风剪切效应软测量方法涉及机械转矩软测量,属于风力发电技术领域。
背景技术:
风力发电是利用风力带动叶片旋转,通过发电机机械能转化为电能,本专利的应用对象以直驱式永磁同步发电机(pmsg)为例。在风场高空,风速会随垂直高度而改变:
其中
其中a、b为相关常系数。由上式可以看出,若考虑风随高度变化,风力机产生的机械转矩由稳定分量和纹波分量组成,表示为
因此精准测量风剪切效应转矩脉动,不仅可以科学评估其危害,也可以为其补偿控制提供依据。然而,目前还没有有效的方案测量周期性机械转矩脉动,既无法通过加装传感器直接测量;也无法通过测量不同高度的风速变化,结合叶素理论由上式得到机械转矩脉动;而且纹波分量频率低,一般滤波方法会存在较大误差和延时。
技术实现要素:
为了测量出机械转矩脉动,进一步保证风力发电装置的安全可靠运行,本发明提出了风剪切效应软测量方法。
本发明提出的风剪切效应软测量方法的原理是基于自适应噪声对消原理的在线学习人工神经网络,结合合理的人工神经网路拓扑结构及参数进行迭代学习,实现机械转矩脉动的在线实时测量。如附图1所示,本发明所述的软测量方法为:锁相倍频电路输出倍频正弦和余弦分量,作为人工神经网络的输入,结合参考项,经过迭代学习,输出最优权值再进行线性组合,整个系统自适应能力强,易于实现,效率高。
本发明所涉及的风剪切软测量流程为:
风机转速传感器设备向锁相倍频器(10)输入实时风轮机实时转速ω;
如附图2所示,输入信号通过锁相电路(11)得到正弦信号sinωt,经再倍频(12)和移相(13)后得到正弦信号sinnωt和余弦信号cosnωt,其中n为风轮叶片数。
电磁转矩软测量(20)中的人工神经网络(21),如附图3(a)所示,输入{sinnωt,cosnωt,1},对应权重为{w1s,w1c,w1},参考项为风力发电机输出电流is,在线学习误差量
其中,η为学习率(0<η≤1)。经过若干次迭代,各权重逼近最优值,被线性组合(22)采用。如附图3(b)所示,(22)输入集合{sinnωt,cosnωt,1},与(21)中的最优权重及附图5中的比例系数kp4进行线性组合,输出
其中,
转矩软测量(30)输入{sinnωt,cosnωt,1},对应权重为{w2s,w2c,w2},输出
其中,η为学习率(0<η≤1),经过若干次迭代,各权重逼近最优值。通过式:
进行线性计算输出转矩差及其脉动的估计项
如附图4所示,线性组合(40)输入接(20)输出的
附图说明
下面结合附图和具体实施方式对本专利做进一步详细说明。
图1为风剪切效应转矩转矩脉动软测量整体流程图。
图2为图1中锁相倍频器内部流程图。
图3(a)为电磁转矩软测量人工神经网络原理图。
图3(b)为电磁转矩软测量线性组合流程图。
图4为转矩差软测量原理图
图5为风机转速控制框图。
具体实施方式
本发明公开了一种风剪切效应软测量方法,介绍了其基本组成和测量流程。所述基本组成包括标准的锁相倍频器,电磁转矩软测量,转矩差软测量及约束计算,各部分连接如图1所示,以直驱永磁同步发电系统为例,介绍该系统风剪切效应软测量的具体流程。
风力发电系统实测转速传感器输出接入锁相倍频器和转矩差软测量,定子电流传感器输出接入电磁转矩软测量。给定初始权值,锁相倍频器输出的正弦和余弦分量接入电磁转矩软测量和转矩差软测量中。电磁转矩软测量和转矩差软测量中的在线学习神经网络经过若干次迭代学习,输出电磁转矩和转矩差的最优估计值。
电磁转矩软测量和转矩差软测量的输出接入约束计算,进行等式计算输出机械转矩最优估计值,其脉动由正弦和余弦分量组成,权值分别对应它们的峰值。
本发明的实际意义是:该风剪切效应软测量方法可应用于风力发电系统中实现实时机械转矩脉动测量,该技术方法运用了人工神经网络学习算法,拓扑结构简单,无需经过复杂冗余的导线线路,无需使用过多的设备就可实现高精确,高效率的在线软测量。对保证风力发电系统安全可靠运行具有重要意义。