基于风速对风机性能影响的数据驱动模型装置及其构建方法

本发明涉及风机控制技术领域，具体为基于风速对风机性能影响的数据驱动模型装置及其构建方法。

背景技术：

风力发电运行离线数据中蕴含着大量的系统动力学以及系统运行的规律和模式。通过数值模拟和现场测试手段探究如何将基于离线数据挖掘得到的知识应用到数据驱动控制系统设计，以及数据驱动的宏观尺度下变桨距故障特征内部演变行为对风机动力学特性的影响规律及其在各阶段控制中的稳定性保障，对数据驱动理论应用于风机的实时控制具有标志性的意义。

由于数据驱动控制理论和方法是从数据直接到控制器的方法，因此其稳定性和收敛性的分析方法也将是基于数据的。现场上常将历史数据点作为新工况的初值，因此比较有前景的稳定性分析方法可能是基于“数据能量有界”的稳定性和收敛性分析方法。变速变桨风能转换系统在额定风速以上存在以下三个最优控制的问题：控制系统恒功率输出和恒定的发电机转速；减小传动系统的机械振荡带来的损害；保证系统在风速随机变化的工况下可以稳定运行。尽管基于紧格式、偏格式线性化的无模型自适应预测控制(modelfreeadaptivepredictivecontrol,mfapc)问题已有相关的稳定性和收敛性证明，但针对风的随机扰动等非线性影响的动态控制系统，稳定性问题有待进一步研究。

技术实现要素：

本发明的目的在于提供基于风速对风机性能影响的数据驱动模型装置及其构建方法，旨针对如何通过数值模拟和现场测试手段探究如何将基于离线数据挖掘得到的知识应用到数据驱动控制系统设计，以及数据驱动的宏观尺度下变桨距故障特征内部演变行为对风机动力学特性的影响规律及其在各阶段控制中的稳定性保障的问题。

为实现上述目的，本发明提供如下技术方案：基于风速对风机性能影响的数据驱动模型装置，包括支撑塔，所述支撑塔的顶部安装有壳体，所述壳体的内部安装有齿轮箱和发电机，所述壳体的一端安装有控制箱，所述发电机与齿轮箱的输出轴传动连接，所述齿轮箱的输入轴通过联轴器安装有转轴，所述转轴转动连接有扇叶安装部，所述扇叶安装部等距安装有多个扇叶，所述控制箱的内部安装有数据处理器，所述数据处理器与安装于壳体内部多个传感器组成的传感器模组电性连接，所述数据传感器还电性连接有非线性干扰传感器和无模型自适应预测控制器，所述非线性干扰传感器电性连接有容错控制器，所述容错控制器和无模型自适应预测控制器均与置于支撑塔内部的风力发电机控制器电性连接。

为了使得对数据处理器进行安装，作为本发明一种优选的，所述控制箱呈低风阻状的梯形，且所述控制箱通过螺钉与壳体固定连接。

为了使得快速对风机系统进行监测，作为本发明一种优选的，所述传感器模组包括用于检测风机系统功率输出的功率传感器、用于检测发电机转速的转速传感器和用于检测扇叶浆距角的红外测距传感器。

为了使得快速对风机系统故障进行诊断和学习，作为本发明一种优选的，所述非线性干扰观测器对风机系统正常模式和风机系统故障模式分别进行确定学习，将风机系统正常模式和各种故障模式以空间分布的常数神经网络权值方式储存，建立模式库，根据已有模式库中的模式构造一系列估计器，将估计器的状态与风机实际系统状态进行比较，构造残差。

为了使得快速对风机系统进行安装，作为本发明一种优选的，所述支撑塔的底部还安装有用于风机实现快速安装固定的安装座。

基于风速对风机性能影响的数据驱动模型装置的构建方法，包括上述中任意一项所述的基于风速对风机性能影响的数据驱动模型，还包括：

s1，通过传感器模组获取风机系统的功率输出、发电机转速和浆距角信息；

s2，利用无模型自适应预测控制器协同风力发电机控制器对风机的输出功率最优和控制变化最小的控制。

为了使得利用利用非线性干扰观测器的故障对风机系统故障进行诊断和学习，作为本发明一种优选的，所述s1步骤中的数据信息利用非线性干扰观测器的故障诊断分类器中的小世界神经网络、深层神经网络、svmh和sofm对数据进行故障判断后传输至容错控制器或经过故障诊断分类器进行自学习。

为了使得利用容错控制器对风机系统进行控制，作为本发明一种优选的，所述容错控制器利用fast+硬件系统配合风力发电机控制器实现对风机系统的变桨距控制、转矩控制和偏航控制。

为了使得实现对风机模型的变桨距控制、转矩控制和偏航控制，作为本发明一种优选的，所述s2步骤中的控制利用无模型自适应预测控制器获取风机转速信息、桨距角信息和功率信息后，通过pg实时计值，再通过n层递阶预报算法计算，后通过n步预测模型进行分析，并最终实现利用fast+硬件系统配合风力发电机控制器实现对风机模型的变桨距控制、转矩控制和偏航控制。

与现有技术相比，本发明提供了基于风速对风机性能影响的数据驱动模型装置及其构建方法，具备以下有益效果：

1)利用利用无模型自适应预测控制器获取风机转速信息、桨距角信息和功率信息后，并利用非线性干扰观测器对风不确定性和故障特征对风机控制性能的非线性动力学影响规律，并最终利用数据驱动方式对风机系统的全风速变速变桨距控制；

2)基于非线性理论和方法，从实际问题出发，结合风机动力学特性的影响规律及其在各阶段控制中的稳定性，使系统在随机风速变化的工况下可以稳定运行；

3)对所获得的数据进行仿真实验并修正，探索数据驱动控制在风力发电机组变速变桨距优化控制研究上的应用，并给出工程上实用的数据驱动控制方式。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的结构示意图；

图2为本发明的背面结构示意图；

图3为本发明的模块示意图；

图4为本发明的无模型自适应预测复合控制器结构图。

图中：1、支撑塔；2、壳体；3、控制箱；4、扇叶安装部；5、扇叶；6、安装座；7、数据处理器；8、传感器模组；9、非线性干扰观测器；10、无模型自适应预测控制器；11、容错控制器；12、风力发电机控制器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1-4，本发明提供以下技术方案：

在本实施例中：基于风速对风机性能影响的数据驱动模型装置，包括支撑塔1，支撑塔1的顶部安装有壳体2，壳体2的内部安装有齿轮箱和发电机，壳体2的一端安装有控制箱3，发电机与齿轮箱的输出轴传动连接，齿轮箱的输入轴通过联轴器安装有转轴，转轴转动连接有扇叶安装部4，扇叶安装部4等距安装有多个扇叶5，控制箱3的内部安装有数据处理器7，数据处理器7与安装于壳体2内部多个传感器组成的传感器模组8电性连接，数据传感器7还电性连接有非线性干扰传感器9和无模型自适应预测控制器10，非线性干扰传感器9电性连接有容错控制器11，容错控制器11和无模型自适应预测控制器10均与置于支撑塔1内部的风力发电机控制器12电性连接。

在本实施例中：控制箱3呈低风阻状的梯形，且控制箱3通过螺钉与壳体2固定连接。

具体的，将控制箱3设置成梯形状，可以有效降低风阻带来的影响。

在本实施例中：传感器模组8包括用于检测风机系统功率输出的功率传感器、用于检测发电机转速的转速传感器和用于检测扇叶5浆距角的红外测距传感器。

具体的，将多个传感器集成于壳体2的内部，实现对风机系统功率输出、发电机转速和扇叶5浆距角的实时监测。

在本实施例中：非线性干扰观测器9对风机系统正常模式和风机系统故障模式分别进行确定学习，将风机系统正常模式和各种故障模式以空间分布的常数神经网络权值方式储存，建立模式库，根据已有模式库中的模式构造一系列估计器，将估计器的状态与风机实际系统状态进行比较，构造残差。

具体的，通过构建一个计算量小、易实现和可在线调整参数的伪梯度(pseudogradient,pg)向量，将原系统中非线性、参数时变或结构时变等复杂行为进行压缩，并综合考虑当前时刻的一个固定长度滑动时间窗口内的所有输入变化量对下一时刻输出的影响，对非线性系统进行偏格式动态线性化。建立增量形式的数据模型，并以此得出一步或多步向前预测方程。最后以风速扰动偏差值作为前馈项，研究全风速的变速变桨距无模型自适应预测复合控制方法，控制器结构如图4所示。

在本实施例中：支撑塔1的底部还安装有用于风机实现快速安装固定的安装座6。

具体的，通过设置的安装座6配合固定桩可以快速对风机系统进行安装固定。

基于风速对风机性能影响的数据驱动模型装置的构建方法，包括上述中任意一项的基于风速对风机性能影响的数据驱动模型，其特征在于：还包括：

s1，通过传感器模组8获取风机系统的功率输出、发电机转速和浆距角信息；

s2，利用无模型自适应预测控制器10协同风力发电机控制器12对风机的输出功率最优和控制变化最小的控制。

在本实施例中：s1步骤中的数据信息利用非线性干扰观测器9的故障诊断分类器中的小世界神经网络、深层神经网络、svmh和sofm对数据进行故障判断后传输至容错控制器11或经过故障诊断分类器进行自学习。

具体的，根据实时反映设备运行状态的scada数据，研究变速变桨距系统的动态特性机理，拟采用多元信息融合技术、神经网络与多种智能方法相结合的数据挖掘算法，提取多工况的非平稳、非高斯故障特征；

基于非高斯随机分布拟合模型，建立能反映风速随机变化的风电功率超短期提前一步预测模型，并具体分为两步进行研究：使用神经网络及其改进算法，结合粒子群等智能优化方法，建立风速和风电功率提前一步预测模型；以当前时段实测风速和下一时段预测风速为联合条件，建立离散预报误差概率分布模型，并以该模型对未来时段的预报误差概率分布进行预测。

在本实施例中：容错控制器11利用fast+硬件系统配合风力发电机控制器12实现对风机系统的变桨距控制、转矩控制和偏航控制。

具体的，通过容错控制器11对故障进行诊断分类并且进行自学习。

在本实施例中：s2步骤中的控制利用无模型自适应预测控制器10获取风机转速信息、桨距角信息和功率信息后，通过pg实时计值，再通过n层递阶预报算法计算，后通过n步预测模型进行分析，并最终实现利用fast+硬件系统配合风力发电机控制器12实现对风机模型的变桨距控制、转矩控制和偏航控制。

具体的，采用子空间辨识方法构造出反映输入输出信号间直接关系的子空间等式，再利用子空间等式得出输出最优预测值的最小方差控制律，进行开环数据最小方差控制器设计。然后，基于多信息理论利用无偏的子空间矩阵设计闭环数据最小方差控制算法，该算法不仅能够有效的利用系统的输入输出数据，还能利用误差充分的修正泛模型，在提高收敛性的同时也能有效解决系统超调问题；针对算法中的控制参数优化问题，利用小世界粒子群优化算法对控制器中的相关参数进行在线调优，综合发挥它们的优势，以实现全风速无模型自适应控制。

利用集总扰动项来表示时变风速、参数不确定性和其它未知扰动项，设计相应的扰动观测器对其进行评估，并结合风速或风功率随机误差分布模型，对实际扰动进行补偿；以风速或风功率的超前一步预测值为前馈信号，对未来时变风速或风功率变化趋势进行估计，设计带有扰动观测的无模型自适应控制律，提高控制系统的功率平滑性与鲁棒性并降低无模型控制对全状态测量的依赖；

以最大风能捕获和输出功率平滑为优化目标，以发电机转速和桨矩角为控制变量，建立同时控制桨距角和电磁转矩的多目标优化模型，并适时考虑风向变化对偏航系统的影响。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。