CN110985289A - 基于svr和smc的风电机组并具有预设性能的mppt方法 - Google Patents

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

基于SVR和SMC的风电机组并具有预设性能的MPPT方法

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

(3)根据有效风速估计值

得到风电机组实现最大功率跟踪的控制目标；

(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：

由转换函数的图像可知，若无约束变量z有界，则e在用户预设的最大功率跟踪误差的上界

和下界

之间，即最大功率跟踪误差e满足下式：

进一步，得到z的动态特性如下：

其中，

ω_r是已知的，ω_r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，P_ref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：

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的常数。

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,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a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。

进一步地，所述步骤(2)中，风速估计值

的表达式为：

其中，f_svr表示训练好的基于SVR的有效风速估计模型，x_new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：

其中，0＜n_p＜1，ρ是空气密度，R是风轮半径，C_pmax是机组最优功率系数，

是有效风速。

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＝P_g-P_ref

其中，P_g＝T_gω_r是发电机功率，T_g是发电机等效电磁转矩，ω_r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P_a应该满足：

P_a＝P_amax

其中，

是机械功率最优值，ρ是空气密度，R是风轮半径，C_pmax是机组最优功率系数，v是有效风速。

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：

其中，0＜n_p＜1是电网预留功率比例因子，

是由有效风速估计模型给出的有效风速估计值。

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,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a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x_new，将x_new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，f_svr表示训练好的SVR模型，x_new是经过PCA去相关和归一化处理的机组实时输出。

步骤6，使用步骤5中获得的有效风速估计值

计算步骤1中的P_ref，并计算最大功率跟踪误差，设置最大功率跟踪误差的预设性能(即上界和下界)。计算最大功率跟踪误差e如下：

e＝P_g-P_ref

其中，P_g＝T_gω_r是发电机功率，T_g是发电机等效电磁转矩，ω_r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：

其中

和

分别是预设的最大功率跟踪误差的上界和下界。

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：

由转换函数的图像可知，只要无约束变量z有界，则e就会在预设的最大功率跟踪误差的上界

和下界

之间。

进一步，求得无约束变量z的动态特性：

其中，

是已知的，

是需要设计的控制信号，

是已知的，由于***的参数和气动转矩很难准确获得，因此

是未知的。

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，T_gOTC是最优转矩控制算法给出的电磁转矩值，k_opt是控制参数，ω_g是发电机转速，ρ＝1.225Kg/m³是空气密度，R＝38.5m是风轮半径，C_pmax＝0.482是最大风能捕获系数，λ_opt＝8.5是最佳叶尖速比，n_g＝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

(3)根据有效风速估计值

得到风电机组实现最大功率跟踪的控制目标；

(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：

由转换函数的图像可知，若无约束变量z有界，则e在用户预设的最大功率跟踪误差的上界e(t)和下界

之间，即最大功率跟踪误差e满足下式：

进一步，得到z的动态特性如下：

其中，

是已知的，ω_r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，P_ref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：

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的常数。

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,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a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,:)]。

4.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，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。

5.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，风速估计值

的表达式为：

其中，f_svr表示训练好的基于SVR的有效风速估计模型，x_new是经过PCA去相关和归一化处理的机组实时输出。

6.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，最大功率跟踪的控制目标是：

其中，0＜n_p＜1，ρ是空气密度，R是风轮半径，C_pmax是机组最优功率系数，

是有效风速。

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＝P_g-P_ref

其中，P_g＝T_gω_r是发电机功率，T_g是发电机等效电磁转矩，ω_r是风轮转速。

Images