CN110985289A - 基于svr和smc的风电机组并具有预设性能的mppt方法 - Google Patents
基于svr和smc的风电机组并具有预设性能的mppt方法 Download PDFInfo
- Publication number
- CN110985289A CN110985289A CN201911224526.7A CN201911224526A CN110985289A CN 110985289 A CN110985289 A CN 110985289A CN 201911224526 A CN201911224526 A CN 201911224526A CN 110985289 A CN110985289 A CN 110985289A
- Authority
- CN
- China
- Prior art keywords
- svr
- wind
- smc
- wind speed
- maximum power
- 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 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000012938 design process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- 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
- F05B2270/32—Wind speeds
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
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)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于SVR和SMC的风电机组带预设性能的MPPT方法。求取风电机组实现最大功率跟踪的控制目标,根据基于SVR的风速估计模型给出的有效风速估计值计算最大功率跟踪误差,使用误差转换技术将有约束的最大功率跟踪误差转化为无约束变量,求取无约束变量的动态特性,根据SMC原理设计控制信号表达式及控制增益表达式。该方法避免了对***未知动态先验信息的依赖和价格昂贵的激光雷达测风装置的使用,实施成本低,能够同时保证***的瞬态和稳态性能,设计过程简单,能够减小大湍流所带来的超调对***的冲击,需要调试的控制参数少,实施过程简单,与传统的最优转矩控制算法相比,能够提高机组产能,增加风电场的经济效益。
Description
技术领域
本发明涉及风力发电机组控制技术领域,特别涉及一种基于SVR和SMC的风电机组并具有预设性能的MPPT方法。
背景技术
近年来我国风电装机容量的增长速度稳居全球第一,然而,由于我国风力发电起步较晚,目前我国的风电公司还是靠国外风电巨头的开发平台和控制***来进行上层的风电技术研发。因此,打破垄断,研发具有自主知识产权的智能风电控制***具有重要的战略意义。
最大功率跟踪(Maximum Power Pont tracking,MPPT)是风电机组的主要控制目标之一,是风电场经济效益最大化的重要保证,为实现这一目标,目前工业上普遍采用最优转矩控制算法,该算法的原理十分简单,即在假设风速为定值的情况下,仅考虑***稳态,将控制增益乘以发电机转速的平方作为电磁转矩的设定值。然而,由于最优转矩控制算法仅仅考虑***稳态,在湍流风情况下,风能捕获效率下降,从而影响了机组产能。
针对最优转矩控制算法存在的问题,学者们提出了直接功率法,即假设有效风速信息是已知的,进而计算出最优功率,并根据功率跟踪误差设计反馈控制器。在此基础上,大量的方法被提出,比如基于神经网路的自适应控制、模糊控制等智能控制方法,然而,大多数已经存在的方法仅仅考虑了***的稳态性能,而没有关注***的瞬态性能,少数方法虽然同时保证了瞬态和稳态性能,但是其设计过程复杂,需要调试的参数较多,在实际应用时,实施成本较高,同时,目前已有的鲁棒控制方法,往往对***的未知动态的先验信息有所依赖,比如需要已知***未知动态的界等。另外,上述方法一般都假设有效风速已知,实际中,有效风速的获取需要用到激光雷达测风装置,该装置的价格十分昂贵,为风电电场的每台机组配备这样一台装置,将会极大地增加风电场的建设和运维成本。
针对上述风电机组MPPT控制存在的问题,本发明首先设计了基于SVR(支持向量回归)的风电机组有效风速估计方法,与风速估计模块相结合,并基于误差转换技术和SMC(滑模控制)理论,设计了一种成本低,不依赖于***未知动态先验信息、实用性高的风电机组的最大风能捕获方法,能同时保证***的瞬态和稳态性能,提高机组产能,增加风电场的经济效益。
发明内容
为了提高风电机组的风能捕获效率和MPPT控制的实用性,解决现有最大风能捕获方法捕风效率低、不能同时保证***瞬态和稳态性能、由于需要测量有效风速而导致实用性差的问题,本发明提供基于SVR和SMC的MPPT方法,不需要增加额外的传感器,实施成本低,在不依赖***未知动态先验信息的情况下,能同时保证***的瞬态和稳态性能,进而提高机组发电量。
本发明解决其技术问题所采用的技术方案是:一种基于SVR和SMC的风电机组并具有预设性能的MPPT控制方法,该方法包括以下步骤:
(1)获取机组某段时间内的有效风速信息记为V,V是SVR训练目标集,获取对应时间段内的与有效风速信息相关的机组输出数据,并去除获取到的机组输出数据中的相关性,得到去除相关性后的数据,其中SVR是支持向量回归模型;
(2)对步骤(1)获得的去除相关性后的数据进行归一化处理,得到SVR的训练特征集X中的列分量,构造SVR的训练特征集,训练特征集X和训练目标集V共同构成SVR的训练集,使用SVR的训练集训练得到基于SVR的有效风速估计模型,将去除相关性后的机组输出数据做归一化处理,输入到训练好的有效风速估计模型中,计算得到有效风速估计值
(4)根据最大功率跟踪的控制目标,计算最大功率跟踪误差e,并设置e的上下界;
(5)将有约束的e转化为无约束变量z,使用的转换函数如下:
进一步,得到z的动态特性如下:
其中,ωr是已知的,ωr是风轮转速,是需要设计的控制信号,电磁转矩设定值的导数,是已知的,由于风轮转速的导数很难准确获得,因此是未知的,Pref为最大功率跟踪的控制目标,可通过使用SMC控制原理进行补偿。
(6)根据z的动态特性和SMC理论,得到控制信号表达式为:
进一步地,所述步骤(1)中,机组某段时间内的有效风速信息通过激光雷达测风装置获得,同时使用SCADA***记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA***的一次采样输出,其表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
进一步地,所述步骤(2)中,采用PCA算法去除获取到的机组输出数据中的相关性,具体步骤包括:对机组输出数据进行去中心化处理,即X'的每一列数据减去各自的均值;计算协方差矩阵;计算协方差矩阵的特征值和特征向量;将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P;将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
进一步地,所述步骤(2)中,归一化处理的具体操作为:
其中,x”(:,j)表示X”中的列分量,μ(j)和σ(j)分别是x”(:,j)的均值和标准差,x(:,j)组成BLS的训练特征集X中的列分量。
其中,fsvr表示训练好的基于SVR的有效风速估计模型,xnew是经过PCA去相关和归一化处理的机组实时输出。
进一步地,所述步骤(1)中,最大功率跟踪的控制目标是:
进一步地,所述步骤(4)中,通过下式计算最大功率跟踪误差e
e=Pg-Pref
其中,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
本发明的有益效果是:通过使用SVR对有效风速进行估计,避免了价格昂贵的激光雷达测风装置的使用,降低了实现成本;通过设置最大功率跟踪误差的预设上下界,保证了***的瞬态和稳态特性,减小了***超调和跟踪误差;通过引入误差转换函数,将有约束的最大功率跟踪误差转化为无约束的被控变量,进而使用SMC思想完成了控制器设计,简化了控制器设计,避免了繁琐的智能控制器设计过程和对***未知动态先验信息的依赖。本发明提供的方法能够减小大湍流所带来的超调对***的冲击,从而延长机组的服役寿命,需要调试的控制参数少,实施过程简单,不需要增加额外的传感器,实用性良好,与传统的最优转矩控制算法相比,能够提高机组产能,增加风电场的经济效益。
附图说明
图1为基于SVR和SMC的风电机组带预设性能的MPPT方法设计流程图;
图2为发明风速真实值与风速估计值对比图;
图3为本发明风速估计误差图;
图4为本发明方法与传统方法的功率对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的基于SVR和SMC的风电机组并具有预设性能的MPPT方法,包括下述步骤:
步骤1,求取风电机组实现最大功率跟踪的控制目标。为实现最大功率跟踪,风电机组的机械功率Pa应该满足:
Pa=Pamax
进一步,在实际应用中,风电机组一般会预留一部分能量参与电网的频率调整,另外,风电机组的有效风速一般是无法直接测量的,是一个需要估计的物理量。因此,风电机组实现最大功率跟踪的控制目标可以表示为:
步骤2,为了获取风速估计模型的训练样本,在机组正常运行的过程中,使用激光雷达测风装置获取机组某段时间内的有效风速信息,记为V,V是SVR训练目标集,同时使用SCADA***记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA***的一次采样输出,其表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
进一步,为了去除机组输出数据X'中的相关性,提高有效风速估计的准确率,使用PCA算法对输出数据X'进行降维处理,经过对数据进行去中心化处理(即X'的每一列数据减去各自的均值)、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P、将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
步骤3,将步骤1获得的机组输出数据X”进行归一化处理,具体操作为:
其中,x”(:,j)表示X”中的列分量,μ(j)和σ(j)分别是x”(:,j)的均值和标准差,x(:,j)组成SVR的训练特征集X中的列分量,训练特征集X和训练目标集V共同构成SVR的训练集。
步骤4,选择核函数,使用烟花算法确定SVR的惩罚参数和核函数参数,并使用步骤(1)中的训练集训练得到SVR模型。所述核函数选择如下的sigmoid函数
其中γ和r是需要选择的超参数。所述烟花算法的适应度函数选择为SVR算法在训练集上的均方误差。
步骤5,在线使用步骤3获得的训练好的SVR模型,将某一控制周期内的机组输出数据x'new(x'new包含的物理量与x'(i,:)相同)进行PCA和归一化处理,得到xnew,将xnew输入训练好的SVR模型中,得到每一个采样周期的风速估计值
其中,fsvr表示训练好的SVR模型,xnew是经过PCA去相关和归一化处理的机组实时输出。
e=Pg-Pref
其中,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
进一步,为了保证最大功率跟踪误差的瞬态和稳态性能,e需要满足如下条件:
步骤7,将有约束的最大功率跟踪误差e转化为无约束变量z,并求取无约束变量z的动态特性。定义如下的转换函数:
进一步,求得无约束变量z的动态特性:
步骤8,根据无约束变量z的动态特性和SMC原理,设计控制信号的表达式如下:
其中k,μ,ε>0是根据风能捕获效率确定的控制参数,B的初值B(0)>0,a0>0是根据最大风能捕获效果确定给的、较小的常数。根据李雅普诺夫稳定性原理,上述控制信号的实施并不依赖于***未知动态的先验信息,且***是有界的,即无约束变量z是有界的,因此,e将会在预设的最大功率跟踪误差的上界和下界之间,这有助于提高最大功率跟踪效果(包括瞬态和稳态性能),提升机组产能,增加风电场的经济效益。
实施例
本实施例使用GH Bladed风电开发软件,对本发明提供的方法的有效性进行验证。为说明本发明的创新性,与目前工业上普遍采用的最优转矩控制方法进行对比
其中,TgOTC是最优转矩控制算法给出的电磁转矩值,kopt是控制参数,ωg是发电机转速,ρ=1.225Kg/m3是空气密度,R=38.5m是风轮半径,Cpmax=0.482是最大风能捕获系数,λopt=8.5是最佳叶尖速比,ng=104.494是齿轮箱的传动比。
如图1所示,是基于SVR和SMC的风电机组带预设性能的MPPT方法设计流程图。首先,求取风电机组实现最大功率跟踪的控制目标,并设计基于SVR的风电机组有效风速估计方法,用于计算控制目标的值,并进一步计算最大功率跟踪误差e,设置e的上下界以保证e的瞬态和稳态性能;其次,将有约束的e转化为无约束变量z,并求取z的动态特性;再次,根据z的动态特性和SMC理论,设计控制信号表达式。
如图2所示,是本发明风速真实值和风速估计值对比图,经计算,风速估计值与风速真实值之间的MAPE是5.27%,MSE是0.1309m2/s2,风速估计效果较好。
如图3所示,是本发明风速估计误差图,风速估计误差定义为风速真实值与风速估计值之间的差值,由图可知,风速估计误差均在±1m/s之间,同样说明了风速估计效果较好。如图4所示,是本发明方法与传统方法的功率对比图,可见,在本发明方法的作用下,功率跟踪的瞬态和稳态性能都得到了保证。经计算,本发明方法的机组产能比传统最优转矩法提高了3.08%,说明了本发明方法能够提高机组产能,增加风电场的经济效益。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (7)
1.一种基于SVR和SMC的风电机组并具有预设性能的MPPT控制方法,其特征在于,该方法包括以下步骤:
(1)获取机组某段时间内的有效风速信息记为V,V是SVR训练目标集,获取对应时间段内的与有效风速信息相关的机组输出数据,并去除获取到的机组输出数据中的相关性,得到去除相关性后的数据,其中SVR是支持向量回归模型。
(2)对步骤(1)获得的去除相关性后的数据进行归一化处理,得到SVR的训练特征集X中的列分量,构造SVR的训练特征集,训练特征集X和训练目标集V共同构成SVR的训练集,使用SVR的训练集训练得到基于SVR的有效风速估计模型,将去除相关性后的机组输出数据做归一化处理,输入到训练好的有效风速估计模型中,计算得到有效风速估计值
(4)根据最大功率跟踪的控制目标,计算最大功率跟踪误差e,并设置e的上下界。
(5)将有约束的e转化为无约束变量z,使用的转换函数如下:
进一步,得到z的动态特性如下:
其中,是已知的,ωr是风轮转速,是需要设计的控制信号,电磁转矩设定值的导数,是已知的,由于风轮转速的导数很难准确获得,因此是未知的,F可通过使用SMC控制原理进行补偿,Pref为最大功率跟踪的控制目标。
(6)根据z的动态特性和SMC理论,得到控制信号表达式为:
2.根据权利要求1所述的基于SVR和SMC的风电机组并具有预设性能的MPPT方法,其特征在于,所述步骤(1)中,机组某段时间内的有效风速信息通过激光雷达测风装置获得,同时使用SCADA***记录对应时间段内的与有效风速信息相关的机组输出数据X'=[x'(i,j)],i=1,...,l,j=1,...,8,其中x'(i,j)是SCADA***的一次采样输出,其表达式为:
x'(i,:)=[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
其中,ωr是风轮转速,ωg是发电机转速,Tem是电磁转矩,Pe是发电功率,afa是塔架前后加速度,vfa是塔架前后速度,xfa是塔架前后位移,Ra是风轮角位移。
3.根据权利要求1所述的基于SVR和SMC的风电机组并具有预设性能的MPPT方法,其特征在于,所述步骤(2)中,采用PCA算法去除获取到的机组输出数据中的相关性,具体步骤包括:对机组输出数据进行去中心化处理,即X'的每一列数据减去各自的均值;计算协方差矩阵;计算协方差矩阵的特征值和特征向量;将特征向量按照特征值从大到小按列排序,并取前4列组成矩阵P;将数据X'投影到矩阵P中,得到去除相关性后的数据X”=[x”(i,:)]。
7.根据权利要求6所述的基于SVR和SMC的风电机组并具有预设性能的MPPT方法,其特征在于,所述步骤(4)中,通过下式计算最大功率跟踪误差e
e=Pg-Pref
其中,Pg=Tgωr是发电机功率,Tg是发电机等效电磁转矩,ωr是风轮转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224526.7A CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911224526.7A CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110985289A true CN110985289A (zh) | 2020-04-10 |
CN110985289B CN110985289B (zh) | 2021-01-01 |
Family
ID=70089849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911224526.7A Active CN110985289B (zh) | 2019-12-04 | 2019-12-04 | 基于svr和smc的风电机组带预设性能的mppt方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110985289B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103277252A (zh) * | 2013-04-10 | 2013-09-04 | 浙江大学 | 一种并网型风力机控制方法 |
CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
CN104454346A (zh) * | 2014-11-09 | 2015-03-25 | 华北电力大学(保定) | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 |
CN105024599A (zh) * | 2015-08-10 | 2015-11-04 | 华北电力大学(保定) | 一种波浪能发电***最大功率跟踪装置及控制方法 |
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 基于有效风速估计的变速风力发电机组最大风能捕获方法 |
CN108678902A (zh) * | 2018-05-02 | 2018-10-19 | 曾喆昭 | 直驱pmsm风力发电***mppt的扰动感知控制方法 |
CN108717266A (zh) * | 2018-05-30 | 2018-10-30 | 迪比(重庆)智能科技研究院有限公司 | 风场风机功率基于扰动观测器的神经自适应跟踪控制方法 |
CN109062316A (zh) * | 2018-10-29 | 2018-12-21 | 海南电网有限责任公司电力科学研究院 | 一种光伏***最大功率跟踪方法及*** |
CN109962496A (zh) * | 2019-03-11 | 2019-07-02 | 浙江大学 | 一种基于高压直流输电的海上风电场集成拓扑设计方法 |
CN110206686A (zh) * | 2019-07-17 | 2019-09-06 | 星际(重庆)智能装备技术研究院有限公司 | 一种用于风力发电机组的自适应最大功率跟踪控制方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110360051A (zh) * | 2019-07-16 | 2019-10-22 | 内蒙古工业大学 | 一种小型定桨永磁同步风力发电机组控制器 |
-
2019
- 2019-12-04 CN CN201911224526.7A patent/CN110985289B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
CN103277252A (zh) * | 2013-04-10 | 2013-09-04 | 浙江大学 | 一种并网型风力机控制方法 |
CN104454346A (zh) * | 2014-11-09 | 2015-03-25 | 华北电力大学(保定) | 一种小型永磁直驱风力发电***最大功率跟踪控制方法 |
CN105024599A (zh) * | 2015-08-10 | 2015-11-04 | 华北电力大学(保定) | 一种波浪能发电***最大功率跟踪装置及控制方法 |
CN108334672A (zh) * | 2018-01-14 | 2018-07-27 | 浙江大学 | 基于有效风速估计的变速风力发电机组最大风能捕获方法 |
CN108678902A (zh) * | 2018-05-02 | 2018-10-19 | 曾喆昭 | 直驱pmsm风力发电***mppt的扰动感知控制方法 |
CN108717266A (zh) * | 2018-05-30 | 2018-10-30 | 迪比(重庆)智能科技研究院有限公司 | 风场风机功率基于扰动观测器的神经自适应跟踪控制方法 |
CN109062316A (zh) * | 2018-10-29 | 2018-12-21 | 海南电网有限责任公司电力科学研究院 | 一种光伏***最大功率跟踪方法及*** |
CN109962496A (zh) * | 2019-03-11 | 2019-07-02 | 浙江大学 | 一种基于高压直流输电的海上风电场集成拓扑设计方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110360051A (zh) * | 2019-07-16 | 2019-10-22 | 内蒙古工业大学 | 一种小型定桨永磁同步风力发电机组控制器 |
CN110206686A (zh) * | 2019-07-17 | 2019-09-06 | 星际(重庆)智能装备技术研究院有限公司 | 一种用于风力发电机组的自适应最大功率跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110985289B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334672B (zh) | 基于有效风速估计的变速风力发电机组最大风能捕获方法 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
Li et al. | Using neural networks to estimate wind turbine power generation | |
CN110571867B (zh) | 一种计及风电不确定性的虚拟电厂日前优化调度***方法 | |
CN110454329B (zh) | 一种风电机组桨距角控制方法 | |
CN110365041B (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
CN111079343B (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
CN111075647B (zh) | 一种基于elm的变速风电机组最大风能捕获方法 | |
KR102425267B1 (ko) | 디지털 트윈 기반의 해상 풍력단지의 제어 장치 및 방법 | |
CN113935247B (zh) | 计及风速随机性与相关性的分区虚拟惯量估计方法 | |
CN115807734A (zh) | 一种基于尾流跟踪的海上风电场场级协同控制策略 | |
Han et al. | Neural network model predictive control optimisation for large wind turbines | |
CN110966144B (zh) | 一种基于bls的风电机组智能恒功率控制方法 | |
CN107045574A (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN113994087A (zh) | 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和*** | |
Branlard et al. | A digital twin solution for floating offshore wind turbines validated using a full-scale prototype | |
Wang et al. | Individual pitch control of wind turbines based on svm load estimation and lidar measurement | |
Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
Aghaei et al. | Energy optimization of wind turbines via a neural control policy based on reinforcement learning Markov chain Monte Carlo algorithm | |
CN110985289B (zh) | 基于svr和smc的风电机组带预设性能的mppt方法 | |
CN110889780B (zh) | 基于bls和双层smc的风电机组保性能最大风能捕获方法 | |
CN111997833B (zh) | 基于激光测风前馈的风电机组复合智能变桨控制方法 | |
Wang et al. | Turbulence intensity identification and load reduction of wind turbine under extreme turbulence | |
CN110985290B (zh) | 一种基于支持向量回归的最优转矩控制方法 | |
CN110985287A (zh) | 一种基于宽度学习的间接转速控制方法 |
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 |