CN107191328A - 风机多模型预测控制方法、***、存储器及控制器 - Google Patents

风机多模型预测控制方法、***、存储器及控制器 Download PDF

Info

Publication number
CN107191328A
CN107191328A CN201710501186.2A CN201710501186A CN107191328A CN 107191328 A CN107191328 A CN 107191328A CN 201710501186 A CN201710501186 A CN 201710501186A CN 107191328 A CN107191328 A CN 107191328A
Authority
CN
China
Prior art keywords
mrow
mover
wind speed
msub
model
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.)
Pending
Application number
CN201710501186.2A
Other languages
English (en)
Inventor
黎德文
李柠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201710501186.2A priority Critical patent/CN107191328A/zh
Publication of CN107191328A publication Critical patent/CN107191328A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/328—Blade pitch angle
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明提供一种风机多模型预测控制方法、***、存储器及控制器，所述风机多模型预测控制方法包括：获取风机在各风速点的线性化模型并根据间隙度量获取各风速点的线性化模型之间的动态差异；根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集；根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入；根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。本发明可以实现风机***的全工况控制，特别是根据间隙度量建立了完备、低冗余的线性模型集，从而提高了风机***的多模型预测控制效果，适用于独立式、分布式或并网的风电机组的全工况控制。

Description

风机多模型预测控制方法、***、存储器及控制器
技术领域
本发明涉及机械设备运行控制技术领域，特别涉及涉及风电机组全工况运行的优化控制方法技术领域，具体为一种风机多模型预测控制方法、***、存储器及控制器。
版权申明
本专利文件披露的内容包含受版权保护的材料。该版权为版权所有人所有。版权所有人不反对任何人复制专利与商标局的官方记录和档案中所存在的该专利文件或者该专利披露。
背景技术
能源问题是当今世界发展面临的主要问题之一，随着传统能源的日益枯竭和环境问题的深入人心，新型能源如风能、太阳能、潮汐能受到了越来越多的关注，其中，风能具有无污染、蕴藏量丰富等特点，是一种重要的可再生能源。风力发电是风能利用的主要形式，2016年全球风电新增装机容量超过54.6GW，全球累计容量达到486.7GW，其中，我国以23.4GW的新增装机容量位列全球第一。大力发展风电技术已经成为全球众多国家解决能源问题和环境问题的重要手段。控制***是风力发电***的重要组成部分，良好的控制技术不仅能提高发电质量，同时也能缓和机组负荷，延长机组使用寿命，进而提高风电在新能源中的竞争力。风电机组本质上是一个多输入多输出带约束的非线性***，传统PID控制难以获得最优的控制效果，迫切需要更加先进控制方法提高风电机组的控制效果。
经对现有技术的公开文献检索发现，Soliman M,Malik O P,Westwick DT.Multiple model predictive control for wind turbines with doubly fedinduction generators.IEEE Transactions on Sustainable Energy,2011,2(3):215-225.(具有双馈感应发电机的风电机组多模型预测控制，国际期刊：IEEE期刊，可持续能源，2011,2(3):215–225)，虽然作者将多模型预测控制算法用于风电机组的全工况控制，形成了保约束的风电机组模型预测控制方法，但作者缺乏对线性模型集建立方法的研究，在实际运行中，模型集的完备性和低冗余性将会对多模型预测控制算法的性能产生重要影响。
发明内容
为了解决上述的以及其他潜在的技术问题，本发明的目的在于提供一种风机多模型预测控制方法、***、存储器及控制器，用于风电机组在全工况范围内的有效控制。
本发明的实施例提供了一种风机多模型预测控制方法，所述风机多模型预测控制方法包括：获取风机在各风速点的线性化模型并根据间隙度量获取各风速点的线性化模型之间的动态差异；根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集；根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入；根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
于本发明的一实施例中，所述线性化模型为：其中，为下一时刻状态向量，为状态向量， 为输入向量， 为输出向量，β为桨距角，ωt为桨叶转速，Ttw为传动系扭转力矩，ωg为电机转速，Tg为电机转矩，β*和分别为桨距角和电机转矩的设定值，P为风机***输出功率；Ai，Bi，Ci为系数矩阵， (xi,ui,vi)中(xi,ui)为风速vi对应的***平衡点；fw为***状态方程，即x为***状态，u为***输入，v为风机所受风速，gw为***输出方程，即y＝gw(x)，y为***输出。
于本发明的一实施例中，根据下式获取所述动态差异为：θ(i,j)＝gap(Γi,Γj),i≠j；其中，θ(i,j)为风机在风速点vi,vj处线性化模型Γi,Γj之间的间隙度量，gap(Γi,Γj)表示对线性化模型Γi,Γj求取间隙度量，θ(i,j)取值范围为[0,1]。
于本发明的一实施例中，根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入具体包括：构建优化控制的优化目标函数，确立约束条件，将所述目标函数在约束条件下求解，获得用于风机局部控制的当前时刻的控制输入的最优控制序列，选取所述最优控制序列的第一个元素作为最优控制输入。
于本发明的一实施例中，利用基于线性矩阵不等式的鲁棒预测控制算法求解在所述约束条件下的所述优化目标函数；所述优化目标函数为：
所述约束条件满足如下所示的输入变量，状态变量： 其中，J(k)为k时刻优化目标函数，为k+j时刻***输入，为k+j时刻***状态，为k+j时刻第r维***输入，为k+j时刻第r维***状态，为k+j时刻第r维***输出， 分别为对应维数的输入、状态、输出变量上界，j，k，r分别为预测时刻变量，当前时刻变量，维数变量，Q和R均为正定权矩阵，nu，nx和ny分别为输入总维数，状态总维数以及输出总维数。
于本发明的一实施例中，所述当前时刻的控制输入为：F(k)＝Yt(k)×Qt(k)-1；其中，u(k)为当前时刻***输入，F(k)为当前时刻反馈系数，为当前时刻***变量，ui为当前线性模型对应平衡点的输入，Yt(k)，Qt(k)为基于线性矩阵不等式的鲁棒预测控制算法所求取的当前时刻反馈参数。
本发明的实施例提供了一种风机多模型预测控制***，所述风机多模型预测控制***包括：线性化模型模块，用于获取风机在各风速点的线性化模型；动态差异模块，用于根据间隙度量获取各风速点的线性化模型之间的动态差异；线性化模型集模块，用于根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集；预测控制器模块，用于根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入；多模型预测模块，用于根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
于本发明的一实施例中，所述线性化模型为：其中，为下一时刻状态向量，为状态向量， 为输入向量， 为输出向量，β为桨距角，ωt为桨叶转速，Ttw为传动系扭转力矩，ωg为电机转速，Tg为电机转矩，β*和分别为桨距角和电机转矩的设定值，P为风机***输出功率；Ai，Bi，Ci为系数矩阵， (xi,ui,vi)中(xi,ui)为风速vi对应的***平衡点；fw为***状态方程，即x为***状态，u为***输入，v为风机所受风速，gw为***输出方程，即y＝gw(x)；根据下式获取所述动态差异为：θ(i,j)＝gap(Γi,Γj),i≠j；其中，θ(i,j)为风机在风速点vi,vj处线性化模型Γi,Γj之间的间隙度量，gap(Γi,Γj)表示对线性化模型Γi,Γj求取间隙度量，θ(i,j)取值范围为[0,1]。
本发明的实施例提供了一种控制器，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行所述程序指令以实现如上所述方法中的步骤。
本发明的实施例提供了一种存储器，其上存储有机器可读程序指令，该所述机器可读程序指令运行时执行如上所述的方法。
如上所述，本发明的风机多模型预测控制方法、***、存储器及控制器具有以下有益效果：
本发明可以实现风机***的全工况控制，特别是根据间隙度量建立了完备、低冗余的线性模型集，从而提高了风机***的多模型预测控制效果，该方法适用于独立式、分布式或并网的风电机组的全工况控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的风机多模型预测控制方法的流程框图。
图2显示为本发明的风机多模型预测控制方法中应用的风机***结构框图。
图3显示为本发明的风机健康评估方法中机***理想功率曲线图。
图4显示为本发明的风机健康评估***的原理框图。
图5显示为本发明的风机健康评估方法中的控制策略图。
图6和图7显示为本发明的风机健康评估方法中的风机***不同工作区域内线性模型的间隙度量图。
图8和图9显示为本发明的风机健康评估方法在部分负荷区域内风速及对应风能利用系数的控制效果图。
图10和图11显示为本发明的风机健康评估方法在完全负荷区域(中高风速)内风速及对应输出功率的控制效果图。
图12和图13显示为本发明的风机健康评估方法在完全负荷区域(高风速)内风速及对应输出功率的控制效果图。
元件标号说明
100 风机多模型预测控制***
110 线性化模型模块
120 动态差异模块
130 线性化模型集模块
140 预测控制器模块
150 多模型预测模块
S110～S140 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1至图13。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
本实施例的目的在于提供一种风机多模型预测控制方法、***、存储器及控制器，用于风电机组在全工况范围内的有效控制。以下将详细阐述本发明的风机多模型预测控制方法、***、存储器及控制器的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的风机多模型预测控制方法、***、存储器及控制器。
本发明是通过以下技术方案实现的，本发明充分考虑风机***所具有的非线性，大工况，强约束等特点，给出了风机***模型的线性化方法，基于间隙度量量化分析了***在不同风速点线性化模型的动态差异，给出了不同工作区域风速区间的划分方法，建立了近似风机***全工况的线性模型集，定义了各线性子模型的优化控制目标函数和约束条件，利用基于线性矩阵不等式的鲁棒预测控制算法求解得出各子模型的控制律，最后通过定义子模型间切换规则给出了***的全局控制输入。具体包括利用间隙度量衡量风机***在各风速点线性化模型的动态差异、设计风速区间划分算法，建立近似风机***的线性模型集、设计线性模型预测控制器、定义子模型切换规则，设计全局控制器四个步骤，其中利用间隙度量衡量风机***在各风速点线性化模型的动态差异，设计风速区间划分算法，建立近似风机***的线性模型集是本发明的创新之处。
具体地，如图1所示，本发明的实施例提供了一种风机多模型预测控制方法，所述风机多模型预测控制方法包括以下步骤：
S110，获取风机在各风速点的线性化模型并根据间隙度量获取各风速点的线性化模型之间的动态差异。
S120，根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集。
S130，根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入。
S140，根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
以下对所述风机多模型预测控制方法中的步骤S110至步骤S140进行详细说明。
S110，获取风机在各风速点的线性化模型并根据间隙度量获取各风速点的线性化模型之间的动态差异。
即利用间隙度量衡量风机***在各风速点线性化模型的动态差异。
首先计算获取风机***在各风速vi处的线性化模型Γi。
请参阅图2，显示为本发明的风机多模型预测控制方法中风机***结构框图。
根据对风机各子***进行建模，得到风机***的数学模型如下：
其中，各参数的物理意义见表1。
表1参数物理意义表
变量 物理意义 变量 物理意义
v 风速 Jg 电机惯性系数
β 桨距角 Ttw 传动转矩
τ 桨叶时间常数 ωt 风轮转速
ρ 空气密度 ωg 发动机转速
R 风轮半径 Tg 电机转矩
τg 电机时间常数 ks 等效传动轴刚性系数
i 齿轮变速比 Bs 等效传动轴阻尼系数
Jt 风轮惯性系数 η 发电效率
定义***输出为其中P＝ηTgωg，为风机输出功率。结合上述分析，可将风机***的数学模型写成如下形式：
计算风机***在各风速vi处的线性化模型Γi：
其中，为下一时刻状态向量，为状态向量， 为输入向量， 为输出向量，β为桨距角，ωt为桨叶转速，Ttw为传动系扭转力矩，ωg为电机转速，Tg为电机转矩，β*和分别为桨距角和电机转矩的设定值，P为风机***输出功率；P＝ηTgωg Ai，Bi，Ci为系数矩阵，(xi,ui,vi)中(xi,ui)为风速vi对应的***平衡点；fw为***状态方程，即x为***状态，u为***输入，v为风机所受风速，gw为***输出方程，即y＝gw(x)，y为***输出。
于本一实施例中，根据上述所获得的风机***线性化模型，利用间隙度量计算各风速处风机***线性化模型的动态差异：
θ(i,j)＝gap(Γi,Γj),i≠j；其中，θ(i,j)为风机在风速点vi,vj处线性化模型Γi,Γj之间的间隙度量，gap(Γi,Γj)表示对线性化模型Γi,Γj求取间隙度量，θ(i,j)取值范围为[0,1]。其中gap(Γi,Γj)运算表示计算两线性模型间的间隙度量，可通过调用Matlab鲁棒预测控制工具箱的“gap”指令求取，θ(i,j)取值范围为[0,1]。
根据所获间隙度量值，分析各线性化模型间的动态差异，当θ(i,j)≤τ，τ为间隙度量阈值(经验值为0.4≤τ≤0.6)，表示两线性***动态差异小，两者可由同一反馈控制器控制，从而可由一个线性模型表示。
请参阅图3，显示为风机***理想功率曲线图。一般地，风机***按风速大小分为两个工作区域。区域I称为部分负荷区域，其风速介于切入风速与额定风速之间，该区域主要通过控制电机转矩调节风轮转速以获得最大的风能利用系数；区域Ⅱ称为完全负荷区域，其风速介于额定风速与切出风速之间，该区域主要通过控制桨距角调节输出功率。
对于不同的工作区域(部分负荷区域和完全负荷区域)，以一定的间隔选取风速点，计算各线性化模型间的间隙度量：和其中：N1，N2分别为部分负荷区域和完全负荷区域选取的风速点个数。方法如下：
1)在指定风速区域中选取若干风速点vi,i＝1,2,...,N，计算风机***在上述风速点的线性化模型Γi,i＝1,2,...,N。
2)计算所获线性模型间的间隙度量θ(i,j)＝gap(Γi,Γj),i,j＝1,2,...,N。
S120，根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集。
基于所获的间隙度量值，分析各区域内风机***线性化模型的动态差异，选取一定的间隙度量阈值τ，划分各风速区间，在划分的风速区间Vi,i＝1,2,...,m内，计算风机***的线性化模型Γi,i＝1,2,...,m，其中m为划分所得的风速区间个数，建立近似风机***的线性模型集。
当风机***线性化模型间动态差异随风速差异的增加而增加时，可由如下方法划分风速区间并构建线性模型集：
1)设置间隙度量阈值τ＝0.47，迭代总步数K＝50,100...，初始化风速区间个数m＝1。
2)在待划分风速区域内，随机初始化中心风速点vi(i＝1,2,...,m)，设置风速区间及对应间隙度量集合Vi＝{vi},gapi＝{},i＝1,2,...,m，并设置当前迭代步数j＝0。
3)比较风机***在各风速点vk(k＝1,2,...,N)线性化模型与各中心风速点线性化模型间的间隙度量。选取间隙度量最小的中心风速点，将各风速点归入对应风速区间集合，并更新相应间隙度量集合。
4)更新中心风速点为各风速区间内风速的平均值，令j＝j+1。
5)若j＜K，返回3)。
6)若每个风速区间对应的间隙度量集合的元素最大值满足：max(gapi)≤τ，跳往7)；否则设置m＝m+1，返回2)。
7)对于每个风速区间Vi，在中心风速点对风机***进行线性化，得到对应线性模型集Γi,i＝1,2,...,m。
当风机***线性化模型间动态差异不随风速差异的增加而增加时，可由如下方法划分风速区间并构建线性模型集：
1)设置间隙度量阈值τ＝0.47，初始化i＝1,ki＝1，其中i为风速区间的序号。
2)初始化风速区间及对应间隙度量集合中心风速
3)判断是否满足阈值要求，若满足，更新风速区间中心风速更新为跳往4)，若不满足，更新对应间隙度量集合gapi＝{θ2(vi,p)},p∈Vi，跳往5)。
4)设置ki＝ki+1，返回3)。
5)若ki＝N，令m＝i，跳往6)，否则设置i＝i+1,ki＝ki-1，返回2)。
6)对于每个风速区间Vi，在中心风速点对风机***进行线性化，得到对应线性模型集Γi,i＝1,2,...,m。
S130，根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入。
于本实施例中，根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入具体包括：构建优化控制的优化目标函数，确立约束条件，将所述目标函数在约束条件下求解，获得用于风机局部控制的当前时刻的控制输入的最优控制序列，选取所述最优控制序列的第一个元素作为最优控制输入。
于一实施例中，利用基于线性矩阵不等式的鲁棒预测控制算法求解在所述约束条件下的所述优化目标函数；所述优化目标函数为：
所述约束条件满足如下所示的输入变量，状态变量
其中，J(k)为k时刻优化目标函数，为k+j时刻***输入，为k+j时刻***状态，为k+j时刻第r维***输入，为k+j时刻第r维***状态，为k+j时刻第r维***输出，分别为对应维数的输入、状态、输出变量上界，j，k，r分别为预测时刻变量，当前时刻变量，维数变量，Q和R均为正定权矩阵，nu，nx和ny分别为输入总维数，状态总维数以及输出总维数。
利用基于线性矩阵不等式的鲁棒预测控制算法求解在所述约束条件下的所述优化目标函数，形式如下：
在每一采样时刻求解上述基于线性矩阵不等式的优化问题，得到当前时刻的控制输入为：
F(k)＝Yt(k)×Qt(k)-1；
其中，u(k)为当前时刻***输入，F(k)为当前时刻反馈系数，为当前时刻***变量，ui为当前线性模型对应平衡点的输入，Yt(k)，Qt(k)为基于线性矩阵不等式的鲁棒预测控制算法所求取的当前时刻反馈参数。
S140，根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
具体地，以风速为指标，设计各线性模型间的切换规则。首先判断当前风速所属的风速区间，调用相应子模型及线性预测控制器计算实时控制输入，下一采样时刻重新进行判断及切换，实现风机***全工况运行的多模型预测控制。
具体地，全局控制输入计算如下：
u(k)＝RMPCi
其中RMPC为上述基于线性矩阵不等式的鲁棒预测控制算法，i的选取需使得当前风速满足v(k)∈Vi。
本发明的实施步骤可以总结如下：
a、离线设计
1)针对风机***，求取其在各风速点的线性化模型，利用间隙度量衡量并分析各线性模型的动态差异。
2)选取合适的间隙度量阈值τ，划分风速区间，建立近似风机***的线性模型集。
b、在线设计
1)对于每一采样时刻，根据当前风速所属风速区间，选择对应线性模型。
2)基于所选线性模型，选定合适的权矩阵Q,R，利用基于线性矩阵不等式的鲁棒预测控制算法计算当前***输入。
为实现上述风机多模型预测控制方法，本实施例还对应提供了一种风机多模型预测控制***100，如图4所示，所述风机多模型预测控制***100包括：线性化模型模块110，动态差异模块120，线性化模型集模块130，预测控制器模块140以及多模型预测模块150。由于风机多模型预测控制***100与风机多模型预测控制方法间原理相似，因此通用的技术细节不作重复赘述。
于本实施例中，所述线性化模型模块110用于获取风机在各风速点的线性化模型。
于本实施例中，所述动态差异模块120用于根据间隙度量获取各风速点的线性化模型之间的动态差异。
于本实施例中，所述线性化模型集模块130用于根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集。
于本实施例中，所述预测控制器模块140用于根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入。
于本实施例中，所述多模型预测模块150，用于根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
本发明的实施例还提供一种控制器，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行所述程序指令以实现上述步骤中的方法。本实施例对上述方法已经进行了详细说明，在此不再赘述。
本发明的实施例还提供一种存储器，其上存储有机器可读程序指令，该所述机器可读程序指令运行时执行上述步骤中的方法。本实施例对上述方法已经进行了详细说明，在此不再赘述。
结合具体实例进一步说明本发明的实现效果。
图5是本发明实施的控制策略图。在本实施例中，将本发明中提出的方法应用于一类额定功率为5MW的变速变桨风电机组，其切入风速、额定风速、切除风速分别为3m/s，11.4m/s和25m/s，利用Matlab进行仿真实验，成功地实现了风电机组在不同风速范围内的全工况控制。运行过程分三种情况，分别为部分负荷区域，风速范围为(5m/s,10.2m/s)，此时通过控制电机转矩使风能利用系数Cp为最大值(0.48)；满载区域(中高风速区域)，风速范围为(12.8m/s,17.8m/s)，此时通过控制桨距角调节输出功率P为额定值；满载区域(高风速区域)，风速范围为(15.8m/s,22.6m/s)，此时通过控制桨距角调节输出功率P为额定值。
使用本发明进行了风机***的全工况控制，都取得了较好的控制效果。图6和图7是风机***不同工作区域内线性模型的间隙度量图。根据所述风速区间划分方法，风机***的有效风速区域划分结果如表2。
表2风速区间划分表
图8和图9显示为风机***在部分负荷区域内风速及对应风能利用系数的控制效果图。图10和图11显示风机***在完全负荷区域(中高风速)内风速及对应输出功率的控制效果图。图12和图13显示风机***在完全负荷区域(高风速)内风速及对应输出功率的控制效果图。从图8至图13可以得出，本发明的方法能够较好完成风机***的控制，使***能在不同风速范围及不同工作区域内达到控制目标。
综上所述，本发明可以实现风机***的全工况控制，特别是根据间隙度量建立了完备、低冗余的线性模型集，从而提高了风机***的多模型预测控制效果。该方法适用于独立式、分布式或并网的风电机组的全工况控制。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种风机多模型预测控制方法，其特征在于，所述风机多模型预测控制方法包括：
获取风机在各风速点的线性化模型并根据间隙度量获取各风速点的线性化模型之间的动态差异；
根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集；
根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入；
根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
2.根据权利要求1所述的风机多模型预测控制方法，其特征在于，所述线性化模型为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>=</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，为下一时刻状态向量，为当前时刻状态向量， 为输入向量， 为输出向量，β为桨距角，ωt为桨叶转速，Ttw为传动系扭转力矩，ωg为电机转速，Tg为电机转矩，β*和分别为桨距角和电机转矩的设定值，P为风机***输出功率；Ai，Bi，Ci为系数矩阵，(xi,ui,vi)中(xi,ui)为风速vi对应的***平衡点；fw为***状态方程，即x为***状态，u为***输入，v为风机所受风速，gw为***输出方程，即y＝gw(x)，y为***输出。
3.根据权利要求1或2所述的风机多模型预测控制方法，其特征在于，根据下式获取所述动态差异为：
θ(i,j)＝gap(Γi,Γj),i≠j；
其中，θ(i,j)为风机在风速点vi,vj处线性化模型Γi,Γj之间的间隙度量，gap(Γi,Γj)表示对线性化模型Γi,Γj求取间隙度量，θ(i,j)取值范围为[0,1]。
4.根据权利要求1所述的风机多模型预测控制方法，其特征在于，根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入具体包括：
构建优化控制的优化目标函数，确立约束条件，将所述目标函数在约束条件下求解，获得用于风机局部控制的当前时刻的控制输入的最优控制序列，选取所述最优控制序列的第一个元素作为最优控制输入。
5.根据权利要求4所述的风机多模型预测控制方法，其特征在于，利用基于线性矩阵不等式的鲁棒预测控制算法求解在所述约束条件下的所述优化目标函数；所述优化目标函数为：
<mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>&amp;infin;</mi> </mrow> </munder> <mi>J</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>&amp;infin;</mi> </munderover> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>Q</mi> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mi>R</mi> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
所述约束条件满足如下所示的输入变量，状态变量：
<mrow> <mo>|</mo> <msub> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;le;</mo> <msub> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>r</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>n</mi> <mi>u</mi> </msub> <mo>;</mo> </mrow> 1
<mrow> <mo>|</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;le;</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>r</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>n</mi> <mi>x</mi> </msub> <mo>;</mo> </mrow>
<mrow> <mo>|</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>r</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mi>j</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;le;</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>r</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>r</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>n</mi> <mi>y</mi> </msub> <mo>;</mo> </mrow>
其中，J(k)为k时刻优化目标函数，为k+j时刻***输入，为k+j时刻***状态，为k+j时刻第r维***输入，为k+j时刻第r维***状态，为k+j时刻第r维***输出，分别为对应维数的输入、状态、输出变量上界，j，k，r分别为预测时刻变量，当前时刻变量，维数变量，Q和R均为正定权矩阵，nu，nx和ny分别为输入总维数，状态总维数以及输出总维数。
6.根据权利要求4所述的风机多模型预测控制方法，其特征在于，所述当前时刻的控制输入为：
<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>;</mo> </mrow>
F(k)＝Yt(k)×Qt(k)-1；
其中，u(k)为当前时刻***输入，F(k)为当前时刻反馈系数，为当前时刻***变量，ui为当前线性模型对应平衡点的输入，Yt(k)，Qt(k)为基于线性矩阵不等式的鲁棒预测控制算法所求取的当前时刻反馈参数。
7.一种风机多模型预测控制***，其特征在于，所述风机多模型预测控制***包括：
线性化模型模块，用于获取风机在各风速点的线性化模型；
动态差异模块，用于根据间隙度量获取各风速点的线性化模型之间的动态差异；
线性化模型集模块，用于根据所述动态差异划分风速区间并建立所述风速区间的由对应风速的线性化模型形成的线性化模型集；
预测控制器模块，用于根据所述风速区间的线性化模型集获取每个风速区间用于风机控制的预测控制器的最优控制输入；
多模型预测模块，用于根据各线性化模型间的切换规则调用相应的预测控制器获取实时最优控制输入。
8.根据权利要求7所述的风机多模型预测控制***，其特征在于，所述线性化模型为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>B</mi> <mi>i</mi> </msub> <mover> <mi>u</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>=</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，为下一时刻状态向量，，为状态向量， 为输入向量， 为输出向量，β为桨距角，ωt为桨叶转速，Ttw为传动系扭转力矩，ωg为电机转速，Tg为电机转矩，β*和分别为桨距角和电机转矩的设定值，P为风机***输出功率；Ai，Bi，Ci为系数矩阵， (xi,ui,vi)中(xi,ui)为风速vi对应的***平衡点；fw为***状态方程，即x为***状态，u为***输入，v为风机所受风速，gw为***输出方程，即y＝gw(x)，y为***输出。
根据下式获取所述动态差异为：
θ(i,j)＝gap(Γi,Γj),i≠j；
其中，θ(i,j)为风机在风速点vi,vj处线性化模型Γi,Γj之间的间隙度量，gap(Γi,Γj)表示对线性化模型Γi,Γj求取间隙度量，θ(i,j)取值范围为[0,1]。
9.一种控制器，包括处理器和存储器，所述存储器存储有程序指令，其特征在于，所述处理器运行所述程序指令以实现根据权利要求1至6中任一项所述的方法。
10.一种存储器，其上存储有机器可读程序指令，其特征在于，该所述机器可读程序指令运行时执行根据权利要求1至6中任一项所述的方法。
CN201710501186.2A 2017-06-27 2017-06-27 风机多模型预测控制方法、***、存储器及控制器 Pending CN107191328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710501186.2A CN107191328A (zh) 2017-06-27 2017-06-27 风机多模型预测控制方法、***、存储器及控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710501186.2A CN107191328A (zh) 2017-06-27 2017-06-27 风机多模型预测控制方法、***、存储器及控制器

Publications (1)

Publication Number Publication Date
CN107191328A true CN107191328A (zh) 2017-09-22

Family

ID=59880939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710501186.2A Pending CN107191328A (zh) 2017-06-27 2017-06-27 风机多模型预测控制方法、***、存储器及控制器

Country Status (1)

Country Link
CN (1) CN107191328A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425593A (zh) * 2016-01-22 2016-03-23 东华理工大学 状态变量增减的多模型平滑稳定切换控制方法
CN108869175A (zh) * 2018-06-15 2018-11-23 中南大学 一种基于多步预测的模型预测控制mpc的偏航控制方法
CN109063277A (zh) * 2018-07-12 2018-12-21 佛山科学技术学院 一种基于间隙度量的动态模式识别方法及装置
CN110345007A (zh) * 2019-06-03 2019-10-18 天津瑞源电气有限公司 一种风电机组变桨***切换控制方法
CN110966142A (zh) * 2018-09-28 2020-04-07 北京金风科创风电设备有限公司 用于风力发电机组的控制方法及装置
CN112580901A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 基于市场供需和区域气象预测的日前交易策略方法及***
CN112682254A (zh) * 2020-12-21 2021-04-20 北京华能新锐控制技术有限公司 一种基于动态多模型预测控制器的风机有功功率跟踪方法
CN113297728A (zh) * 2021-04-30 2021-08-24 东方电气风电有限公司 一种基于风场风速关联的单风机虚拟风速计算方法及***
CN113675882A (zh) * 2021-08-20 2021-11-19 国网陕西省电力有限公司 基于间隙度量的风电并网***运行空间划分方法及***
CN114969990A (zh) * 2022-08-02 2022-08-30 中国电子科技集团公司第十研究所 一种多模型融合的航空电子产品健康评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102410138A (zh) * 2011-08-24 2012-04-11 国电联合动力技术有限公司 一种获取风力发电机组最优控制输入的方法
CA2836018A1 (en) * 2012-12-18 2014-06-18 General Electric Company Control system and method for mitigating loads during yaw error on a wind turbine
CN106877341A (zh) * 2011-09-06 2017-06-20 通用电气公司 控制电力***的控制器和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102410138A (zh) * 2011-08-24 2012-04-11 国电联合动力技术有限公司 一种获取风力发电机组最优控制输入的方法
CN106877341A (zh) * 2011-09-06 2017-06-20 通用电气公司 控制电力***的控制器和方法
CA2836018A1 (en) * 2012-12-18 2014-06-18 General Electric Company Control system and method for mitigating loads during yaw error on a wind turbine

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶丽莎: "风力发电***的多模型预测控制", 《中国优秀硕士学位论文全文数据库》 *
陶响元: "基于间隙度量的非线性***多模型预测控制", 《中国优秀硕士学位论文全文数据库》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425593A (zh) * 2016-01-22 2016-03-23 东华理工大学 状态变量增减的多模型平滑稳定切换控制方法
CN105425593B (zh) * 2016-01-22 2018-05-08 东华理工大学 状态变量增减的多模型平滑稳定切换控制方法
CN108869175A (zh) * 2018-06-15 2018-11-23 中南大学 一种基于多步预测的模型预测控制mpc的偏航控制方法
CN108869175B (zh) * 2018-06-15 2019-07-09 中南大学 一种基于多步预测的模型预测控制mpc的偏航控制方法
CN109063277A (zh) * 2018-07-12 2018-12-21 佛山科学技术学院 一种基于间隙度量的动态模式识别方法及装置
CN109063277B (zh) * 2018-07-12 2022-12-20 佛山科学技术学院 一种基于间隙度量的动态模式识别方法及装置
CN110966142A (zh) * 2018-09-28 2020-04-07 北京金风科创风电设备有限公司 用于风力发电机组的控制方法及装置
CN110345007A (zh) * 2019-06-03 2019-10-18 天津瑞源电气有限公司 一种风电机组变桨***切换控制方法
CN112682254A (zh) * 2020-12-21 2021-04-20 北京华能新锐控制技术有限公司 一种基于动态多模型预测控制器的风机有功功率跟踪方法
CN112682254B (zh) * 2020-12-21 2022-09-16 北京华能新锐控制技术有限公司 一种基于动态多模型预测控制器的风机有功功率跟踪方法
CN112580901A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 基于市场供需和区域气象预测的日前交易策略方法及***
CN113297728A (zh) * 2021-04-30 2021-08-24 东方电气风电有限公司 一种基于风场风速关联的单风机虚拟风速计算方法及***
CN113675882A (zh) * 2021-08-20 2021-11-19 国网陕西省电力有限公司 基于间隙度量的风电并网***运行空间划分方法及***
CN113675882B (zh) * 2021-08-20 2024-03-19 国网陕西省电力有限公司 基于间隙度量的风电并网***运行空间划分方法及***
CN114969990A (zh) * 2022-08-02 2022-08-30 中国电子科技集团公司第十研究所 一种多模型融合的航空电子产品健康评估方法

Similar Documents

Publication Publication Date Title
CN107191328A (zh) 风机多模型预测控制方法、***、存储器及控制器
Abdelbaky et al. Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines
Mirzaei et al. Robust model predictive control of a wind turbine
CN104533714A (zh) 一种风力发电机组控制器参数辨识与整定方法
CN105673322B (zh) 实现风力机mppt控制的变参数非线性反馈控制方法
Hardy et al. Emulation of a 1.5 MW wind turbine with a DC motor
Golnary et al. Design and comparison of quasi continuous sliding mode control with feedback linearization for a large scale wind turbine with wind speed estimation
CN105673325A (zh) 基于rbf神经网络pid的风电机组独立变桨控制方法
CN107947228B (zh) 基于Markov理论的含风电电力***随机稳定性分析方法
CN103094920A (zh) 一种直驱式风电机组风电场等值方法
Roy et al. Harris hawks optimization algorithm for model order reduction of interconnected wind turbines
CN109139363B (zh) 一种提升多机型风力机性能的最大功率点跟踪控制方法
CN110611325A (zh) 一种基于粒子群算法的风电场次同步振荡抑制方法
Golnary et al. Simultaneous active control of tower lateral vibration and power control of wind turbine: A novel multivariable approach
Djamel Eddine Kerrouche et al. Modeling and Lyapunov-designed based on adaptive gain sliding mode control for wind turbines
CN109611274A (zh) 一种风力发电机组高风速区lqg优化控制方法
CN111022254B (zh) 奇异摄动风力发电模型最大功率点跟踪的时滞控制方法
Mirzaei et al. DK-iteration robust control design 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***
Pang et al. Intelligence algorithm for optimization design of the low wind speed airfoil for wind turbine
CN103595045A (zh) 风机参与调频的风柴混合电力***负荷频率协调控制方法
CN115288929A (zh) 一种计及载荷计算的风电机组偏航控制方法及***
CN113031440B (zh) 基于反馈线性化与预测控制的风力机变桨距控制方法
CN103400212A (zh) 风电场风力发电机组的等值风速动态预测方法
Boobalan et al. A fuzzy-PI based power control of wind energy conversion system using PMSG

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922

RJ01 Rejection of invention patent application after publication