CN113298317B - 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
CN113298317B
CN113298317B CN202110667290.5A CN202110667290A CN113298317B CN 113298317 B CN113298317 B CN 113298317B CN 202110667290 A CN202110667290 A CN 202110667290A CN 113298317 B CN113298317 B CN 113298317B
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.)
Active
Application number
CN202110667290.5A
Other languages
English (en)
Other versions
CN113298317A (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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

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，并与风模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，并与风模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。
进一步：
1)采集n条不同风况下的风序列
Figure GDA0003850366070000011
i＝1,2,…,n；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 GDA0003850366070000012
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 GDA0003850366070000021
输入偏航执行机构，控制偏航系统动作。
进一步，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 GDA0003850366070000022
其中，
Figure GDA0003850366070000023
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 GDA0003850366070000024
为机舱的偏航速率，
Figure GDA0003850366070000025
和
Figure GDA0003850366070000026
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 GDA0003850366070000027
为v的测量值。定义系统的L2增益性能指标
Figure GDA0003850366070000028
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 GDA0003850366070000029
近似为
Figure GDA00038503660700000210
0表示不动作，
Figure GDA00038503660700000211
表示顺时针偏航，
Figure GDA00038503660700000212
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 GDA0003850366070000031
其中，
Figure GDA0003850366070000032
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure GDA0003850366070000033
s.t.1)u(k)∈{0,1,2}
Figure GDA0003850366070000034
3)x2(k)＝x2(k-1)+P(k)
4)x1(0)＝0,x2(0)＝0，
控制序列u(1)，u(2)，…，u(kf)对应一个kf位的三进制数U，其变化区间为’00…0’到’22…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)。
进一步，所述风速风向编码表示为：
Figure GDA0003850366070000035
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 GDA0003850366070000041
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。
进一步，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 GDA0003850366070000042
和mi组合成一个完整样本。
进一步，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 GDA0003850366070000043
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 GDA0003850366070000044
再对
Figure GDA0003850366070000045
进行优化，
变分自编码器的输出的标签为mi，实际输出为
Figure GDA0003850366070000046
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 GDA0003850366070000047
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 GDA0003850366070000048
输入单步判别器时，对应标签为0。当
Figure GDA0003850366070000049
输入单步判别器时，对应标签为1；当
Figure GDA00038503660700000410
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。
进一步，所述网络的训练方法为：
1)从所述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 GDA0003850366070000051
以及策略生成网络的输出
Figure GDA0003850366070000052
并得到序列输出结果
Figure GDA0003850366070000053
4)计算单步判别器的输出D1(Xi,ci,mi)和
Figure GDA0003850366070000054
并计算损失函数
Figure GDA0003850366070000055
5)计算序列判别器的输出D2(W,C)和
Figure GDA0003850366070000056
并计算损失函数
Figure GDA0003850366070000057
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 GDA0003850366070000058
和策略生成损失
Figure GDA0003850366070000059
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 GDA0003850366070000061
i＝1,2,…,n；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 GDA0003850366070000062
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 GDA0003850366070000063
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 GDA0003850366070000071
其中，
Figure GDA0003850366070000072
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 GDA0003850366070000073
为机舱的偏航速率，Ww1和Ww2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 GDA0003850366070000074
为v的测量值。定义系统的L2增益性能指标
Figure GDA0003850366070000075
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 GDA0003850366070000076
近似为
Figure GDA0003850366070000077
0表示不动作，
Figure GDA0003850366070000078
表示顺时针偏航，
Figure GDA0003850366070000079
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 GDA00038503660700000710
其中，
Figure GDA0003850366070000081
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure GDA0003850366070000082
(3)三进制遗传算法求解优化问题(4)
控制序列u(1)，u(2)，…，u(kf)对应一个kf位的三进制数U，其变化区间为’00…0’到’22…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)。
(4)风序列与动作序列的编码与聚类
1)风速风向编码
Figure GDA0003850366070000083
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 GDA0003850366070000084
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 GDA0003850366070000091
当序列长度为3时，动作序列编码示例如下
Figure GDA0003850366070000092
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 GDA0003850366070000093
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 GDA0003850366070000094
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 GDA0003850366070000101
再对
Figure GDA0003850366070000102
进行优化。
变分自编码器的输出的标签为mi，实际输出为
Figure GDA0003850366070000103
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 GDA0003850366070000104
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 GDA0003850366070000105
输入单步判别器时，对应标签为0；当
Figure GDA0003850366070000106
输入单步判别器时，对应标签为1；当
Figure GDA0003850366070000107
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 GDA0003850366070000108
以及策略生成网络的输出
Figure GDA0003850366070000109
并得到序列输出结果
Figure GDA00038503660700001010
4)计算单步判别器的输出D1(Xi,ci,mi)和
Figure GDA00038503660700001011
并计算损失函数
Figure GDA00038503660700001012
5)计算序列判别器的输出D2(W,C)和
Figure GDA0003850366070000111
并计算损失函数
Figure GDA0003850366070000112
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 GDA0003850366070000113
和策略生成损失
Figure GDA0003850366070000114
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 (6)

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：
1.1.1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；
1.1.2对多组风的样本进行三进制编码；
1.1.3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；
1.1.4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；
1.1.5将风和偏航控制指令进行解码，并与风模态隐变量配对为完整的数据集；
1.1.6构建生成对抗模仿学习偏航网络，利用数据集训练网络；
1.2.1采集n条不同风况下的风序列
Figure FDA0003850366060000011
i＝1,2,…,n；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 FDA0003850366060000012
并建立偏航专家示教样本集合S1＝{(Wi,Ci),i＝1,2,…,n}；
1.2.2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}；
1.2.3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}；
1.2.4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}；
1.2.5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 FDA0003850366060000013
输入偏航执行机构，控制偏航系统动作。
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：
大型风力发电偏航控制的运动模型可以表示为：
Figure FDA0003850366060000021
其中，
Figure FDA0003850366060000022
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 FDA0003850366060000023
为机舱的偏航速率，
Figure FDA0003850366060000024
和
Figure FDA0003850366060000025
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 FDA0003850366060000026
为v的测量值，定义系统的L2增益性能指标
Figure FDA0003850366060000027
则最优偏航控制问题可以描述为找到一个偏航控制律u*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 FDA0003850366060000028
近似为
Figure FDA0003850366060000029
0表示不动作，
Figure FDA00038503660600000210
表示顺时针偏航，
Figure FDA00038503660600000211
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 FDA00038503660600000212
其中，
P(k)＝a·v1 3(k-1)·cos3(v2(k-1)-x1(k-1))-b·u2(k-1)-c·v1 2(k-1)·sin2(v2(k-1)-x1(k-1))
为了使(3)式能够使用三进制遗传算法求解，将(3)改写为：
Figure FDA0003850366060000031
s.t.1)u(k)∈{0,1,2}
Figure FDA0003850366060000032
3)x2(k)＝x2(k-1)+P(k)
4)x1(0)＝0,x2(0)＝0，
控制序列u(1)，u(2)，…，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’，对常见进化算法的交叉和编译操作进行适当改进后，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)。
3.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：
风速风向编码表示为：
Figure FDA0003850366060000033
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 FDA0003850366060000034
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。
4.根据权利要求3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 FDA0003850366060000041
Figure FDA0003850366060000042
和mi组合成一个完整样本。
5.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：
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 FDA0003850366060000043
其为一个极大极小值问题，待优化的变量包括策略生成网络G、变分自编码网络V和判别网络D的参数，D包含了D1和D2两个判别器参数；
在训练过程中，首先对判别器进行优化
Figure FDA0003850366060000044
再对
Figure FDA0003850366060000045
进行优化，
变分自编码器的输出的标签为mi，实际输出为
Figure FDA0003850366060000046
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 FDA0003850366060000047
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 FDA0003850366060000048
输入单步判别器时，对应标签为0；当
Figure FDA0003850366060000049
输入单步判别器时，对应标签为1；当
Figure FDA00038503660600000410
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.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：
所述网络的训练方法为：
6.1从所述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]
6.2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；
6.3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 FDA0003850366060000051
以及策略生成网络的输出
Figure FDA0003850366060000052
并得到序列输出结果
Figure FDA0003850366060000053
6.4计算单步判别器的输出D1(Xi,ci,mi)和
Figure FDA0003850366060000054
并计算损失函数
Figure FDA0003850366060000055
6.5计算序列判别器的输出D2(W,C)和
Figure FDA0003850366060000056
并计算损失函数
Figure FDA0003850366060000057
6.6根据lossD1和lossD2更新判别器参数；
6.7固化两个判别器参数，计算模态预测损失
Figure FDA0003850366060000058
和策略生成损失
Figure FDA0003850366060000059
6.8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 CN113298317A (zh) 2021-08-24
CN113298317B true 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)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344963B (zh) * 2013-07-12 2016-05-18 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
US11047362B2 (en) * 2017-12-05 2021-06-29 VayuAI 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
CN110886681B (zh) * 2019-12-13 2021-04-27 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 (1)

* Cited by examiner, † Cited by third party
Title
三进制编码实现硬件演化方法研究;张峻宾等;《微电子学与计算机》;20130305;第30卷(第03期);7-10 *

Also Published As

Publication number Publication date
CN113298317A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN103164742B (zh) 一种基于粒子群优化神经网络的服务器性能预测方法
CN111191835B (zh) 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
US20220205425A1 (en) Wind turbine system using predicted wind conditions and method of controlling wind turbine
Yu et al. Adaptive fuzzy backstepping position tracking control for a permanent magnet synchronous motor
Zhang et al. Optimization of backpropagation neural network under the adaptive genetic algorithm
CN103399488B (zh) 基于自学习的多模型控制方法
CN112991750A (zh) 基于强化学习与生成式对抗网络的局部交通优化方法
Pelusi Improving settling and rise times of controllers via intelligent algorithms
Peng et al. A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation
Song et al. Research on the settlement prediction model of foundation pit based on the improved PSO-SVM model
CN105976029B (zh) 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法
CN113298317B (zh) 一种风力发电机组偏航控制方法
CN113591078A (zh) 基于卷积神经网络架构优化的工控入侵检测系统及方法
CN116629137B (zh) 风电机组能效管理方法、装置及变桨通讯控制系统
CN112230545A (zh) 一种基于ppga自适应优化pid参数的auv航向角控制方法
CN116792256A (zh) 一种风速预测变桨控制系统及控制方法
Li et al. Performance based linear control system design by genetic evolution with simulated annealing
CN115977874A (zh) 基于激光测风雷达的风电机组偏航自适应校准方法及系统
CN112488868B (zh) 一种基于闭环框架的表面活性剂驱油集成调度优化与控制方法
CN111753466A (zh) 一种三极磁轴承转子径向位移软测量建模方法
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
Wang et al. Parameters selection of LSSVM based on adaptive genetic algorithm for ship rolling prediction
Febin et al. Design of genetic algorithm based optimal fuzzy logic controller for a non linear process
Zhang et al. Optimization of SVM and ANN Based on GAPA and Its Application in Short-Term Load Forecasting

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

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

TR01 Transfer of patent right