CN109611274A - 一种风力发电机组高风速区lqg优化控制方法 - Google Patents
一种风力发电机组高风速区lqg优化控制方法 Download PDFInfo
- Publication number
- CN109611274A CN109611274A CN201811507365.8A CN201811507365A CN109611274A CN 109611274 A CN109611274 A CN 109611274A CN 201811507365 A CN201811507365 A CN 201811507365A CN 109611274 A CN109611274 A CN 109611274A
- Authority
- CN
- China
- Prior art keywords
- wind
- lqg
- generating set
- speed
- power generating
- 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 49
- 239000002245 particle Substances 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 40
- 230000003190 augmentative effect Effects 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000009123 feedback regulation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 11
- 238000006073 displacement reaction Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000035935 pregnancy Effects 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/044—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with PID control
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风力发电机组高风速区LQG优化控制方法,针对风电***的随机性、不确定性和未建模动态等特征,在对风电机组模型进行线性化的时候将风机模型参数的不确定性考虑进去,并提出了具有积分作用的LQG控制策略,既保留了LQG在克服随机扰动方面的优势,又利用了积分控制在消除稳态误差方面的优点,并且采用粒子群算法对加权矩阵参数进行迭代寻优,从而进一步改善控制性能,还考虑了塔顶的运动,运用两个PID控制器分别控制塔顶纵向位移和横向位移,期望将其抑制为0。
Description
技术领域
本发明涉及风机控制技术领域,特别是涉及一种风力发电机组高风速区LQG 优化控制方法。
背景技术
当今世界,能源缺乏、环境污染的问题日益严重,开发利用可再生能源尤其是风能,已得到世界各国的高度重视。风力发电的迫切需要和蓬勃发展推动了风力发电技术的不断进步,随着风力发电机组向着大型化、高参数化方向发展,对风力发电机组输出电能品质和运行平稳性的要求也越来越高,设计有效的控制策略显得尤为重要。
目前,不少学者已对此进行了研究,提出了一系列先进的控制方法,包括模糊控制、神经网络控制、鲁棒控制、预测控制等,但这些方法尚处于理论研究阶段,实际应用起来具有较大难度。相比于传统的PID控制,LQR/LQG控制属于一种优化控制,可以使原***达到较好的性能指标,在处理多输入多输出、多目标优化方面具有很大的优势,并且方法简单易于实现,因而在风力发电机组变桨距控制中得到了广泛的应用。
然而,常规的LQR/LQG控制器虽然在抑制转矩波动、稳定输出功率等方面可以取得一定的效果,但LQG本质上是基于精确模型的线性控制,在典型工况点及其邻域内具有较好的控制效果。而实际的风机***具有一定的非线性、随机性、不确定性和未建模动态。模型参数会随风速变化而改变,当***偏离典型点较大时,LQG控制性能较差。
同时,大多数研究只注重高风速区发电机输出功率的稳定,而忽略了风机运行时塔架顶部由于气动推力的作用而产生的运动。
发明内容
本发明主要解决的技术问题是提供一种风力发电机组高风速区LQG优化控制方法。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种风力发电机组高风速区LQG优化控制方法,包括以下步骤:
(1)运用机理分析的方法建立风电机组的非线性数学模型,数学模型包括空气动力***模型、传动***模型、变桨执行机构模型和风力发电机模型;
(2)采用泰勒级数展开的方法在典型工况点附近对风力发电机组模型进行线性化处理,并将模型参数分为常数参数估计值和不确定部分,从而得到风力发电机组的线性化状态空间模型;
(3)在状态反馈调节器之前添加一个积分控制器,构造增广***的状态方程;
(4)设计具有积分作用的LQG控制器;
(5)采用粒子群算法对所设计的控制器的加权矩阵参数进行优化,得到最优性能指标。
在本发明一个较佳实施例中,所述空气动力***模型:空气动力***的核心设备是风轮,当外部风速为v时,风轮捕捉的有用功率为其中,ρ为空气密度,Rb为风轮半径,v为风速,Cp为风能利用系数;
风能利用系数Cp是桨距角和叶尖速比的非线性函数,可以表示为:其中,β为桨距角,λ为叶尖速比;
叶尖速比λ的定义为:其中,ωr为风轮角速度;
风力所产生的气动转矩为
在本发明一个较佳实施例中,所述传动***模型:传动***由高速轴和低速轴通过齿轮箱相互连接而组成,采用双质量块模型;
低速轴的动力学方程可表示为: 其中,Jr为风轮转子的转动惯量,ωr为低速轴角速度;Ta为气动转矩,Tls为低速轴转矩,Kd、Bd分别为刚性轴的扭转系数和阻尼系数,表示低、高速轴的扭转程度;
高速轴的动力学方程可表示为:其中,Jg为发电机的转动惯量,ωg为高速轴角速度,Ths为高速轴转矩,Tg为发电机转矩。
在本发明一个较佳实施例中,所述变桨执行机构模型:变桨执行机构采用一阶惯性环节模型其中,β为叶片桨距角,βref为叶片桨距角的给定值,τ为桨距角调节的等效时间常数。
在本发明一个较佳实施例中,所述风力发电机模型:采用双馈异步发电机的简化模型:其中,τg为转矩系数;Tg,ref为发电机转矩给定值;
发电机输出功率为:Pe=Tgωg。
在本发明一个较佳实施例中,所述步骤(2)中,根据步骤(1)获得的风电机组的非线性数学模型,采用泰勒级数展开的方式在典型工况点(v0,ωr0,β0)附近对气动转矩Ta进行线性化处理,得:ΔTa=αΔv+γΔωr+ξΔβ,其中Δωr=ωr-ωr0,Δv=v-v0,Δβ=β-β0为各变量相对于平衡工作点的偏移量,为常数参数;
***中其他变量的线性化可采取上述方法;
将上述三个常数参数分解为常数参数估计值和不确定部分,即: 其中,为常数参数的估计值,Δα、Δξ、Δγ为常数参数的不确定值;
以增量Δ·作为变量,取状态变量Δx=[Δωr Δωg ΔThs ΔTg Δβ]T,控制变量Δu=[ΔTg,ref Δβref]T,输出变量Δy=[Δωg ΔPe]T,干扰输入Δd=[Δv Δωr Δβ]T,根据步骤(1)中的风力发电机组模型,运用上述线性化方法,可得风力发电机组线性化状态空间模型:
Δy(t)=CΔx(t);
其中,
在典型工况点(x0,y0,u0,v0)附近任一点处,最终状态变量、输出变量、控制变量、扰动变量分别为x=x0+Δx,y=y0+Δy,u=u0+Δu,v=v0+Δv。
在本发明一个较佳实施例中,所述步骤(3)中,在状态反馈调节器之前设置一个积分控制器;
设跟踪误差为e(t)=r(t)-y(t),其中,r=[ωg,ref Pe,ref]T为输出变量的给定值;
将xi作为附加的状态向量,构造增广***的状态方程:
在本发明一个较佳实施例中,所述步骤(4)中,最优控制的目标函数为:其中, Q=diag(q1,q2,q3,q4,q5)为5维半正定状态加权系数矩阵,Qe=diag(qe1,qe2)为2维半正定误差系数矩阵,R=diag(r1,r2)为2维正定输入加权系数矩阵,ΔxTQΔx是用以衡量状态量偏离平衡点大小的代价函数;
使上述目标函数最小的最优控制律为:其中,K为原***的最优状态反馈矩阵,Ki为积分器增益矩阵,K’为增广***的最优状态反馈矩阵。
在本发明一个较佳实施例中,所述步骤(5)中,采用粒子群算法对所设计的控制器的加权矩阵参数进行整定,将步骤(4)中定义的目标函数作为粒子群算法的适应度函数,为使适应度函数值最小而进行迭代寻优,以满足性能指标最优。
在本发明一个较佳实施例中,所述步骤(5)中的用粒子群算法整定加权矩阵参数的步骤为:
Step1:初始化一个规模为200的粒子群,任意粒子i的位置均为一个9维向量Xi=(xi1,xi2,...,xi9);
Step2:依次将每个粒子的向量位置元素xi1,xi2,...,xi9赋值给q1,...,q5,qe1,qe2,r1,r2,依次计算增广***的最优状态反馈矩阵K’;
Step3:风电控制***运行仿真,并计算此权重参数下的性能指标适应度函数值;
Step4:将每个粒子的适应度函数值同其经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的最好位置;
Step5:将每个粒子的适应度函数值同全局经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的全局最好位置;
Step6:根据下列两式分别更新粒子的速度和位置:
vid(t+1)=wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)),
xid(t+1)=xid(t)+vid(t+1),
其中,vid(t)、xid(t)为t时刻粒子i第d维的速度和位置;vid(t+1)、xid(t+1)为 t+1时刻粒子i第d维的速度和位置;w称为惯性权重因子,其取值范围为0.4~0.9。c1和c2分别称为认知学习因子和社会学习因子,一般取值为0.5;r1和r2为相互独立的随机数,它们在[0,1]区间内服从均匀分布;
Step7:当达到最大迭代次数或满足最小精度时,给出加权矩阵的最佳参数q1,...,q5,qe1,qe2,r1,r2,否则返回Step2。
本发明的有益效果是:提供一种风力发电机组高风速区LQG优化控制方法, 针对风电***的随机性、不确定性和未建模动态等特征,在对风电机组模型进行线性化的时候将风机模型参数的不确定性考虑进去,并提出了具有积分作用的LQG控制策略,既保留了LQG在克服随机扰动方面的优势,又利用了积分控制在消除稳态误差方面的优点,并且采用粒子群算法对加权矩阵参数进行迭代寻优,从而进一步改善控制性能,还考虑了塔顶的运动,运用两个PID控制器分别控制塔顶纵向位移和横向位移,期望将其抑制为0。
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它的附图,其中:
图1是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的总体结构图;
图2是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的传动***结构图;
图3是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的整个控制***的结构图;
图4是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的粒子群算法整定加权矩阵参数的流程图;
图5是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的塔架纵向位移控制框图;
图6是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的塔架横向位移控制框图;
图7是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的随机风速图;
图8是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的发电机角速度对比图;
图9是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的发电机输出功率对比图;
图10是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的叶片桨距角对比图;
图11是本发明的风力发电机组高风速区LQG优化控制方法一较佳实施例的发电机转矩对比图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1至图11,本发明实施例包括:
一种风力发电机组高风速区LQG优化控制方法,包括以下步骤。
步骤1:建立风力发电***的数学模型。
(1)空气动力***模型:空气动力***的核心设备是风轮,当外部风速为v时,风轮捕捉的有用功率为其中,ρ为空气密度,Rb为风轮半径,v为风速,Cp为风能利用系数。
风能利用系数Cp是桨距角和叶尖速比的非线性函数,可以近似表示为:其中,β为桨距角;λ为叶尖速比。
叶尖速比λ的定义为:其中,ωr为风轮角速度。
风力所产生的气动转矩为
(2)传动***模型:传动***由高速轴和低速轴通过齿轮箱相互连接而组成,通常采用双质量块模型来描述,如图2所示。
低速轴的动力学方程可表示为: 其中,Jr为风轮转子的转动惯量,ωr为低速轴角速度;Ta为气动转矩,Tls为低速轴转矩,Kd、Bd分别为刚性轴的扭转系数和阻尼系数,θr-θg/ng表示低、高速轴的扭转程度。
高速轴的动力学方程可表示为:其中,Jg为发电机的转动惯量,ωg为高速轴角速度,Ths为高速轴转矩,Tg为发电机转矩。
(3)变桨执行机构模型:变桨执行机构可以用一阶惯性环节来描述,即其中,β为叶片桨距角,βref为叶片桨距角的给定值,τ为桨距角调节的等效时间常数。
(4)风力发电机模型:本发明采用双馈异步发电机,且侧重于其机械特性。为简便起见,可采用如下形式的简化模型:其中,τg为转矩系数;Tg,ref为发电机转矩给定值。
发电机输出功率为:Pe=Tgωg。
步骤2:针对步骤1获得的风电机组非线性模型,采用泰勒级数展开的方式在典型工况点(v0,ωr0,β0)附近对气动转矩Ta进行线性化处理,得:ΔTa=αΔv+γΔωr+ξΔβ,其中,Δωr=ωr-ωr0,Δv=v-v0,Δβ=β-β0为各变量相对于平衡工作点的偏移量,为常数参数。
***中其他变量的线性化可采取上述方法。
将上述三个常数参数分解为常数参数估计值和不确定部分,即: 其中,为常数参数的估计值,Δα、Δξ、Δγ为常数参数的不确定值。
以增量Δ作为变量,取状态变量Δx=[Δωr Δωg ΔThs ΔTg Δβ]T,控制变量Δu=[ΔTg,ref Δβref]T,输出变量Δy=[Δωg ΔPe]T,干扰输入Δd=[Δv Δωr Δβ]T,根据步骤1中的风力发电机组模型,运用上述线性化方法,可得风力发电机组线性化状态空间模型:
Δy(t)=CΔx(t),
其中,
在典型工况点(x0,y0,u0,v0)附近任一点处,最终状态变量、输出变量、控制变量、扰动变量分别为x=x0+Δx,y=y0+Δy,u=u0+Δu,v=v0+Δv。
步骤3:考虑到风机***的不确定性和未建模动态对控制性能的影响,在状态反馈调节器之前添加一个积分控制器。
设跟踪误差为e(t)=r(t)-y(t),其中,r=[ωg,ref Pe,ref]T为输出变量的给定值。
对上式两边积分,并令其等于xi(t),得:令将xi作为附加的状态向量,构造增广***的状态方程:
整个控制***的结构图如图2所示。
步骤4:定义最优控制的目标函数为:其中,Q=diag(q1,q2,q3,q4,q5)为5维半正定状态加权系数矩阵,Qe=diag(qe1,qe2)为2 维半正定误差系数矩阵,R=diag(r1,r2)为2维正定输入加权系数矩阵,ΔxTQΔx 是用以衡量状态量偏离平衡点大小的代价函数,Δx越大,维持转速和发电机转矩稳定所花的代价就越大,xi TQexi是用以衡量输出量偏离平衡点大小的代价函数,以使输出功率和发电机转矩维持在期望值附近,uTRu表示动态过程中对桨距角和发电机转矩的约束,以便保护变桨执行机构和发电机,延长其使用寿命。
使上述目标函数最小的最优控制律为:其中,K为原***的最优状态反馈矩阵,Ki为积分器增益矩阵,K’为增广***的最优状态反馈矩阵。
记运用matlab工具箱中的lqr()函数可以求得K’:(K’,S,E)=lqr(A’,B’,Q’,R)。
步骤5:采用粒子群优化算法对所设计的控制器的加权矩阵参数进行整定,将步骤4中定义的目标函数作为粒子群算法的适应度函数,为使适应度函数值最小而进行迭代寻优,以满足性能指标最优。
进一步地,步骤5所述的用粒子群算法整定加权矩阵参数的步骤如下。
Step1:初始化一个规模为200的粒子群,任意粒子i的位置均为一个9维向量Xi=(xi1,xi2,...,xi9);
Step2:依次将每个粒子的向量位置元素xi1,xi2,...,xi9赋值给q1,...,q5,qe1,qe2,r1,r2,依次计算增广***的最优状态反馈矩阵K’;
Step3:风电控制***运行仿真,并计算此权重参数下的性能指标适应度函数值;
Step4:将每个粒子的适应度函数值同其经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的最好位置;
Step5:将每个粒子的适应度函数值同全局经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的全局最好位置。
Step6:根据下列两式分别更新粒子的速度和位置:
vid(t+1)=wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)),
xid(t+1)=xid(t)+vid(t+1),
其中,vid(t)、xid(t)为t时刻粒子i第d维的速度和位置;vid(t+1)、xid(t+1)为 t+1时刻粒子i第d维的速度和位置;w称为惯性权重因子,其取值范围为 0.4~0.9[20],c1和c2分别称为认知学习因子和社会学习因子,一般取值为0.5[20]; r1和r2为相互独立的随机数,它们在[0,1]区间内服从均匀分布。
Step7:当达到最大迭代次数或满足最小精度时,给出加权矩阵的最佳参数q1,...,q5,qe1,qe2,r1,r2,否则返回Step2。
为使Step1~Step7直观明了,画出其流程图,如图4所示。
在高风速区,除了使发电机输出功率维持在额定值附近,还应注意到,由于风速较大,塔顶气动推力随之增大,导致塔架的纵向运动和横向运动较为剧烈,这会对塔架的零部件造成损坏,在实际应用中应想办法对其加以抑制。
只考虑塔架在纵向和横向的第一弯曲模态,则可用下列二阶微分方程对其进行近似表达:
其中,mtw为塔顶等效质量,stw为刚度系数,dtw为阻尼系数,xfa为塔顶纵向位移,xsd为塔顶横向位移,Fa为塔顶纵向气动推力,Mtilt为俯仰力矩,Tg为发电机转矩,Fs为塔顶横向气动推力。
对上述两个微分方程进行Laplace变换,得:
将上述方程变形,得传递函数
考虑以上传递函数,本发明采用两个PID控制器分别对塔架的纵向运动和横向运动进行控制。
在第一个PID控制回路中,将纵向气动推力Fa作为控制量,将俯仰力矩 Mtilt作为扰动变量,将塔顶纵向位移xfa作为输出变量,由于理想情况是没有纵向位移,所以令纵向位移的给定值xfa,ref=0,测量输出变量xfa,并将其与纵向位移的给定值xfa,ref作差,将差值输送给PID控制器,由PID控制器输出控制量Fa,由于俯仰力矩Mtilt可以测量,所以可设计前馈控制器Q1(s)来抑制其影响,此处控制框图如图5所示。
在第二个PID控制回路中,将横向气动推力Fs作为控制量,将发电机转矩 Tg作为扰动变量,将塔顶横向位移xsd作为输出变量,由于理想情况是没有横向位移,所以令横向位移的给定值xsd,ref=0,测量输出变量xsd,并将其与横向位移的给定值xsd,ref作差,将差值输送给PID控制器,由PID控制器输出控制量Fs,由于发电机转矩Tg可以测量,所以可设计前馈控制器Q2(s)来抑制其影响,此处控制框图如图6所示。
本发明所使用的风力发电机组的主要参数取值如表1所示。
表1
在高风速区,具有积分作用的LQG控制器使发电机角速度和发电机转矩保持在额定值附近,以确保风电***的恒功率运行。经粒子群优化后可得增广***的最优状态反馈矩阵其中,原***的最优状态反馈矩阵为:
积分器增益矩阵为:
采用风电场中实际测量的随机风速,如图7所示,在其作用下对风电控制***进行仿真分析,仿真结果如图8~图11所示。
图8为发电机角速度曲线,可见,在正常风速条件下,LQG控制的发电机角速度波动幅度较大,而本发明所提出的控制策略由于引入了反馈故可以使发电机角速度在较小的范围内波动,一定程度上可以满足风电机组运行的平稳性要求。
图9为发电机输出功率曲线,不难看出,与LQG控制相比,本发明所提出的控制策略下的发电机输出功率因反馈校正的作用而使得波动更小,且没有大的超调,有效提高了风电机组输出电能的品质。
图10为叶片桨距角曲线,可以看出,在正常风速下,本发明所提出的控制策略可以使变桨调节的幅度和频率更小,有利于减轻变桨执行机构的疲劳度,延长其使用寿命。
图11为发电机转矩曲线,由于发电机角速度和输出功率均稳定在平衡工作点,所以本发明所提出的控制策略使发电机转矩也能更好地稳定在平衡工作点处,有助于风力发电机组的平稳运行。
然而,在有阵风和渐变风影响的区域,发电机角速度、转矩会随风速增大,为了快速调节,变桨幅度也相应地增大。
为了更加直观地比较本发明所提出的控制策略与传统LQG在风力发电机组变桨距控制方面的性能,分别计算两种控制策略下的发电机角速度平均值AVG(ωg)、输出功率的平均值AVG(Pe)和发电机转矩的标准差STD(Tg),如表2 所示。
表2
由表2可知,相比于LQG控制,本发明所提出的控制策略可以完全消除稳态误差,使发电机角速度和输出功率稳定在平衡工作点附近,并且在抑制发电机转矩波动方面比传统的LQG控制效果更佳。
本发明风力发电机组高风速区LQG优化控制方法的有益效果是:
1.考虑了风机模型参数的不确定部分,并将其视为扰动,因此本发明控制策略的设计不必依赖于对模型方程参数的精确辨识;
2.将积分控制与LQG控制有机结合,能够实时跟踪风速的变化,保证发电机角速度、转矩和输出功率的稳定。相比于常规的LQG控制,本发明所设计的控制器可以消除稳态误差,且波动范围更小,具有更好的控制性能;
3.本发明采用粒子群算法对所设计的控制器的加权矩阵参数进行优化,克服了常规LQG控制依靠经验试凑、调整过程耗时且难以实现最优的缺点;
4.本发明提出采用两个PID控制器分别控制塔顶纵向位移和横向位移,可以有效抑制塔架运动,防止其机械零部件的损坏,延长使用寿命。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种风力发电机组高风速区LQG优化控制方法,其特征在于,包括以下步骤:
(1)运用机理分析的方法建立风电机组的非线性数学模型,数学模型包括空气动力***模型、传动***模型、变桨执行机构模型和风力发电机模型;
(2)采用泰勒级数展开的方法在典型工况点附近对风力发电机组模型进行线性化处理,并将模型参数分为常数参数估计值和不确定部分,从而得到风力发电机组的线性化状态空间模型;
(3)在状态反馈调节器之前添加一个积分控制器,构造增广***的状态方程;
(4)设计具有积分作用的LQG控制器;
(5)采用粒子群算法对所设计的控制器的加权矩阵参数进行优化,得到最优性能指标。
2.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述空气动力***模型:空气动力***的核心设备是风轮,当外部风速为v时,风轮捕捉的有用功率为其中,ρ为空气密度,Rb为风轮半径,v为风速,Cp为风能利用系数;
风能利用系数Cp是桨距角和叶尖速比的非线性函数,可以表示为:其中,β为桨距角,λ为叶尖速比;
叶尖速比λ的定义为:其中,ωr为风轮角速度;
风力所产生的气动转矩为
3.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述传动***模型:传动***由高速轴和低速轴通过齿轮箱相互连接而组成,采用双质量块模型;
低速轴的动力学方程可表示为: 其中,Jr为风轮转子的转动惯量,ωr为低速轴角速度;Ta为气动转矩,Tls为低速轴转矩,Kd、Bd分别为刚性轴的扭转系数和阻尼系数,表示低、高速轴的扭转程度;
高速轴的动力学方程可表示为:其中,Jg为发电机的转动惯量,ωg为高速轴角速度,Ths为高速轴转矩,Tg为发电机转矩。
4.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述变桨执行机构模型:变桨执行机构采用一阶惯性环节模型其中,β为叶片桨距角,βref为叶片桨距角的给定值,τ为桨距角调节的等效时间常数。
5.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述风力发电机模型:采用双馈异步发电机的简化模型:其中,τg为转矩系数;Tg,ref为发电机转矩给定值;
发电机输出功率为:Pe=Tgωg。
6.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述步骤(2)中,根据步骤(1)获得的风电机组的非线性数学模型,采用泰勒级数展开的方式在典型工况点(v0,ωr0,β0)附近对气动转矩Ta进行线性化处理,得:ΔTa=αΔv+γΔωr+ξΔβ,其中Δωr=ωr-ωr0,Δv=v-v0,Δβ=β-β0为各变量相对于平衡工作点的偏移量, 为常数参数;
***中其他变量的线性化可采取上述方法;
将上述三个常数参数分解为常数参数估计值和不确定部分,即: 其中,为常数参数的估计值,Δα、Δξ、Δγ为常数参数的不确定值;
以增量Δ作为变量,取状态变量Δx=[Δωr Δωg ΔThs ΔTg Δβ]T,控制变量Δu=[ΔTg,ref Δβref]T,输出变量Δy=[Δωg ΔPe]T,干扰输入Δd=[Δv Δωr Δβ]T,根据步骤(1)中的风力发电机组模型,运用上述线性化方法,可得风力发电机组线性化状态空间模型:
Δy(t)=CΔx(t);
其中,
在典型工况点(x0,y0,u0,v0)附近任一点处,最终状态变量、输出变量、控制变量、扰动变量分别为x=x0+Δx,y=y0+Δy,u=u=u0+Δu,v=v0+Δv。
7.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述步骤(3)中,在状态反馈调节器之前设置一个积分控制器;
设跟踪误差为e(t)=r(t)-y(t),其中,r=[ωg,ref Pe,ref]T为输出变量的给定值;
将xi作为附加的状态向量,构造增广***的状态方程:
8.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述步骤(4)中,最优控制的目标函数为:其中,Q=diag(q1,q2,q3,q4,q5)为5维半正定状态加权系数矩阵,Qe=diag(qe1,qe2)为2维半正定误差系数矩阵,R=diag(r1,r2)为2维正定输入加权系数矩阵,ΔxTQΔx是用以衡量状态量偏离平衡点大小的代价函数;
使上述目标函数最小的最优控制律为:其中,K为原***的最优状态反馈矩阵,Ki为积分器增益矩阵,K’为增广***的最优状态反馈矩阵。
9.根据权利要求1所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述步骤(5)中,采用粒子群算法对所设计的控制器的加权矩阵参数进行整定,将步骤(4)中定义的目标函数作为粒子群算法的适应度函数,为使适应度函数值最小而进行迭代寻优,以满足性能指标最优。
10.根据权利要求9所述的风力发电机组高风速区LQG优化控制方法,其特征在于,所述步骤(5)中的用粒子群算法整定加权矩阵参数的步骤为:
Step1:初始化一个规模为200的粒子群,任意粒子i的位置均为一个9维向量Xi=(xi1,xi2,...,xi9);
Step2:依次将每个粒子的向量位置元素xi1,xi2,...,xi9赋值给q1,...,q5,qe1,qe2,r1,r2,依次计算增广***的最优状态反馈矩阵K’;
Step3:风电控制***运行仿真,并计算此权重参数下的性能指标适应度函数值;
Step4:将每个粒子的适应度函数值同其经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的最好位置;
Step5:将每个粒子的适应度函数值同全局经历过的最好位置的适应度函数值作对比,若更好则将其作为当前的全局最好位置;
Step6:根据下列两式分别更新粒子的速度和位置:
vid(t+1)=wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)),
xid(t+1)=xid(t)+vid(t+1),
其中,vid(t)、xid(t)为t时刻粒子i第d维的速度和位置;vid(t+1)、xid(t+1)为t+1时刻粒子i第d维的速度和位置;w称为惯性权重因子,其取值范围为0.4~0.9。c1和c2分别称为认知学习因子和社会学习因子,一般取值为0.5;r1和r2为相互独立的随机数,它们在[0,1]区间内服从均匀分布;
Step7:当达到最大迭代次数或满足最小精度时,给出加权矩阵的最佳参数q1,...,q5,qe1,qe2,r1,r2,否则返回Step2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507365.8A CN109611274B (zh) | 2018-12-11 | 2018-12-11 | 一种风力发电机组高风速区lqg优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811507365.8A CN109611274B (zh) | 2018-12-11 | 2018-12-11 | 一种风力发电机组高风速区lqg优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109611274A true CN109611274A (zh) | 2019-04-12 |
CN109611274B CN109611274B (zh) | 2021-03-30 |
Family
ID=66008689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811507365.8A Active CN109611274B (zh) | 2018-12-11 | 2018-12-11 | 一种风力发电机组高风速区lqg优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109611274B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111608867A (zh) * | 2020-05-26 | 2020-09-01 | 深圳益风新能源工程技术有限公司 | 基于迷宫式矩阵算法提升风力发电功率的方法和装置 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN114065430A (zh) * | 2021-11-18 | 2022-02-18 | 德力佳传动科技(江苏)有限公司 | 一种行星级齿轮箱的状态数据处理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1906409A (zh) * | 2004-02-27 | 2007-01-31 | 三菱重工业株式会社 | 风力发电装置及其主动式减振方法以及风车塔架 |
CN102182633A (zh) * | 2011-06-07 | 2011-09-14 | 浙江运达风电股份有限公司 | 一种大型风电机组独立变桨控制方法及装置 |
CN105179168A (zh) * | 2015-10-10 | 2015-12-23 | 浙江运达风电股份有限公司 | 一种大型风电机组塔架虚拟阻尼控制方法 |
CN105626378A (zh) * | 2016-01-13 | 2016-06-01 | 湖南世优电气股份有限公司 | 基于rbf神经网络的大型风电机组独立变桨控制方法 |
-
2018
- 2018-12-11 CN CN201811507365.8A patent/CN109611274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1906409A (zh) * | 2004-02-27 | 2007-01-31 | 三菱重工业株式会社 | 风力发电装置及其主动式减振方法以及风车塔架 |
CN102182633A (zh) * | 2011-06-07 | 2011-09-14 | 浙江运达风电股份有限公司 | 一种大型风电机组独立变桨控制方法及装置 |
CN105179168A (zh) * | 2015-10-10 | 2015-12-23 | 浙江运达风电股份有限公司 | 一种大型风电机组塔架虚拟阻尼控制方法 |
CN105626378A (zh) * | 2016-01-13 | 2016-06-01 | 湖南世优电气股份有限公司 | 基于rbf神经网络的大型风电机组独立变桨控制方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111608867A (zh) * | 2020-05-26 | 2020-09-01 | 深圳益风新能源工程技术有限公司 | 基于迷宫式矩阵算法提升风力发电功率的方法和装置 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN113741184B (zh) * | 2021-08-17 | 2023-03-21 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN114065430A (zh) * | 2021-11-18 | 2022-02-18 | 德力佳传动科技(江苏)有限公司 | 一种行星级齿轮箱的状态数据处理方法及*** |
CN114065430B (zh) * | 2021-11-18 | 2022-07-12 | 德力佳传动科技(江苏)有限公司 | 一种行星级齿轮箱的状态数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109611274B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
Mousavi et al. | Sliding mode control of wind energy conversion systems: Trends and applications | |
Østergaard et al. | Linear parameter varying control of wind turbines covering both partial load and full load conditions | |
US10302067B2 (en) | Model based controller for a wind turbine generator | |
Mansour et al. | A grid-connected variable-speed wind generator driving a fuzzy-controlled PMSG and associated to a flywheel energy storage system | |
CN112632774B (zh) | 一种基于动态模态分解的数据驱动风电场频率控制方法 | |
CN109611274A (zh) | 一种风力发电机组高风速区lqg优化控制方法 | |
Geng et al. | Robust pitch controller for output power levelling of variable-speed variable-pitch wind turbine generator systems | |
CN107975457A (zh) | 一种抑制风速波动干扰的风电机组变桨控制方法 | |
Dhar et al. | Study on pitch angle control of a variable speed wind turbine using different control strategies | |
CN110970925A (zh) | 基于双馈风机快速有功功率调制改善***阻尼及建模方法 | |
Shaltout et al. | An adaptive economic model predictive control approach for wind turbines | |
CN111502914B (zh) | 基于线性变参数***的风机变桨控制器设计方法 | |
Suryanarayanan et al. | On the dynamics of the pitch control loop in horizontal-axis large wind turbines | |
Yao et al. | Pitch regulated LQG controller design for variable speed wind turbine | |
Do et al. | Robust observer-based load extenuation control for wind turbines | |
Baltag et al. | Design of H∞ Robust Controllers for Wind Turbines Based on DFIG | |
Freeman et al. | Direct model-reference adaptive control of variable speed horizontal-axis wind turbines | |
Hur et al. | Model predictive control of a variable-speed pitch-regulated wind turbine | |
Mérida et al. | Increasing Power Generation Efficiency in Horizontal Wind Turbines by Rejecting Electromechanical Uncertainties Due to the Wind | |
Bottasso et al. | Power curve tracking with tip speed constraint using LQR regulators | |
Wang et al. | Sliding mode control for maximum wind energy capture of DFIG-based wind turbine | |
Niss et al. | A Youla-Kucera approach to gain-scheduling with application to wind turbine control | |
Chang et al. | Combined predictive feedforward and feedback control for blade pitch of wind turbine | |
Nayl et al. | Modelling design of wind turbine generator |
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 |