zh) 基于数据驱动与物理模型驱动结合的电网调频控制方法
CN113298317B (zh) 一种风力发电机组偏航控制方法
CN112230545A (zh) 一种基于ppga自适应优化pid参数的auv航向角控制方法
CN109711612A (zh) 一种优化回声状态网络的风力发电功率预测方法及装置
CN116629137B (zh) 风电机组能效管理方法、装置及变桨通讯控制系统
CN116792256A (zh) 一种风速预测变桨控制系统及控制方法
CN117218110A (zh) 一种基于深度学习的水电站红外热像故障预测方法
CN104200073A (zh) 一种基于局部Lipschitz估计的自适应群体全局优化方法
CN115412332B (zh) 基于混合神经网络模型优化的物联网入侵检测系统及方法
CN111950691A (zh) 一种基于潜在动作表示空间的强化学习策略学习方法
Duo et al. Short-term traffic flow prediction method based on grey adaptive particle swarm support vector machine
Gan et al. Multi-agent based hybrid evolutionary algorithm
CN118131708A (zh) 基于元逆强化学习的流程制造价值链挖掘与工业控制方法
Cui et al. Deep-Q-Network-based Economic Model Predictive Control for Wind Energy Conversion System
CN117748451A (zh) 一种基于数据与模型混合驱动的定碳排运行域边界求解方法
CN118348797A (zh) 一种面向闭环工业大数据的逆强化学习控制器设计方法
Donha et al. Wind turbine controller tuning by genetic algorithm
Alam Dynamic modelling of flexible manipulator system using genetic algorithm
Yu et al. Distributed Model Free Adaptive Iterative Learning Control of Multiple HSTs Under DoS Attacks
CN117031925A (zh) 一种基于改进遗传算法优化的lqr水泵电机控制方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231218

Address after: 516357 Tangkeng Village Group, Xinmin Village Committee, Tieyong Town, Huidong County, Huizhou City, Guangdong Province

Patentee after: GUANGFA HUIDONG WIND POWER CO.,LTD.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231218

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan

Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE