CN115203841B - 基于scada秒级数据和状态空间的风电机组桨距环建模方法 - Google Patents
基于scada秒级数据和状态空间的风电机组桨距环建模方法 Download PDFInfo
- Publication number
- CN115203841B CN115203841B CN202210792688.6A CN202210792688A CN115203841B CN 115203841 B CN115203841 B CN 115203841B CN 202210792688 A CN202210792688 A CN 202210792688A CN 115203841 B CN115203841 B CN 115203841B
- Authority
- CN
- China
- Prior art keywords
- wind
- model
- wind speed
- matrix
- input
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域,公开了基于SCADA秒级数据和状态空间的风电机组桨距环建模方法,本发明采用数据建模的方法而非复杂的机理建模,与以往建模的方法相比更准确。除了桨距角,本发明将风速也作为系统的输入,对桨距环进行了系统辨识,使辨识的桨距环成为多输入单输出系统,通过辨识不同风况下系统的传递函数,得到风速与辨识模型参数之间的关系,能够使系统的线性特性变为非线性,模型能够反映不同风况下的系统的动态特性,解决了现有非线性系统辨识方法都是在特定风况下,将风电简化为单输入单输出系统进行分析,忽略了风速波动对系统动态特性影响的问题;解决了现有基于神经网络辨识方法辨识的模型误差较大的问题。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种基于SCADA秒级数据和状态空间的风电机组桨距环建模方法。
背景技术
随着风电机组向着大型化、数字化方向发展,系统变得越来越复杂。当系统工况发生变化时,常规的线性模型将不能反映机组的非线性时变特性。而建立能够描述不同风况下系统动态特性的精确模型,将为优化机组运行控制技术、构建能够反映系统复杂动态特性的数字化孪生风电机组提供理论和建模基础,具有重要意义。
目前建立风力发电机组系统模型主要采用机理建模方法和非线性系统辨识的方法。采用机理建模方法需要根据复杂的能量转换和空气动力学原理进行一系列公式推导和理想假设条件得到,田德等学者基于机理建模建立了风电机组气-机-电耦合模型,许瑾等学者建立了风电机组的多体动力学模型,该方法数学运算量大,并且得到的模型误差较大;非线性系统辨识方法,增加激励信号,采用各种智能算法对非线性系统进行在线或离线辨识,该方法理论成熟,操作简单,目前在风电控制领域已有应用,林畅等学者建立了转矩-转速的机组模型,潘学萍等学者采用BP神经网络的方法对双馈式风电机组的参数进行了辨识,马灵芝等学者采用RBF神经网络的方法把桨距环看做单输入单输出系统进行辨识,王瑞良等学者将变桨距系统等效为二阶系统,辨识了系统的传递函数。但是都是在特定风况下,将风电简化为单输入单输出系统,并且把风速当成是系统的外部扰动进行分析,这样的方法不能反映系统在不同风况下的特性,也不能够反映风速对系统动态特性的影响。
发明内容
鉴于此,本发明的目的在于,提供一种基于SCADA秒级数据和状态空间的风电机组桨距环建模方法,解决了现有非线性系统辨识方法都是在特定风况下,将风电简化为单输入单输出系统进行分析,忽略了风速波动对系统动态特性影响的问题;此外,还解决了现有基于神经网络辨识方法辨识的模型误差较大的问题。
为了达到上述发明目的,进而采取的技术方案如下:
基于SCADA秒级数据和状态空间的风电机组桨距环建模方法,包括以下步骤:
采集风电场中一台风电机组实际运行的SCADA数据,从SCADA数据中选取风速、桨距角、转速秒级数据;
以1min为时间段,选取不同风速段,选取机舱气象站风速、桨距角作为模型的输入,选取叶轮转速作为模型的输出,通过Matlab中System Identification 工具箱进行系统辨识,得到多组A、B、C、D、K,具体的模型状态空间表达式如下:
式中,X表示系统状态矩阵, 表示状态变量的微分矩阵,U表示系统的输入矩阵,/>E表示系统的随机扰动,Y表示系统的输出,Y=ωr,A 表示状态变量系数矩阵,B表示输入矩阵,C表示输出矩阵,D表示直接传输矩阵, K表示扰动输入矩阵,ωr表示叶轮转速,β表示叶片角度,v表示机舱气象站风速;
为了满足模型能够适应更大的风速范围而不是特定风况,采用对多种风况进行模型辨识,得到不同风况下的系统模型,通过分析系统各个参数在不同风速下的变化规律,能够将原来的线性参数矩阵变为与风速相关的非线性矩阵,进而实现模型对更大风速范围的适应,提升数据建模的准确性,系统的参数矩阵下式所示:
C=(c11(v) c12(v) c13(v) c14(v)) (4)
上式中,a11(v)···a44(v)表示系统状态变量与状态变量微分之间的系数, b11(v)···b44(v)表示系统输入变量与状态变量微分之间的系数, c11(v)···c14(v)表示输入变量与输出变量之间的系数,k11(v)···k41(v)表示随机扰动与状态变量微分之间的系数;
选取1min平均风速为Vmin-Vmax的范围,风速每增加ΔV,采用公式(1)的状态空间表达形式对系统进行一次辨识,得到一组系统的参数矩阵,共得到(Vmax- Vmin)/ΔV+1组,通过查表的方法得到在特定风速下公式(2)-(5)矩阵中各个参数对应的数值;
为了避免辨识出来的模型出现振荡的情况,在特定风况下都有对应的初始状态变量X0,X0的值也需要随着风速的变化而变化;
本发明的有益效果是:本发明采用数据建模的方法而非复杂的机理建模,与以往模型辨识的方法相比,该方法辨识的模型更准确。除了桨距角,本发明将风速也作为系统的输入,对桨距环进行了系统辨识,使辨识的桨距环成为多输入单输出系统,这样系统的模型包含的信息更全面,能够反应包含风速与转速的系统动态特性。
本发明通过辨识不同风况下系统的传递函数,得到风速与辨识模型参数之间的关系,能够使系统的线性特性变为非线性,模型能够反映不同风况下的系统的动态特性。解决了现有非线性系统辨识方法都是在特定风况下,将风电简化为单输入单输出系统进行分析,忽略了风速波动对系统动态特性影响的问题;此外,还解决了现有基于神经网络辨识方法辨识的模型误差较大的问题。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的系统辨识与建模流程;
图2是本发明方法在不同平均风速下,与其他方法的测试与对比分析图,其中,图(a)是平均风速为9.9m/s的模型测试图,图(b)是平均风速为9.9m/s 的模型的误差对比分析图,图(c)是平均风速为11.8m/s的模型测试图,图(d) 是平均风速为11.8m/s的模型的误差对比分析图;
图3是本发明实施例中的测试对比图,其中,图(a)是平均风速为9.9m/s 的风速、桨距角和转速的实际运行曲线,图(b)是平均风速为9.9m/s时本发明模型输出值和实际值的对比图,图(c)是平均风速为11.8m/s的风速、桨距角和转速的实际运行曲线,图(d)是平均风速为11.8/s时本发明模型输出值和实际值的对比图,图(e)是平均风速为13.8m/s的风速、桨距角和转速的实际运行曲线,图(f)是平均风速为13.8m/s时本发明模型输出值和实际值的对比图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
基于SCADA秒级数据和状态空间的风电机组桨距环建模方法,包括以下步骤:
采集风电场中一台风电机组实际运行的SCADA数据,从SCADA数据中选取风速、桨距角、转速秒级数据;
以1min为时间段,选取不同风速段,选取机舱气象站风速、桨距角作为模型的输入,选取轮毂转速作为模型的输出,通过Matlab中System Identification 工具箱进行系统辨识,得到多组A、B、C、D、K,具体的模型状态空间表达式如下:
式中,X表示系统状态矩阵, 表示状态变量的微分,U表示系统的输入矩阵,/>E表示系统的随机扰动矩阵,Y表示系统的输出,Y=ωr,A 表示状态变量系数矩阵,B表示输入矩阵,C表示输出矩阵,D表示直接传输矩阵, K表示扰动输入矩阵,ωr表示轮毂转速,β表示叶片角度,v表示机舱气象站风速;
为了满足模型能够适应更大的风速范围而不是特定风况,采用对多种风况进行模型辨识,得到不同风况下的系统模型,通过分析系统各个参数在不同风速下的变化规律,能够将原来的线性参数矩阵变为与风速相关的非线性矩阵,进而实现模型对更大风速范围的适应,提升数据建模的准确性,系统的参数矩阵下式所示:
C=(c11(v) c12(v) c13(v) c14(v)) (4)
上式中,a11(v)···a44(v)表示系统状态变量与状态变量微分之间的系数, b11(v)···b44(v)表示系统输入变量与状态变量微分之间的系数, c11(v)···c14(v)表示输入变量与输出变量之间的系数,k11(v)···k41(v)表示随机扰动与状态变量微分之间的系数;
选取1min平均风速为Vmin-Vmax的范围,风速每增加ΔV,采用公式(1)的状态空间表达形式对系统进行一次辨识,得到一组系统的参数矩阵,共得到(Vmax- Vmin)/ΔV+1组,通过查表的方法得到在特定风速下公式(2)-(5)矩阵中各个参数对应的数值;
为了避免辨识出来的模型出现振荡的情况,在特定风况下都有对应的初始状态变量X0,X0的值也需要随着风速的变化而变化;
以风电机组的实际运行数据对模型进行了测试分析,并且和目前常用的BP 神经网络的方法进行对比。分别以平均风速为9.9m/s、11.8m/s和13.8m/s为实施例,相应风速下对应的模型参数如表1所示。
表1模型的参数
以9.9m/s和11.8m/s为例,模型的输出曲线如图2(a)、(c),以平均绝对误差作为模型好坏的评价指标,从图2(b)、(d)可以看出本发明方法的误差在 1.5%左右,相比BP神经网络模型,模型的平均绝对误差有所下降。
图3(a)、(c)、(e)给出了3个实施例的风速、桨距角、转速的实际运行曲线,图3(b)、(d)、(f)给出采用本专利模型的转速输出与实际转速的对比。
以上所述仅为本发明的优选实施例而已,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 (1)
1.基于SCADA秒级数据和状态空间的风电机组桨距环建模方法,其特征在于,包括以下步骤:
采集风电场中一台风电机组实际运行的SCADA数据,从SCADA数据中选取风速、桨距角、转速秒级数据;
以1min为时间段,求取风速的均值,基于此不同平均风速下,选取机舱气象站风速、桨距角作为模型的输入,选取轮毂转速作为模型的输出,通过Matlab中SystemIdentification工具箱进行系统辨识,得到多个不同时间段下多组A、B、C、D、K,具体的模型状态空间表达式如下:
式中,X表示系统状态矩阵,x1、x2、x3、x4表示系统的状态变量,/>表示状态变量的微分矩阵,U表示系统的输入,/>E表示系统的随机扰动矩阵,Y表示系统的输出,Y=ωr,A表示状态变量系数矩阵,B表示输入矩阵,C表示输出矩阵,D表示直接传输矩阵,K表示扰动输入矩阵,ωr表示叶轮转速,β表示叶片角度,v表示机舱气象站风速;
为了满足模型能够适应更大的风速范围而不是特定风况,采用对多种风况进行模型辨识,得到不同风况下的系统模型,通过分析系统各个参数在不同风速下的变化规律,能够将原来的线性参数矩阵变为与风速相关的非线性矩阵,进而实现模型对更大风速范围的适应,提升数据建模的准确性,系统的参数矩阵下式所示:
C=(c11(v) c12(v) c13(v) c14(v)) (4)
上式中,a11(v)…a44(v)表示系统状态变量与状态变量微分之间的系数,b11(v)…b44(v)表示系统输入变量与状态变量微分之间的系数,c11(v)…c14(v)表示输入变量与输出变量之间的系数,k11(v)…k41(v)表示随机扰动与状态变量微分之间的系数;
选取1min平均风速为Vmin-Vmax的范围,风速每增加ΔV,采用公式(1)的状态空间表达形式对系统进行一次辨识,得到一组系统的参数矩阵,共得到(Vmax-Vmin)/ΔV+1组,通过查表的方法得到在特定风速下公式(2)-(5)矩阵中各个参数对应的数值;
为了避免辨识出来的模型出现振荡的情况,在特定风况下都有对应的初始状态变量X0,X0的值也需要随着风速的变化而变化;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792688.6A CN115203841B (zh) | 2022-07-05 | 2022-07-05 | 基于scada秒级数据和状态空间的风电机组桨距环建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210792688.6A CN115203841B (zh) | 2022-07-05 | 2022-07-05 | 基于scada秒级数据和状态空间的风电机组桨距环建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115203841A CN115203841A (zh) | 2022-10-18 |
CN115203841B true CN115203841B (zh) | 2023-06-13 |
Family
ID=83579916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210792688.6A Active CN115203841B (zh) | 2022-07-05 | 2022-07-05 | 基于scada秒级数据和状态空间的风电机组桨距环建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203841B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110145436A (zh) * | 2019-04-28 | 2019-08-20 | 华北电力大学 | 应用于风机的非线性经济模型预测控制方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
-
2022
- 2022-07-05 CN CN202210792688.6A patent/CN115203841B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110145436A (zh) * | 2019-04-28 | 2019-08-20 | 华北电力大学 | 应用于风机的非线性经济模型预测控制方法 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
Non-Patent Citations (3)
Title |
---|
Peng Sun 等.A generalized model for wind turbine anomaly identification based on SCADA data.《Applied Energy》.2016,第550-567页. * |
刘玉山 等.基于实测数据的风电机组动态调节性能研究.《电网技术》.2020,第第44卷卷(第第11期期),第4328-4336页. * |
叶飞.基于数据驱动的风力发电机组系统辨识研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2014,C042-30. * |
Also Published As
Publication number | Publication date |
---|---|
CN115203841A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334672B (zh) | 基于有效风速估计的变速风力发电机组最大风能捕获方法 | |
Selvam et al. | Feedback–feedforward individual pitch control for wind turbine load reduction | |
CN110454329B (zh) | 一种风电机组桨距角控制方法 | |
CN111801493B (zh) | 确定用于风力涡轮机的控制设置 | |
CN111120205B (zh) | 基于激光雷达的风电场区域化控制方法 | |
CN107944175B (zh) | 一种考虑风湍流强度的风机真实功率曲线获取方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN111472930B (zh) | 演化风速计算方法及基于该方法的前馈统一变桨控制方法 | |
CN115578016A (zh) | 一种模型不完备风电场调频能力在线评估方法 | |
CN107657116B (zh) | 一种风电场功率曲线仿射建模的方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN110985294A (zh) | 一种鲁棒概率tube联合使用的随机模型预测控制方法 | |
CN115203841B (zh) | 基于scada秒级数据和状态空间的风电机组桨距环建模方法 | |
CN111997833B (zh) | 基于激光测风前馈的风电机组复合智能变桨控制方法 | |
CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 | |
CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
CN110571794A (zh) | 一种适用于双馈风机风电场的暂态模型等值计算方法 | |
CN113359468B (zh) | 基于鲁棒自适应与滑模变结构控制的风电机组容错控制方法 | |
CN115288929A (zh) | 一种计及载荷计算的风电机组偏航控制方法及系统 | |
CN114186407A (zh) | 一种参数可自适应调整的风电场尾流速度场计算方法及系统 | |
CN110985287B (zh) | 一种基于宽度学习的间接转速控制方法 | |
CN112861301A (zh) | 一种基于风机实时数据的风电场理论功率智能计算方法 |
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 |