CN103410660A - 基于支持向量机的风力发电变桨距自学习控制方法 - Google Patents
基于支持向量机的风力发电变桨距自学习控制方法 Download PDFInfo
- Publication number
- CN103410660A CN103410660A CN2013101762224A CN201310176222A CN103410660A CN 103410660 A CN103410660 A CN 103410660A CN 2013101762224 A CN2013101762224 A CN 2013101762224A CN 201310176222 A CN201310176222 A CN 201310176222A CN 103410660 A CN103410660 A CN 103410660A
- Authority
- CN
- China
- Prior art keywords
- svm
- smc
- learning
- control
- controller
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 32
- 238000010248 power generation Methods 0.000 title claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 abstract description 3
- 230000000712 assembly Effects 0.000 abstract 1
- 238000000429 assembly Methods 0.000 abstract 1
- 239000003677 Sheet moulding compound Substances 0.000 description 30
- 238000010586 diagram Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- Feedback Control In General (AREA)
- Wind Motors (AREA)
Abstract
本发明针对风力发电***变桨距控制问题,提出了一种基于支持向量机的滑模变桨距控制方法。学***稳调节,减轻了机组疲劳度和组件间的磨损。
Description
技术领域
本发明涉及的是一种风力发电技术领域的控制方法,具体地说,涉及一种基于支持向量机的桨距角控制方法。
背景技术
风电机组变桨距***通过桨距控制器,完成叶片节距角的控制,在切入风速以上到额定风速以下范围内时,保持风力机桨距角不变,通过改变电机转速使风力机运行在最佳叶尖速比下来实现最大风能跟踪控制;在额定风速以上到切出风速时,使转速维持在额定转速附近,通过调节桨距角使发电机组输出保持功率恒定,当风速大于切出风速时,进行停机保护。
由于风速的随机性、风电机组参数的时变性,塔影、风切变、偏航回转等引起的负载扰动,变桨距调节桨的往复动作,驱动大质量叶轮负载的惯性环节,使得变桨距控制***具有参数非线性、参数时变性、滞后性等特点,造成风电机组输出功率的不稳定。此外,随着风力发电机组单机容量的增加,不平衡载荷引起的风力机疲劳失效成为风电运行维护成本的主要来源。如何减少风力机疲劳失效和磨损,延长各部件的使用寿命是控制领域技术人员目前需要考虑解决的技术问题。
发明内容
技术问题:本发明提供了一种基于在线支持向量机的滑模变桨距控制方法,综合了滑模控制和支持向量机的优点,利用在线支持向量机算法实现控制器自学习功能,有效地削弱抖振,适用于风力发电变桨距***这类不确定项无法估计、建模难以精确建立且运行过程中内外部扰动较强的控制问题。
技术方案:为了克服上述问题,将滑模控制和在线支持向量机算法相结合,无需在线辨识对象模型,弥补传统方法的不足,使得***响应快、鲁棒性强,具有良好的动态品质,保证风电机组正常、高效和可靠地运行。
本发明提出的基于支持向量风电机组变桨距自学习控制方法与***,其特征在于该变桨距控制***采用基于支持向量机的滑模控制,控制***结构图如附图1所示,用风速风向传感器采集关于风速等数据信号,当风速信号超过额定值且满足风力机运行条件时,则启动风机的变桨距调节,测量机组输出功率,根据功率偏差求得滑模输入变量s,控制***分为两阶段进行学习,阶段实现如下:
阶段1:控制前期采用SMC控制器输出对变桨距对象进行控制,并在线采集各个采样时刻的滑模控制器的输入(滑模变量s i)和输出(参考桨距角β i *),和功率偏差,形成数据对(s i,β i *),经过设定的评估周期后经对数据的有效性判断后加入支持向量学习控制器(SVM-SMC)的训练样本集合D。
同时SVM-SMC控制器通过支持向量机学习算法,对样本数据按照目标函数进行学习得到控制器的结构和初步参数。通过支持向量机的学习功能拟合等效滑模控制作用,得到变桨距对象的控制量,即参考桨距角:
其中,b为偏置;θ i=α i-α * i,α i和α * i为拉格朗日乘子; K(xi, x)为核函数;
阶段2:当学习到达一定程度并且SVM-SMC对常规滑模控制器的逼近误差小于一个阈值时,变桨距***输入控制切换到SVM-SMC输出,进入自学习阶段。新的训练样本需要通过控制器不断地与被控对象交互而顺序生成,同时对新增样本数据进行有效性判断。根据新得到的样本集,利用在线学习算法对控制结构和参数进行实时校正,其步骤如下:
Step1接收新数据,构造新样本(s c , β c),
Step2经过设定的评估周期后判断数据有效性,若有效则加入训练样本集;否则丢弃数据转Step1;
Step3使用批量式或者增量式支持向量机训练算法进行在线训练;
Step4 计算SVM-SMC控制器输出U svm;
Step5 计算以U svm输出为均值,按某种分布用于探索的扰动值;
Step6 以SVM-SMC控制器输出加上扰动量作为桨距角参考值,对变桨距对象进行控制;
Step7等待数据在线更新,转Step1。
不断将新数据加入到支持向量机训练集,通过对每次迭代过程中增加的样本进行学习,在线调整SVM-SMC控制器参数,实现***的不断优化。在线学习方法能利用前面运算的结果,减少计算复杂度,实现在较小的时间代价下的新样本学习。这样不但能缩短其训练时间,而且能提高SVM-SMC控制器的适应能力,使环境情况发生变化时,SVM-SMC控制器能相应发生变化。
训练样本的质量决定了学习得到的SVM-SMC控制器参数的优劣,期望训练样本既能反映被控对象在控制过程中的变化规律,又能使***具有良好响应特性。然而很难在学习初期便收集到足够的样本以训练获得控制器的初始参数,获取被控对象在线控制过程的“数据对”是一种较好的方式。从减轻机械负荷和稳定功率输出两方面定义判定学习数据有效的阈值条件:
其中,P和P rated分别为实际输出功率和额定功率, 为桨距角变化,为风速变化的绝对值,均为标幺值。E{·}是设定评估周期T v (为采样周期的整倍数)括号内相关变量的统计均值,ζ为定义的阈值。表达式中第一项表示期望输出功率在额定值附近的波动最小,因为功率变化与风速变化成三次方关系,故引入风速变化三次方绝对值;第二项表示期望桨距角的变化最小化,这两项之间的权衡由小于1的权重系数δ调节,只有当风电***的功率输出和桨距变化满足式阈值条件时,才将新数据对加入样本集合D。在控制前期第一阶段,SVM-SMC的目标主要侧重于输出功率的抑制性能和控制器结构和参数的快速获取,因此设定δ为较小的值,且ζ不变。进入控制的第二阶段,由于此时实际的变桨执行机构的变桨信号由SVM-SMC控制器和扰动量确定,将权重系数δ调大,且ζ根据的统计平均值不断缩小。在保证恒功率控制的同时减小桨叶振动产生的疲劳载荷。
上述算法能够进行有“有选择性”或“有方向性”在线训练,在保证在线支持向量非线性逼近能力的基础上,满足不同阶段下的***训练要求,同时降低在线训练过程计算量。为使控制器能通过与***交互,自行探索使控制策略不断优化,从而获得全局最优解,本发明将探索机制加入到控制策略中。正态分布是一种重要的连续型分布,其分布曲线是高峰位于中央,两侧逐渐下降,左右对称,不与横轴相交的曲线。分布的密度函数 :
其中u为均值,σ为总体标准差。如果SVM-SMC控制器控制效果较好,也就是控制效果评估值满足阀值条件,则减少探索范围σ,如控制效果一般,可适当增大探索σ,但总的探索范围限制在***稳定的小范围之内。本发明中,以U svm输出为均值、按正态分布计算用于探索的扰动值,以SVM-SMC控制器输出加上扰动量作为桨距角参考值,对变桨距对象进行控制。
有益效果:本发明桨距角控制方法不仅具有滑模控制的抗干扰、对变化参数鲁棒性强以及速度快等优点,而且能够学***稳调节,减小转矩振荡和机舱振荡,不但优化了输出功率,而且有效的降低的噪音,改善桨叶和整机的受力状况,减轻机组疲劳度和组件间的磨损。
附图说明
图1为基于在线支持向量机的滑模变桨距控制***结构图。
具体实施方式:
本发明提出的基于在线支持向量机的滑模变桨距控制方法结合附图及具体实施方式详述如下:
本发明采用风速风向传感器采集关于风速等数据信号,并传送到机舱内的状态采集PLC***(或者专用的处理器)进行处理,通过Profibus-DP总线传给主控机,判断机组的运行状态。当风速信号超过额定值且满足风力机运行条件时,则启动风机的变桨距调节;测量机组输出功率,根据功率偏差求得滑模输入变量s,控制***分为两阶段进行学习,控制***结构图如附图1所示。
第一学习阶段(有教师学习)采用滑模控制器对变桨距对象进行控制。这时SVM-SMC控制器处于学习阶段,将滑模控制器的输入(滑模变量s i)和输出(参考桨距角β i *)合后形成SVM-SMC控制器的训练样本(s i,β i *),加入训练样本集合D。
从减轻机械负荷和稳定功率输出两方面定义判定学习数据有效的阈值条件:
其中,P和P rated分别为实际输出功率和额定功率, 为桨距角变化,为风速变化的绝对值,均为标幺值。E{·}是设定评估周期T v (为采样周期的整倍数)括号内相关变量的统计均值,ζ为定义的阈值,δ为小于1的权重系数。
只有当风电***的功率输出和桨距变化满足式阈值条件时,才将新数据对加入样本集合D。在控制前期第一阶段,SVM-SMC的目标主要侧重于输出功率的抑制性能和控制器结构和参数的快速获取,因此设定δ为较小的值,且ζ不变。进入控制的第二阶段,由于此时实际的变桨执行机构的变桨信号由SVM-SMC控制器和扰动量确定,将权重系数δ调大,且ζ根据的统计平均值不断缩小。在保证恒功率控制的同时减小桨叶振动产生的疲劳载荷。
同时SVM-SMC控制器通过支持向量机学习算法,对样本数据按照目标函数进行学习得到控制器的结构和初步参数。通过支持向量机的学习功能拟合等效滑模控制作用,得到变桨距对象的输入控制量,即参考桨距角:
其中,b为偏置;θ i=α i-α * i,α i和α * i为拉格朗日乘子。可使用多项式核函数、径向基函数(RBF)核函数、Sigmoid核函数等,这里采用径向基函数RBF核函数, ,其中心为支持向量,σ为高斯核函数的宽度。
当学习到达一定程度并且SVM-SMC对常规滑模控制器的逼近误差小于一个阈值时,变桨距***切换到SVM-SMC控制,进入第二学习阶段,即自学习阶段。新的训练样本需要通过控制器不断地与被控对象交互而顺序生成,同时对新增样本数据进行有效性判断,由于此时实际的变桨执行机构的变桨信号由SVM-SMC控制器直接给定,将权重系数δ调大,在保证恒功率控制的同时减小桨叶振动产生的疲劳载荷。
在线支持向量机学习方法能对每次迭代过程中增加的样本进行学习,利用前一次迭代的运算结果,能够减少计算复杂度,实现在较小的时间代价下的新样本学习。因此根据新得到的样本集,利用在线支持向量机算法对控制器结构和参数进行实时校正。本发明采用的基于增量式在线支持向量机的滑模变桨距控制实现过程如下:
Step1接收新数据,构造新样本(s c , β c),
Step2经过设定的评估周期后判断数据有效性,若有效则加入训练样本集;否则丢弃数据转Step1;
Step3使用支持向量机算法进行在线训练;
Step4 计算SVM-SMC控制器输出U svm;
Step5 计算以U svm输出为均值、按正态分布用于探索的扰动值;
Step6 以SVM-SMC控制器输出加上扰动量作为桨距角参考值,对变桨距对象进行控制;
Step7使用递减遗忘算法,删除训练集中所需要遗忘的样本;
Step8等待数据在线更新,转Step1。
上述算法能够进行有“有选择性”或“有方向性”在线训练,在保证在线支持向量非线性逼近能力的基础上,满足不同阶段下的***训练要求,同时降低在线训练过程计算量。为使控制器能通过与***交互,自行探索使控制策略不断优化,从而获得全局最优解,本发明将探索机制加入到控制策略中。正态分布是一种重要的连续型分布,其分布曲线是高峰位于中央,两侧逐渐下降,左右对称,不与横轴相交的曲线。分布的密度函数 :
其中u为均值,σ为总体标准差。如果SVM-SMC控制器控制效果较好,也就是控制效果评估值满足阀值条件,则减少探索范围σ,如控制效果一般,可适当增大探索σ,但总的探索范围限制在***稳定的小范围之内。本发明中,以U svm输出为均值、按正态分布计算用于探索的扰动值,以SVM-SMC控制器输出加上扰动量作为桨距角参考值,对变桨距对象进行控制。
上述具体实现只是本发明的较佳实现而已,当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明的权利要求的保护范围。
Claims (4)
1.一种基于支持向量机的风力发电变桨距自学习控制方法,其特征在于该变桨距控制***采用基于支持向量机的滑模控制,用风速风向传感器采集关于风速等数据信号,当风速信号超过额定值且满足风力机运行条件时,则启动风机的变桨距调节,测量机组输出功率,根据功率偏差求得滑模输入变量s,控制***分为两阶段进行学习,阶段实现如下:
阶段1:控制前期采用SMC控制器输出对变桨距对象进行控制,并在线采集各个采样时刻的滑模控制器的输入(滑模变量s i)和输出(参考桨距角β i *),和功率偏差,形成数据对(s i,β i *),经过设定的评估周期后经对数据的有效性判断后加入支持向量学习控制器(SVM-SMC)的训练样本集合D;
同时SVM-SMC控制器通过支持向量机学习算法,对样本数据按照目标函数进行学习得到控制器的结构和初步参数;
通过支持向量机的学习功能拟合等效滑模控制作用,得到变桨距对象的控制量,即参考桨距角:
其中,b为偏置;θ i=α i-α * i,α i和α * i为拉格朗日乘子; K(xi, x)为核函数;
阶段2:当学习到达一定程度并且SVM-SMC对常规滑模控制器的逼近误差小于一个阈值时,变桨距***输入控制切换到SVM-SMC输出,进入自学习阶段;
新的训练样本需要通过控制器不断地与被控对象交互而顺序生成,同时对新增样本数据进行有效性判断;
根据新得到的样本集,利用在线学习算法对控制结构和参数进行实时校正,其步骤如下:
Step1接收新数据,构造新样本(s c , β c),
Step2经过设定的评估周期后判断数据有效性,若有效则加入训练样本集;否则丢弃数据转Step1;
Step3使用批量式或者增量式支持向量机训练算法进行在线训练;
Step4 计算SVM-SMC控制器输出U svm;
Step5 计算以U svm输出为均值,按某种分布用于探索的扰动值;
Step6 以SVM-SMC控制器输出加扰动量作为桨距角参考值,对变桨距对象进行控制;
Step7等待数据在线更新,转Step1
不断将新数据加入到支持向量机训练集,通过对每次迭代过程中增加的样本进行学习,在线调整SVM-SMC控制器参数,实现***的不断优化。
2.根据权利要求1所述的基于支持向量风力机组电动变桨距自学习控制方法,其特征在于训练样本的获取方法及有效性判断,训练样本的质量决定了学习得到的SVM-SMC控制器参数的优劣,期望训练样本既能反映被控对象在控制过程中的变化规律,又能使***具有良好响应特性;
其中,P和P rated分别为实际输出功率和额定功率, 为桨距角变化,为风速变化的绝对值,均为标幺值;E{·}是设定评估周期T v (为采样周期的整倍数)括号内相关变量的统计均值,ζ为定义的阈值;表达式第一项表示期望输出功率在额定值附近的波动最小,因为功率变化与风速变化成三次方关系,故引入风速变化三次方绝对值;第二项表示期望桨距角的变化最小化,这两项之间的权衡由权重系数δ调节,只有当风电***的功率输出和桨距变化满足式阈值条件时,才将新数据对加入样本集合D; 在控制前期第一阶段,SVM-SMC的目标主要侧重于输出功率的抑制性能和控制器结构和参数的快速获取,因此设定δ为较小的值,且ζ不变;进入控制的第二阶段,由于此时实际的变桨执行机构的变桨信号由SVM-SMC控制器和扰动量确定,将权重系数δ调大,且ζ根据的统计平均值不断缩小,在保证恒功率控制的同时减小桨叶振动产生的疲劳载荷。
3.根据权利要求1所述的基于支持向量风力机组变桨距自学习控制方法,其特征在于基于在线支持向量机的控制器参数实时校正算法;在线支持向量机不断将新数据加入到训练集,通过对每次迭代过程中增加的样本进行学习,在线调整SVM-SMC控制器参数,实现***的不断优化;在线学习方法能利用前面的运算结果,减少计算复杂度,实现在较小的时间代价下的新样本学习;这样不但能提高其训练时间,而且能提高SVM-SMC控制器的适应能力,使环境情况发生变化时,模型能相应发生变化。
4.根据权利要求1所述的基于支持向量风力机组电动变桨距自学习控制方法,其特征在于采用的探索机制;正态分布是一种重要的连续型分布,其分布曲线是高峰位于中央,两侧逐渐下降,左右对称,不与横轴相交的曲线,
分布的密度函数 :
其中u为均值,σ为总体标准差,
如果SVM-SMC控制器控制效果较好,也就是控制效果评估值满足阀值条件,则减少探索范围σ,如控制效果一般,可适当增大探索σ,但总的探索范围限制在***稳定的小范围之内,
本发明中,以U svm输出为均值、按正态分布计算用于探索的扰动值,以SVM-SMC控制器输出加上扰动量作为桨距角参考值,对变桨距对象进行控制,通过与***交互,自行探索使控制策略不断优化,从而获得全局最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310176222.4A CN103410660B (zh) | 2013-05-14 | 2013-05-14 | 基于支持向量机的风力发电变桨距自学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310176222.4A CN103410660B (zh) | 2013-05-14 | 2013-05-14 | 基于支持向量机的风力发电变桨距自学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103410660A true CN103410660A (zh) | 2013-11-27 |
CN103410660B CN103410660B (zh) | 2016-08-03 |
Family
ID=49603693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310176222.4A Expired - Fee Related CN103410660B (zh) | 2013-05-14 | 2013-05-14 | 基于支持向量机的风力发电变桨距自学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103410660B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462703A (zh) * | 2014-12-16 | 2015-03-25 | 中船重工(重庆)海装风电设备有限公司 | 一种确定偏航驱动设计载荷的方法及装置 |
CN104595106A (zh) * | 2014-05-19 | 2015-05-06 | 湖南工业大学 | 基于强化学习补偿的风力发电变桨距控制方法 |
CN105680757A (zh) * | 2016-03-01 | 2016-06-15 | 浙江工业大学 | 基于自适应支持向量机的机电伺服***动态面滑模控制方法 |
CN106527148A (zh) * | 2016-12-15 | 2017-03-22 | 南京航空航天大学 | 一种离散时滞不确定***的滑模鲁棒控制方法 |
CN106705072A (zh) * | 2016-11-23 | 2017-05-24 | 南京中船绿洲环保有限公司 | 一种船用焚烧炉炉膛负压自动控制方法及*** |
CN108196607A (zh) * | 2017-12-29 | 2018-06-22 | 西南科技大学 | 不确定随机时滞的电磁感应加热***的温度控制方法 |
CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
CN109001981A (zh) * | 2018-09-04 | 2018-12-14 | 南宁学院 | 一种污水处理的强化学习控制方法 |
CN109032038A (zh) * | 2018-09-04 | 2018-12-18 | 南宁学院 | 一种基于强化学习的污水处理控制*** |
CN109104413A (zh) * | 2018-07-17 | 2018-12-28 | 中国科学院计算技术研究所 | 用于安全多方计算的私有数据求交集的方法及验证方法 |
CN109188904A (zh) * | 2018-09-04 | 2019-01-11 | 南宁学院 | 一种基于机器学习的在线训练现场控制方法 |
CN109240227A (zh) * | 2018-09-04 | 2019-01-18 | 南宁学院 | 一种基于分时控制交接控制权的现场控制方法 |
CN109299555A (zh) * | 2018-09-30 | 2019-02-01 | 上海机电工程研究所 | 红外成像导引头抗干扰性能评估方法及*** |
CN109325593A (zh) * | 2018-09-04 | 2019-02-12 | 广西质量技术工程学校 | 一种现场控制分时控制交接控制权的方法 |
WO2019127975A1 (zh) * | 2017-12-28 | 2019-07-04 | 新疆金风科技股份有限公司 | 在极端湍流风况下控制风力发电机组变桨的方法和装置 |
CN110809672A (zh) * | 2017-07-07 | 2020-02-18 | 西门子歌美飒可再生能源公司 | 确定风速值 |
CN111404203A (zh) * | 2020-04-10 | 2020-07-10 | 湘电风能有限公司 | 一种基于鲸鱼群算法的风电场有功功率调度方法 |
CN114352476A (zh) * | 2021-12-30 | 2022-04-15 | 上海电机学院 | 一种基于svm分区权系数分配的风机独立变桨控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639038A (zh) * | 2009-08-14 | 2010-02-03 | 江南大学 | 一种基于fpga的风电***最大功率跟踪控制器 |
US20110089694A1 (en) * | 2008-10-16 | 2011-04-21 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator system and control method of the same |
KR20110078965A (ko) * | 2009-12-31 | 2011-07-07 | 주식회사 효성 | 풍력발전과 전력저장장치가 연계된 전력시스템 및 그 제어방법 |
CN202883241U (zh) * | 2012-04-23 | 2013-04-17 | 南车株洲电力机车研究所有限公司 | 一种风力发电变桨距执行机构的自适应滑模控制*** |
-
2013
- 2013-05-14 CN CN201310176222.4A patent/CN103410660B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110089694A1 (en) * | 2008-10-16 | 2011-04-21 | Mitsubishi Heavy Industries, Ltd. | Wind turbine generator system and control method of the same |
CN101639038A (zh) * | 2009-08-14 | 2010-02-03 | 江南大学 | 一种基于fpga的风电***最大功率跟踪控制器 |
KR20110078965A (ko) * | 2009-12-31 | 2011-07-07 | 주식회사 효성 | 풍력발전과 전력저장장치가 연계된 전력시스템 및 그 제어방법 |
CN202883241U (zh) * | 2012-04-23 | 2013-04-17 | 南车株洲电力机车研究所有限公司 | 一种风力发电变桨距执行机构的自适应滑模控制*** |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595106A (zh) * | 2014-05-19 | 2015-05-06 | 湖南工业大学 | 基于强化学习补偿的风力发电变桨距控制方法 |
CN104595106B (zh) * | 2014-05-19 | 2018-11-06 | 湖南工业大学 | 基于强化学习补偿的风力发电变桨距控制方法 |
CN104462703A (zh) * | 2014-12-16 | 2015-03-25 | 中船重工(重庆)海装风电设备有限公司 | 一种确定偏航驱动设计载荷的方法及装置 |
CN104462703B (zh) * | 2014-12-16 | 2018-01-12 | 中国船舶重工集团海装风电股份有限公司 | 一种确定偏航驱动设计载荷的方法及装置 |
CN105680757B (zh) * | 2016-03-01 | 2018-02-27 | 浙江工业大学 | 基于自适应支持向量机的机电伺服***动态面滑模控制方法 |
CN105680757A (zh) * | 2016-03-01 | 2016-06-15 | 浙江工业大学 | 基于自适应支持向量机的机电伺服***动态面滑模控制方法 |
CN106705072A (zh) * | 2016-11-23 | 2017-05-24 | 南京中船绿洲环保有限公司 | 一种船用焚烧炉炉膛负压自动控制方法及*** |
CN106527148A (zh) * | 2016-12-15 | 2017-03-22 | 南京航空航天大学 | 一种离散时滞不确定***的滑模鲁棒控制方法 |
CN106527148B (zh) * | 2016-12-15 | 2019-04-05 | 南京航空航天大学 | 一种离散时滞不确定***的滑模鲁棒控制方法 |
CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
CN108930632B (zh) * | 2017-05-25 | 2020-10-27 | 株式会社日立制作所 | 适应性发电管理 |
CN110809672B (zh) * | 2017-07-07 | 2021-07-23 | 西门子歌美飒可再生能源公司 | 确定风速值 |
CN110809672A (zh) * | 2017-07-07 | 2020-02-18 | 西门子歌美飒可再生能源公司 | 确定风速值 |
US11208984B2 (en) | 2017-12-28 | 2021-12-28 | Xinjiang Gold Wind Science & Technology Co., Ltd. | Method and apparatus for controlling pitch of wind turbine in extreme turbulence wind conditions |
WO2019127975A1 (zh) * | 2017-12-28 | 2019-07-04 | 新疆金风科技股份有限公司 | 在极端湍流风况下控制风力发电机组变桨的方法和装置 |
CN108196607A (zh) * | 2017-12-29 | 2018-06-22 | 西南科技大学 | 不确定随机时滞的电磁感应加热***的温度控制方法 |
CN108196607B (zh) * | 2017-12-29 | 2019-11-05 | 西南科技大学 | 不确定随机时滞的电磁感应加热***的温度控制方法 |
CN109104413A (zh) * | 2018-07-17 | 2018-12-28 | 中国科学院计算技术研究所 | 用于安全多方计算的私有数据求交集的方法及验证方法 |
CN109104413B (zh) * | 2018-07-17 | 2020-07-31 | 中国科学院计算技术研究所 | 用于安全多方计算的私有数据求交集的方法及验证方法 |
CN109240227A (zh) * | 2018-09-04 | 2019-01-18 | 南宁学院 | 一种基于分时控制交接控制权的现场控制方法 |
CN109325593A (zh) * | 2018-09-04 | 2019-02-12 | 广西质量技术工程学校 | 一种现场控制分时控制交接控制权的方法 |
CN109188904A (zh) * | 2018-09-04 | 2019-01-11 | 南宁学院 | 一种基于机器学习的在线训练现场控制方法 |
CN109325593B (zh) * | 2018-09-04 | 2021-01-15 | 广西质量技术工程学校 | 一种现场控制分时控制交接控制权的方法 |
CN109240227B (zh) * | 2018-09-04 | 2021-04-13 | 南宁学院 | 一种基于分时控制交接控制权的现场控制方法 |
CN109188904B (zh) * | 2018-09-04 | 2021-06-15 | 南宁学院 | 一种基于机器学习的在线训练现场控制方法 |
CN109032038A (zh) * | 2018-09-04 | 2018-12-18 | 南宁学院 | 一种基于强化学习的污水处理控制*** |
CN109001981A (zh) * | 2018-09-04 | 2018-12-14 | 南宁学院 | 一种污水处理的强化学习控制方法 |
CN109299555A (zh) * | 2018-09-30 | 2019-02-01 | 上海机电工程研究所 | 红外成像导引头抗干扰性能评估方法及*** |
CN111404203A (zh) * | 2020-04-10 | 2020-07-10 | 湘电风能有限公司 | 一种基于鲸鱼群算法的风电场有功功率调度方法 |
CN114352476A (zh) * | 2021-12-30 | 2022-04-15 | 上海电机学院 | 一种基于svm分区权系数分配的风机独立变桨控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103410660B (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103410660A (zh) | 基于支持向量机的风力发电变桨距自学习控制方法 | |
CN102434391B (zh) | 一种基于起始转速调整的改进最大功率点跟踪控制方法 | |
CN104595106B (zh) | 基于强化学习补偿的风力发电变桨距控制方法 | |
CN108488035B (zh) | 永磁直驱风力发电机组失速和变桨混合控制方法 | |
Behera et al. | Design of PI controller in pitch control of wind turbine: A comparison of PSO and PS algorithm | |
Li et al. | Neuroadaptive variable speed control of wind turbine with wind speed estimation | |
CN102588211A (zh) | 一种风力发电机组全工况模型预测控制方法及*** | |
EP3274584A1 (en) | Control of a multi-rotor wind turbine system using a central controller to calculate local control objectives | |
US10697431B2 (en) | Control of a wind turbine taking noise into account | |
CN105649877B (zh) | 一种大型风电机组的蚁群pid独立变桨控制方法 | |
CN105888971B (zh) | 一种大型风力机叶片主动降载控制***及方法 | |
CN104533716B (zh) | 一种基于卡尔曼滤波的独立变桨载荷控制方法 | |
CN106065848A (zh) | 控制风力涡轮机的操作的方法 | |
CN106481507A (zh) | 考虑风湍流的风电机组模型预测控制器与控制方法 | |
CN107045574B (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
Kamarzarrin et al. | Intelligent sliding mode adaptive controller design for wind turbine pitch control system using PSO-SVM in presence of disturbance | |
CN201705553U (zh) | 兆瓦级风力发电机组智能变桨距控制*** | |
CN113883008B (zh) | 一种可抑制多扰动因素的风机模糊自适应变桨距控制方法 | |
CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
Qi et al. | Data-driven control of the coupled loads for floating wind turbine systems based on deformable trailing edge flaps | |
CN107524565A (zh) | 基于lidar辅助的大型风力发电机独立变桨控制方法 | |
Eskandari et al. | Optimization of wind energy extraction for variable speed wind turbines using fuzzy backstepping sliding mode control based on multi objective PSO | |
CN116845886B (zh) | 一种基于模型预测的多端口自主光伏***构网型控制方法 | |
EP3828408A1 (en) | A method and an apparatus for computer-implemented monitoring of a wind turbine | |
CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160803 Termination date: 20180514 |