CN113653596A - 基于模糊预测和扇区管理的双风轮风力机变桨控制方法 - Google Patents

基于模糊预测和扇区管理的双风轮风力机变桨控制方法 Download PDF

Info

Publication number
CN113653596A
CN113653596A CN202111112641.2A CN202111112641A CN113653596A CN 113653596 A CN113653596 A CN 113653596A CN 202111112641 A CN202111112641 A CN 202111112641A CN 113653596 A CN113653596 A CN 113653596A
Authority
CN
China
Prior art keywords
wind
fuzzy
wheel
model
wind turbine
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
CN202111112641.2A
Other languages
English (en)
Other versions
CN113653596B (zh
Inventor
张文广
骆伟健
孙嘉壕
王庆华
房方
胡阳
刘亚娟
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111112641.2A priority Critical patent/CN113653596B/zh
Publication of CN113653596A publication Critical patent/CN113653596A/zh
Application granted granted Critical
Publication of CN113653596B publication Critical patent/CN113653596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/022—Adjusting aerodynamic properties of the blades
    • F03D7/0224—Adjusting blade pitch
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D1/00—Wind motors with rotation axis substantially parallel to the air flow entering the rotor 
    • F03D1/02—Wind motors with rotation axis substantially parallel to the air flow entering the rotor  having a plurality of rotors
    • F03D1/025—Wind motors with rotation axis substantially parallel to the air flow entering the rotor  having a plurality of rotors coaxially arranged
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了属于风力机控制技术领域的一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法，包括：采集SCADA系统中风力机与载荷相关的数据；对风况进行在线识别；可控的极端风况将采用智能保护控制算法对风力机进行载荷保护；不可控的极端风况将对极端风况的发生频率进行统计；对于高频极端风况采用扇区管理；对于低频极端风况采用顺桨、停机。本发明使用的T‑S模型具有良好的鲁棒性；对控制模型进行解耦使得后续参数调整简便灵活；使用广义预测控制，能根据风力机现时刻值以及历史值预测未来值，对危险情形有预警功能，能提前做出动作避开危险情形，保障风力机安全运行；对不可控极端风况进行扇区管理，扩展了风力机安全运行工况。

Description

基于模糊预测和扇区管理的双风轮风力机变桨控制方法
技术领域
本发明属于风力机控制技术领域，特别涉及一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法。
背景技术
近年来，风能的开发利用已受到世界各国的高度重视。风力发电机能够从环境风速中捕获一定的能量并转化成电能。大型化是当前风力机的发展趋势，可大幅提高风资源利用效率。我国风资源丰富的沿海地区频繁受到极端风况的影响，风速常常大于切出风速。根据设计规范，当风速大于切出风速，机组基本都刹车停机并断网，这不但会给电网带来影响，也会给机组带来较大的冲击载荷。通过保护控制风力机能在强风速区继续进行发电，不仅能够充分利用切出风速以上的风资源，而且还能降低载荷保障风力机安全运行。双风轮风力机包含前后两个风轮，在运行过程中具有耦合现象，给风力机的保护控制带来了困难，要想取得满意的控制效果，需要对多输入多输出的风力机保护控制进行解耦。
发明内容
本发明的目的是提出一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，包括以下步骤：
步骤1、采集SCADA系统中风力机与载荷相关的数据；
步骤2、对风况进行在线识别；
步骤3、对风况进行在线识别包括三种情况：
若是正常风况，则无动作；若是极端风况，则判断极端风况是否可控；
若可控，则依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号；若不可控，则判断极端风况是否频繁；
步骤4、若频繁，则采取扇区管理、偏航；若不频繁，则采取顺桨、停机。
所述步骤1中采集SCADA系统中风力机与载荷相关的数据包括：风速v；前风轮桨距角β1；前风轮转速ω1；前风轮叶根弯曲力矩M1；后风轮桨距角β2；后风轮转速ω2；后风轮叶根弯曲力矩M2。
所述步骤4中依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号包括：
步骤4.1：基于T-S模糊规则构建双风轮风力机的T-S模糊模型；
步骤4.2：搭建预测控制模型，对预测控制模型进行解耦；
步骤4.3：基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果。
所述步骤4.1中基于T-S模糊规则构建双风轮风力机的T-S模糊模型包括：
步骤4.1.1：依据步骤1中的原始数据构建T-S模糊模型的规则库，得到规则库的形式如下：
Figure BDA0003274332260000021
Figure BDA0003274332260000022
式中，Ri为第i条模糊规则；v为风速，单位为m/s；β1为前风轮桨距角，单位为°；ω1为前风轮转速，单位为rpm；β2为后风轮桨距角，单位为°；ω2为后风轮转速，单位为rpm；
Figure BDA0003274332260000023
为相对于输入变量的模糊子集，j＝{1,2,3,4,5}；
Figure BDA0003274332260000024
为第i条规则下前后风轮叶根弯曲力矩，单位为Nm；
Figure BDA0003274332260000025
Bi为第i条规则的后件参数，Ai为2*5的矩阵，Bi为2*1的矩阵。
步骤4.1.2：通过加权平均解模糊器，得到T-S模糊模型的弯曲力矩
Figure BDA0003274332260000026
Figure BDA0003274332260000027
式中，N为模糊规则总数；φi为前件参数。
步骤4.1.3：通过模糊C均值聚类算法对T-S模糊模型前件参数辨识；
步骤4.1.4：通过最小二乘算法对T-S模糊模型后件参数辨识。
所述步骤4.2中搭建预测控制模型，对预测控制模型进行解耦包括：
步骤4.2.1：搭建双输入双输出广义预测控制模型：
Figure BDA0003274332260000028
式中，M1(k)、M2(k)为第k时刻前后风轮叶根弯曲力矩；u1(k-1)、u2(k-1)为前后风轮变桨信号的控制输入；ξ1(k)、ξ2(k)为前后风轮干扰信号；F11(z-1)、F12(z-1)、F13(z-1)、F21(z-1)、F22(z-1)、F23(z-1)为关于z-1的多项式，z-1为后移时间算子；Δ为差分算子。
步骤4.2.2：对广义预测控制模型进行前馈补偿解耦设计，引入前馈补偿器FFF2(z-1)与FFF1(z-1)：
Figure BDA0003274332260000031
解耦后的广义预测模型为：
Figure BDA0003274332260000032
所述步骤4.3中基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果包括：
步骤4.3.1：对解耦后的预测模型添加输出限值，构建预测模型：
Figure BDA0003274332260000033
式中，M1max、M2max为前后风轮叶根弯曲力矩的最大值。
步骤4.3.2：引入丢番图方程，对预测模型的输出求解；
步骤4.3.3：确定性能优化指标，对预测模型进行滚动优化，得到控制律；
步骤4.3.4：取控制律的第一个分量为Δu(k)，控制器的输入u(k)为：
u(k)＝u(k-1)+Δu(k) (7)
所述步骤5中采取扇区管理包括：离线统计并绘制双风轮风力机的风向玫瑰图与时间玫瑰图，根据玫瑰图对相应扇区进行运行管理，以低功率维持运行，保证不可控极端风况发生时，运行载荷低于设计载荷；在实际运行后，持续统计玫瑰图，对扇区进行自适应调整。
本发明的有益效果是：使用了T-S模糊模型对双风轮风力机在极端风况下的载荷状况进行建模，T-S模型能够在紧凑集上以任意精度逼近一个实连续函数，具有良好的鲁棒性；对控制模型进行解耦使得后续参数调整简便灵活；使用了广义预测控制，根据风力机现时刻值以及历史值预测未来值，对危险情形有预警功能，能提前做出动作避开危险情形，保障风力机安全运行；对不可控极端风况进行扇区管理，扩展了风力机安全运行工况。
附图说明
图1为基于模糊预测和扇区管理的双风轮风力机变桨控制策略的流程图。
图2为一种构建双风轮风力机的T-S模糊模型的流程图。
图3为一种基于输出限值的广义预测控制算法流程图。
具体实施方式
本发明提出一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法，下面结合附图和实施例作详细说明。
图1所示为基于模糊预测和扇区管理的双风轮风力机变桨控制的流程图。图1所示的基于模糊预测和扇区管理的双风轮风力机变桨控制流程包括以下步骤：
步骤1、采集SCADA系统中风力机与载荷相关的数据；该采集SCADA系统中风力机与载荷相关的数据包括：风速v；前风轮桨距角β1；前风轮转速ω1；前风轮叶根弯曲力矩M1；后风轮桨距角β2；后风轮转速ω2；后风轮叶根弯曲力矩M2。
步骤2、对风况进行在线识别；包括三种情况：
若是正常风况，则无动作；若是极端风况，则判断极端风况是否可控；
若可控，则依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号；若不可控，则判断极端风况是否频繁；若频繁，则采取扇区管理、偏航；若不频繁，则采取顺桨、停机。
所述若可控，依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号包括：
步骤4.1：基于T-S模糊规则构建双风轮风力机的T-S模糊模型；
步骤4.2：搭建预测控制模型，对预测控制模型进行解耦；
步骤4.3：基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果。
图2所示为一种构建双风轮风力机的T-S模糊模型的流程图。图2所示T-S模糊规则构建双风轮风力机的T-S模糊模型包括：
步骤4.1.1：依据步骤1中的原始数据构建T-S模糊模型的规则库，得到规则库的形式如下：
Figure BDA0003274332260000051
Figure BDA0003274332260000052
式中，Ri为第i条模糊规则；v为风速，单位为m/s；β1为前风轮桨距角，单位为°；ω1为前风轮转速，单位为rpm；β2为后风轮桨距角，单位为°；ω2为后风轮转速，单位为rpm；
Figure BDA0003274332260000053
为相对于输入变量的模糊子集，j＝{1,2,3,4,5}；
Figure BDA0003274332260000054
为第i条规则下前后风轮叶根弯曲力矩，单位为Nm；
Figure BDA0003274332260000055
Bi为第i条规则的后件参数，Ai为2*5的矩阵，Bi为2*1的矩阵。
步骤4.1.2：通过加权平均解模糊器，得到T-S模糊模型的弯曲力矩
Figure BDA0003274332260000056
Figure BDA0003274332260000057
式中，N为模糊规则总数；φi为前件参数。
步骤4.1.3：通过模糊C均值聚类算法对T-S模糊模型前件参数辨识；
步骤4.1.4：通过最小二乘算法对T-S模糊模型后件参数辨识。
所述步骤4.2中搭建预测控制模型，对预测控制模型进行解耦包括：
步骤4.2.1：搭建双输入双输出广义预测控制模型：
Figure BDA0003274332260000061
式中，M1(k)、M2(k)为第k时刻前后风轮叶根弯曲力矩；u1(k-1)、u2(k-1)为前后风轮控制输入(变桨信号)；ξ1(k)、ξ2(k)为前后风轮干扰信号；F11(z-1)、F12(z-1)、F13(z-1)、F21(z-1)、F22(z-1)、F23(z-1)为关于z-1的多项式，z-1为后移时间算子；Δ为差分算子。
步骤4.2.2：对广义预测控制模型进行前馈补偿解耦设计，引入前馈补偿器FFF2(z-1)与FFF1(z-1)：
Figure BDA0003274332260000062
解耦后的广义预测模型为：
Figure BDA0003274332260000063
图3所示为一种基于输出限值的广义预测控制流程图。所述步骤4.3中基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果包括：
步骤4.3.1：对解耦后的预测模型添加输出限值，构建预测模型：
Figure BDA0003274332260000071
式中，M1max、M2max为前后风轮叶根弯曲力矩的最大值。
步骤4.3.2：引入丢番图方程，对预测模型的输出求解；
步骤4.3.3：确定性能优化指标，对预测模型进行滚动优化，得到控制律；
步骤4.3.4：取控制律的第一个分量为Δu(k)，控制器的输入u(k)为：
u(k)＝u(k-1)+Δu(k) (7)
所述采取扇区管理包括：离线统计并绘制双风轮风力机的风向玫瑰图与时间玫瑰图，根据玫瑰图对相应扇区进行运行管理，以低功率维持运行，保证不可控极端风况发生时，运行载荷低于设计载荷。在实际运行后，持续统计玫瑰图，对扇区进行自适应调整。

Claims (7)

1.一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，包括以下步骤：
步骤1、采集SCADA系统中风力机与载荷相关的数据；
步骤2、对风况进行在线识别；
步骤3、对风况进行在线识别包括三种情况：
若是正常风况，则无动作；若是极端风况，则判断极端风况是否可控；
若可控，则依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号；若不可控，则判断极端风况是否频繁；
步骤4、若频繁，则采取扇区管理、偏航；若不频繁，则采取顺桨、停机。
2.根据权利要求1所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤1中采集SCADA系统中风力机与载荷相关的数据包括：风速v；前风轮桨距角β1；前风轮转速ω1；前风轮叶根弯曲力矩M1；后风轮桨距角β2；后风轮转速ω2；后风轮叶根弯曲力矩M2。
3.根据权利要求1所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤4中依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号包括：
步骤4.1：基于T-S模糊规则构建双风轮风力机的T-S模糊模型；
步骤4.2：搭建预测控制模型，对预测控制模型进行解耦；
步骤4.3：基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果。
4.根据权利要求3所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤4.1中基于T-S模糊规则构建双风轮风力机的T-S模糊模型包括：
步骤4.1.1：依据步骤1中的原始数据构建T-S模糊模型的规则库，得到规则库的形式如下：
Figure FDA0003274332250000011
式中，Ri为第i条模糊规则；v为风速，单位为m/s；β1为前风轮桨距角，单位为°；ω1为前风轮转速，单位为rpm；β2为后风轮桨距角，单位为°；ω2为后风轮转速，单位为rpm；
Figure FDA0003274332250000021
为相对于输入变量的模糊子集，j＝{1,2,3,4,5}；
Figure FDA0003274332250000022
为第i条规则下前后风轮叶根弯曲力矩，单位为Nm；
Figure FDA0003274332250000023
Bi为第i条规则的后件参数，Ai为2*5的矩阵，Bi为2*1的矩阵。
步骤4.1.2：通过加权平均解模糊器，得到T-S模糊模型的弯曲力矩
Figure FDA0003274332250000024
Figure FDA0003274332250000025
式中，N为模糊规则总数；φi为前件参数。
步骤4.1.3：通过模糊C均值聚类算法对T-S模糊模型前件参数辨识；
步骤4.1.4：通过最小二乘算法对T-S模糊模型后件参数辨识。
5.根据权利要求3所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤4.2中搭建预测控制模型，对预测控制模型进行解耦包括：
步骤4.2.1：搭建双输入双输出广义预测控制模型：
Figure FDA0003274332250000026
式中，M1(k)、M2(k)为第k时刻前后风轮叶根弯曲力矩；u1(k-1)、u2(k-1)为前后风轮变桨信号的控制输入；ξ1(k)、ξ2(k)为前后风轮干扰信号；F11(z-1)、F12(z-1)、F13(z-1)、F21(z-1)、F22(z-1)、F23(z-1)为关于z-1的多项式，z-1为后移时间算子；Δ为差分算子。
步骤4.2.2：对广义预测控制模型进行前馈补偿解耦设计，引入前馈补偿器FFF2(z-1)与FFF1(z-1)：
Figure FDA0003274332250000031
解耦后的广义预测模型为：
Figure FDA0003274332250000032
6.根据权利要求3所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤4.3中基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果包括：
步骤4.3.1：对解耦后的预测模型添加输出限值，构建预测模型：
Figure FDA0003274332250000033
式中，M1max、M2max为前后风轮叶根弯曲力矩的最大值。
步骤4.3.2：引入丢番图方程，对预测模型的输出求解；
步骤4.3.3：确定性能优化指标，对预测模型进行滚动优化，得到控制律；
步骤4.3.4：取控制律的第一个分量为Δu(k)，控制器的输入u(k)为：
u(k)＝u(k-1)+Δu(k) (7)
7.根据权利要求1所述基于模糊预测和扇区管理的双风轮风力机变桨控制方法，其特征在于，所述步骤5中采取扇区管理包括：离线统计并绘制双风轮风力机的风向玫瑰图与时间玫瑰图，根据玫瑰图对相应扇区进行运行管理，以低功率维持运行，保证不可控极端风况发生时，运行载荷低于设计载荷；在实际运行后，持续统计玫瑰图，对扇区进行自适应调整。
CN202111112641.2A 2021-09-23 2021-09-23 基于模糊预测和扇区管理的双风轮风力机变桨控制方法 Active CN113653596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111112641.2A CN113653596B (zh) 2021-09-23 2021-09-23 基于模糊预测和扇区管理的双风轮风力机变桨控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111112641.2A CN113653596B (zh) 2021-09-23 2021-09-23 基于模糊预测和扇区管理的双风轮风力机变桨控制方法

Publications (2)

Publication Number Publication Date
CN113653596A true CN113653596A (zh) 2021-11-16
CN113653596B CN113653596B (zh) 2023-07-14

Family

ID=78484104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112641.2A Active CN113653596B (zh) 2021-09-23 2021-09-23 基于模糊预测和扇区管理的双风轮风力机变桨控制方法

Country Status (1)

Country Link
CN (1) CN113653596B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110084485A1 (en) * 2009-10-08 2011-04-14 Vestas Wind Systems A/S Control method for a wind turbine
CN102900603A (zh) * 2012-09-19 2013-01-30 河北工业大学 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法
US20140178197A1 (en) * 2010-12-21 2014-06-26 Vestas Wind Systems A/S Control method for a wind turbine
CN105332855A (zh) * 2014-06-11 2016-02-17 通用电气公司 用于风力涡轮机的控制方法和控制系统
CN106762415A (zh) * 2017-01-23 2017-05-31 锐电科技有限公司 一种降低风力发电机组叶轮不平衡极限载荷的方法
US20170241405A1 (en) * 2014-08-15 2017-08-24 Vestas Wind Systems A/S Turbine over-rating using turbulence prediction
CN109737007A (zh) * 2018-12-21 2019-05-10 明阳智慧能源集团股份公司 一种风力发电机组偏航超限ipc变速率停机方法
CN112983737A (zh) * 2021-03-04 2021-06-18 中国大唐集团科学技术研究院有限公司华中电力试验研究院 一种基于功率模糊控制的风力发电机组变桨控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110084485A1 (en) * 2009-10-08 2011-04-14 Vestas Wind Systems A/S Control method for a wind turbine
US20140178197A1 (en) * 2010-12-21 2014-06-26 Vestas Wind Systems A/S Control method for a wind turbine
CN102900603A (zh) * 2012-09-19 2013-01-30 河北工业大学 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法
CN105332855A (zh) * 2014-06-11 2016-02-17 通用电气公司 用于风力涡轮机的控制方法和控制系统
US20170241405A1 (en) * 2014-08-15 2017-08-24 Vestas Wind Systems A/S Turbine over-rating using turbulence prediction
CN106762415A (zh) * 2017-01-23 2017-05-31 锐电科技有限公司 一种降低风力发电机组叶轮不平衡极限载荷的方法
CN109737007A (zh) * 2018-12-21 2019-05-10 明阳智慧能源集团股份公司 一种风力发电机组偏航超限ipc变速率停机方法
CN112983737A (zh) * 2021-03-04 2021-06-18 中国大唐集团科学技术研究院有限公司华中电力试验研究院 一种基于功率模糊控制的风力发电机组变桨控制方法

Also Published As

Publication number Publication date
CN113653596B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN101900080B (zh) 采用变结构pid变桨控制的风机控制系统
CN112613554B (zh) 一种风力发电机变桨系统故障预测方法和系统
Ganjefar et al. Variable speed wind turbines with maximum power extraction using singular perturbation theory
CN109751187B (zh) 一种风力发电机组基于机舱加速度的变速率顺桨停机方法
CN112523941B (zh) 一种防止风力发电机组超速的控制方法与模块
CN108021026B (zh) 一种风力发电机组故障预警及控制参数在线优化方法
CN111541280B (zh) 一种考虑静态电压稳定约束的电网风电最大渗透率评估方法
CN116292095A (zh) 一种串列式双风轮风电机组多场景协调运行方法
Bianchi et al. Optimal gain-scheduled control of fixed-speed active stall wind turbines
Hosseini et al. Control of pitch angle in wind turbine based on doubly fed induction generator using fuzzy logic method
CN113653596B (zh) 基于模糊预测和扇区管理的双风轮风力机变桨控制方法
CN107784371B (zh) 基于非线性拟合的风力偏航状态智能自适应控制方法
CN115288929A (zh) 一种计及载荷计算的风电机组偏航控制方法及系统
CN105649896A (zh) 风电机组智能监控运行控制系统及其控制方法
CN115182844A (zh) 一种变速风力发电机组有界ude转矩控制方法
CN112682258B (zh) 基于Backstepping的大型风力机最大功率点跟踪控制方法
Zheng et al. Double fuzzy pitch controller of wind turbine designed by genetic algorithm
CN107124007A (zh) 一种针对有功/无功协调控制的风电场风机分组方法
Jiao et al. Adaptive dual-layer sliding mode control for wind turbines with estimated wind speed
Zhang et al. Model Predictive Yaw Control Using Fuzzy-Deduced Weighting Factor for Large-Scale Wind Turbines
Damiani et al. Engineering a Reduction of the Levelized Cost of Energy of Distributed Wind Turbines via Rotor and Control Enhancements
CN112696311B (zh) 基于变边界层准滑模变桨优化控制方法
CN114389308B (zh) 一种适用于动态全过程仿真的dfig简化建模方法
Iqbal et al. Modelling and comparison of different control techniques for 1-MW wind turbine to extract maximum power through pitch angle control
CN112610406B (zh) 风力发电机组控制方法

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