CN115143051A - 变速风电机组最大功率捕获方法、系统及其应用 - Google Patents

变速风电机组最大功率捕获方法、系统及其应用 Download PDF

Info

Publication number
CN115143051A
CN115143051A CN202210596671.3A CN202210596671A CN115143051A CN 115143051 A CN115143051 A CN 115143051A CN 202210596671 A CN202210596671 A CN 202210596671A CN 115143051 A CN115143051 A CN 115143051A
Authority
CN
China
Prior art keywords
wind turbine
maximum power
generator
speed
variable speed
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.)
Pending
Application number
CN202210596671.3A
Other languages
English (en)
Inventor
曾凡春
王雅宾
黄晓明
王晓宁
杨继明
王传鑫
李涛
田长凤
徐龙
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.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Jinggangshan Power Plant of Huaneng Power International Inc
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Jinggangshan Power Plant of Huaneng Power International Inc
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 Beijing Huaneng Xinrui Control Technology Co Ltd, Jinggangshan Power Plant of Huaneng Power International Inc filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202210596671.3A priority Critical patent/CN115143051A/zh
Publication of CN115143051A publication Critical patent/CN115143051A/zh
Pending legal-status Critical Current

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
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wind Motors (AREA)

Abstract

一种变速风电机组最大功率捕获方法、系统及其应用，该方法是基于自抗扰控制、RBF神经网络和的变速风电机组最大功率捕获方法，包括如下步骤：建立变速风电机组的等效模型；采用二阶线性自抗扰控制(LADRC)算法构建发电机转矩控制器；采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集；基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集；基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。

Description

变速风电机组最大功率捕获方法、系统及其应用
技术领域
本发明涉及风电机组的最大功率点跟踪控制，更具体地，涉及一种变速风电机组最大功率捕获方法、系统及其应用。
背景技术
在可再生能源中，由于其经济性和安全性，风能的使用规模迅速扩大。对于变速风力发电机组，在低于额定风速的情况下，通常使用发电机转矩控制来最大化从风中捕获的功率。风力发电站建设的可行性研究表明，在地球上的许多地区，一年中的风速大多较低(Mostafaeipour A.Feasibility study of offshore wind turbine installation inIran compared with the world[J].Renewable and Sustainable Energy Reviews，2010，14(7)：1722-1743.)。因此，为了使可实现的功率最大化，发电机转矩控制在VSWT中发挥着更重要的作用。文献(Amine H M，Abdelaziz H，Najib E.Wind turbine maximumpower point tracking using FLC tuned with GA[J].Energy Procedia，2014，62：364-373.)使用基于遗传算法的模糊逻辑控制器进行风电机组的最大功率点跟踪；文献(MéridaJ，Aguilar L T，Dávila J.Analysis and synthesis of sliding mode control forlarge scale variable speed wind turbine for power optimization[J].RenewableEnergy，2014，71：715-728.)采用滑动模态控制的综合和分析，用于大规模的变速风力涡轮机的功率优化。文献(Boukhezzar B，Siguerdidjane H.Nonlinear control with windestimation of a DFTG variable speed wind turbine for power captureoptimization[J].Energy Conversion and Management，2009，50(4)：885-892.)采用非线性控制，使用DFIG变速风力涡轮机的风力近似来优化功率捕获，同时避免涡轮机组件特别是传动系统中的强瞬变。现有技术对风电机组模型不确定性和未建模动态的处理效果并不理想，且受风速影响较大。因此，本发明提出基于自抗扰控制和神经网络的风电机组最大功率点跟踪策略。
神经网络是对任意输入输出映射进行近似估计的强大方法。径向基函数网络是这种方法的一个成功例子。径向基函数(radial-basis function，RBF)神经网络的结构包括一个由非线性节点组成的单一隐藏层，其中心位置使每个节点都专门负责输入空间的一个特定区域。通过调整连接隐藏层与线性输出节点的权重，通过训练程序获得所需的响应。神经网络的主要优点是：(1)神经权重是在线调整的，没有任何预训练阶段；(2)闭环系统的稳定性和性能可以得到保证。因此，神经网络控制非常适用于控制不确定的非线性动态系统。
发明内容
为了解决上述现有技术中的不足，本发明公开一种变速风电机组最大功率捕获方法，其技术方案如下：
一种变速风电机组最大功率捕获方法，该捕获方法是基于自抗扰控制、RBF神经网络和引力搜索算法的变速风电机组最大功率捕获方法，其特征为：包括如下步骤：
步骤1：建立变速风电机组的等效模型；
步骤2：采用二阶线性自抗扰控制(LADRC)算法构建发电机转矩控制器；
步骤3：采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集；
步骤4：基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。
本发明还公开一种将上述变速风电机组最大功率捕获方法应用于变速风力发电机组控制系统中。
有益效果：
所提出的方案能够准确跟踪最大功率点，并且在湍流风条件下仍表现出良好的性能。
附图说明
图1基于自抗扰控制、RBF神经网络和引力搜索算法的变速风电机组最大功率捕获方法示意图。
具体实施方式
下面将结合本发明中的实施例，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。
一种变速风电机组最大功率捕获方法，该捕获方法是基于自抗扰控制、RBF神经网络和引力搜索算法的变速风电机组最大功率捕获方法，其特征为：包括如下步骤：
步骤1：建立变速风电机组的等效模型；
步骤2：采用二阶线性自抗扰控制(LADRC)算法构建发电机转矩控制器；
步骤3：采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集；
步骤4：基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。
下面，我们详细阐述各个步骤如何实现，从而最终解决了本发明所要解决的技术问题，并达到了技术效果。
步骤1：建立变速风电机组的等效模型
风轮机捕获的气动功率可以描述为
Figure BDA0003666322950000041
其中，ρ是空气密度，R是转子半径，v是风速，Cp是风力涡轮机的功率系数。Cp取决于桨距角β和叶尖速比λ，其定义如下：
Figure BDA0003666322950000042
其中ω是转子速度。气动转矩Taero表示如下：
Figure BDA0003666322950000043
其中Cq是转矩系数，与Cp的关系如下：
Figure BDA0003666322950000051
本发明采用简单的一阶发电机模型，因此，发电机转矩Tgen可表示为：
Figure BDA0003666322950000052
其中Tref是发电机转矩参考值，τgen是发电机的时间常数。发电机功率Pgen由以下公式确定：
Pgen＝Tgenωgen (40)
其中ωgen是发电机转速。
转子惯性Jr由气动转矩Taero以速度ωr驱动，这个过程可以用以下动力学方程来描述：
Figure BDA0003666322950000053
其中Kr为转子外部阻尼。低速轴转矩Tls作为制动转矩作用在转子上，通过以下等式获得：
Tls＝Kls(φr-φls)+Bls(ωr-ωls) (42)
其中
Figure BDA0003666322950000054
是转子侧的角度偏差，
Figure BDA0003666322950000055
是齿轮箱侧的角度偏差。ωls是低速轴的速度。此外，Bls和Kls分别为低速轴刚度和低速轴阻尼。发电机惯性由高速轴驱动，由发电机转矩制动：
Figure BDA0003666322950000056
齿轮箱传速比定义为：
Figure BDA0003666322950000057
在风电机组运行的最大功率捕获区，风速高于切入风速但低于额定风速。该区域的主要控制目标是使风力涡轮机产生的功率最大化。为了捕获最大功率，功率系数Cp应该设置为最大功率系数Cp，max，此时叶尖速比和桨距角保持为最佳值：
Figure BDA0003666322950000061
在该区域中，Pgen可以描述为：
Figure BDA0003666322950000062
在额定功率区，风速高于额定风速但低于切出风速。这个区域的主要控制目的是使发电机功率Pgen保持在额定发电机功率Pgen，n。为了达到这个目的，Tref定义为：
Figure BDA0003666322950000063
步骤2：采用二阶线性自抗扰控制(LADRC)算法进行发电机转矩控制器设计。在二阶LADRC控制系统的设计过程中，假定被控对象的数学模型为
Figure BDA0003666322950000064
其中，b0为被控对象高频增益，f(y，u，d)包含对象的内部不确定性和外部扰动，即总扰动。令z＝[z1 z2 z3]T，其中z1＝y，
Figure BDA0003666322950000065
z3＝f，模型(48)可以表示为
Figure BDA0003666322950000066
其中，
Figure BDA0003666322950000071
对式(50)设计线性扩张状态观测器：
Figure BDA0003666322950000072
其中，
Figure BDA0003666322950000073
是z的估计值，Lo为观测器增益，有
Lo＝[β1 β2 β3]T (52)
当Ae-LoCe渐进稳定时，
Figure BDA0003666322950000074
能够估计总扰动。为了通过反馈回路消除总扰动，选取
Figure BDA0003666322950000075
其中，Ko是反馈控制增益，可以表示为
Ko＝[kp kd 1]/b0 (54)
Figure BDA0003666322950000076
为扩张参考输入信号，可以表示为
Figure BDA0003666322950000077
二阶LADRC需要整定的参数是反馈控制器增益Ko和ESO的观测器增益Lo。为方便整定，文献(Gao Z.Scaling and bandwidth-parameterization based controller tuning[C]//Proceedings of the American control conference.2006，6：4989-4996.)提出了带宽整定法，只需要调节控制器带宽ωc、观测器带宽ωo和b0这三个参数即可获得较为满意的控制器性能，具体做法是：在式(52)和(54)中，通过调节控制器带宽ωc和观测器带宽ωo得到增益Ko、Lo的各个元素，有
Figure BDA0003666322950000081
步骤3：采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集。
牛顿运动定律和重力被用来实现最佳解决方案。假设一个有质量的系统，其中第i个质量的位置描述如下：
Figure BDA0003666322950000082
其中
Figure BDA0003666322950000083
代表第i个质量在第d个维度的位置，n表示搜索空间的维度。基于当前种群的适应度值计算每一个质量体的质量：
Figure BDA0003666322950000084
其中Mi(t)和fiti(t)分别是第i个质量体在第t个时刻的质量和适应度值。最小化问题的Worst(t)和Best(t)描述如下：
Figure BDA0003666322950000085
运用万有引力定律计算质量体的加速度：
Figure BDA0003666322950000086
然后根据下式更新质量体的速度和位置：
Figure BDA0003666322950000091
其中randi和randj表示分布在区间[0，1]内的两个均匀随机数。ε是一个很小的值。Rij(t)表示第i个质量体和第j个质量体之间的欧氏距离。kbest表示质量最大的前k个质量体的集合，这是一个时间的函数，在开始时初始化为K0，随着时间的推移而减少。这里K0被调整为s(质量体总数)，并被线性地减小为1。在引力搜索算法中，引力常数G将取一个初始值G0，并且随着时间的推移而减小：
G(t)＝G(G0，t) (62)
引力搜索算法包括以下几个阶段：
(a)确定搜索空间并随机初始化。
(b)计算质量体的适应度值fiti(t)。
(c)根据公式(62)、(59)、(58)分别更新G(t)、best(t)、worst(t)和Mi(t)。
(d)根据公式(60)计算不同方向的总力和加速度。
(e)根据公式(61)更新质量体的位置和速度。
(f)重复b至e阶段，直到达到停止标准。
步骤4：基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。
径向基函数神经网络使用径向基函数作为激活函数，它是径向基函数的线性组合。RBF神经网络通常具有三层：输入层、具有非线性RBF激活函数的隐藏层和线性输出层。X＝[x1，x2，...，xn]T是输入向量，
Figure BDA0003666322950000101
是径向基向量，Y＝[y1，y2，...，ym]T是输出向量。隐藏层(ψj)的输出是一个高斯函数，可以描述为
Figure BDA0003666322950000102
其中，Cj＝[cj1，cj2，...，cjn]T是是第j个神经元的中心向量。σ＝[σ1，σ2，...，σp]T是通常可以通过实验确定的基宽向量。X-Cj是(X-Cj)的范数，可以用以下公式描述：
Figure BDA0003666322950000103
RBF神经网络的第i个输出由下式给出：
Figure BDA0003666322950000104
其中Wiq是第q个隐藏神经元对第i个输出的权重。
RBF神经网络的训练过程通过以下算法进行：
第1步：随机初始化所有权重。
第2步：通过(65)计算输出向量Y的每个元素。
第3步：通过以下公式计算输出层中每个神经元的误差εi：
Figure BDA0003666322950000105
其中
Figure BDA0003666322950000106
是输出层中第i个神经元的期望输出。
第4步：通过以下等式更新权重：
Wij(n+1)＝Wij(n)+μεi(n)ψj，i＝1，2，...，m，j＝1，2，...，p (67)
其中n是迭代次数，μ是学习率。
第5步：根据下式计算总误差εT
Figure BDA0003666322950000111
第6步：返回第三步，重复计算，直到εT小于期望的误差。
一、本发明提出的方案
首先，选择适应度函数：
Figure BDA0003666322950000112
使用引力搜索算法对线性自抗扰控制器参数b0，ωo，ωc在不同风速点进行寻优，获得最佳控制器参数训练集，然后，这个最佳控制器参数训练集和风速作为RBF神经网络的输入数据，对该神经网络进行训练，进而RBF神经网络可以输出适用于当前风速的最佳参数。
实施例1
本发明的风力发电机是一台5MW水平轴变速风电机组。该汽轮机的技术参数具体见文献(Jonkman J，Butterfield S，Musial W，et al.Definition of a 5-MW referencewind turbine for offshore system development[R].National Renewable EnergyLab.(NREL)，Golden，CO(United States)，2009.)，部分参数见表1。
表1 5MW水平轴变速风电机组参数表
Figure BDA0003666322950000121
该风电机组的Cp，max、βopt和λopt的值分别为0.482、0°和7.55。本文研究的风轮机的空气密度ρ为1.02(kg/m3)，计算得Kopt为2.853044。
首先，使用引力搜索算法对线性自抗扰控制器参数b0，ωo，ωc在不同风速点进行寻优，获得最佳控制器参数训练集。具体寻优过程如下：
假设一个有质量的系统，其中第i个质量的位置描述如下：
Figure BDA0003666322950000122
其中
Figure BDA0003666322950000123
代表第i个质量在第d个维度的位置，n表示搜索空间的维度。基于当前种群的适应度值计算每一个质量体的质量：
Figure BDA0003666322950000124
其中Mi(t)和fiti(t)分别是第i个质量体在第t个时刻的质量和适应度值。最小化问题的Worst(t)和Best(t)描述如下：
Figure BDA0003666322950000131
运用万有引力定律计算质量体的加速度：
Figure BDA0003666322950000132
然后根据下式更新质量体的速度和位置：
Figure BDA0003666322950000133
其中randi和randj表示分布在区间[0，1]内的两个均匀随机数。ε是一个很小的值。Rij(t)表示第i个质量体和第j个质量体之间的欧氏距离。kbest表示质量最大的前k个质量体的集合，这是一个时间的函数，在开始时初始化为K0，随着时间的推移而减少。这里K0被调整为s(质量体总数)，并被线性地减小为1。在引力搜索算法中，引力常数G将取一个初始值G0，并且随着时间的推移而减小：
G(t)＝G(G0，t) (75)
引力搜索算法包括以下几个阶段：
(a)确定搜索空间并随机初始化。
(b)根据公式(69)计算质量体的适应度值fiti(t)。
(c)根据公式(75)、(72)、(71)分别更新G(t)、best(t)、worst(t)和Mi(t)。
(d)根据公式(73)计算不同方向的总力和加速度。
(e)根据公式(74)更新质量体的位置和速度。
(f)重复b至e阶段，直到达到停止标准。
然后，将获得的最佳控制器参数训练集和风速作为RBF神经网络的输入数据，对该神经网络进行训练。径向基函数神经网络使用径向基函数作为激活函数，它是径向基函数的线性组合。RBF神经网络通常具有三层：输入层、具有非线性RBF激活函数的隐藏层和线性输出层。X＝[x1，x2，...，xn]T是输入向量，
Figure BDA0003666322950000141
是径向基向量，Y＝[y1，y2，...，ym]T是输出向量。隐藏层(ψj)的输出是一个高斯函数，可以描述为
Figure BDA0003666322950000142
其中，Cj＝[cj1，cj2，...，cjn]T是是第j个神经元的中心向量。σ＝[σ1，σ2，...，σp]T是通常可以通过实验确定的基宽向量。X-Cj是(X-Cj)的范数，可以用以下公式描述：
Figure BDA0003666322950000143
RBF神经网络的第i个输出由下式给出：
Figure BDA0003666322950000144
其中Wiq是第q个隐藏神经元对第i个输出的权重。
RBF神经网络的训练过程通过以下算法进行：
第1步：随机初始化所有权重。
第2步：通过公式(78)计算输出向量Y的每个元素。
第3步：通过以下公式计算输出层中每个神经元的误差εi：
Figure BDA0003666322950000145
其中
Figure BDA0003666322950000146
是输出层中第i个神经元的期望输出。
第4步：通过以下等式更新权重：
Wij(n+1)＝Wij(n)+μεi(n)ψj，i＝1，2，...，m，j＝1，2，...，p (80)
其中n是迭代次数，μ是学习率。
第5步：根据下式计算总误差εT
Figure BDA0003666322950000151
第6步：返回第三步，重复计算，直到εT小于期望的误差。
最后，RBF神经网络可以输出适用于当前风速的最佳控制器参数，使变速风电机组实现最大功率捕获。
综上所述，本发明所提出的方案能够准确跟踪最大功率点，并且在湍流风条件下仍表现出良好的性能，这是因为线性自抗扰控制器能够将未建模动态和模型不确定性视为系统总扰动的一部分，通过扩张状态观测器进行估计并通过反馈控制律进行补偿。此外，RBF神经网络根据当前风速输出最优的控制器参数，使控制器能够最大限度的发挥其性能。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (9)

1.一种变速风电机组最大功率捕获方法，该捕获方法是基于自抗扰控制、RBF神经网络和的变速风电机组最大功率捕获方法，其特征为：包括如下步骤：
步骤1：建立变速风电机组的等效模型；
步骤2：采用二阶线性自抗扰控制(LADRC)算法构建发电机转矩控制器；
步骤3：采用引力搜索算法对发电机转矩控制器参数进行优化并获取最优参数数据集；
步骤4：基于最优参数数据集对径向基函数神经网络进行训练，采用已训练的径向基函数神经输出适用于当前风速条件的发电机转矩控制器参数。
2.根据权利要求1所述的变速风电机组最大功率捕获方法，其特征为：所述步骤1进一步包括如下内容：
风轮机捕获的气动功率可以描述为：
Figure FDA0003666322940000011
其中，ρ是空气密度，R是转子半径，v是风速，Cp是风力涡轮机的功率系数。Cp取决于桨距角β和叶尖速比λ，其定义如下：
Figure FDA0003666322940000012
其中ω是转子速度。气动转矩Taero表示如下：
Figure FDA0003666322940000013
其中Cq是转矩系数，与Cp的关系如下：
Figure FDA0003666322940000014
本发明采用简单的一阶发电机模型，因此，发电机转矩Tgen可表示为：
Figure FDA0003666322940000021
其中Tref是发电机转矩参考值，τgen是发电机的时间常数；发电机功率Pgen由以下公式确定：
Pgen＝Tgenωgen (6)
其中ωgen是发电机转速；
转子惯性Jr由气动转矩Taero以速度ωr驱动，这个过程可以用以下动力学方程来描述：
Figure FDA0003666322940000022
其中Kr为转子外部阻尼，低速轴转矩Tls作为制动转矩作用在转子上，通过以下等式获得：
Tls＝Kls(φr-φls)+Bls(ωr-ωls) (8)
其中
Figure FDA0003666322940000023
是转子侧的角度偏差，
Figure FDA0003666322940000027
是齿轮箱侧的角度偏差。ωls是低速轴的速度；此外，Bls和Kls分别为低速轴刚度和低速轴阻尼；发电机惯性由高速轴驱动，由发电机转矩制动：
Figure FDA0003666322940000024
齿轮箱传速比定义为：
Figure FDA0003666322940000025
在风电机组运行的最大功率捕获区，风速高于切入风速但低于额定风速；该区域的主要控制目标是使风力涡轮机产生的功率最大化；为了捕获最大功率，功率系数Cp应该设置为最大功率系数Cp，max，此时叶尖速比和桨距角保持为最佳值：
Figure FDA0003666322940000026
在该区域中，Tgen可以描述为：
Figure FDA0003666322940000031
在额定功率区，风速高于额定风速但低于切出风速；这个区域的主要控制目的是使发电机功率Pgen保持在额定发电机功率Pgen，n。为了达到这个目的，Tref定义为：
Figure FDA0003666322940000032
3.根据权利要求1所述的变速风电机组最大功率捕获方法，其特征为：所述步骤2进一步包括如下内容：
在二阶LADRC控制系统的设计过程中，一般假定被控对象的数学模型为
Figure FDA0003666322940000033
其中，b0为被控对象高频增益，f(y，u，d)包含对象的内部不确定性和外部扰动，即总扰动；令z＝[z1 z2 z3]T，其中
Figure FDA0003666322940000034
模型(14)可以表示为
Figure FDA0003666322940000035
其中，
Figure FDA0003666322940000036
对式(16)设计线性扩张状态观测器：
Figure FDA0003666322940000037
其中，
Figure FDA0003666322940000038
是z的估计值，Lo为观测器增益，有
Lo＝[β1 β2 β3]T (18)
当Ae-LoCe渐进稳定时，
Figure FDA0003666322940000039
能够估计总扰动。为了通过反馈回路消除总扰动，选取
Figure FDA0003666322940000041
其中，Ko是反馈控制增益，可以表示为
Ko＝[kp kd 1]/b0 (20)
Figure FDA0003666322940000042
为扩张参考输入信号，可以表示为
Figure FDA0003666322940000043
二阶LADRC需要整定的参数是反馈控制器增益Ko和ESO的观测器增益Lo；采用带宽整定法，即在式(18)和(20)中，通过调节控制器带宽和观测器带宽ωc、ωo得到增益Ko、Lo的各个元素，有
Figure FDA0003666322940000044
4.根据权利要求1所述的变速风电机组最大功率捕获方法，其特征为：所述步骤3进一步包括如下内容：
径向基函数神经网络使用径向基函数作为激活函数，它是径向基函数的线性组合；RBF神经网络通常具有三层：输入层、具有非线性RBF激活函数的隐藏层和线性输出层。X＝[x1，x2，...，xn]T是输入向量，
Figure FDA0003666322940000045
是径向基向量，Y＝[y1，y2，...，ym]T是输出向量。隐藏层(ψj)的输出是一个高斯函数，可以描述为
Figure FDA0003666322940000046
其中，Cj＝[cj1，cj2，...，cjn]T是是第j个神经元的中心向量；σ＝[σ1，σ2，...，σp]T是通常可以通过实验确定的基宽向量；X-Cj是(X-Cj)的范数，可以用以下公式描述：
Figure FDA0003666322940000047
RBF神经网络的第i个输出由下式给出：
Figure FDA0003666322940000048
其中Wiq是第q个隐藏神经元对第i个输出的权重。
5.根据权利要求4所述的变速风电机组最大功率捕获方法，其特征为：所述步骤3进一步包括如下内容：
RBF神经网络的训练过程通过以下算法进行：
第1步：随机初始化所有权重；
第2步：通过(25)计算输出向量Y的每个元素；
第3步：通过以下公式计算输出层中每个神经元的误差εi：
Figure FDA0003666322940000051
其中
Figure FDA0003666322940000052
是输出层中第i个神经元的期望输出；
第4步：通过以下等式更新权重：
Wij(n+1)＝Wij(n)+μεi(n)ψj，i＝1，2，...，m，j＝1，2，...，p (27)
其中n是迭代次数，μ是学习率；
第5步：根据下式计算总误差εT
Figure FDA0003666322940000053
第6步：返回第三步，重复计算，直到εT小于期望的误差。
6.根据权利要求1所述的变速风电机组最大功率捕获方法，其特征为：所述步骤4进一步包括如下内容：
在引力搜索算法中，牛顿运动定律和重力被用来实现最佳解决方案；假设一个有质量的系统，其中第i个质量的位置描述如下：
Figure FDA0003666322940000054
其中
Figure FDA0003666322940000055
代表第i个质量在第d个维度的位置，n表示搜索空间的维度；基于当前种群的适应度值计算每一个质量体的质量：
Figure FDA0003666322940000056
其中Mi(t)和fiti(t)分别是第i个质量体在第t个时刻的质量和适应度值；最小化问题的Worst(t)和Best(t)描述如下：
Figure FDA0003666322940000061
运用万有引力定律计算质量体的加速度：
Figure FDA0003666322940000062
然后根据下式更新质量体的速度和位置：
Figure FDA0003666322940000063
其中randi和randj表示分布在区间[0，1]内的两个均匀随机数；ε是一个很小的值；Rij(t)表示第i个质量体和第j个质量体之间的欧氏距离；kbest表示质量最大的前k个质量体的集合，这是一个时间的函数，在开始时初始化为K0，随着时间的推移而减少；这里K0被调整为s(质量体总数)，并被线性地减小为1；在GSA中，引力常数G将取一个初始值G0，并且随着时间的推移而减小：
G(t)＝G(G0，t) (34)。
7.根据权利要求6所述的变速风电机组最大功率捕获方法，其特征为：所述引力搜索算法算法包括以下几个阶段：
(a)确定搜索空间；
(b)随机初始化；
(c)计算质量体的适应度值；
(d)更新G(t)、best(t)、worst(t)和Mi(t)；
(e)计算不同方向的总力；
(f)计算加速度和速度；
(g)更新质量体的位置；
(h)重复c至g阶段，直到达到停止标准。
8.变速风电机组最大功率捕获系统，所述系统采用上述权利要求1-7任一所述的变速风电机组最大功率捕获方法。
9.将权利要求1-7任一所述的变速风电机组最大功率捕获方法应用于变速风力发电机组控制系统中。
CN202210596671.3A 2022-05-27 2022-05-27 变速风电机组最大功率捕获方法、系统及其应用 Pending CN115143051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596671.3A CN115143051A (zh) 2022-05-27 2022-05-27 变速风电机组最大功率捕获方法、系统及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596671.3A CN115143051A (zh) 2022-05-27 2022-05-27 变速风电机组最大功率捕获方法、系统及其应用

Publications (1)

Publication Number Publication Date
CN115143051A true CN115143051A (zh) 2022-10-04

Family

ID=83406687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596671.3A Pending CN115143051A (zh) 2022-05-27 2022-05-27 变速风电机组最大功率捕获方法、系统及其应用

Country Status (1)

Country Link
CN (1) CN115143051A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116345967A (zh) * 2022-10-31 2023-06-27 广东电网有限责任公司江门供电局 一种波浪发电系统的功率控制方法、系统和设备
CN116667322A (zh) * 2023-05-12 2023-08-29 三峡物资招标管理有限公司 基于相空间重构和改进rbf神经网络的电力负荷预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116345967A (zh) * 2022-10-31 2023-06-27 广东电网有限责任公司江门供电局 一种波浪发电系统的功率控制方法、系统和设备
CN116345967B (zh) * 2022-10-31 2023-08-04 广东电网有限责任公司江门供电局 一种波浪发电系统的功率控制方法、系统和设备
CN116667322A (zh) * 2023-05-12 2023-08-29 三峡物资招标管理有限公司 基于相空间重构和改进rbf神经网络的电力负荷预测方法

Similar Documents

Publication Publication Date Title
Selvam et al. Feedback–feedforward individual pitch control for wind turbine load reduction
CN115143051A (zh) 变速风电机组最大功率捕获方法、系统及其应用
CN105179164B (zh) 基于t-s模糊模型的风能转换系统滑模控制方法及装置
US10302067B2 (en) Model based controller for a wind turbine generator
CN112523944B (zh) 一种风力发电机变桨系统自适应动态面控制方法
Lakshmi et al. Fuzzy adaptive PID control of pitch system in variable speed wind turbines
Saidi et al. Adaptive maximum power control based on optimum torque method for wind turbine by using fuzzy-logic adaption mechanisms during partial load operation
Haile et al. Modeling of doubly fed induction generator based wind energy conversion system and speed controller
Manna et al. A review of control techniques for wind energy conversion system
Bououden et al. Fuzzy predictive control of a variable speed wind turbine
Aleksandr et al. MPPT algorithms for wind turbines: review and comparison
Almaged et al. Design of an integral fuzzy logic controller for a variable-speed wind turbine model
Baltag et al. Design of H∞ Robust Controllers for Wind Turbines Based on DFIG
Coronado et al. Adaptive control of variable-speed variable-pitch wind turbines for power regulation
Pandey et al. Performance improvement of variable speed wind turbine by uncertainty estimator-based robust control design
Ranjineh Khojasteh et al. Design nonlinear feedback strategy using H 2/H∞ control and neural network based estimator for variable speed wind turbine
Djilali et al. Neural input output feedback linearization control of a DFIG based wind turbine
Wang et al. Neural network adaptive control for constant output power of variable pitch wind turbine
Yan et al. MIMO control of wind turbine using direct shooting method
Shengsheng et al. H-infinity Variable-Pitch Control for Wind Turbines Based on Takagi-Sugeno Fuzzy Theory.
Yang et al. Fuzzy PID control of induction generators
Chang et al. Combined predictive feedforward and feedback control for blade pitch of wind turbine
Wheeler et al. Wind turbine collective and individual pitch control using quantitative feedback theory
El Mjabber et al. An adaptive control for a variable speed wind turbine using RBF neural network
Anstock et al. The effect of a speed exclusion zone and active tower dampers on an upwind fixed-hub two-bladed 20 MW wind turbine

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