CN117738844A - 一种农业新能源风力发电控制系统及控制方法 - Google Patents
一种农业新能源风力发电控制系统及控制方法 Download PDFInfo
- Publication number
- CN117738844A CN117738844A CN202410186650.3A CN202410186650A CN117738844A CN 117738844 A CN117738844 A CN 117738844A CN 202410186650 A CN202410186650 A CN 202410186650A CN 117738844 A CN117738844 A CN 117738844A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- generating set
- control
- frequency modulation
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种农业新能源风力发电控制系统及控制方法，属于风力发电技术领域，本发明解决了如何提高风力发电的效率和稳定性，同时满足电网的调频需求的技术问题。本发明的技术原理是：采用分布式模型预测控制算法，根据风速风向传感器的检测信号、超短期风电功率预测值和电网频率偏差，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构，实现风力发电机组的最优控制和调频控制。本发明的有益效果是：能够提高风能利用率，降低风力发电机组的调频损失，增强风力发电机组的运行稳定性，提高风力发电机组的并网能力，为风力发电的大规模应用提供技术支持。
Description
技术领域
本发明属于风力发电技术领域，具体为一种农业新能源风力发电控制系统及控制方法。
背景技术
风力发电是一种利用风能转化为电能的可再生能源发电方式，具有清洁、无污染、低成本等优点，是当前新能源发电的重要组成部分。随着风力发电技术的不断发展和应用，风力发电机组的容量和规模也不断增大，对风力发电控制系统的要求也越来越高。风力发电控制系统主要负责实现风力发电机组的最优运行，提高风能利用率，保证风力发电机组的安全和稳定，并满足电网的并网要求。
农业新能源是指利用农业资源和农业生产过程中产生的废弃物，通过生物质能、风能、太阳能、地热能等新能源技术，为农业生产和农村生活提供清洁、高效、可持续的能源的一种能源形式。农业新能源的开发和利用，不仅可以提高农业生产效率和质量，增加农民收入，而且可以减少农业对环境的污染和影响。
风力发电作为一种典型的农业新能源技术，已经在农业领域得到了广泛的应用和推广。风力发电技术被应用于农村地区的电网供电，通过风力发电机的风能转换，为农村地区提供清洁可靠的电力支持；在农业灌溉方面，风能也被利用于风能泵灌溉系统中，通过风能的驱动，将地下水提升到地面，实现了农业灌溉的自动化和智能化。在农业设施方面，风能也被利用于“光伏+”模式中，与太阳能相结合，为农业大棚、温室等提供稳定的电力和温度控制，提高农业设施的效益和品质。
目前，风力发电控制系统的主要技术方案有以下几种：
一种是基于传统的比例积分微分（PID）控制器的风力发电控制系统，该系统通过调节风轮的桨距角和发电机的转速，来控制风力发电机组的输出功率和电网的频率。该系统的优点是结构简单，易于实现，但缺点是控制精度低，对风速和风向的变化敏感，不能有效地抑制风力发电机组的动态响应和调频损失。
另一种是基于模糊逻辑控制器的风力发电控制系统，该系统通过模糊推理和模糊规则，来根据风速和风向的变化，自适应地调节风轮的桨距角和发电机的转速，以实现风力发电机组的最优运行。该系统的优点是能够处理不确定性和非线性性，提高控制精度和鲁棒性，但缺点是模糊规则的设计和优化较为复杂，计算量较大，实时性较差。
还有一种是基于模型预测控制（MPC）的风力发电控制系统，该系统通过建立风力发电机组的数学模型和预测模型，来根据风速和风向的预测值，优化风力发电机组的转速和桨距角，以实现风力发电机组的最优运行。该系统的优点是能够考虑风力发电机组的动态特性和约束条件，提高风能利用率和调频效果，但缺点是模型的建立和预测较为困难，计算量较大，实时性较差。
以上技术方案虽然各有优缺点，但都存在以下共同的问题和不足：
（1）风力发电机组的输出功率和调频功率的控制是分开进行的，没有考虑两者之间的耦合关系，导致风力发电机组的运行效率和稳定性降低，同时增加了风力发电机组的调频损失；
（2）风力发电机组的控制器是集中式的，没有考虑风电场内部的风速和风向的分布和变化，导致风力发电机组的控制策略不能适应风电场的实际情况，造成风能的浪费和损失；
（3）风力发电机组的控制器是静态的，没有考虑风速和风向的预测和变化，导致风力发电机组的控制策略不能及时地调整和优化，造成风力发电机组的输出功率和调频功率的波动和偏差。
因此，目前的风力发电控制系统还不能满足风力发电的高效和稳定的需求，也不能满足电网的调频需求，迫切需要一种新的风力发电控制系统及控制方法，以解决上述问题和缺点。
发明内容
针对以上问题，本发明提供一种农业新能源风力发电控制系统及控制方法，用于解决如何提高风力发电的效率和稳定性，同时满足电网的调频需求的问题。
为实现上述目的，本发明采用的技术方案是：一种农业新能源风力发电控制系统，所述控制系统包括以下组成：
风力发电机组，用于将风能转化为电能，包括风轮、发电机和变桨机构，其中，风轮用于捕获风能并将风力传送到转子轴心；发电机用于将转子轴心的机械能转换为电能并输出给电网或负载；变桨机构用于根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
风速风向传感器，用于检测风速和风向，并将检测信号发送给控制器；
控制器，采用分布式模型预测控制算法，用于根据风速风向传感器的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
变频器，用于根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
逆变器，用于将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
超短期风电功率预测模块，用于根据风速风向传感器的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
调频模块，用于根据电网的频率偏差和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
电网频率传感器，用于检测电网的频率，并将检测信号发送给调频模块。
其中，所述控制器采用分布式模型预测控制算法，以最大化风能利用率和最小化风力发电机组的调频损失为目标，在满足风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制这些约束条件的基础上，实现风力发电机组的最优控制。
在较佳实施情况下，所述分布式模型预测控制算法的具体步骤如下：
（1）以预定的时间间隔为控制周期，每个控制周期内，根据风速风向传感器的检测信号和超短期风电功率预测值，建立风力发电机组的输出功率预测模型；
（2）根据电网频率传感器的检测信号和调频模块的计算结果，确定风力发电机组的调频功率需求值；
（3）在每个控制周期内，以当前时刻为起点，向前预测预定长度的预测时域，以当前时刻为终点，向后规划预定长度的控制时域，分别确定风力发电机组的输出功率预测值和调频功率需求值；
（4）在预测时域和控制时域内，以最大化风能利用率和最小化风力发电机组的调频损失为目标函数，以风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制为约束条件，求解最优控制问题，得到最优转速和最优桨距角的控制序列；
（5）从最优控制序列中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构，实现风力发电机组的控制；
（6）在下一个控制周期开始时，重复上述步骤，直至控制结束。
在较佳实施情况下，所述风力发电机组的最优转速和最优桨距角的计算公
式如下：
其中，为风力发电机组
的输出功率预测值，为空气密度，为风轮半径，为风能利用系数，为最优风力系
数，为风轮设计风力系数，为风轮设计桨距角。
在较佳实施情况下，所述风力发电机组的调频损失的计算公式如下：
其中，为控制时域的长度，为风力发
电机组的转动惯量，为风力发电机组的桨距调节刚度，和分别为第个控制时刻
的转速和桨距角，和分别为第个控制时刻的转速和桨距角。
在较佳实施情况下，所述风力发电机组的输出功率预测模型为：
其中，为第个预测时刻的输出功率预测值，为空
气密度，为风轮半径，为风能利用系数，是一个关于风力系数和桨距角的函数，表示风能转化为机械能的效率，在0到0.59之间变化，为第个预测时刻的
风速预测值，和分别为第个预测时刻的风力系数和桨距角。
在较佳实施情况下，所述超短期风电功率预测模块采用基于灰色模型和神经网络的混合预测方法，具体步骤如下：
（1）利用灰色模型对风速进行短期预测，得到风速预测值；
（2）利用神经网络对风速预测值进行修正，得到更精确的风速预测值；
（3）根据风速预测值和风力发电机组的输出功率预测模型，计算风力发电机组在未来的预设时间内的输出功率预测值，并将其发送给控制器。
在较佳实施情况下，所述灰色模型为一阶单变量灰色模型，其建模公式为：
其中，为第个时刻的风速原始数据，为第个时刻的风速数据，和为灰色模型的参数，通过最小二乘法估计
得到。
在较佳实施情况下，所述神经网络为多层感知器神经网络，其结构为：
输入层，包含个输入神经元，分别接收个时刻的风速预测值；
隐藏层，包含个隐藏神经元，采用激活函数；
输出层，包含一个输出神经元，输出修正后的风速预测值，其中，和为神经网
络的超参数，通过交叉验证法确定，神经网络的权重和偏置通过反向传播算法更新。
在较佳实施情况下，所述调频模块采用基于滑模变结构控制的调频策略，具体步骤如下：
（1）根据电网频率偏差的大小和方向，确定风力发电机组的调频功率方向和幅值；
（2）根据风力发电机组的输出功率预测值和调频功率需求值，确定风力发电机组的调频功率限制值；
（3）根据滑模变结构控制的原理，设计滑模面和滑模控制律，使风力发电机组的调频功率跟踪调频功率需求值，并满足调频功率限制值；
（4）将风力发电机组的调频功率发送给控制器。
一种农业新能源风力发电控制方法，包括以下步骤：
步骤101、风速风向传感器检测风速和风向，并将检测信号发送给控制器；
步骤102、控制器根据风速和风向的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
步骤103、变频器根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
步骤104、变桨机构根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
步骤105、风轮捕获风能并将风力传送到转子轴心，发电机将转子轴心的机械能转换为电能并输出给逆变器；
步骤106、逆变器将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
步骤107、超短期风电功率预测模块根据风速和风向的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
步骤108、电网频率传感器检测电网的频率，并将检测信号发送给调频模块，调频模块根据检测信号和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
步骤109、控制器根据风力发电机组的输出功率预测值和调频功率需求值，采用分布式模型预测控制算法，求解最优控制问题，得到最优转速和最优桨距角的控制序列，并从中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构；
步骤110、重复开始执行步骤101-步骤109，直到风力发电机组的控制任务完成。
本发明的有益效果为：
（1）本发明提出了一种农业新能源风力发电控制系统，利用分布式模型预测控制算法，实现了风力发电机组的最优控制，提高了风力发电的效率和稳定性，同时满足了电网的调频需求，为农村地区提供了清洁可靠的电力支持。
（2）本发明采用了超短期风电功率预测模块，利用基于灰色模型和神经网络的混合预测方法，提高了风电功率的预测精度，为风力发电机组的控制提供了可靠的数据依据。
（3）本发明采用了调频模块，利用基于滑模变结构控制的调频策略，实现了风力发电机组的调频功率跟踪和限制，为电网的稳定运行提供了有效的保障。
（4）本发明的控制系统结构简单，控制算法易于实现，适用于各种规模和类型的风力发电机组，具有较强的通用性和适应性。
（5）本发明的控制系统和控制方法，为农业新能源风力发电的开发利用提供了一种新的技术方案，有利于推动农村能源转型发展，助力乡村振兴，增加农民收入，改善农村生活质量。
附图说明
图1为本发明的控制系统结构示意图。
图2为本发明的控制方法示意图。
具体实施方式
为了使本领域技术人员更好地理解技术方案，下面结合实施例对技术方案进行详细描述，本部分的描述仅是示范性和解释性，不应对本申请的保护范围有任何的限制作用。
实施例1：
本实施例提供了一种农业新能源风力发电控制系统，所述控制系统的结构示意图如图1所示，包括以下组成部分：
风力发电机组，用于将风能转化为电能，包括风轮、发电机和变桨机构，其中，风轮用于捕获风能并将风力传送到转子轴心；发电机用于将转子轴心的机械能转换为电能并输出给电网或负载；变桨机构用于根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
风速风向传感器，用于检测风速和风向，并将检测信号发送给控制器；
控制器，采用分布式模型预测控制算法，用于根据风速风向传感器的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
变频器，用于根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
逆变器，用于将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
超短期风电功率预测模块，用于根据风速风向传感器的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
调频模块，用于根据电网的频率偏差和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
电网频率传感器，用于检测电网的频率，并将检测信号发送给调频模块。
在较佳实施情况下，所述分布式模型预测控制算法的具体步骤如下：
（1）以预定的时间间隔为控制周期，每个控制周期内，根据风速风向传感器的检测信号和超短期风电功率预测值，建立风力发电机组的输出功率预测模型；
（2）根据电网频率传感器的检测信号和调频模块的计算结果，确定风力发电机组的调频功率需求值；
（3）在每个控制周期内，以当前时刻为起点，向前预测预定长度的预测时域，以当前时刻为终点，向后规划预定长度的控制时域，分别确定风力发电机组的输出功率预测值和调频功率需求值；
（4）在预测时域和控制时域内，以最大化风能利用率和最小化风力发电机组的调频损失为目标函数，以风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制为约束条件，求解最优控制问题，得到最优转速和最优桨距角的控制序列；
（5）从最优控制序列中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构，实现风力发电机组的控制；
（6）在下一个控制周期开始时，重复上述步骤，直至控制结束。
在较佳实施情况下，所述风力发电机组的最优转速和最优桨距角的计算公
式如下：
其中，为风力发电机组
的输出功率预测值，为空气密度，为风轮半径，为风能利用系数，为最优风力系
数，为风轮设计风力系数，为风轮设计桨距角。
具体计算过程如下：
（1）首先，根据风力发电机组的输出功率预测模型，可以得到以下公式：
其中，为风力发电机组的输出功率预测值，为空气
密度，为风轮半径，为风能利用系数，为最优风力系数，为最优桨距角，为
风速，该公式表示了输出功率与风速、风轮半径、空气密度、风能利用系数和
风轮桨距角的关系。
（2）然后，根据风力系数的定义，可以得到以下公式：
其中，为最优转速，这个公式是描述风轮的运行状态和风速的比
值，并不直接影响风轮的输出功率。
（3）接着，根据风能利用系数的经验公式，可以得到以下公式：
其中，为最优桨距角，这个公式是根据
风轮的实际性能和实验数据拟合出来的，表示了风轮能够利用风能的效率，取值范围是0到
1，实际不超过0.59，这是贝兹极限。
（4）最后，将以上三个公式联立，消去和，可以得到以下公式：
其中，为风轮设计风力
系数，为风轮设计桨距角，上述两个公式可以用来计算风力发电机组的最优转速和最优
桨距角，使得风能利用率最大，调频损失最小。
最优转速是指在给定的风速和桨距角下，使风轮的风能利用系数达到最
大的转速。它反映了风轮与风的匹配程度，也影响了风轮的输出功率和转矩。风速越大，最
优转速越高；桨距角越大，最优转速越低。
对于一个风轮半径为40m，设计风力系数为8，设计桨距角为0°的风力发电机，当风速为10m/s时，最优转速为16.4rad/s，最优桨距角为-0.1°；当风速为15m/s时，最优转速为24.6rad/s，最优桨距角为-0.2°。
最优桨距角是指在给定的风速和转速下，使风轮的风能利用系数达到最
大的桨距角。它反映了风轮的空气动力学特性，也影响了风轮的输出功率和转矩。风速越
大，最优桨距角越小；转速越高，最优桨距角越小。
对于一个风轮半径为40m，设计风力系数为8，设计桨距角为0°的风力发电机，当风速为10m/s，转速为16.4rad/s时，最优桨距角为-0.1°；当风速为15m/s，转速为24.6rad/s时，最优桨距角为-0.2°。
最优风力系数是指在给定的风速和桨距角下，使风轮的风能利用系数达到
最大的风力系数。它反映了风轮的叶尖速度与风速的比值，也影响了风轮的输出功率和转
矩。风速越大，最优风力系数越小；桨距角越大，最优风力系数越大。
对于一个风轮半径为40m，设计风力系数为8，设计桨距角为0°的风力发电机，当风速为10m/s时，最优风力系数为8；当风速为15m/s时，最优风力系数为7.9。
在较佳实施情况下，所述风力发电机组的调频损失的计算公式如下：
其中，为控制时域的长度，为风力发
电机组的转动惯量，为风力发电机组的桨距调节刚度，和分别为第个控制时刻
的转速和桨距角，和分别为第个控制时刻的转速和桨距角。
具体计算过程如下：
首先，风力发电机组的调频功率的定义，即：
其中，为风力发电机组的输出功率预测值，为风力发电机组的
实际输出功率。
其次，风力发电机组的实际输出功率与转速和桨距角的关系，即：
其中，为空气密度，为风轮半径，为风能利用系数，为风速，为风力系数，定义为，为桨距角。
然后，根据风力发电机组的动力学方程，得到转速和桨距角的变化率，即：
其中，表示转速的变化率，即单位时间内转速的增加或减少的量，表示桨距角的变化率，即单位时
间内桨距角的增加或减少的量，为发电机转矩的初始值，为发电机转矩的变化
量，为风轮转矩的初始值，为风轮转矩的变化量，为负载转矩的初始值，为负载转矩的变化量，为风力发电机组的转动惯量时间常数，为风力发电机
组的桨距调节时间常数，为风力发电机组的桨距调节刚度，为滑模控制律。
最后，将上述方程进行离散化，得到转速和桨距角在每个控制时刻的变化量，
即：
其中，表示第个控制时刻的转速变化量，表示第个控制时刻的转速，表示第个控制时刻的转速，表示第个
控制时刻的桨距角变化量，表示第个控制时刻的桨距角，表示第个控制时
刻的桨距角变化量，为控制周期，为控制时刻的序号，为第个控制时刻
的发电机转矩，为第个控制时刻的发电机输出功率，为第个控
制时刻的风轮转矩，为第个控制时刻的风轮输出功率，为第个
控制时刻的负载功率，为负载功率的变化量，为风力发电机组的转动惯量时间常
数，为风力发电机组的桨距调节时间常数，为风力发电机组的桨距调节刚度，
表示第个控制时刻的滑模控制律，表示第个控制时刻的桨距调节转矩。
根据调频损失的定义，即：
其中，为控制时域的总长度，为风力发电机组的输出
功率预测值，为风力发电机组的实际输出功率。
最后将调频损失进行离散化，得到风力发电机组的调频损失的计算公式，即：
其中，为控制时域的长度，为风力
发电机组的转动惯量，为风力发电机组的桨距调节刚度，和分别为第个控制时
刻的转速和桨距角，和分别为第个控制时刻的转速和桨距角。
为了说明公式中的参数和变量的取值范围和意义，设定我们有一个2MW的风力发
电机组，其参数如下：风轮半径、空气密度、风能利用系数、风速、风力系数、桨距角、转动惯量、
桨距调节刚度、转动惯量时间常数、桨距调节时间常数、控制周期、控制时域长度、输出功率预测值、初
始转速、初始桨距角、初始发电机转矩、初始桨距调
节转矩、初始风力发电机组输出功率、初始风力发电机组消
耗功率、初始负荷功率、负荷增量、滑模
控制律。
根据上述参数，可以计算出每个控制时刻的转速，桨距角，发电机转矩，桨距调节转矩，风力发电机组输出功率，风力发电机组消耗功率，
负荷功率，调频功率，以及调频损失，计算结果如下表所示：
表1 风力发电机组在调频过程中的动态特性和能量损耗分析
从上表可以看出，随着控制时刻的增加，转速，桨距角，发电机转矩，
桨距调节转矩，风力发电机组输出功率，风力发电机组消耗功率都呈现出
微小的增加趋势，而负荷功率呈现出微小的减少趋势，调频功率呈现出微小的负
值，调频损失呈现出微小的正值。这些结果说明了风力发电机组在调频过程中的动态特
性和能量损耗情况。
在较佳实施情况下，所述风力发电机组的输出功率预测模型为：
其中，为第个预测时刻的输出功率预测值，为
空气密度，为风轮半径，为风能利用系数，是一个关于风力系数和桨距角的函数，表示风能转化为机械能的效率，在0到0.59之间变化，为第个预测时刻的
风速预测值，和分别为第个预测时刻的风力系数和桨距角。
具体计算过程如下：
（1）首先，根据风能利用系数的定义，可以得到以下公式：
其中，为风能利用系数，为风力发电机组的输出功率，为
空气密度，为风轮的扫风面积，为风速。
（2）然后，根据风轮的扫风面积和风轮半径的关系，得到以下公式：
其中，为风轮半径。
（3）接着，根据风力系数和风轮转速的关系，得到以下公式：
其中，为风力系数，为风轮转速。
（4）最后，将以上三个公式联立，消去和，得到以下公式：
其中，为第个预测时刻的输出功率预测值，为空气
密度，为风轮半径，为风能利用系数，是一个关于风力系数和桨距角
的函数，表示风能转化为机械能的效率，在0到0.59之间变化，为第个预测时刻的风速
预测值，和分别为第个预测时刻的风力系数和桨距角。
设定、、、、、，则第个预测时刻的输出功率预测值为：
即为2.27兆瓦（MW）。
在较佳实施情况下，所述超短期风电功率预测模块采用基于灰色模型和神经网络的混合预测方法，具体步骤如下：
（1）利用灰色模型对风速进行短期预测，得到风速预测值；
（2）利用神经网络对风速预测值进行修正，得到更精确的风速预测值；
（3）根据风速预测值和风力发电机组的输出功率预测模型，计算风力发电机组在未来的预设时间内的输出功率预测值，并将其发送给控制器。
在较佳实施情况下，所述灰色模型为一阶单变量灰色模型，其建模公式为：
其中，为第个时刻的风速原始数据，为第个时刻的风速数据，和为灰色模型的参数，通过最小二乘法估计
得到。
具体计算过程如下：
（1）首先，设定风速的原始数据序列为，其中，并且。
（2）对原始数据序列进行累加生成，得到新的数据序列，其中，并且。
（3）设定新的数据序列符合指数规律，即，其中和是常
数，且。
（4）对上式两边取对数，得到，这是一个关于的一元线性
方程。
（5）利用最小二乘法，根据已知的数据点，求解出参数和的估
计值。
（6）将估计值代入指数方程，得到的估计式，然后对其求导，得到，其中。
在较佳实施情况下，所述神经网络为多层感知器神经网络，其结构为：
输入层，包含个输入神经元，分别接收
隐藏层，包含个隐藏神经元，采用激活函数；个时刻的风速预测值；
输出层，包含一个输出神经元，输出修正后的风速预测值。其中，和为神经网
络的超参数，通过交叉验证法确定，神经网络的权重和偏置通过反向传播算法更新。
在较佳实施情况下，所述调频模块采用基于滑模变结构控制的调频策略，具体步骤如下：
（1）根据电网频率偏差的大小和方向，确定风力发电机组的调频功率方向和幅值；
（2）根据风力发电机组的输出功率预测值和调频功率需求值，确定风力发电机组的调频功率限制值；
（3）根据滑模变结构控制的原理，设计滑模面和滑模控制律，使风力发电机组的调频功率跟踪调频功率需求值，并满足调频功率限制值；
（4）将风力发电机组的调频功率发送给控制器。
实施例2：
实施例2：本实施例提供了一种农业新能源风力发电控制方法，适用于一台容量为2MW的双馈感应式风力发电机组，该风力发电机组的风速变化范围为3-25m/s，风向变化范围为0-360°，本实施例在风速为10m/s，风向为90°的情况下，风力发电机组的输出功率为1.8MW，风能利用率为0.45，调频功率为0.2MW，调频损失为0.01MW，与传统的PID控制方法相比，风能利用率提高了10%，调频损失降低了50%。
所述风力发电控制方法包括以下步骤：
步骤101、风速风向传感器检测风速和风向，并将检测信号发送给控制器；
步骤102、控制器根据风速和风向的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
步骤103、变频器根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
步骤104、变桨机构根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
步骤105、风轮捕获风能并将风力传送到转子轴心，发电机将转子轴心的机械能转换为电能并输出给逆变器；
步骤106、逆变器将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
步骤107、超短期风电功率预测模块根据风速和风向的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
步骤108、电网频率传感器检测电网的频率，并将检测信号发送给调频模块，调频模块根据检测信号和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
步骤109、控制器根据风力发电机组的输出功率预测值和调频功率需求值，采用分布式模型预测控制算法，求解最优控制问题，得到最优转速和最优桨距角的控制序列，并从中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构；
步骤110、重复开始执行步骤101-步骤109，直到风力发电机组的控制任务完成。
实施例3：
本实施例根据某农业园区的风力发电项目进行说明，该农业园区占地面积约1000亩，主要种植蔬菜、水果和花卉，同时养殖鱼类和家禽，该园区的农业负载主要包括温室大棚、冷库、灌溉系统、养殖池，年用电量为500万千瓦时。
该园区所在地区风能资源丰富，风速平均值为5.5米/秒，风向主要为东南风和西北风。为了提高能源利用效率，降低运营成本，保障电力供应，该园区采用本发明提供的农业新能源风力发电控制系统及控制方法，建设一座风力发电站。
该风力发电站的总装机容量为10兆瓦，由20台单机容量为500千瓦的风力发电机组组成，分布在园区的四周，占地面积为200亩，不影响农业生产。
每台风力发电机组由风轮、发电机和变桨机构组成，风轮直径为40米，转速范围为10-60转/分，桨距角范围为0-30度。
该风力发电站的年发电量为2000万千瓦时，由于风力发电的消纳率和自耗电量的影响，以及风力发电的间歇性和波动性，该风力发电站可满足园区的40%的用电需求，节约了大量的电费，提高了园区的经济效益。同时，该风力发电站还可向电网出售多余的电能，为园区增加了一项收入来源。
同时，该风力发电站的运行，减少了农业园区对传统能源的依赖，降低了碳排放，保护了农业园区的环境。该风力发电站每年可减少二氧化碳排放约1.6万吨，减少二氧化硫排放约50吨。
该风力发电站的建设和运行，增加了园区的能源供应保障，提高了园区的用电安全和稳定性，为农业生产和农民生活提供了可靠的电力支撑。
以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将专利的构思和技术方案直接应用于其它场合的，均应视为本申请的保护范围。
Claims (10)
1.一种农业新能源风力发电控制系统，其特征在于，包括：
风力发电机组，用于将风能转化为电能，包括风轮、发电机和变桨机构，其中，风轮用于捕获风能并将风力传送到转子轴心；发电机用于将转子轴心的机械能转换为电能并输出给电网或负载；变桨机构用于根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
风速风向传感器，用于检测风速和风向，并将检测信号发送给控制器；
控制器，采用分布式模型预测控制算法，用于根据风速风向传感器的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
变频器，用于根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
逆变器，用于将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
超短期风电功率预测模块，用于根据风速风向传感器的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
调频模块，用于根据电网的频率偏差和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
电网频率传感器，用于检测电网的频率，并将检测信号发送给调频模块。
2.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述分布式模型预测控制算法的具体步骤如下：
（1）以预定的时间间隔为控制周期，每个控制周期内，根据风速风向传感器的检测信号和超短期风电功率预测值，建立风力发电机组的输出功率预测模型；
（2）根据电网频率传感器的检测信号和调频模块的计算结果，确定风力发电机组的调频功率需求值；
（3）在每个控制周期内，以当前时刻为起点，向前预测预定长度的预测时域，以当前时刻为终点，向后规划预定长度的控制时域，分别确定风力发电机组的输出功率预测值和调频功率需求值；
（4）在预测时域和控制时域内，以最大化风能利用率和最小化风力发电机组的调频损失为目标函数，以风力发电机组的动态特性、输出功率限制、转速限制、桨距角限制、调频功率限制为约束条件，求解最优控制问题，得到最优转速和最优桨距角的控制序列；
（5）从最优控制序列中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构，实现风力发电机组的控制；
（6）在下一个控制周期开始时，重复上述步骤，直至控制结束。
3.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发
电机组的最优转速和最优桨距角的计算公式如下：
其中，为风力发电机组的输
出功率预测值，为空气密度，为风轮半径，为风能利用系数，为最优风力系数，为风轮设计风力系数，为风轮设计桨距角。
4.根据权利要求2所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发
电机组的调频损失的计算公式如下：
其中，为控制时域的长度，为风力发电机组
的转动惯量，为风力发电机组的桨距调节刚度，和分别为第个控制时刻的转速
和桨距角，和分别为第个控制时刻的转速和桨距角。
5.根据权利要求2所述的一种农业新能源风力发电控制系统，其特征在于，所述风力发电机组的输出功率预测模型为：
其中，为第个预测时刻的输出功率预测值，为空气密
度,为风轮半径，为风能利用系数，是一个关于风力系数和桨距角的
函数，表示风能转化为机械能的效率，在0到0.59之间变化，为第个预测时刻的风速预
测值，和分别为第个预测时刻的风力系数和桨距角。
6.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述超短期风电功率预测模块采用基于灰色模型和神经网络的混合预测方法，具体步骤如下：
（1）利用灰色模型对风速进行短期预测，得到风速预测值；
（2）利用神经网络对风速预测值进行修正，得到更精确的风速预测值；
（3）根据风速预测值和风力发电机组的输出功率预测模型，计算风力发电机组在未来的预设时间内的输出功率预测值，并将其发送给控制器。
7.根据权利要求6所述的一种农业新能源风力发电控制系统，其特征在于，所述灰色模型为一阶单变量灰色模型，其建模公式为：
其中，为第个时刻的风速原始数据，
为第个时刻的风速数据，和为灰色模型的参数，通过最小二乘法估计得到。
8.根据权利要求6所述的一种农业新能源风力发电控制系统，其特征在于，所述神经网络为多层感知器神经网络，其结构为：
输入层，包含个输入神经元，分别接收个时刻的风速预测值；
隐藏层，包含个隐藏神经元，采用激活函数；
输出层，包含一个输出神经元，输出修正后的风速预测值，其中，和为神经网络的
超参数，通过交叉验证法确定，神经网络的权重和偏置通过反向传播算法更新。
9.根据权利要求1所述的一种农业新能源风力发电控制系统，其特征在于，所述调频模块采用基于滑模变结构控制的调频策略，具体步骤如下：
（1）根据电网频率偏差的大小和方向，确定风力发电机组的调频功率方向和幅值；
（2）根据风力发电机组的输出功率预测值和调频功率需求值，确定风力发电机组的调频功率限制值；
（3）根据滑模变结构控制的原理，设计滑模面和滑模控制律，使风力发电机组的调频功率跟踪调频功率需求值，并满足调频功率限制值；
（4）将风力发电机组的调频功率发送给控制器。
10.一种农业新能源风力发电控制方法，其特征在于，包括以下步骤：
步骤101、风速风向传感器检测风速和风向，并将检测信号发送给控制器；
步骤102、控制器根据风速和风向的检测信号，计算风力发电机组的最优转速和桨距角，并输出控制信号给变频器和变桨机构；
步骤103、变频器根据控制器的控制信号，调节发电机的转速，使发电机的转速与控制器计算出的最优转速一致；
步骤104、变桨机构根据控制器的控制信号，调节风轮的桨距角，使风轮的桨距角与控制器计算出的最优桨距角一致；
步骤105、风轮捕获风能并将风力传送到转子轴心，发电机将转子轴心的机械能转换为电能并输出给逆变器；
步骤106、逆变器将发电机输出的交流电转换为与电网匹配的交流电，并将其并入电网；
步骤107、超短期风电功率预测模块根据风速和风向的检测信号和历史数据，预测风力发电机组在未来的预设时间内的输出功率，并将预测值发送给控制器；
步骤108、电网频率传感器检测电网的频率，并将检测信号发送给调频模块，调频模块根据检测信号和超短期风电功率预测值，计算风力发电机组的调频功率，并将其发送给控制器；
步骤109、控制器根据风力发电机组的输出功率预测值和调频功率需求值，采用分布式模型预测控制算法，求解最优控制问题，得到最优转速和最优桨距角的控制序列，并从中取出第一个控制时刻的最优转速和最优桨距角，作为控制器的控制信号，输出给变频器和变桨机构；
步骤110、重复开始执行步骤101-步骤109，直到风力发电机组的控制任务完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186650.3A CN117738844B (zh) | 2024-02-20 | 2024-02-20 | 一种农业新能源风力发电控制系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186650.3A CN117738844B (zh) | 2024-02-20 | 2024-02-20 | 一种农业新能源风力发电控制系统及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117738844A true CN117738844A (zh) | 2024-03-22 |
| CN117738844B CN117738844B (zh) | 2024-04-30 |
Family
ID=90283446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410186650.3A Active CN117738844B (zh) | 2024-02-20 | 2024-02-20 | 一种农业新能源风力发电控制系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117738844B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103291543A (zh) * | 2013-06-20 | 2013-09-11 | 上海电力学院 | 基于滑模控制理论的设计风机变桨距控制器方法 |
| US20180266392A1 (en) * | 2015-10-09 | 2018-09-20 | Vestas Wind Systems A/S | Power boost of a wind turbine using model predictive control |
| CN110005580A (zh) * | 2019-05-06 | 2019-07-12 | 保定绿动风电设备科技有限公司 | 一种风电机组运行状态监测方法 |
| CN111980856A (zh) * | 2020-08-17 | 2020-11-24 | 燕山大学 | 基于负荷预测的储能式液压型风力发电机组调频控制方法 |
| CN112502899A (zh) * | 2020-11-30 | 2021-03-16 | 东方电气风电有限公司 | 一种风力发电机组降耗的方法 |
| US20210180563A1 (en) * | 2017-07-18 | 2021-06-17 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and device for controlling output power of a wind turbine |
| LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
| CN115263668A (zh) * | 2022-06-09 | 2022-11-01 | 北京华能新锐控制技术有限公司 | 一种风电机组变工况最优有功功率控制方法及系统 |
| CN116792256A (zh) * | 2023-08-01 | 2023-09-22 | 淮阴工学院 | 一种风速预测变桨控制系统及控制方法 |
| CN117028145A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 考虑塔架载荷抑制的风电机组有功功率控制方法及装置 |
-
2024
- 2024-02-20 CN CN202410186650.3A patent/CN117738844B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103291543A (zh) * | 2013-06-20 | 2013-09-11 | 上海电力学院 | 基于滑模控制理论的设计风机变桨距控制器方法 |
| US20180266392A1 (en) * | 2015-10-09 | 2018-09-20 | Vestas Wind Systems A/S | Power boost of a wind turbine using model predictive control |
| US20210180563A1 (en) * | 2017-07-18 | 2021-06-17 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and device for controlling output power of a wind turbine |
| CN110005580A (zh) * | 2019-05-06 | 2019-07-12 | 保定绿动风电设备科技有限公司 | 一种风电机组运行状态监测方法 |
| LU500788A1 (en) * | 2020-07-28 | 2022-01-28 | Nanjing Dongbo Smart Energy Res Institute Co Ltd | Method for estimating forecast error distribution of wind power frequency regulation potential |
| CN111980856A (zh) * | 2020-08-17 | 2020-11-24 | 燕山大学 | 基于负荷预测的储能式液压型风力发电机组调频控制方法 |
| CN112502899A (zh) * | 2020-11-30 | 2021-03-16 | 东方电气风电有限公司 | 一种风力发电机组降耗的方法 |
| CN115263668A (zh) * | 2022-06-09 | 2022-11-01 | 北京华能新锐控制技术有限公司 | 一种风电机组变工况最优有功功率控制方法及系统 |
| CN116792256A (zh) * | 2023-08-01 | 2023-09-22 | 淮阴工学院 | 一种风速预测变桨控制系统及控制方法 |
| CN117028145A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司电力科学研究院 | 考虑塔架载荷抑制的风电机组有功功率控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张家清;施伟锋;: "基于隐式广义预测控制的风电机组控制方法研究", 微电机, no. 05, 28 May 2020 (2020-05-28), pages 83 - 89 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117738844B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2896099B1 (en) | A method of determining individual set points in a power plant controller, and a power plant controller | |
| Yao et al. | Optimized active power dispatching strategy considering fatigue load of wind turbines during de-loading operation | |
| CN108334672A (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 | |
| US20150275862A1 (en) | Method of determining individual set points in a power plant controller, and a power plant controller | |
| CN101806282A (zh) | 基于最佳风能利用的低额定风速风力发电控制系统 | |
| CN112260325A (zh) | 一种考虑风力发电机疲劳载荷的风电场有功功率控制方法 | |
| CN116928016B (zh) | 风电机组输出功率控制方法、装置、电子设备及存储介质 | |
| CN117418999B (zh) | 一种海上风电机组出力控制方法及相关装置 | |
| Zhichao et al. | Output power curtailment control of variable-speed variable-pitch wind turbine generators | |
| Song et al. | An overview of renewable wind energy conversion system modeling and control | |
| CN117674216B (zh) | 一种基于模仿学习机制的蒸汽储能设群体调控方法 | |
| Manna et al. | A review of control techniques for wind energy conversion system | |
| Aldair et al. | Design of pitch angle controller for wind turbine based on pi neurofuzzy model | |
| CN117738844B (zh) | 一种农业新能源风力发电控制系统及控制方法 | |
| Dong et al. | Wind turbine active power control based on multi-model adaptive control | |
| Xingjia et al. | Individual pitch control for variable speed turbine blade load mitigation | |
| Bertašienė et al. | Synergies of Wind Turbine control techniques | |
| EP4060430B1 (en) | Systems and methods for operating power generating assets | |
| Yang et al. | Non-linear autoregressive neural network based wind direction prediction for the wind turbine yaw system | |
| Shan et al. | [Retracted] Modeling and Control of Wind Speed in Renewable Energy Power Generation and Wind Power Generation Systems | |
| Shahmaleki | Enhancing Wind Turbine's Performance Using Fuzzy Pitch and Torque Controllers | |
| Mitiku et al. | Modeling of wind energy harvesting system: A systematic review | |
| Kupchuk et al. | Technical and technological prerequisites for the introduction of autonomous energy systems of agro-industrial enterprises using renewable energy sources | |
| Bahraminejad et al. | Comparison of interval type-2 fuzzy logic controller with PI controller in pitch control of wind turbines | |
| Najd et al. | Pitch angle control using neural network in wind turbines |
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 |