CN113494416A - 一种基于lstm的变桨距控制方法设计 - Google Patents

Abstract

本发明公开了一种基于LSTM的变桨距控制方法设计，包括如下步骤：S1、风力机的桨距角控制策略建模；S2、长短期记忆神经网络(LSTM)训练；S3、变桨距控制，所述S1中风力机的机械功率由流过风力机的风的总能量和风力机自身的风能利用系数决定，本发明结构科学合理，使用安全方便，可先用神经网络根据输入误差计算合适的P、I的值，然后将调节好的P、I送到PI控制器内，从而对输入进行动态调节，数字PI控制器的三个参数不再是预先设定好的，而是根据神经网络计算的结果而定的，上述结构可以有效利用神经网络对非线性问题的有效解决能力及PI的快速响应能力，从而对被控对象进行精确及快速的调节。

Description

一种基于LSTM的变桨距控制方法设计

技术领域

本发明涉及LSTM的变桨距控制技术领域，具体为一种基于LSTM 的变桨距控制方法设计。

背景技术

在目前两种主流的风力发电机组中，直驱型永磁同步风力发电机组由于具有机械损耗小、运行效率高、无需齿轮箱、维护成本低和可靠性高等优势，已成为现代变速恒频风电机组的主要发展方向之一，随着接入电网的风电机组容量不断增加，电网与风电机组之间的相互影响程度也越来越大，深入研究直驱型风电机组并网的控制策略具有重要的现实意义和价值，风能是一种间隙性、不稳定、非线性的能源，风速、风向的随机变化都会引起风力发电机叶片受风面积的变化，从而影响风力发电机功率输出，现代控制技术要求，风速快速变化时，控制系统也需要能快速调节，调节速率要能跟上风速变化的速率，从而使机组运行的可靠性及机组功率的稳定输出得到有效保证，根据目前控制器种类不同，风力发电机组的控制策略主要分为如下两类：基于数学模型的传统PI控制方法和现代控制方法，其中，智能控制是现代控制方法中的一项重要内容；

在应用于直驱风机的控制策略中，常规的PI矢量控制方法结构简单，物理意义清晰，但存在功率解耦不足、动态响应特性差及对模型依赖性强等问题，在存在参数不同的风机，不同的连接状态下，需要对PI参数进行整定，既会浪费时间，也有可能因系统参数变化引发系统震荡风险，难以取得满意的控制效果，如何有效利用大量的离线/在线数据和知识，在受控系统模型未知或模糊的条件下，实现对系统的优化控制，是当前控制理论界面临的重大问题。

发明内容

本发明提供一种基于LSTM的变桨距控制方法设计，可以有效解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于LSTM的变桨距控制方法设计，包括如下步骤：

S1、风力机的桨距角控制策略建模；

S2、长短期记忆神经网络(LSTM)训练；

S3、变桨距控制。

根据上述技术方案，所述S1中风力机的机械功率由流过风力机的风的总能量和风力机自身的风能利用系数决定，可表示为：

式中，P_m、ω_m、T_m分别为风力机实际输出的功率、角速度和转矩；

C_p表示发电机将风能转化为电能的工作效率，λ为风轮机的叶尖速比；

β是风轮机叶片的桨距角，R是风机桨叶的半径，v为实际风速值；

已知风能利用系数C_p(λ,β)有以下关系式：

(2)

其中，c₁至c₆为常数系数。

根据上述技术方案，所述S1中以传统控制方法进行建模，有以下过程：由控制目标采用两种控制方式：

1、基于转速反馈的调节方式，

2、基于功率反馈调节方式；

对于该变桨距控制系统采用PI控制器，基于转速的控制方式，将发电机当前转速与给定参考转速值经过比较后经过PI控制器得到桨距角的信号β₁，而对于功率反馈控制的调节方式，将发电机输出功率Pm与给定功率Pref参考值比较后在经过PI调节器最后输出桨距角β₂；

其中发电机输出角速度为w_m与给定角速度为w_ref；；

将上述两种调节方式结合在一起，利用发电机转速反馈进行PI 调节得到桨距角信号β₁，而当风速高于额定风速时将输出功率反馈进行PI调节获得桨距角β₂使其作为补偿信号；

利用神经网络方法进行数据驱动控制，来替代传统的PI调节器，实际运行中大量的风机系统中实测的输入ω_m、pm和实测输出β给到 LSTM进行学习训练。

根据上述技术方案，所述S2中LSTM是一种以循环神经网络RNN 为基础并加以改进的深度学习算法，LSTM神经网络结构与RNN相似，均由输入层、隐藏层和输出层组成；

x_t-1,x_t,x_t+1分别为t-1，t，t+1时刻的网络输入变量；

h_t-1,h_t,h_t+1分别为t-1，t，t+1时刻输出的短期状态；

c_t-1,c_t分别为t-1，t时刻的网络记忆状态；

f_t,i_t,o_t分别为遗忘门、输入门和输出门；

σ为sigmoid激活函数；g_t为更新t时刻输入状态的控制门；

LSTM中模块A读取输入x_t，并输出h_t，信息从上一个步骤传递到当前步骤进行计算，与RNN不同的是，LSTM的模块A中添加了由3 个“控制门”单元和时间记忆“传送带”组成的记忆模块，

3个“控制门”分别为遗忘门f_t、输入门i_t和输出门o_t，遗忘门负责筛掉需要丢弃的信息；

输入门负责决定输入新信息的数量；输出门负责输出状态信息的位置；

3个“控制门”是由sigmoid激活函数σ和一个逐点相乘的连接，实现对信息的控制；

在信息传输过程中，c_t-1通过遗忘门和输入门的信息处理更新自身状态变为c_t；然后由tanh函数对c_t进行处理，处理结果与o_t输出项相乘，确定LSTM中模块A须要输出的结果，该结果与c_t一同输送到下一模块中；

网络运算过程中c_t与输入信息共同决定输出信息的同时，c_t自身状态也在不断更新；

携带记忆信号的c_t解决了RNN网络梯度消失的问题，使得LSTM 神经网络能够真正有效地利用时序信息，各隐藏层之间的相互联系使 c_t在时序数据分析中有很强的适应能力；

LSTM记忆模块中的c_t表征信息经过改进梯度传输方式的长期网络记忆状态；

当控制门为打开状态时，通过i_t,f_t,o_t,g_t这4个门单元的传输信息

的计算式分别为：

式中w_i,x,w_i,h,w_f,x,w_f,h,w_o,x,w_o,h,w_g,x,w_g,h均为权值矩阵；b_i,b_f,b_o,b_g分别为i_t,f_t,o_t,g_t的偏置项；

经过门单元的信息处理，记忆传送带的c_t-1更新自身状态，转变为c_t，c_t的更新公式为：

LSTM模块的输出y_t的计算式为：

根据上述技术方案，所述S3中把实际运行中大量的风机系统中实测的输入ω_m、p_m和实测输出β给到LSTM进行学习训练。

与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，传统PI控制器内存储的参数仅对特定范围的输入有较好的调节效果，当输入信号波动过大时，再用之前的参数调节，可能会使调节时间变长甚至系统一直震荡难以达到稳定，基于上述问题，可先用神经网络根据输入误差计算合适的P、I的值，然后将调节好的P、I送到PI控制器内，从而对输入进行动态调节，数字PI控制器的三个参数不再是预先设定好的，而是根据神经网络计算的结果而定的，上述结构可以有效利用神经网络对非线性问题的有效解决能力及PI的快速响应能力，从而对被控对象进行精确及快速的调节。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明的风力发电机组动态模型结构图；

图2是本发明的基于PI调节器的桨距角控制策略示意图；

图3是本发明的基于LSTM的桨距角控制策略图；

图4是本发明的LSTM神经网络结构示意图；

图5是本发明的LSTM记忆模块示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：本发明提供技术方案，一种基于LSTM的变桨距控制方法设计，包括如下步骤：

S1、风力机的桨距角控制策略建模；

S2、长短期记忆神经网络(LSTM)训练；

S3、变桨距控制。

如图1所示，根据上述技术方案，S1中风力机的机械功率由流过风力机的风的总能量和风力机自身的风能利用系数决定，可表示为：

式中，P_m、ω_m、T_m分别为风力机实际输出的功率、角速度和转矩；

C_p表示发电机将风能转化为电能的工作效率，λ为风轮机的叶尖速比；

β是风轮机叶片的桨距角，R是风机桨叶的半径，v为实际风速值；

已知风能利用系数C_p(λ,β)有以下关系式：

其中，c₁至c₆为常数系数。

我们可以得到以下推论：在桨距角为零时，此时风能利用系数能达到最大值；在叶尖速比确定的情况下，桨距角β与风能利用系数成反比例关系，所以为了使风力机输出最佳功率，当风速低于额定风速时，使其维持最佳叶尖速比输出最佳功率；当风速高于额定风速时，还基于最佳叶尖速比法的控制会使风力发电系统输出功率超过额定功率，使发电机组处于超负荷状态，对系统的稳定运行有很大影响，此时需要去调整桨距角进而改变系统风能利用系数，从而保持风力机最佳功率输出；

根据上述技术方案，S1中以传统控制方法进行建模，有以下过程：由控制目标采用两种控制方式：

1、基于转速反馈的调节方式，

2、基于功率反馈调节方式；

对于该变桨距控制系统采用PI控制器，基于转速的控制方式，将发电机当前转速与给定参考转速值经过比较后经过PI控制器得到桨距角的信号β₁，而对于功率反馈控制的调节方式，将发电机输出功率Pm与给定功率Pref参考值比较后在经过PI调节器最后输出桨距角β₂；

其中发电机输出角速度为w_m与给定角速度为w_ref；；

如图2所示，将上述两种调节方式结合在一起，利用发电机转速反馈进行PI调节得到桨距角信号β₁，而当风速高于额定风速时将输出功率反馈进行PI调节获得桨距角β₂使其作为补偿信号，将这两种信号加在一起来保证控制系统具有良好的稳定性；

如图3所示，利用神经网络方法进行数据驱动控制，来替代传统的PI调节器，实际运行中大量的风机系统中实测的输入ω_m、p_m和实测输出β给到LSTM进行学习训练，如果它能够面对任意的输入都输出固定的动态特性，那就可以起到替代PI调节器而作为一个数字驱动环节的作用。

如图4所示，根据上述技术方案，S2中LSTM是一种以循环神经网络RNN为基础并加以改进的深度学习算法，LSTM神经网络结构与 RNN相似，均由输入层、隐藏层和输出层组成；

x_t-1,x_t,x_t+1分别为t-1，t，t+1时刻的网络输入变量；

h_t-1,h_t,h_t+1分别为t-1，t，t+1时刻输出的短期状态；

c_t-1,c_t分别为t-1，t时刻的网络记忆状态；

f_t,i_t,o_t分别为遗忘门、输入门和输出门；

σ为sigmoid激活函数；g_t为更新t时刻输入状态的控制门；

LSTM中模块A读取输入x_t，并输出h_t，信息从上一个步骤传递到当前步骤进行计算，与RNN不同的是，LSTM的模块A中添加了由3 个“控制门”单元和时间记忆“传送带”组成的记忆模块，

3个“控制门”分别为遗忘门f_t、输入门i_t和输出门o_t，遗忘门负责筛掉需要丢弃的信息；

输入门负责决定输入新信息的数量；输出门负责输出状态信息的位置；

3个“控制门”是由sigmoid激活函数σ和一个逐点相乘的连接，实现对信息的控制；

在信息传输过程中，c_t-1通过遗忘门和输入门的信息处理更新自身状态变为c_t；然后由tanh函数对c_t进行处理，处理结果与o_t输出项相乘，确定LSTM中模块A须要输出的结果，该结果与c_t一同输送到下一模块中；

网络运算过程中c_t与输入信息共同决定输出信息的同时，c_t自身状态也在不断更新；

携带记忆信号的c_t解决了RNN网络梯度消失的问题，使得LSTM 神经网络能够真正有效地利用时序信息，各隐藏层之间的相互联系使 c_t在时序数据分析中有很强的适应能力；

如图5所示，LSTM记忆模块中的c_t表征信息经过改进梯度传输方式的长期网络记忆状态；

当控制门为打开状态时，通过i_t,f_t,o_t,g_t这4个门单元的传输信息

的计算式分别为：

式中w_i,x,w_i,h,w_f,x,w_f,h,w_o,x,w_o,h,w_g,x,w_g,h均为权值矩阵；b_i,b_f,b_o,b_g分别为i_t,f_t,o_t,g_t的偏置项；

经过门单元的信息处理，记忆传送带的c_t-1更新自身状态，转变为c_t，c_t的更新公式为：

LSTM模块的输出y_t的计算式为：

根据上述技术方案，S3中把实际运行中大量的风机系统中实测的输入ω_m、p_m和实测输出β给到LSTM进行学习训练。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于LSTM的变桨距控制方法设计，其特征在于：包括如下步骤：

S1、风力机的桨距角控制策略建模；

S2、长短期记忆神经网络(LSTM)训练；

S3、变桨距控制。

2.根据权利要求1所述的一种基于LSTM的变桨距控制方法设计，其特征在于，所述S1中风力机的机械功率由流过风力机的风的总能量和风力机自身的风能利用系数决定，可表示为：

式中，P_m、ω_m、T_m分别为风力机实际输出的功率、角速度和转矩；

C_p表示发电机将风能转化为电能的工作效率，λ为风轮机的叶尖速比；

β是风轮机叶片的桨距角，R是风机桨叶的半径，v为实际风速值；

已知风能利用系数C_p(λ,β)有以下关系式：

其中，c₁至c₆为常数系数。

3.根据权利要求2所述的一种基于LSTM的变桨距控制方法设计，其特征在于，所述S1中以传统控制方法进行建模，有以下过程：由控制目标采用两种控制方式：

1、基于转速反馈的调节方式，

2、基于功率反馈调节方式；

对于该变桨距控制系统采用PI控制器，基于转速的控制方式，将发电机当前转速与给定参考转速值经过比较后经过PI控制器得到桨距角的信号β₁，而对于功率反馈控制的调节方式，将发电机输出功率Pm与给定功率Pref参考值比较后在经过PI调节器最后输出桨距角β₂；

其中发电机输出角速度为w_m与给定角速度为w_ref；；

将上述两种调节方式结合在一起，利用发电机转速反馈进行PI调节得到桨距角信号β₁，而当风速高于额定风速时将输出功率反馈进行PI调节获得桨距角β₂使其作为补偿信号；

利用神经网络方法进行数据驱动控制，来替代传统的PI调节器，实际运行中大量的风机系统中实测的输入ω_m、p_m和实测输出β给到LSTM进行学习训练。

4.根据权利要求1所述的一种基于LSTM的变桨距控制方法设计，其特征在于，所述S2中LSTM是一种以循环神经网络RNN为基础并加以改进的深度学习算法，LSTM神经网络结构与RNN相似，均由输入层、隐藏层和输出层组成；

x_t-1,x_t,x_t+1分别为t-1，t，t+1时刻的网络输入变量；

h_t-1,h_t,h_t+1分别为t-1，t，t+1时刻输出的短期状态；

c_t-1,c_t分别为t-1，t时刻的网络记忆状态；

f_t,i_t,o_t分别为遗忘门、输入门和输出门；

σ为sigmoid激活函数；g_t为更新t时刻输入状态的控制门；

LSTM中模块A读取输入x_t，并输出h_t，信息从上一个步骤传递到当前步骤进行计算，与RNN不同的是，LSTM的模块A中添加了由3个“控制门”单元和时间记忆“传送带”组成的记忆模块，

3个“控制门”分别为遗忘门f_t、输入门i_t和输出门o_t，遗忘门负责筛掉需要丢弃的信息；

输入门负责决定输入新信息的数量；输出门负责输出状态信息的位置；

3个“控制门”是由sigmoid激活函数σ和一个逐点相乘的连接，实现对信息的控制；

在信息传输过程中，c_t-1通过遗忘门和输入门的信息处理更新自身状态变为c_t；然后由tanh函数对c_t进行处理，处理结果与o_t输出项相乘，确定LSTM中模块A须要输出的结果，该结果与c_t一同输送到下一模块中；

网络运算过程中c_t与输入信息共同决定输出信息的同时，c_t自身状态也在不断更新；

携带记忆信号的c_t解决了RNN网络梯度消失的问题，使得LSTM神经网络能够真正有效地利用时序信息，各隐藏层之间的相互联系使c_t在时序数据分析中有很强的适应能力；

LSTM记忆模块中的c_t表征信息经过改进梯度传输方式的长期网络记忆状态；

当控制门为打开状态时，通过i_t,f_t,o_t,g_t这4个门单元的传输信息

的计算式分别为：

式中w_i,x,w_i,h,w_f,x,w_f,h,w_o,x,w_o,h,w_g,x,w_g,h均为权值矩阵；b_i,b_f,b_o,b_g分别为i_t,f_t,o_t,g_t的偏置项；

经过门单元的信息处理，记忆传送带的c_t-1更新自身状态，转变为c_t，c_t的更新公式为：

LSTM模块的输出y_t的计算式为：

5.根据权利要求1所述的一种基于LSTM的变桨距控制方法设计，其特征在于，所述S3中把实际运行中大量的风机系统中实测的输入ω_m、p_m和实测输出β给到LSTM进行学习训练。

Images