一种大型风电机组的鲸鱼群PID独立变桨控制方法与流程

本发明涉及风力发电领域，具体涉及一种大型风电机组的独立变桨控制方法。

背景技术：

风能是一种安全、生态的可再生能源，变桨距风电机组对风能的利用效率高，占据了市场的主导地位。变桨距控制主要有统一变桨和独立变桨两种方式。统一变桨控制是假设风轮旋转平面内的风速是均匀的，但随着风轮直径的增加，风切变、塔影效应、偏航误差等因素使风轮面受力的不均衡度增加，附加载荷也越来越大，严重影响机组的安全运行和部件的使用寿命。目前，风能市场的快速增长要求整机厂家能够生产具有更大风轮直径且额定功率更高的风电机组。因此，减少负载成为了这种风电机组设计中具有挑战性的研究课题。近年来，提出了许多降低风机载荷，特别是风机叶片载荷的技术。其中，独立变桨控制可在限制功率的同时改善机组的不均衡载荷，是降低风机叶片载荷最有效的技术之一。

由于pid控制算法结构简单，在工程控制中具有很高的实用性，因此，现有的风电机组独立变桨控制多采用pid控制算法。pid控制算法研究的重点在于pid控制器的参数整定方法，pid参数整定问题是一个典型的多模态优化问题，最优解很难求解。而现有的pid参数整定方法对于该多模态优化问题还没有很好的处理方案，不能确保解的质量。因此，亟需找到一种能尽量保证pid参数解的质量的方法，从而使控制系统有着良好的动态性能，降低机组的载荷，减少机组的振动情况，保证输出功率更加稳定平滑。wsa-ic(whaleswarmalgorithmwithiterativecounter)算法(详见参考文献：bingzeng,xinyuli,lianggao.etal.neuralcomput&applic(2019).https://doi.org/10.1007/s00521-018-3949-4)是一种新型元启发式算法，有如下优点：1)不需要针对不同的问题设置小生境参数；2)可以在迭代过程中有效识别并跳出已经找到的极值点，从而节省不必要的函数评价，提高全局搜索能力；3)算法特定的参数不需要针对不同问题手动设置；4)种群大小不需要与最优解的个数精确匹配。鉴于wsa-ic算法的诸多优点，可以通过对wsa-ic算法进行改进，提高算法的求解精度、收敛速度和稳定性，并结合鲸鱼群算法用于pid控制器的参数整定。

技术实现要素：

为了解决上述技术问题，本发明提供了一种具有自寻优、高质量解的大型风电机组的鲸鱼群pid独立变桨控制方法。

本发明的一种大型风电机组的鲸鱼群pid独立变桨控制方法，包括以下步骤：

步骤1、计算弯矩，通过叶片载荷模型，计算出各叶片在垂直于叶轮面方向的弯矩；

步骤2、计算俯仰弯矩和偏航弯矩，根据步骤1得到的各叶片垂直于叶轮面方向的弯矩进行mbc(muti-bladecoordinate)坐标变换，得到coleman坐标系下的俯仰弯矩和偏航弯矩；

步骤3、计算消除俯仰弯矩的影响角和消除偏航弯矩的影响角，通过鲸鱼群pid控制器求解得到coleman坐标系下分别用于消除步骤2得到的俯仰弯矩和偏航弯矩的影响角，所述鲸鱼群pid控制器中鲸鱼群算法计算每条鲸鱼个体的目标函数值f的函数模型如下：

式中，比例系数kp和积分时间常数ki为待整定的两个pid参数，gm表示系统的幅值裕度，pm表示系统的相位裕度，st表示系统的调节时间，os表示系统的超调量；gth表示预先指定的最小幅值裕度，pth表示预先指定的最小相位裕度，sth表示期望的调节时间；[lp,up]表示kp的定义域，[li,ui]表示ki的定义域；

步骤4、计算独立变桨桨距角，将步骤3得到的影响角进行mbc逆变换，得到各叶片的桨距角增量，再与统一变桨角度进行叠加，得到各叶片的独立变桨桨距角；

步骤5、完成独立变桨，根据步骤4得到的独立变桨桨距角，各变桨驱动器完成独立变桨执行动作。

优选的，所述步骤1中，通过叶片载荷模型，计算出各叶片在垂直于叶轮面方向的弯矩的公式如下所示：

m1＝mf,1·cos(θ1)-me,1·sin(θ1)

m2＝mf,2·cos(θ2)-me,2·sin(θ2)

m3＝mf,3·cos(θ3)-me,3·sin(θ3)

式中，m1、m2、m3分别表示1号、2号、3号叶片在垂直于叶轮面方向的弯矩，mf,1、mf,2、mf,3分别表示1号、2号、3号叶片在面外方向flapwise的根部弯矩，me,1、me,2、me,3分别表示1号、2号、3号叶片在面内方向edgewise的根部弯矩，θ1、θ2、θ3分别表示1号、2号、3号叶片的桨距角。

优选的，所述步骤2中，风电机组在coleman坐标系下的俯仰弯矩mtilt和偏航弯矩myaw的计算公式如下所示：

mtilt＝m1·cos(ψ1)+m2·cos(ψ2)+m3·cos(ψ3)

myaw＝m1·sin(ψ1)+m2·sin(ψ2)+m3·sin(ψ3)

式中，ψ1、ψ2和ψ3分别表示叶片1、叶片2和叶片3的方位角，其中，ψ2＝ψ1+120，ψ3＝ψ1+240。

优选的，所述步骤3中，coleman坐标系下用于消除俯仰弯矩的影响角θtilt和用于消除偏航弯矩的影响角θyaw的计算方法如下所示：

式中，比例系数kp和积分时间常数ki是待整定的两个pid参数。

优选的，对pid控制器参数kp和ki整定的鲸鱼群算法包括以下步骤：

step1、设置鲸鱼群算法参数，其中包括种群大小p、迭代次数n、稳定性阈值ts和邻域搜索半径r；

step2、初始化每条鲸鱼个体ωi＝(kpi,kii)，得到初始鲸鱼种群ω；

step3、计算每条鲸鱼个体的目标函数值f，将当前全局最优适应度值fgbest设置为0；

step4、设置编号i＝1；

step5、寻找鲸鱼ωi的“较优且最近”的鲸鱼y，若y存在，则执行step6，否则执行step11；“较优且最近”的鲸鱼y是当前鲸鱼的引导个体，是所有优于当前鲸鱼的鲸鱼中，离当前鲸鱼最近的鲸鱼；

step6、生成鲸鱼ωi的副本x，x在y的引导下根据如下位置更新公式进行移动，并执行step7，

式中，和分别指鲸鱼x的第i个元素在第t步与t+1步迭代时的位置；指鲸鱼y的第i个元素在第t步迭代时的位置；dx,y指x与y之间的距离；表示产生0到之间的一个随机数；

step7、计算x的目标函数值f(x)，若f(x)大于f(ωi)，执行step8；否则执行step9；

step8、将x赋值给ωi，将鲸鱼ωi的迭代计数器ωi.c设置为0，执行step17；

step9、如果鲸鱼ωi的迭代计数器ωi.c小于ts，将ωi.c加1，执行step17；否则执行step10；

step10、重新初始化鲸鱼ωi，并计算鲸鱼ωi的目标函数值f(ωi)，执行step17；

step11、生成鲸鱼ωi的副本x′，对副本x′执行邻域搜索，执行step12；

step12、计算邻域搜索后的目标函数值f(x′)，若f(x′)大于f(ωi)，执行step13；否则执行step14；

step13、将x′赋值给ωi，将鲸鱼ωi的迭代计数器ωi.c设置为0，执行step17；

step14、如果鲸鱼ωi的迭代计数器ωi.c小于ts，将ωi.c加1，执行step17；否则执行step15；

step15、如果鲸鱼ωi的目标函数值f(ωi)大于fgbest，先将fgbest设置为f(ωi)，最优解gbest设置为ωi，再执行step16；否则直接执行step16；

step16、重新初始化鲸鱼ωi，并计算鲸鱼ωi的目标函数值f(ωi)，执行step17；

step17、设置i＝i+1，如果i小于鲸鱼个体数量|ω|，执行step5；否则执行step18；

step18、判断是否满足终止条件，如果不满足，执行step4；否则执行step19；

step19、如果最后一代种群中有比gbest更好的鲸鱼个体，则将gbest替换为该鲸鱼个体，gbest中的两个元素即为最优kp和ki。

优选的，所述所述对pid控制器参数kp和ki整定的鲸鱼群算法的step11中的邻域搜索方案为：对鲸鱼个体的每一维变量在邻域搜索半径r内随机扰动。

优选的，所述步骤4中，各叶片的独立变桨桨距角的计算公式如下所示：

θ1＝θc+θtilt·cos(ψ1)+θyaw·sin(ψ1)

θ2＝θc+θtilt·cos(ψ1+120°)+θyaw·sin(ψ1+120°)

θ3＝θc+θtilt·cos(ψ1+240°)+θyaw·sin(ψ1+240°)

式中，θc是协同变桨控制算法得到的桨距角。

本发明的优点是：1)通过改进鲸鱼群算法自动整定pid独立变桨控制器的参数，改善求得的coleman坐标系下分别用于消除俯仰弯矩和偏航弯矩的影响角；2)本发明的鲸鱼群pid独立变桨控制器参数整定方法具有完全自适应性，高精度、高稳定性；3)本发明的鲸鱼群pid独立变桨控制方法具有良好的动态性能，有效降低机组的不平衡载荷，减少机组的振动情况，保证输出功率更加稳定平滑，提升机组的寿命。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例的控制结构图；

图3为本发明实施例步骤3中的鲸鱼群pid控制器结构图；

图4为本发明实施例步骤3中的鲸鱼群算法效果比较图；

图5为本发明实施例步骤3中的鲸鱼群算法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图所示，一种大型风电机组的鲸鱼群pid独立变桨控制方法，包括以下步骤：

步骤1、计算弯矩，通过叶片载荷模型，计算出各叶片在垂直于叶轮面方向的弯矩，计算公式如下所示：

m1＝mf,1·cos(θ1)-me,1·sin(θ1)

m2＝mf,2·cos(θ2)-me,2·sin(θ2)

m3＝mf,3·cos(θ3)-me,3·sin(θ3)

式中，m1、m2、m3分别表示1号、2号、3号叶片在垂直于叶轮面方向的弯矩，mf,1、mf,2、mf,3分别表示1号、2号、3号叶片在面外方向flapwise的根部弯矩，me,1、me,2、me,3分别表示1号、2号、3号叶片在面内方向edgewise的根部弯矩，θ1、θ2、θ3分别表示1号、2号、3号叶片的桨距角；

步骤2、计算俯仰弯矩和偏航弯矩，根据步骤1得到的各叶片垂直于叶轮面方向的弯矩进行mbc(muti-bladecoordinate)坐标变换，得到coleman坐标系下的俯仰弯矩mtilt和偏航弯矩myaw，计算公式如下所示：

mtilt＝m1·cos(ψ1)+m2·cos(ψ2)+m3·cos(ψ3)

myaw＝m1·sin(ψ1)+m2·sin(ψ2)+m3·sin(ψ3)

式中，ψ1、ψ2和ψ3分别表示叶片1、叶片2和叶片3的方位角，其中，ψ2＝ψ1+120，ψ3＝ψ1+240；

步骤3、计算消除俯仰弯矩的影响角和消除偏航弯矩的影响角，通过鲸鱼群pid控制器求解得到coleman坐标系下用于消除俯仰弯矩的影响角θtilt和用于消除偏航弯矩的影响角θyaw，计算方法如下所示：

式中，比例系数kp和积分时间常数ki是待整定的两个pid参数。

对pid控制器参数kp和ki整定的鲸鱼群算法包括以下步骤：

step1、设置鲸鱼群算法参数，其中包括种群大小p＝20、迭代次数n＝1000、稳定性阈值ts＝20和邻域搜索半径r：每一维变量的邻域搜索半径等于定义域宽度除以0.001；

step2、初始化每条鲸鱼个体ωi＝(kpi,kii)，得到初始鲸鱼种群ω；

step3、计算每条鲸鱼个体的目标函数值f，将当前全局最优适应度值fgbest设置为0，所述目标函数值f的函数模型如下：

式中，gm表示系统的幅值裕度，pm表示系统的相位裕度，st表示系统的调节时间，os表示系统的超调量；gth表示预先指定的最小幅值裕度，gth取10，pth表示预先指定的最小相位裕度，pth取70，sth表示期望的调节时间，sth取12；[lp,up]表示kp的定义域，[li,ui]表示ki的定义域；

step4、设置编号i＝1；

step5、寻找鲸鱼ωi的“较优且最近”的鲸鱼y，若y存在，则执行step6，否则执行step11；“较优且最近”的鲸鱼y是当前鲸鱼的引导个体，是所有优于当前鲸鱼的鲸鱼中，离当前鲸鱼最近的鲸鱼；

step6、生成鲸鱼ωi的副本x，x在y的引导下根据如下位置更新公式进行移动，并执行step7，

式中，和分别指鲸鱼x的第i个元素在第t步与t+1步迭代时的位置；指鲸鱼y的第i个元素在第t步迭代时的位置；dx,y指x与y之间的距离；表示产生0到之间的一个随机数，ρ0取2，η取0；

step7、计算x的目标函数值f(x)，若f(x)大于f(ωi)，执行step8；否则执行step9；

step8、将x赋值给ωi，将鲸鱼ωi的迭代计数器ωi.c设置为0，执行step17；

step9、如果鲸鱼ωi的迭代计数器ωi.c小于ts，将ωi.c加1，执行step17；否则执行step10；

step10、重新初始化鲸鱼ωi，并计算鲸鱼ωi的目标函数值f(ωi)，执行step17；

step11、生成鲸鱼ωi的副本x′，对副本x′执行邻域搜索，执行step12，所述邻域搜索方案为：对鲸鱼个体的每一维变量在邻域搜索半径r内随机扰动；

step12、计算邻域搜索后的目标函数值f(x′)，若f(x′)大于f(ωi)，执行step13；否则执行step14；

step13、将x′赋值给ωi，将鲸鱼ωi的迭代计数器ωi.c设置为0，执行step17；

step14、如果鲸鱼ωi的迭代计数器ωi.c小于ts，将ωi.c加1，执行step17；否则执行step15；

step15、如果鲸鱼ωi的目标函数值f(ωi)大于fgbest，先将fgbest设置为f(ωi)，最优解gbest设置为ωi，再执行step16；否则直接执行step16；

step16、重新初始化鲸鱼ωi，并计算鲸鱼ωi的目标函数值f(ωi)，执行step17；

step17、设置i＝i+1，如果i小于鲸鱼个体数量|ω|，执行step5；否则执行step18；

step18、判断是否满足终止条件，如果不满足，执行step4；否则执行step19；

step19、如果最后一代种群中有比gbest更好的鲸鱼个体，则将gbest替换为该鲸鱼个体，gbest中的两个元素即为最优kp和ki；

步骤4、计算独立变桨桨距角，将步骤3得到的影响角进行mbc逆变换，得到各叶片的桨距角增量，再与统一变桨角度进行叠加，得到各叶片的独立变桨桨距角，计算公式如下所示：

θ1＝θc+θtilt·cos(ψ1)+θyaw·sin(ψ1)

θ2＝θc+θtilt·cos(ψ1+120°)+θyaw·sin(ψ1+120°)

θ3＝θc+θtilt·cos(ψ1+240°)+θyaw·sin(ψ1+240°)

式中，θc是协同变桨控制算法得到的桨距角；

步骤5、完成独立变桨，根据步骤4得到的独立变桨桨距角，各变桨驱动器完成独立变桨执行动作。

步骤3中的鲸鱼群算法，与基于线性衰减权重的pso(pso-ldiw)算法，以及精英选择ga(e-ga)算法进行对比，pso-ldiw算法和e-ga算法的参数设置如下表所示：

为了说明步骤3中的鲸鱼群算法的性能，进行10次独立实验，记录下每一次实验每一次迭代种群中的最优适应度。对10次独立实验的结果取平均值，各算法的适应度收敛情况如图4所示，从图4可以看出，步骤3中的鲸鱼群算法的收敛速度非常快，每次都能在60代左右收敛到最优解，而pso-ldiw和e-ga算法不仅收敛速度慢且不能收敛到最优解。由此可见，步骤3中的鲸鱼群算法具有非常实用的价值。