CN113970886B - 基于优化准确性的风电试验台控制周期选取方法及系统 - Google Patents

基于优化准确性的风电试验台控制周期选取方法及系统 Download PDF

Info

Publication number
CN113970886B
CN113970886B CN202111176564.7A CN202111176564A CN113970886B CN 113970886 B CN113970886 B CN 113970886B CN 202111176564 A CN202111176564 A CN 202111176564A CN 113970886 B CN113970886 B CN 113970886B
Authority
CN
China
Prior art keywords
wind turbine
control period
test stand
order
transfer function
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
CN202111176564.7A
Other languages
English (en)
Other versions
CN113970886A (zh
Inventor
陈载宇
周连俊
罗森华
马雪阳
李佳羽
胡鹏杰
殷明慧
卜京
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111176564.7A priority Critical patent/CN113970886B/zh
Publication of CN113970886A publication Critical patent/CN113970886A/zh
Application granted granted Critical
Publication of CN113970886B publication Critical patent/CN113970886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种优化准确性的风电试验台控制周期选取方法及系统。针对风电机组试验台现有控制周期选取方法并未关注准确性的问题，本方法首先建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；然后对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；之后结合状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；最后求解Lyapunov矩阵方程，获取准确性最优的控制周期。该方法与常规的控制周期选取策略相比，能有效地提高试验台转速模拟的准确性，有利于风力机控制策略的验证。

Description

基于优化准确性的风电试验台控制周期选取方法及系统
技术领域
本发明属于时延辨识领域，特别是一种优化准确性的风电试验台控制周期选取方法及系统。
背景技术
风电机组试验台需要稳定准确地还原风机的机械动态特性，仅仅解决风电机试验台的稳定性问题对于风电机组试验台的试验具有一定的片面性。风力机机械动态的模拟，根本目的是为了实现风力机模拟器和实际风力机在相同工况下具有相同的机械动态特性，也就是要满足风力机模拟器的机械动态特性具有更高的准确程度。而现有的补偿转矩控制策略在增大控制周期之后，会出现模拟输出的转速和实际转速的偏离，其稳定性虽然能保证，但是准确程度无法保证。准确性是构成风电机试验台成功复现实际风机机械特性的重要因素。
在此之前，现有研究领域中也对风力机模拟器机械动态模拟的准确性问题与评估指标做出了分析，总结了当前的转动惯量补偿策略导致的准确性问题，并提出基于统计规律的模拟器准确性的评价指标。为了解决准确性问题，该研究指出对转速噪声进行抑制和对传动链阻尼进行补偿的两种方法。其中转速噪声的抑制需要设计状态观测器参数，设计较为复杂，而阻尼补偿的关键是风力机模拟器的阻尼模型的准确建模，而风力机模拟器实际的阻尼特性受多种因素影响，工程实用性值得商榷。
发明内容
本发明的目的在于针对上述现有技术存在的问题，提供一种优化准确性的风电试验台控制周期选取方法及系统。
实现本发明目的的技术解决方案为：一种优化准确性的风电试验台控制周期选取方法，所述方法包括以下步骤：
步骤1，建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
步骤2，对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；
步骤3，基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；
步骤4，对于步骤3得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期。
进一步地，步骤2所述对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A，具体包括：
步骤2-1，根据风电机组试验台传动链模型，考虑系统时延
Figure BDA0003295371410000021
以高速侧转轴加速度α为输出，传动链不平衡转矩ΔT为输入，进行离散z变换，得到传递函数H(z)：
Figure BDA0003295371410000022
式中，Jt为折算至高速侧的风力机全部转动惯量，Js为风力机模拟器传动链全部转动惯量，αd为一阶滤波器的系数，k0为时延τ相对于控制周期T的倍数，k0＝τ/T，定义为时延阶数；
步骤2-2，基于步骤2-1中得到的传递函数H(z)，将分母最高次项单位化可得：
Figure BDA0003295371410000023
由此得到传递函数H(z)的状态矩阵A：
Figure BDA0003295371410000024
进一步地，步骤3所述基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程，具体包括：
依据Lyapunov方程，对于风电试验台系统，其渐进稳定的充要条件是：给定任意正定对称矩阵Q，存在一个正定对称矩阵P使方程成立：
ATPA-P＝-Q
其中，Q为单位阵。
进一步地，步骤4所述对于步骤3得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期，具体包括：
步骤4-1，初始化时延阶数k0为1，在步骤3得到的方程中设置风电机组试验台参数进行求解，判断风电机组试验台传动链模型的稳定性；
步骤4-2，按设定步长增大时延阶数k0，重复步骤4-1，获取保持系统稳定的最大时延阶数k0，由此获得最小控制周期T，该周期即为准确性最优的控制周期。
实现上述方法的优化准确性的风电试验台控制周期选取系统，所述系统包括：
模型构建模块，用于建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
离散化模块，用于对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；
稳定性判据构建模块，用于基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；
最优控制周期获取模块，用于对稳定性判据构建模块得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期。
本发明与现有技术相比，其显著优点为：1)本发明充分考虑了已经建成的风电试验台，其系统各回路涉及机械、电气和测控诸多子系统，很难低成本、非侵入地解决准确性优化问题，设计了一种优化准确性的风电试验台控制周期选取方法，实现了试验台系统准确性低成本、非侵入、直接的优化；2)通过本发明方法辨识得到试验台系统的稳定边界，优化准确性的同时，可以保障风电机组试验台的稳定性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中优化准确性的风电试验台控制周期选取方法的流程图。
图2为一个实施例中以高速侧转轴加速度α为输出，不平衡转矩ΔT为输入的传动链控制框图。
图3为本发明方法应用于实际仿真模型的准确性效果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，提供了一种优化准确性的风电试验台控制周期选取方法，所述方法包括以下步骤：
步骤1，建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
步骤2，对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；
步骤3，基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；
步骤4，对于步骤3得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期。
进一步地，在其中一个实施例中，步骤1所述建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型，具体包括：
在传统转动惯量补偿策略的基础上引入一阶数字滤波器，由此基于传统的风电机组试验台离散模型获得包含一阶数字滤波器的风电机组试验台传动链模型，该模型是在传统的风电机组试验台离散模型的转矩补偿回路引入一阶数字滤波器。
进一步地，在其中一个实施例中，结合图2，步骤2所述所述对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A，具体包括：
步骤2-1，根据风电机组试验台传动链模型，考虑系统时延
Figure BDA0003295371410000041
以高速侧转轴加速度α为输出，传动链不平衡转矩ΔT为输入，进行离散z变换，得到传递函数H(z)：/>
Figure BDA0003295371410000042
式中，Jt为折算至高速侧的风力机全部转动惯量，Js为风力机模拟器传动链全部转动惯量，αd为一阶滤波器的系数，k0为时延τ相对于控制周期T的倍数，k0＝τ/T，定义为时延阶数；
步骤2-2，基于步骤2-1中得到的传递函数H(z)，将分母最高次项单位化可得：
Figure BDA0003295371410000051
由此得到传递函数H(z)的状态矩阵A：
Figure BDA0003295371410000052
进一步地，在其中一个实施例中，步骤3所述基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程，具体包括：
依据Lyapunov方程，对于风电试验台系统，其渐进稳定的充要条件是：给定任意正定对称矩阵Q，存在一个正定对称矩阵P使方程成立：
ATPA-P＝-Q
其中，Q为单位阵。
进一步地，在其中一个实施例中，步骤4所述对于步骤3得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期，具体包括：
步骤4-1，初始化时延阶数k0为1，在步骤3得到的方程中设置风电机组试验台参数进行求解，判断风电机组试验台传动链模型的稳定性；
步骤4-2，按设定步长增大时延阶数k0，重复步骤4-1，获取保持系统稳定的最大时延阶数k0，由此获得最小控制周期T，该周期即为准确性最优的控制周期。
在一个实施例中，提供了一种优化准确性的风电试验台控制周期选取系统，所述系统包括：
模型构建模块，用于建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
离散化模块，用于对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；
稳定性判据构建模块，用于基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；
最优控制周期获取模块，用于对稳定性判据构建模块得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期。
关于优化准确性的风电试验台控制周期选取系统的具体限定可以参见上文中对于优化准确性的风电试验台控制周期选取方法的限定，在此不再赘述。上述优化准确性的风电试验台控制周期选取方法中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
作为一种具体示例，在其中一个实施例中，对本发明优化准确性的风电试验台控制周期选取方法进行进一步验证说明。
本实施例利用如表1搭建的风电机组试验台模型作为准确性优化的对象，以实际风电机组模型作为转动惯量模拟的目标，以二者的转速误差标准差作为准确性评价指标。
表1风电机组试验台部分参数
Figure BDA0003295371410000061
在传统转动惯量补偿策略的基础上引入一阶数字滤波器，由此基于传统的风电机组试验台模型得到包含一阶滤波器的转动惯量补偿策略的风电机组试验台传动链模型。
根据风电机组试验台传动链模型，考虑系统时延
Figure BDA0003295371410000071
以高速侧转轴加速度α为输出，传动链不平衡转矩ΔT为输入，进行离散z变换，得到传递函数H(z)：
Figure BDA0003295371410000072
式中，Jt为折算至高速侧的风力机全部转动惯量、Js为风力机模拟器传动链全部转动惯量，αd为一阶滤波器的系数，k0为时延τ相对于控制周期T的倍数(k0＝τ/T)，定义为时延阶数。
根据上面得到的传递函数H(z)，将分母最高次项单位化可得，
Figure BDA0003295371410000073
据此可以得到传递函数H(z)的状态矩阵A：
Figure BDA0003295371410000074
依据Lyapunov方程，对于上述的风电试验台系统，其渐进稳定的充要条件是：给定任意正定对称矩阵Q，存在一个正定对称矩阵P使方程成立，
ATPA-P＝-Q
为了便于计算，代入Q为单位阵；再代入状态矩阵A，即得到所需求解的具体方程。
对于给定表1参数的风电试验台，其通信时滞是相对固定的，本例中设置为100ms，求解数据如下表2所示。
表2方程参数及求解结果
Figure BDA0003295371410000075
Figure BDA0003295371410000081
由表2找到能使方程有解的最大时延阶数k0(整数)，即对应最小控制周期T，这个控制周期T即为本发明要获取的准确性最优的控制周期。如条件Jt＝3.6kg·m2、Js＝0.72kg·m2、αd＝0.9时，最优的时延阶数k0＝3，即最优的控制周期为33ms；条件Jt＝4.32kg·m2、Js＝0.72kg·m2、αd＝0.9时，最优的时延阶数k0＝2，即最优的控制周期为50ms。
对应表2各参数，进行准确性实验，得到的准确性指标如图3所示(图上标出的控制周期是实际仿真时准确性最好的情况)，本发明求出的控制周期对应的准确性最好。可以看出，结果与预期结果相符，由此说明本发明所提优化方法准确有效。
综上，与一般的准确性优化方法相比，本发明可以不进行复杂的参数调试，免去特定环节的准确建模，低成本地实现准确性优化。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种优化准确性的风电试验台控制周期选取方法，其特征在于，所述方法包括以下步骤：
步骤1，建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
步骤2，对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；具体包括：
步骤2-1，根据风电机组试验台传动链模型，考虑系统时延
Figure FDA0003932162550000011
以高速侧转轴加速度α为输出，传动链不平衡转矩ΔT为输入，进行离散z变换，得到传递函数H(z)：
Figure FDA0003932162550000012
式中，Jt为折算至高速侧的风力机全部转动惯量，Js为风力机模拟器传动链全部转动惯量，αd为一阶滤波器的系数，k0为时延τ相对于控制周期T的倍数，k0＝τ/T，定义为时延阶数；
步骤2-2，基于步骤2-1中得到的传递函数H(z)，将分母最高次项单位化可得：
Figure FDA0003932162550000013
由此得到传递函数H(z)的状态矩阵A：
Figure FDA0003932162550000014
步骤3，基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；具体包括：
依据Lyapunov方程，对于风电试验台系统，其渐进稳定的充要条件是：给定任意正定对称矩阵Q，存在一个正定对称矩阵P使方程成立：
ATPA-P＝-Q
其中，Q为单位阵；
步骤4，对于步骤3得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期；具体包括：
步骤4-1，初始化时延阶数k0为1，在步骤3得到的方程中设置风电机组试验台参数进行求解，判断风电机组试验台传动链模型的稳定性；
步骤4-2，按设定步长增大时延阶数k0，重复步骤4-1，获取保持系统稳定的最大时延阶数k0，由此获得最小控制周期T，该周期即为准确性最优的控制周期。
2.根据权利要求1所述的优化准确性的风电试验台控制周期选取方法，其特征在于，步骤1所述建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型，具体包括：
在传统转动惯量补偿策略的基础上引入一阶数字滤波器，由此基于传统的风电机组试验台离散模型获得包含一阶数字滤波器的风电机组试验台传动链模型，该模型是在传统的风电机组试验台离散模型的转矩补偿回路引入一阶数字滤波器。
3.一种优化准确性的风电试验台控制周期选取系统，其特征在于，所述系统包括：
模型构建模块，用于建立基于一阶滤波器的含时延转动惯量补偿策略的风电机组试验台传动链模型；
离散化模块，用于对风电机组试验台传动链模型进行离散化，得到以高速侧转轴加速度为输出，以不平衡转矩为输入的z域传递函数H(z)，并获取传递函数状态矩阵A；具体包括：
步骤2-1，根据风电机组试验台传动链模型，考虑系统时延
Figure FDA0003932162550000021
以高速侧转轴加速度α为输出，传动链不平衡转矩ΔT为输入，进行离散z变换，得到传递函数H(z)：
Figure FDA0003932162550000022
式中，Jt为折算至高速侧的风力机全部转动惯量，Js为风力机模拟器传动链全部转动惯量，αd为一阶滤波器的系数，k0为时延τ相对于控制周期T的倍数，k0＝τ/T，定义为时延阶数；
步骤2-2，基于步骤2-1中得到的传递函数H(z)，将分母最高次项单位化可得：
Figure FDA0003932162550000031
由此得到传递函数H(z)的状态矩阵A：
Figure FDA0003932162550000032
稳定性判据构建模块，用于基于Lyapunov方程的离散形式，结合所述状态矩阵A，获得一个包含风电机组试验台参数在内的Lyapunov矩阵方程；具体包括：
依据Lyapunov方程，对于风电试验台系统，其渐进稳定的充要条件是：给定任意正定对称矩阵Q，存在一个正定对称矩阵P使方程成立：
ATPA-P＝-Q
其中，Q为单位阵；
最优控制周期获取模块，用于对稳定性判据构建模块得到的Lyapunov矩阵方程，仅改变时延阶数进行求解，获取时延阶数稳定边界，换算后即可得到准确性最优的控制周期；具体包括：
步骤4-1，初始化时延阶数k0为1，在步骤3得到的方程中设置风电机组试验台参数进行求解，判断风电机组试验台传动链模型的稳定性；
步骤4-2，按设定步长增大时延阶数k0，重复步骤4-1，获取保持系统稳定的最大时延阶数k0，由此获得最小控制周期T，该周期即为准确性最优的控制周期。
CN202111176564.7A 2021-10-09 2021-10-09 基于优化准确性的风电试验台控制周期选取方法及系统 Active CN113970886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111176564.7A CN113970886B (zh) 2021-10-09 2021-10-09 基于优化准确性的风电试验台控制周期选取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111176564.7A CN113970886B (zh) 2021-10-09 2021-10-09 基于优化准确性的风电试验台控制周期选取方法及系统

Publications (2)

Publication Number Publication Date
CN113970886A CN113970886A (zh) 2022-01-25
CN113970886B true CN113970886B (zh) 2023-05-23

Family

ID=79587221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111176564.7A Active CN113970886B (zh) 2021-10-09 2021-10-09 基于优化准确性的风电试验台控制周期选取方法及系统

Country Status (1)

Country Link
CN (1) CN113970886B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2302206A1 (en) * 2009-09-23 2011-03-30 Siemens Aktiengesellschaft Selecting a load reduction measure for operating a power generating machine
CN104242339A (zh) * 2014-08-29 2014-12-24 清华大学 基于模型预测控制理论的风电场电压自动控制方法
CN105952587A (zh) * 2016-04-28 2016-09-21 南京理工大学 基于风力机模拟器转动惯量补偿策略的滤波参数选取方法
CN107989753A (zh) * 2017-12-06 2018-05-04 北京天润新能投资有限公司 一种基于开发地图的风电场风力发电机组监测系统及监测方法
CN109193785A (zh) * 2018-10-25 2019-01-11 浙江运达风电股份有限公司 一种考虑机械载荷约束的大型风电机组虚拟惯量控制方法
CN109578209A (zh) * 2018-12-13 2019-04-05 运城学院 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统
CN111859650A (zh) * 2020-07-10 2020-10-30 中国科学院电工研究所 基于在线式联合仿真的风电机组传动链虚拟地面试验方法
CN112906210A (zh) * 2021-02-05 2021-06-04 南京理工大学 基于失稳特征提取的风电机组试验台时延辨识方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9372201B2 (en) * 2014-03-31 2016-06-21 Alstom Renewable Technologies Yaw and pitch angles

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2302206A1 (en) * 2009-09-23 2011-03-30 Siemens Aktiengesellschaft Selecting a load reduction measure for operating a power generating machine
CN104242339A (zh) * 2014-08-29 2014-12-24 清华大学 基于模型预测控制理论的风电场电压自动控制方法
CN105952587A (zh) * 2016-04-28 2016-09-21 南京理工大学 基于风力机模拟器转动惯量补偿策略的滤波参数选取方法
CN107989753A (zh) * 2017-12-06 2018-05-04 北京天润新能投资有限公司 一种基于开发地图的风电场风力发电机组监测系统及监测方法
CN109193785A (zh) * 2018-10-25 2019-01-11 浙江运达风电股份有限公司 一种考虑机械载荷约束的大型风电机组虚拟惯量控制方法
CN109578209A (zh) * 2018-12-13 2019-04-05 运城学院 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统
CN111859650A (zh) * 2020-07-10 2020-10-30 中国科学院电工研究所 基于在线式联合仿真的风电机组传动链虚拟地面试验方法
CN112906210A (zh) * 2021-02-05 2021-06-04 南京理工大学 基于失稳特征提取的风电机组试验台时延辨识方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑变化湍流风速条件的风电机组改进自适应转矩控制;周连俊;《电力系统自动化》;20201112;第1-11页 *

Also Published As

Publication number Publication date
CN113970886A (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN107346357B (zh) 一种基于整体耦合模型的海上风机疲劳分析系统
CN107947228B (zh) 基于Markov理论的含风电电力系统随机稳定性分析方法
CN110210044A (zh) 风力发电机组的载荷预测方法和装置
EP3791060A1 (en) Wind turbine control method
CN112906210B (zh) 基于失稳特征提取的风电机组试验台时延辨识方法及系统
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN105634018A (zh) 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法
CN113970886B (zh) 基于优化准确性的风电试验台控制周期选取方法及系统
Porto et al. Power performance of starting-improved and multi-bladed horizontal-axis small wind turbines
Sichani et al. First passage probability estimation of wind turbines by Markov Chain Monte Carlo
CN110469661B (zh) 一种基于cvt效率的动力性速比优化方法及系统
CN115076020B (zh) 变速抽水蓄能机组水泵工况的寻优方法、装置及设备
CN116541980A (zh) 一种转子冲片尺寸参数优化方法
CN114069692B (zh) 用于求解电力调度问题的联合机会约束优化方法及装置
CN110489801B (zh) 利用粒子群优化算法的发电机轴系多质块参数简化方法
CN112636390A (zh) 一种风电场双要素等值模型构建方法
CN112488550A (zh) 基于深度学习的不确定性电网静态安全分析方法及系统
CN110556873A (zh) 一种基于罚函数的vsg自适应转动惯量控制方法
CN116090309B (zh) 风力发电机组仿真模型的生成方法、装置、设备及介质
CN118157161A (zh) 电力系统转动惯量实时监测方法及系统
CN117477639A (zh) 双高电力系统异步多速率离线仿真方法及装置
CN115828569B (zh) 基于鲸鱼优化算法的双馈风电机组传动系统参数辨识方法
CN104239019B (zh) 搜索请求生成方法和系统
CN116014739A (zh) 一种考虑风电不确定性的暂态稳定约束最优潮流获取方法
CN116404643A (zh) 基于深度学习的新能源随机潮流分析方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Zaiyu

Inventor after: Zhou Lianjun

Inventor after: Luo Senhua

Inventor after: Ma Xueyang

Inventor after: Li Jiayu

Inventor after: Hu Pengjie

Inventor after: Yin Minghui

Inventor after: Bu Jing

Inventor before: Ma Xueyang

Inventor before: Zhou Lianjun

Inventor before: Chen Zaiyu

Inventor before: Luo Senhua

Inventor before: Li Jiayu

Inventor before: Hu Pengjie

Inventor before: Yin Minghui

Inventor before: Bu Jing

GR01 Patent grant
GR01 Patent grant