CN105888971B - 一种大型风力机叶片主动降载控制***及方法 - Google Patents

Abstract

本发明涉及一种大型风力机叶片主动降载控制***及方法。光纤应变传感器测量叶片根部的应力值，传输至控制单元，控制单元包括使用教与学算法进行参数寻优的PID控制器和对叶片根部的应变力信号进行处理的模糊控制器，通过模糊控制器与PID控制器对襟翼摆角进行切换控制，综合了模糊控制与PID控制各自的优点；同时，机前风场信号传感设备测量风力机前风速并传输至控制单元，控制单元中的前馈控制器通过实时监测机前风速变化，计算出因降低随机风或湍流风引起的不均匀载荷所需的控制量；控制单元将两部分控制量进行耦合，完成对襟翼摆角的控制。本发明有效降低了叶片根部的应变力，延长了叶片的使用寿命，降低了风力机组的使用成本。

Description

一种大型风力机叶片主动降载控制***及方法

技术领域

本发明属于风力发电技术领域，特别涉及一种大型风力机叶片主动降载控制***及方法。

背景技术

随着风力发电的高速发展，风力机也逐渐向着离岸化、大型化的趋势发展，这就对风力机的核心部件—风机叶片提出了更高的要求。风机大型化意味着增加了风机的载荷和***的质量，使疲劳载荷和极限载荷急剧增加，严重降低了机组的使用寿命，同时也增加了硬件和工程成本以及后期维护费用。

为了降低风机的疲劳载荷和极限载荷，提高风机寿命、发电量和出力的稳定性，近年来产生了一种含有主动尾缘襟翼的大型风力机叶片，其硬件结构和控制方法与传统的叶片不尽相同。由于该叶片结构的复杂性，建立其精确的数学模型是非常困难的，并且随机风和湍流风对风机叶片的载荷影响不可忽视，因此常规的单级PID控制很难满足叶片的降载需求。

发明内容

针对现有技术不足，本发明提供了一种大型风力机叶片主动降载控制***及方法。

一种大型风力机叶片主动降载控制***，所述***包括信号采集模块、控制模块和电气伺服模块；

所述信号采集模块包括光纤应变传感器、机前风场信号传感设备和光纤应变信号处理设备；所述控制模块包括5路低通滤波器，5路模数转换器，4路控制单元，PLC，4路数模转换器和4路信号隔离器；所述电气伺服模块包括4路襟翼作动器驱动电路和4路襟翼作动器；

所述光纤应变传感器安装在风力机叶片根部，并与光纤应变信号处理设备连接；光纤应变信号处理设备的1路信号输出和机前风场信号传感设备对应4路襟翼的4路信号输出分别对应1路低通滤波器和1路模数转换器顺次连接；与光纤应变信号处理设备对应的1路模数转换器分别连接至4路控制单元，与机前风场信号传感设备对应的4路模数转换器一一对应连接至4路控制单元，每路控制单元通过PLC分别对应1路数模转换器、1路信号隔离器、1路襟翼作动器驱动电路和1路襟翼作动器顺次连接；

所述光纤应变传感器用于采集叶片根部的应变力信号，所述光纤应变信号处理设备用于将光纤应变传感器采集的信号转换为电压信号；所述机前风场信号传感设备用于测量风力机前风速；光纤应变信号处理设备和机前风场信号传感设备分别将信号传送至对应的低通滤波器，所述低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述控制单元包括对机前风场信号进行处理的前馈控制器，使用教与学算法进行参数寻优的PID控制器和对叶片根部的应变力信号进行处理的模糊控制器，用于减小叶片根部应力的控制运算；所述PLC用于切换PID控制器和模糊控制器的输出信号，并耦合来自前馈控制器的控制信号；所述数模转换器用于将数字信号转换成模拟信号；所述信号隔离器用于将控制***输出信号和电气伺服模块隔离开；所述襟翼作动器驱动电路产生驱动襟翼作动器的电信号；所述襟翼作动器根据襟翼作动器驱动电路输出信号调节襟翼使其产生不同的摆角。

所述前馈控制器是在风力发电机组运行时，通过实时监测机前风速变化，计算出因降低随机风或湍流风引起的不均匀载荷所需的控制量。

上述一种大型风力机叶片主动降载控制***的控制方法，具体包括以下步骤：

步骤1：对模糊控制器FC_i、前馈控制器FB_i和PID控制器PID_i进行初始化，i＝1,2,3,4；

步骤2：读取当前风速和叶片根部的应力值，将得到的叶片根部应力值y(k)与叶片根部额定应力值r(k)进行差值运算，得到应力偏差e(k)及偏差变化率ec(k)，其中叶片额定应力值r(k)是由风机出厂前实验测得；

步骤21：将步骤2得到的应力偏差e(k)、偏差变化率ec(k)作为模糊控制器FC_i的输入变量；

步骤22：选择隶属度函数进行模糊化，并依据模糊规则得到襟翼的控制量，反模糊化后求得模糊控制器FC_i的输出变量，此输出为襟翼控制期望角θ1_i；

步骤23：将步骤21的应力偏差e(k)作为PID控制器PID_i的输入信号，利用教与学寻优算法对PID_i参数KP_i，KI_i，KD_i进行在线自整定，所述PID控制器PID_i的输出变量为襟翼控制期望角θ2_i；

步骤24：采集风力发电机组的机前风速v(t)，将其作为自变量，将襟翼摆动角θ_i作为因变量，对襟翼角度-风速进行拟合，建立襟翼角度-风速的前馈控制器FB_i模型：θ_i(v)＝a₀+a₁v+a₂v²+L+a_nvⁿ，采用最小二乘法确定各项系数；将风速作为前馈控制器FB_i的输入信号，则前馈控制器FB_i的输出变量为襟翼控制期望角θ3_i；

步骤3：将步骤22与步骤23得到的襟翼期望角控制信号分别送往PLC进行处理，在PLC中设置切换算法：当叶根应力误差大于设定值时使用来自模糊控制器FC_i的信号θ1_i，来自PID控制器PID_i的控制信号θ2_i将不起作用；当叶根应力误差小于设定值时使用来自PID控制器PID_i的控制信号θ2_i，来自模糊控制器FC_i的信号θ1_i将不起作用；最后，PLC再耦合来自前馈控制器FB_i的控制信号θ3_i，并将这些信号传输给对应的襟翼作动器驱动电路；

步骤4：4个襟翼作动器分别接受来自4个襟翼作动器驱动电路的信号，执行襟翼摆动动作以减小叶片根部应力；

上述步骤2-4反复运行，使叶片根部应力值y(k)等于或接近风力机出厂前实验测得的叶片根部额定应力值r(k)，直至完成控制任务。

用于PID参数的教与学寻优算法包括以下步骤：

步骤1)：设置初始参数，搜索区域范围定义为X＝(x¹,x²,…,x^d)∈[L,U]，L＝(L¹,L²,…,L^d)是空间下界，U＝(U¹,U²,…,U^d)是空间上界，d为优化问题的维数，d维空间第i个学员定义为学员规模为N，最大迭代次数为maxgen；

步骤2)：教师的教学阶段：

步骤21)：计算每个学生的适应值，选择最好个体作为老师X_teacher，计算个体平均值然后根据学员与个体平均水平的差异进行学习，如下式：

TF_i＝2-gen/maxgen(2)

式中：和分别表示第i个学员学习前和学习后的值；w1＝1-gen/maxgen为自适应权系数；ri为0-1之间的随机数；TF_i为1-2之间的某个数，其值随迭代次数的变化而变化；r_i和TF_i用于调整学习速率；gen与maxgen分别为当前迭代次数与最大迭代次数；

步骤22)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤3)：学员之间相互学习阶段：

步骤31)：每个学员X_i在班级中随机选取一个学习对象X_j(j≠i)，X_i通过分析自己和学员X_j之间的差异进行学习调整，如下式：

若X_i优于X_j，

若X_j优于X_i，

式中：w2＝1-gen/maxgen为自适应权系数；r_i为0-1之间的随机数；

步骤32)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤4)：根据适应度函数计算每个学员的适应度值，其公式如下：

式中，e(t)为***误差，根据适应度函数更新学员的全局最优值，当计算所得到最优值达到设定值或算法达到最大迭代次数时，退出教与学寻优算法，否则返回步骤2)。

本发明的有益效果为：

1.相对于传统的单级PID控制***，本***中通过引入前馈控制器可有效降低由于风的随机性波动对叶片根部应力产生的影响。2.使用模糊控制与PID控制在设定值处进行切换控制，既利用了模糊控制器不需要建立精确地数学模型、能适应被控对象非线性和时变性的优点，又利用PID控制器算法简单、稳定性好的特点。3.使用教与学算法寻优速度快，求解精度高的特点，在线优化PID控制器的三个参数，从而有效降低了叶片根部的应变力，延长了叶片的使用寿命，降低了风力机组的使用成本。4.本发明设计简单，应用方便，控制更加准确可靠，非常适合大型风力机叶片的建模和控制。

附图说明

图1为一种大型风力机叶片主动降载控制***的结构框图。

图2是一种大型风力机叶片主动降载控制***的控制原理框图。

图3为对PID控制器参数进行在线自整定的教与学寻优算法流程图。

图4为本发明一种大型风力机叶片主动降载控制方法与现有方法的对比结果。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

如图1所示一种大型风力机叶片主动降载控制***，所述***包括信号采集模块、控制模块和电气伺服模块；

所述信号采集模块包括光纤应变传感器、机前风场信号传感设备和光纤应变信号处理设备；所述控制模块包括5路低通滤波器，5路模数转换器，4路控制单元，PLC，4路数模转换器和4路信号隔离器；所述电气伺服模块包括4路襟翼作动器驱动电路和4路襟翼作动器；

所述光纤应变传感器安装在风力机叶片根部，并与光纤应变信号处理设备连接；光纤应变信号处理设备的1路信号输出和机前风场信号传感设备对应4路襟翼的4路信号输出分别对应1路低通滤波器和1路模数转换器顺次连接；与光纤应变信号处理设备对应的1路模数转换器分别连接至4路控制单元，与机前风场信号传感设备对应的4路模数转换器一一对应连接至4路控制单元，每路控制单元通过PLC分别对应1路数模转换器、1路信号隔离器、1路襟翼作动器驱动电路和1路襟翼作动器顺次连接；

所述光纤应变传感器用于采集叶片根部的应变力信号，所述光纤应变信号处理设备用于将光纤应变传感器采集的信号转换为电压信号；所述机前风场信号传感设备用于测量风力机前风速；光纤应变信号处理设备和机前风场信号传感设备分别将信号传送至对应的低通滤波器，所述低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述控制单元用于减小叶片根部应力的控制运算，其包括对机前风场信号进行处理的前馈控制器，所述前馈控制器是在风力发电机组运行时，通过实时监测机前风速变化，计算出因降低随机风或湍流风引起的不均匀载荷所需的控制量；使用教与学算法进行参数寻优的PID控制器；以及对叶片根部的应变力信号进行处理的模糊控制器；所述PLC用于切换PID控制器和模糊控制器的输出信号，并耦合来自前馈控制器的控制信号；所述数模转换器用于将数字信号转换成模拟信号；所述信号隔离器用于将控制***输出信号和电气伺服模块隔离开；所述襟翼作动器驱动电路产生驱动襟翼作动器的电信号；所述襟翼作动器根据襟翼作动器驱动电路输出信号调节襟翼使其产生不同的摆角。

如图2所示一种大型风力机叶片主动降载控制方法，具体包括以下步骤：

步骤1：对模糊控制器FC_i、前馈控制器FB_i和PID控制器PID_i进行初始化，i＝1,2,3,4。

步骤2：读取当前风速和叶片根部的应力值，将得到的叶片根部应力值y(k)与叶片根部额定应力值r(k)进行差值运算，得到应力偏差e(k)及偏差变化率ec(k)，其中叶片额定应力值r(k)是由风机出厂前实验测得；

步骤21：将步骤2得到的应力偏差e(k)、偏差变化率ec(k)作为模糊控制器FC_i的输入变量；

步骤22：选择隶属度函数进行模糊化，并依据模糊规则得到襟翼的控制量，反模糊化后求得模糊控制器FC_i的输出变量，此输出为襟翼控制期望角θ1_i；

步骤23：将步骤21的应力偏差e(k)作为PID控制器PID_i的输入信号，利用教与学寻优算法对PID_i参数KP_i，KI_i，KD_i进行在线自整定，所述PID控制器PID_i的输出变量为襟翼控制期望角θ2_i；

如图3所示，用于PID参数的教与学寻优算法包括以下步骤：

步骤1)：设置初始参数，搜索区域范围定义为X＝(x¹,x²,…,x^d)∈[L,U]，L＝(L¹,L²,…,L^d)是空间下界，U＝(U¹,U²,…,U^d)是空间上界，d为优化问题的维数，d维空间第i个学员定义为学员规模为N，最大迭代次数为maxgen；

步骤2)：教师的教学阶段：

步骤21)：计算每个学生的适应值，选择最好个体作为老师X_teacher，计算个体平均值然后根据学员与个体平均水平的差异进行学习，如下式：

TF_i＝2-gen/maxgen (2)

式中：和分别表示第i个学员学习前和学习后的值；w1＝1-gen/maxgen为自适应权系数；r_i为0-1之间的随机数；TF_i为1-2之间的某个数，其值随迭代次数的变化而变化；r_i和TF_i用于调整学习速率；gen与maxgen分别为当前迭代次数与最大迭代次数；

步骤22)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤3)：学员之间相互学习阶段：

步骤31)：每个学员X_i在班级中随机选取一个学习对象X_j(j≠i)，X_i通过分析自己和学员X_j之间的差异进行学习调整，如下式：

若X_i优于X_j，

若X_j优于X_i，

式中：w2＝1-gen/maxgen为自适应权系数；r_i为0-1之间的随机数；

步骤32)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤4)：根据适应度函数计算每个学员的适应度值，其公式如下：

式中，e(t)为***误差，根据适应度函数更新学员的全局最优值，当计算所得到最优值达到设定值或算法达到最大迭代次数时，退出教与学寻优算法，否则返回步骤2)；

步骤24：采集风力发电机组的机前风速v(t)，将其作为自变量，将襟翼摆动角θ_i作为因变量，对襟翼角度-风速进行拟合，建立襟翼角度-风速的前馈控制器FB_i模型：θ_i(v)＝a₀+a₁v+a₂v²+L+a_nvⁿ，采用最小二乘法确定各项系数；将风速作为前馈控制器FB_i的输入信号，则前馈控制器FB_i的输出变量为襟翼控制期望角θ3_i。

步骤3：将步骤22与步骤23得到的襟翼期望角控制信号分别送往PLC进行处理，在PLC中设置切换算法：当叶根应力误差大于设定值时使用来自模糊控制器FC_i的信号θ1_i，来自PID控制器PID_i的控制信号θ2_i将不起作用；当叶根应力误差小于设定值时使用来自PID控制器PID_i的控制信号θ2_i，来自模糊控制器FC_i的信号θ1_i将不起作用；最后，PLC再耦合来自前馈控制器FB_i的控制信号θ3_i，并将这些信号传输给对应的襟翼作动器驱动电路。

步骤4：4个襟翼作动器分别接受来自4个襟翼作动器驱动电路的信号，执行襟翼摆动动作以减小叶片根部应力。

上述步骤2-4反复运行，使叶片根部应力值y(k)等于或接近风力机出厂前实验测得的叶片根部额定应力值r(k)，直至完成控制任务。

5WM参考风力机在风况为11.4m/s的湍流风下，以叶片的叶根弯矩作为风力机降载目标，采用本发明一种大型风力机叶片主动降载控制方法与现有方法的对比结果如图4所示，可见采用本发明的方法有效降低了叶片根部的应变力。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的简单修改、等同变化，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种大型风力机叶片主动降载控制***，其特征在于，所述***包括信号采集模块、控制模块和电气伺服模块；

所述信号采集模块包括光纤应变传感器、机前风场信号传感设备和光纤应变信号处理设备；所述控制模块包括5路低通滤波器，5路模数转换器，4路控制单元，PLC，4路数模转换器和4路信号隔离器；所述电气伺服模块包括4路襟翼作动器驱动电路和4路襟翼作动器；

所述光纤应变传感器安装在风力机叶片根部，并与光纤应变信号处理设备连接；光纤应变信号处理设备的1路信号输出和机前风场信号传感设备对应4路襟翼的4路信号输出分别对应1路低通滤波器和1路模数转换器顺次连接；与光纤应变信号处理设备对应的1路模数转换器分别连接至4路控制单元，与机前风场信号传感设备对应的4路模数转换器一一对应连接至4路控制单元，每路控制单元通过PLC分别对应1路数模转换器、1路信号隔离器、1路襟翼作动器驱动电路和1路襟翼作动器顺次连接；

所述光纤应变传感器用于采集叶片根部的应变力信号，所述光纤应变信号处理设备用于将光纤应变传感器采集的信号转换为电压信号；所述机前风场信号传感设备用于测量风力机前风速；光纤应变信号处理设备和机前风场信号传感设备分别将信号传送至对应的低通滤波器，所述低通滤波器用于滤掉高频干扰信号；所述模数转换器用于将模拟信号转换成数字信号；所述控制单元包括对机前风场信号进行处理的前馈控制器，使用教与学算法进行参数寻优的PID控制器和对叶片根部的应变力信号进行处理的模糊控制器，用于减小叶片根部应力的控制运算；所述PLC用于切换PID控制器和模糊控制器的输出信号，并耦合来自前馈控制器的控制信号；所述数模转换器用于将数字信号转换成模拟信号；所述信号隔离器用于将控制***输出信号和电气伺服模块隔离开；所述襟翼作动器驱动电路产生驱动襟翼作动器的电信号；所述襟翼作动器根据襟翼作动器驱动电路输出信号调节襟翼使其产生不同的摆角。

2.根据权利要求1所述一种大型风力机叶片主动降载控制***，其特征在于，所述前馈控制器是在风力发电机组运行时，通过实时监测机前风速变化，计算出因降低随机风或湍流风引起的不均匀载荷所需的控制量。

3.权利要求1-2任一权利要求所述一种大型风力机叶片主动降载控制***的控制方法，其特征在于，具体包括以下步骤：

步骤1：对模糊控制器FC_i、前馈控制器FB_i和PID控制器PID_i进行初始化，i＝1,2,3,4；

步骤2：读取当前风速和叶片根部的应力值，将得到的叶片根部应力值y(k)与叶片根部额定应力值r(k)进行差值运算，得到应力偏差e(k)及偏差变化率ec(k)，其中叶片额定应力值r(k)是由风机出厂前实验测得；

步骤21：将步骤2得到的应力偏差e(k)、偏差变化率ec(k)作为模糊控制器FC_i的输入变量；

步骤22：选择隶属度函数进行模糊化，并依据模糊规则得到襟翼的控制量，反模糊化后求得模糊控制器FC_i的输出变量，此输出为襟翼控制期望角θ1_i；

步骤23：将步骤21的应力偏差e(k)作为PID控制器PID_i的输入信号，利用教与学寻优算法对PID_i参数KP_i，KI_i，KD_i进行在线自整定，所述PID控制器PID_i的输出变量为襟翼控制期望角θ2_i；

步骤24：采集风力发电机组的机前风速v(t)，将其作为自变量，将襟翼摆动角θ_i作为因变量，对襟翼角度-风速进行拟合，建立襟翼角度-风速的前馈控制器FB_i模型：θ_i(v)＝a₀+a₁v+a₂v²+L+a_nvⁿ，采用最小二乘法确定各项系数；将风速作为前馈控制器FB_i的输入信号，则前馈控制器FB_i的输出变量为襟翼控制期望角θ3_i；

步骤3：将步骤22与步骤23得到的襟翼期望角控制信号分别送往PLC进行处理，在PLC中设置切换算法：当叶根应力误差大于设定值时使用来自模糊控制器FC_i的信号θ1_i，来自PID控制器PID_i的控制信号θ2_i将不起作用；当叶根应力误差小于设定值时使用来自PID控制器PID_i的控制信号θ2_i，来自模糊控制器FC_i的信号θ1_i将不起作用；最后，PLC再耦合来自前馈控制器FB_i的控制信号θ3_i，并将这些信号传输给对应的襟翼作动器驱动电路；

步骤4：4个襟翼作动器分别接受来自4个襟翼作动器驱动电路的信号，执行襟翼摆动动作以减小叶片根部应力；

上述步骤2-4反复运行，使叶片根部应力值y(k)等于或接近风力机出厂前实验测得的叶片根部额定应力值r(k)，直至完成控制任务。

4.根据权利要求3所述一种控制方法，其特征在于，用于PID参数的教与学寻优算法包括以下步骤：

步骤1)：设置初始参数，搜索区域范围定义为X＝(x¹,x²,…,x^d)∈[L,U]，L＝(L¹,L²,…,L^d)是空间下界，U＝(U¹,U²,…,U^d)是空间上界，d为优化问题的维数，d维空间第i个学员定义为学员规模为N，最大迭代次数为maxgen；

步骤2)：教师的教学阶段：

步骤21)：计算每个学生的适应值，选择最好个体作为老师X_teacher，计算个体平均值然后根据学员与个体平均水平的差异进行学习，如下式：

TF_i＝2-gen/maxgen (2)

式中：和分别表示第i个学员学习前和学习后的值；w1＝1-gen/maxgen为自适应权系数；r_i为0-1之间的随机数；TF_i为1-2之间的某个数，其值随迭代次数的变化而变化；r_i和TF_i用于调整学习速率；gen与maxgen代次数与最大迭代次数；

步骤22)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤3)：学员之间相互学习阶段：

步骤31)：每个学员X_i在班级中随机选取一个学习对象X_j(j≠i)，X_i通过分析自己和学员X_j之间的差异进行学习调整，如下式：

若X_i优于X_j，

若X_j优于X_i，

式中：w2＝1-gen/maxgen为自适应权系数；r_i为0-1之间的随机数；

步骤32)：学员更新：

如果的适应值比的适应值好，那么用代替否则，继续使用

步骤4)：根据适应度函数计算每个学员的适应度值，其公式如下：

式中，e(t)为***误差，根据适应度函数更新学员的全局最优值，当计算所得到最优值达到设定值或算法达到最大迭代次数时，退出教与学寻优算法，否则返回步骤2)。