一种低风速下风力发电机的预测与跟踪控制方法与流程

文档序号:11511009阅读:534来源:国知局
一种低风速下风力发电机的预测与跟踪控制方法与流程

本发明涉及风力发电运行控制技术领域,特别涉及一种低风速下风力发电机的预测与跟踪控制方法。



背景技术:

1)目前世界煤、炭、石油等不可再生能源存量紧缺,新能源如风能、太阳能等属于可再生资源,取之不尽、用之不竭,而且分布广泛、清洁无污染,近些年来得到世界各国的重视与研究。我国幅员辽阔,拥有丰富的风能资源,因此风力发电在我国得到大力发展。

2)目前,风力发电在风力发电机输出功率跟踪控制上存在一些缺陷。比如当风进入风场后,推动风力发电机扇叶旋转进行发电,使用风力发电机内部传感器测得的风速、转速等数据进行调控的方法存在一定的不足,由于风力发电机惯性较大,在控制上会存在时延,产生控制不及时的问题;再如目前风力发电机主要使用pid控制方法,这种控制方法存在跟踪时间长,容易出现震荡,稳定性弱等不足。控制不及时或者控制器效率低会直接影响风力发电机对风能资源的利用率,造成风资源的浪费,尤其是在风速低于风力发电机额定风速,发电功率偏低的情况下。

3)公布号为cnio556992oa的发明专利公开了“一种风力发电机的控制方法及控制系统”,该发明获取当前风速和桨距角角度,使用当前风速计算桨距角理想角度,控制桨距角角度跟踪理想角度,这种方式使用实时风速,存在控制不及时的问题。

4)公布号为cnio49638lla的发明专利公开了一种“自适应风速的多级风力发电机及其控制方法”,该发明实时采集风场的风速信号,但控制时风可能已经经过风场,存在控制不及时的问题。

5)公布号为cnio5257475a的发明专利公开了“一种失速型风力发电机组的控制方法”,该方法将模型建立成输出功率与转速的三次方成正比的形式,进而计算控制量——电磁转矩。这种方法对于模型的建立不够精确,只能进行定性分析,不适合用于工程实践上。

6)公布号为cnio4612898a的发明专利公开了“一种风电变桨距多变量模糊神经网络pid控制方法”,该发明主要使用模糊神经网络pid的控制方法,这种方法对于单一风速情况,稳定性好、可靠性高,但是对于复杂情况的风速时难以达到控制要求,容易产生震荡或控制不及时的问题。

7)公布号为cnio4408223a的发明专利公开了“一种风电机组的跟踪优化控制方法”,该发明使用鲁棒自适应控制方式对风力发电机的电磁转矩进行控制,该方法的好处是,可以在一定程度上控制风力发电机较好的跟踪理想曲线,但有一点不足就是没有加入测风塔等设备,没有描述理想曲线的获取方式。



技术实现要素:

有鉴于此,本发明的目的是提供一种低风速下风力发电机的预测与跟踪控制方法,以实现能准确预测未来一段时间进入风场的风速,进而提高风力发电机的控制效率,提高风力发电机在低风速时的风能利用率。

本发明低风速下风力发电机的预测与跟踪控制方法,包括:

1)预测风力发电机风轮的最优角速度,包括:

ⅰ、将测风塔放置于风场外围1-2公里处,测量即将进入风场的风速;

ⅱ、根据所测风速数据,通过公式ω*=λoptv/r计算得到风力发电机风轮理想预测角速度ω*,其中λopt为最佳叶尖速比,v是测风塔测得的风速,r是风力发电机风轮半径;

2)设计控制器对风力发电机风轮的角速度进行跟踪控制,包括:

a、设计风机系统模型为:

其中,j=jr+n2je,jr为风轮处转子的转动惯量,je为发电机转子转动惯量,b为传动系统总阻尼系数,tr为风轮获得的气动转矩,n为连接风机与发电机的变速箱的传动比,te为发电机电磁转矩;tr、b等属于系统未知量;

b、获取风轮角速度ω,风轮理想预测角速度ω*,定义误差e=ω-ω*,对两边求导得到整理得到:

风机系统未确定部分使用rbf神经网络估计,其中,是节点高斯径向基函数,w为每个节点的权值,ε是神经网络的阈值;

c、使用基于受限李雅普诺夫方法的rbf神经网络方法设计控制器:

其中,γ是自行设计的一个大于零的blf参数,k0是自行设计的大于零的控制参数,神经网络控制器:

自适应更新率:

其中为w的估计值,为ε的估计值,选取γ=0.02,k0=3;

d、将本时刻的误差信号e输入风力发电机控制器,得到下一时刻的控制信号te;

e、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。

进一步,所述步骤b中的风轮角速度ω通过角速度传感器测量获取。

进一步,所述节点高斯径向基函数个数为50。

进一步,所述节点高斯径向基函数中心点按照等梯度方式选取,在样本密度大的地方增加取值点。

本发明的有益效果:

1、本发明低风速下风力发电机的预测与跟踪控制方法,能够准确预测未来一段时间进入风场的风速,得到了与未来时刻风力发电机风轮真实角速度接近的理想预测角速度数据,通过准确控制风力发电机风轮角速度跟踪理想预测角速度,能够避免控制不及时的问题,提高风力发电机的风能利用率,使风力发电机在低风速下以最大功率输出。

2、本发明低风速下风力发电机的预测与跟踪控制方法,其设计的基于受限李雅普诺夫方法的rbf神经网络自适应控制器,该控制器只依赖于系统角速度误差,对于系统内部部分函数和参数未知的情况也可以对风力发电机转速进行控制。

附图说明

图1为风力发电机系统的整体结构框图;

图2为风力发电机的预测与跟踪控制方法的流程图;

图3为模拟风速曲线图;

图4为实际风轮角速度的跟踪效果图;

图5为误差曲线图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

本实施例低风速下风力发电机的预测与跟踪控制方法,包括:

1)预测风力发电机风轮的最优角速度,包括:

a、将测风塔放置于风场外围1-2公里处,测量即将进入风场的风速;

b、根据所测风速数据,通过公式ω*=λoptv/r计算得到风力发电机风轮理想预测角速度ω*,其中λopt为最佳叶尖速比,v是测风塔测得的风速,r是风力发电机风轮半径;

2)设计控制器对风力发电机风轮的角速度进行跟踪控制,包括:

a、设计风机系统模型为:

其中,j=jr+n2je,jr为风轮处转子的转动惯量,je为发电机转子转动惯量,b为传动系统总阻尼系数,tr为风轮获得的气动转矩,n为连接风机与发电机的变速箱的传动比,te为发电机电磁转矩;tr、b等属于系统未知量;

b、通过传感器测量获取风轮角速度ω,风轮理想预测角速度ω*,定义误差e=ω-ω*,对两边求导得到整理得到:

风机系统未确定部分使用rbf神经网络估计,其中,是节点高斯径向基函数,本实施例中所述节点高斯径向基函数个数为50,节点高斯径向基函数中心点按照等梯度方式选取,在样本密度大的地方增加取值点,w为每个节点的权值,ε是神经网络的阈值;

c、使用基于受限李雅普诺夫方法的rbf神经网络方法设计控制器:

其中,γ是设计者自行设计的一个大于零的blf参数,k0是设计者自行设计的大于零的控制参数,神经网络控制器:

自适应更新率:

其中为w的估计值,为ε的估计值,选取γ=0.02,k0=3;

d、将本时刻的误差信号e输入风力发电机控制器,得到下一时刻的控制信号te;

e、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。

本实施例低风速下风力发电机的预测与跟踪控制方法的实施流程如附图2所示,具体步骤为:

步骤step1,控制开始;

步骤step2,测风塔测量即将进入风场的风速v;

步骤step3,利用公式ω*=λoptv/r计算风轮理想预测角速度ω*

步骤step4,利用传感器测量当前风力发电机风轮角速度ω;

步骤step5,当前风轮角速度ω与风轮理想预测角速度ω*做差,得到角速度误差e;

步骤step6,将本时刻误差信号输入风力发电机控制器,得到下一时刻控制信号te;

步骤step7,将控制信号输入风力发电机得到下一时刻的风轮角速度ω;

步骤step8,第一次循环控制结束。

最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,但若未脱离本发明技术方案的宗旨和范围,便应涵盖在本发明的权利要求范围当中。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1