CN103410660B - 基于支持向量机的风力发电变桨距自学习控制方法 - Google Patents

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

基于支持向量机的风力发电变桨距自学习控制方法

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。

一种基于支持向量机的风力发电变桨距自学习控制方法，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风向数据信号，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；所述自学习控制方法由变桨距控制***实现，包括两阶段，所述两阶段是：

阶段1：控制前期采用滑模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、输出和功率偏差形成数据对，所述滑模控制器的输入和输出分别是滑模变量s_i和参考桨距角β_i ^*，所述数据对是(s_i，β_i ^*)；经过设定的评估周期且经对数据进行有效性判断后加入支持向量学习控制器的训练样本集合D；

所述滑模控制器简称SMC控制器；所述支持向量学习控制器简称SVM-SMC控制器；

同时SVM-SMC控制器通过支持向量机学习算法，对训练样本数据按照目标函数进行学习得到SVM-SMC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

$U=f\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\θ}}_{i}K(x_i,x)+b$

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(x_i,x)为核函数。

阶段2：当学习达到一定程度并且SVM-SMC控制器对常规滑模控制器的逼近误差小于一个阈值时，变桨距控制***的输入切换到SVM-SMC控制器输出，进入自学习阶段；所述自学习阶段为基于在线支持向量机的SVM-SMC控制器参数实时校正算法，新的训练样本数据需要通过SVM-SMC控制器不断地与被控对象交互而顺序生成，同时对新增数据进行有效性判断，根据新得到的训练样本集合D，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，构造新数据对(s_c,β_c)；所述s_c和β_c分别是滑模变量和桨距角；

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合D；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以U_svm为均值，按正态分布计算用于探索的扰动值；

Step6以SVM-SMC控制器输出加扰动值作为桨距角参考值，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样本集合D，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。

所述训练样本数据的获取方法及有效性判断方法是，

训练样本数据的质量决定了学习得到的SVM-SMC控制器参数的优劣，期望训练样本数据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；

γ＝(1-δ)E{(P-P_rated)}/E{|Δv|³}+δE{(Δβ)²}≤ζ

其中，γ为学***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。

所述基于在线支持向量机的SVM-SMC控制器参数实时校正算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；能提高在线支持向量机训练时间，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。

所述的基于支持向量机的风力发电变桨距自学习控制方法还包括采用的探索机制；

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，分布的密度函数是，

$f\left(x\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-{(x-u)}^2/\left(2{\mathrm{\σ}}^2\right)}$

$\mathrm{\σ}=\frac{k_{\exp }}{1+1/\mathrm{\λ}}$

其中，u为均值，σ为总体标准差，即探索范围；

所述探索机制是，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，可适当增大探索范围σ，但总的探索范围限制在***稳定的小范围之内，按正态分布计算扰动值用于探索，以SVM-SMC控制器输出加上扰动值作为桨距角参考值，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。

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：

γ＝(1-δ)E{(P-P_rated)}/E{|Δv|³}+δE{(Δβ)²}≤ζ

其中，P和P_rated分别为实际输出功率和额定功率，Δβ为桨距角变化，|Δv|为风速变化的绝对值，P和P_rated均为标幺值。E{·}是设定评估周期T_v括号内相关变量的统计均值，T_v为采样周期的整倍数，这里·指代E{·}括号内的相关变量，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控制器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γ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SVM-SMC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：

$U=f\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\θ}}_{i}K(x_i,x)+b$

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。

当学习达到一定程度并且SVM-SMC控制器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控制器控制，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)，这里s_c和β_c分别是滑模变量和桨距角；

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以U_svm为均值，按正态分布计算用于探索的扰动值；

Step6以SVM-SMC控制器输出加上扰动值作为桨距角参考值，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：

$f\left(x\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-{(x-u)}^2/\left(2{\mathrm{\σ}}^2\right)}$

$\mathrm{\σ}=\frac{k_{\exp }}{1+1/\mathrm{\λ}}$

其中u为均值,σ为总体标准差即探索范围。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,可适当增大探索范围σ，但总的探索范围限制在***稳定的小范围之内。本发明中，按正态分布计算的扰动值用于探索，以SVM-SMC控制器输出加上扰动值作为桨距角参考值，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 (3)

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：所述自学习控制方法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风向数据信号，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；所述自学习控制方法由变桨距控制***实现，包括两阶段，所述两阶段是：

阶段1：控制前期采用滑模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、输出和功率偏差形成数据对，所述滑模控制器的输入和输出分别是滑模变量s_i和参考桨距角β_i ^*，所述数据对是(s_i，β_i ^*)；经过设定的评估周期且经对数据进行有效性判断后加入支持向量学习控制器的训练样本集合D；

所述滑模控制器简称SMC控制器；所述支持向量学习控制器简称SVM-SMC控制器；

同时SVM-SMC控制器通过支持向量机学习算法，对训练样本数据按照目标函数进行学习得到SVM-SMC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

$U=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}K(x_i,x)+b$

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(x_i,x)为核函数；

阶段2：当学习达到一定程度并且SVM-SMC控制器对常规滑模控制器的逼近误差小于一个阈值时，变桨距控制***的输入切换到SVM-SMC控制器输出，进入自学习阶段；所述自学习阶段为基于在线支持向量机的SVM-SMC控制器参数实时校正算法，新的训练样本数据需要通过SVM-SMC控制器不断地与被控对象交互而顺序生成，同时对新增数据进行有效性判断，根据新得到的训练样本集合D，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，构造新数据对，该新数据对是(s_c,β_c)；所述s_c和β_c分别是滑模变量和桨距角；

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合D；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以U_svm为均值，按正态分布计算用于探索的扰动值；

Step6以SVM-SMC控制器输出加扰动值作为桨距角参考值，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样本集合D，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机的风力发电变桨距自学习控制方法，其特征在于：所述训练样本数据的获取方法及有效性判断方法是，

训练样本数据的质量决定了学习得到的SVM-SMC控制器参数的优劣，期望训练样本数据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；

γ＝(1-δ)E{(P-P_rated)}/E{|Δv|³}+δE{(Δβ)²}≤ζ

其中，γ为学***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机的风力发电变桨距自学习控制方法，其特征在于：所述基于在线支持向量机的SVM-SMC控制器参数实时校正算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；能提高在线支持向量机训练时间，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。