本发明涉及风力发电技术领域,特别是涉及一种风电机组智能变桨控制系统及方法、风电机组。
背景技术:
风机的控制策略根据额定风速可以分为两种:当风速低于额定风速时,转矩控制用于最大化功率系数,即风机捕获的能量;当风速高于额定风速时,风机通常采用变桨控制,通过调整叶片的角度限制机械功率,由此将输出功率维持在额定功率附近。变桨控制是风电机组运行控制的主要手段之一,具有气动非线性、工况切换频繁、扰动因素多等显著特点。
pi控制器凭借其简易性和稳定性,被广泛地用于风机叶片桨距角的控制。而神经网络和进化算法为优化pi增益提供了一种新的思路。在发明中,将基于rbf神经网络的pi控制器作为风机的变桨控制器,为了获得训练rbf神经网络的最优数据集,采用了pso进化算法。
采用人工神经网络和进化算法作为控制方法,只需要系统的输入和输出数据,并不需要被控系统的动态模型。进化算法是进化计算的子集,是人工智能的分支;人工神经网络是机器学习和知识表征的计算系统,可以计算复杂系统的输出响应。
技术实现要素:
本发明要解决的技术问题是提供一种风电机组智能变桨控制系统及方法、风电机组,将预测风速作为风机主控系统的重要输入,设计出最优的pi控制器,使其可以最大限度的缩小发电机转速实测值与额定值的差距。
为解决上述技术问题,本发明提供了一种风电机组智能变桨控制系统,所述系统包括:变桨控制器,用于获取风电机组的实时转速与额定转速之间的偏差,以及根据所述偏差,利用pi控制器计算对风电机组进行变桨控制的变桨角度参考值,其中,所述pi控制器的比例增益及积分增益由rbf神经网络根据预测风速确定。
作为本发明技术方案的一种改进,所述变桨控制器根据如下公式确定所述变桨角度参考值:
其中,kp为所述pi控制器的比例增益,ki为所述pi控制器的积分增益,e(t)为实时转速与额定转速之间的偏差,βref(t)为所述变桨角度参考值。
作为本发明技术方案的一种改进,所述偏差由如下公式确定:
e(t)=ωg,rated-ωg(t)
其中,ωg,rated为额定转速,ωg(t)为实时转速,e(t)为所述偏差。
作为本发明技术方案的一种改进,对rbf神经网络进行训练的数据通过pso寻优得到。
作为本发明技术方案的一种改进,所述pso寻优包括:通过pso算法,对大于额定风速的特定风速下的比例增益和积分增益进行寻优,以获取最优的训练数据集。
作为本发明技术方案的一种改进,通过pso算法,对大于额定风速的特定风速下的比例增益和积分增益进行寻优,以获取最优的训练数据集,包括:初始化不同风速下的比例增益及积分增益;根据不同风速下的比例增益及积分增益,分别设计pi控制器;比较不同pi控制器的最小代价函数的取值;根据不同pi控制器的最小代价函数的取值,确定每个粒子的最优位置,以及粒子群的最优位置;更新粒子群中粒子的位置与速度;重复执行上述操作,直至最小代价函数的取值足够小。
此外,本发明还提供了一种风电机组,所述风电机组包括根据前文所述的风电机组智能变桨控制系统,以及风电机组智能转矩控制系统。
作为本发明技术方案的一种改进,所述风电机组智能转矩控制系统中,根据如下公式计算转矩参考值:
其中,pg,rated为额定功率,ωg为实时转速。
此外,本发明还提供了一种风电机组智能变桨控制方法,所述方法包括:获取风电机组的实时转速与额定转速之间的偏差;根据所述偏差,利用pi控制器计算对风电机组进行变桨控制的变桨角度参考值,其中,所述pi控制器的比例增益及积分增益由rbf神经网络确定,且对所述rbf神经网络进行训练的训练数据集是通过pso寻优的最优训练数据集;根据实时风速,以及所述pi控制器输出的变桨角度参考值,进行变桨控制,以缩小实时转速与额定转速之间的偏差。
采用这样的设计后,本发明至少具有以下优点:
本发明采用pso进化算法和rbf神经网络确定风机统一变桨的pi增益,所述方法不需要提前建立数学模型。采用rbf神经网络整定pi控制器的增益时,预测的风速值作为该神经网络的输入,而将pi控制器的比例和积分增益作为rbf神经网络的输出。为了获取最优的训练数据集,本发明使用pso算法,对大于额定风速的特定风速下的比例增益和积分增益进行寻优。训练好的控制器通过调整桨叶角度,可以最大限度的缩小发电机转速实测值与额定值的差距。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为风电机组智能变桨控制系统的结构图;
图2为风电机组智能变桨控制模型训练系统的结构图;
图3为粒子群优化过程的流程图;
图4为rbf神经网络的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提出了一种风力发电机统一变桨控制的新方法。在此方法中,将预测风速作为风机主控系统的重要输入,设计出最优的pi控制器,使其可以最大限度的缩小发电机转速实测值与额定值的差距。为了实现这个目标,pi控制器应该提供合适的变桨角度参考值βref。βref的计算公式如下:
这里,kp和ki分别代表pi控制器的比例和积分增益,e(t)可通过下式计算得到:
e(t)=ωg,rated-ωg(t)
ωg,rated和ωg(t)分别代表发电机转速的额定值和实测值。本发明采用rbf神经网络整定pi控制器的增益,预测的风速值作为该神经网络的输入,而将pi控制器的比例和积分增益作为rbf神经网络的输出。
在全负荷区域激活变桨控制,如图1所示,通过图1中的转矩计算器根据公式
为了设计出性能最优的pi统一变桨控制器,必须采用最优的训练数据集训练rbf神经网络,这样rbf神经网络才能提供最优的pi增益。为了获取最优的训练数据集,本设计使用了pso进化算法,利用pso算法,对大于额定风速的特定风速下的比例增益和积分增益进行寻优,如图2所示。整个寻优过程通过最小化代价函数,即积分绝对误差完成:
这里,e(t)可通过上述公式计算得到。由于在全负荷区域,变桨控制器始终工作,因此积分过程从同一变桨控制器开始工作持续到仿真结束,本式的积分上下限为0和tsim。
由图3可知,在初始化种群规模和粒子的位置、速度后,pso计算出每一个粒子的pi控制器增益,并存储其iae值。根据iae值可以计算每一个粒子的最优位置,也可以在所有种群粒子中选择出最优粒子。整个过程迭代进行直到循环次数达到最大迭代次数,在最后一次循环过后,最优粒子也就被选定了,事实上,最优粒子的位置信息就包含了对应最小iae值的比例和积分增益。
需要注意的是,我们无法使用pso选定变化风速的最佳pi增益。这是由于pso只能针对恒定风速(大于额定风速)提供一对增益(kp和ki),这对增益对于该恒定风速是最优的,但并不适用于其他风速。然而我们却可以通过这种方法获得一组最优数据集。因此,我们需要一个智能系统可以基于上面的最优数据集,计算出风速剖面上每一个风速的最优pi增益。本发明选择了rbf神经网络,如图4所示。
根据图4所示,x=[x1,x2,…,xn]t为输入向量,
这里,cj=[cj1,cj2,…,cjn]t是第j个神经元的中心向量,σ=[σ1,σ2,…,σk]t为基宽向量,可以通过实验确定。||x-cj||是x-cj向量的范数,可通过下式计算得到:
因此,rbf神经网络第i个输出神经元:
这里,wpi代表第p个隐层神经元到第i个输出神经元的权重。
训练该网络时,将最优数据集中的恒定风速作为输入、对应的pi增益作为输出,具体训练方法如下:
step1:随机初始化所有的权重;
step2:根据公式(3)计算输出向量y;
step3:计算每一个输出神经元的误差εi,计算公式如下:
step4:采用下式更新权值:
这里,n是迭代次数,α是学习率;
step5:根据下式计算整体误差εt
step6:如达到结束条件(εt小于最大误差),则停止,否则返回step2;
训练后的rbf神经网络,就可以其通用逼近特性,计算出全负荷区域任意风速对应的最佳pi增益了。
本发明采用pso进化算法和rbf神经网络确定风机统一变桨的pi增益,所述方法不需要提前建立数学模型。采用rbf神经网络整定pi控制器的增益时,预测的风速值作为该神经网络的输入,而将pi控制器的比例和积分增益作为rbf神经网络的输出。为了获取最优的训练数据集,本发明使用pso算法,对大于额定风速的特定风速下的比例增益和积分增益进行寻优。训练好的控制器通过调整桨叶角度,可以最大限度的缩小发电机转速实测值与额定值的差距。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。