考虑风湍流的风电机组模型预测控制器与控制方法与流程

技术领域

本发明涉及风力发电机组控制技术领域，具体的说是一种考虑风湍流的风力发电机组模型预测控制器。

背景技术：

模型预测控制（MPC）又称基于模型的预测控制（MBPC），它的四个基本原则是预测模型、参考响应轨迹、滚动优化、反馈校正。

预测控制是一种基于模型的算法，是不同于普通PID 控制的根本所在。预测模型强调其预测功能而不论其形式根据预测模型展示的未来行为，依据某种参考轨迹及优化标准，结合反馈信息，及时调整，以求出未来输入序列作为有自适应机制的预测控制。根据设定值建立参考响应轨迹，使被控变量沿着参考响应轨迹逐步趋向设定值，可防止直接跟踪可能带来的大幅超调而导致的长时间振荡。模型预测控制的滚动优化是模型预测控制的优化是一种反馈控制律，其控制量的大小是根据预测输出偏差来调整的。滚动优化是预测控制区别于传统最优控制的根本点。传统的最优控制是用一个性能函数来判断全局最优化，预测控制的优化不是一次离线完成，而是反复进行的，因此适用于动态特性变化和存在不确定因素的复杂工业过程。预测控制是一种闭环控制方法，通过滚动优化，确定一系列未来输入后，预测控制仅把当前时刻的控制输入作用于对象，而不是逐一实施。各个输入序列到下一采样时刻，检测实际输出，并根据这一实时信息直接或间接地对原预测模型进行修正，比如，优化时加入预测值与实际值的误差分量或根据实时输出信息在线辨识修改模型，然后进行新的优化。输入控制序列不像传统的最优控制一次算出，而是反复在线求出提高了对模型失配及环境干扰的鲁棒性。

预测控制的主要特征是：以预测模型为基础，采用二次在线滚动优化性能指标和反馈校正等控制策略来消除被控对象建模误差，克服结构、参数与环境等不确定性因素的影响，有效地弥补了现代控制理论对复杂受控对象本身无法避免的不足。针对风电的被控对象建模困难，结构与参数具有不确定，风资源大扰动等特点，更具备适用性。

风力发电机组的控制变量主要是桨距角和转矩，在不同的运行阶段，其控制目标不同，采用的控制变量也不同。一台变速型风力发电机组典型的运行阶段和其运行轨迹如图5所示。

阶段1是并网转速之前，控制系统主要是监控风速状况是否满足并网条件，满足条件则执行启动过程，打开桨距角增加双馈风电机组转速到并网转速切入电网后转换到阶段12。

阶段12是阶段1和阶段2的过渡阶段，按一个设定的斜率增加转矩给定到阶段2的最优给定曲线上即可。

阶段2是低风速最优功率跟踪阶段，是双馈风电机组的主要发电阶段，在阶段2控制发电机转矩从风中捕获最大的能量。

阶段23是阶段2和阶段3的过渡阶段，按一个设定的斜率增加转矩给定到阶段3。

阶段3是变桨控制限制功率阶段，控制变桨保证机组输出功率稳定在额定值。这个阶段双馈风电机组承受载荷比较大，对塔筒的晃动，叶片的挥舞以及主传动链的扭振都必须加以控制。

由上分析可以看出，风电机组控制器的控制目标是：（1）风电机组在整个运行范围内稳定可靠地在上述5个阶段运行；（2）优化机组的运行性能，提高机组的发电效率与质量，减小机组的机械载荷。

技术实现要素：

基于风湍流的模型预测控制器，能够实现没有参考轨迹可能带来大幅超调和长时间振荡，并能够实现风电机组的运行性能优化，提高机组的发电质量，减小机组的机械载荷，保证控制策略在风湍流时实现机组的稳定运行和快速跟随。发明考虑风湍流的风力发电机组全工况模型预测控制器，目的是为了解决以上问题，实现整机的全工况最优化控制。

发明采取如下技术方案：

一种考虑风湍流的风力发电机组全工况模型预测控制器，控制器采用模型预测控制方法，模型预测控制器（ MPC控制器）内部包括状态估计模块、预测模块、在线校正模块、参考轨迹模块、滚动优化模块，如图2模型预测控制器（MPC控制器）原理框图所示；其中预测模块有两个预测模型：转矩控制预测模型、变桨控制预测模型，其控制量分别为转矩和桨距角，两个预测模型可在不同的工况下进行自动切换：在额定风速和额定风速以下时投入控制量为转矩的预测模型，额定风速以上时投入控制量为桨距角的预测模型；其中参考轨迹单元根据系统的工况选择对应的参考轨迹；上述预测模型为计入风湍流变量的离散状态空间模型。

一种考虑风湍流的风力发电机组全工况模型预测控制器，转矩控制预测模型，考虑了风轮转速、传动链扭转位移、传动链扭转速度、叶片平面外一阶挥舞位移、叶片平面外一阶挥舞速度、塔筒前后一阶摆动位移、塔筒前后一阶摆动速度七个状态变量，并将风速增量作为扰动输入变量。变桨控制预测模型，考虑了风轮转速、传动链扭转位移、传动链扭转速度三个状态变量，并将风速增量作为扰动输入变量。

模型预测控制器控制步骤如下：

（1）进行系统的离线准备和初始化。设定采样周期；设定预测模块、在线校正模块、滚动优化模块的系数矩阵；设定状态变量和预测初值。

（2）状态估计模块接收来自观测器的系统状态变量，对不可测变量进行状态估计，将估计后的状态变量输入预测模块。

（3）预测模块接收风速增量和状态估计模块的输出，判断系统所处的运行工况，选择匹配的预测模型进行预测运算，得到控制时域内的控制输出变量。

（4）在线校正模块将下一时刻的预测模型输出与本时刻的实际输出进行比较，构成输出误差，将上述输出误差与本时刻的预测模型输出值叠加，作为校正后的预测值。

（5）参考轨迹模块，根据系统所处的运行工况选择控制参考值，然后通过参考模型生成一阶指数变化形式参考轨迹。

（6）滚动优化模块首先计算在线校正模块输出的预测值和参考轨迹间的偏差，并通过目标函数惩罚，采用优化计算方法进行求解，得出最优解。然后将即时控制增量与上一时刻的控制量叠加构成实际控制量。

（7）滚动优化模块产生的实际控制量输入变桨驱动器和变流器，对风力发电机进行调整，经观测器采样后进入状态估计模块。

采用上述技术方案的有益效果是：

1．本控制器采用的模型预测控制方法，由于具有滚动优化模块和参考轨迹模块，系统本身考虑了动态特性变化和不确定因素的影响；同时避免了系统大幅超调，导致长时间振荡的现象；

2．本控制器的预测模型包含传动链扭转位移、传动链扭转速度、叶片平面外一阶挥舞位移、叶片平面外一阶挥舞速度、塔筒前后一阶摆动位移、塔筒前后一阶摆动速度，减小机组的机械载荷等状态变量，同时在优化模型中增加了各状态变量的约束条件，可以有效控制机组的机械载荷。

3．本控制器的预测模型包含风速扰动变量，将每一采样时刻的风速扰动都计入了控制策略中，可以保证在风速扰动时实现机组的稳定运行和快速跟随。

4．本控制器预测模块有两个预测模型，变桨控制预测模型和转矩控制预测模型，两个预测模型可在不同的工况下进行自动切换，实现了全工况运行。

附图说明：

图1为风电机组模型预测控制原理框图；

图2为图1中模型预测控制器（MPC控制器）原理框图；

图3为模型预测控制器在线计算流程图；

系统组成编号：风电机组模型预测控制器1、变桨驱动器2、风轮3、传动链4、塔筒5、观测器6、变流器7、发电单元8、风力发电系统模型9、状态估计模块10、预测模块11、在线校正模块12、参考轨迹模块13、滚动优化模块14、风速扰动15、约束条件16。

图4为湍流风速下MBPC控制器效果图

图5为变速型风力发电机组典型的运行阶段和其运行轨迹图。

具体实施案例：

下面结合附图对本发明进行详细说明。

如图1（双馈风电机组模型预测控制原理框图）所示，系统中包括模型预测控制器，即MPC控制器1、变浆驱动器2、风轮3、传动链4、塔筒5、观测器6、变流器7和发电单元8。系统中风轮3、传动链4、塔筒5和发电单元8的状态变量通过观测器6观测得到，观测结果传递给MPC控制器1，通过MPC控制器1得到叶片桨距角和发电机转矩的调整值，通过变桨驱动器2和变流器7对叶片和发电机进行调整。

如图2（MPC控制器原理框图）所示，模型预测控制器1，即MPC控制器1，内部包括状态估计模块10、预测模块11、在线校正模块12、参考轨迹模块13、滚动优化模块14。

对于风力发电系统控制量为转矩的预测模型，即转矩控制预测模型，考虑了风轮转速、传动链扭转位移、传动链扭转速度、叶片平面外一阶挥舞位移、叶片平面外一阶挥舞速度、塔筒前后一阶摆动位移、塔筒前后一阶摆动速度七个状态变量，并将风速增量作为扰动输入变量。

其离散化之前的状态空间模型如下：

(1)

其中，第一个矩阵中，M₁₁=叶片一阶模态的质量系数，M₁₄=叶片一阶拍动模态和转子转动结合的质量系数，M₁₇=叶片一阶拍动模态和塔座一节前后模态结合的质量系数，M₄₁=转子转动与叶片一阶拍动结合的质量系数，M₄₇=转子转动与塔座一阶前后模态结合的质量系数，M₇₁=塔座一阶前后模态与叶片一阶拍动模态结合的质量系数，M₇₄=塔座一阶前后模态与转子转动结合的质量系数，M₇₇=塔座一阶前后模态的质量系数。I_rot=转子的转动惯量，I_gen = 发电机的转动惯量。

第二个矩阵中，=叶片一阶模态的刚度系数，=叶片一阶模态的阻尼系数，=叶片一阶拍动模态和转子转动结合的阻尼系数，=叶片一阶拍动模态和塔座一阶前后模态结合的刚度系数，=叶片一阶拍动模态与塔座一阶前后模态结合的阻尼系数，= 转子转动与叶片一阶拍动结合的阻尼系数，=转子转动与塔座一阶前后模态结合的阻尼系数，=塔座一阶前后模态与叶片一阶拍动模态结合的刚度系数，=塔座一阶前后模态与叶片一阶拍动模态结合的阻尼系数，=塔座一阶前后模态与转子转动结合的阻尼系数，=塔座一阶模态的刚度系数，=塔座一阶模态的阻尼系数。=驱动链扭动的阻尼，= 驱动链扭动的刚度，= 。

第3和4个列矩阵中，=，=，=，==，=其中（）（w₁=w）。

不稳定的叶片-1模态1拍打位移；不稳定的叶片-1模态1拍打速率；=δ转子转动速率；=不稳定的驱动链扭动的弹性推动；不稳定的发电机转动速率；不稳定的塔座最初模态的前-后偏差；不稳定的塔座最初模态的前-后速率。

控制量为转矩的预测模型，即转矩控制预测模型，考虑了风轮转速、传动链扭转位移、传动链扭转速度三个状态变量，并将风速增量作为扰动输入变量，其离散化之前的状态空间模型如下：

（2）

其中x₈为风轮转速，x₉ 传动链扭转位移，x₁₀传动链扭转速度，方程（1）和方程（2）的输入量也是控制增量输入向量，为扰动增量输入向量，为测量输出向量，其他矩阵对应于状态空间的标准形式：

为状态矩阵，为控制输入增益矩阵，为扰动输入增益矩阵，为状态输出矩阵，为的微分。

状态估计模块10，采用卡尔曼滤波器，对叶片一阶挥舞位移等状态方程的状态量进行状态估计，其算法如下：

计算当前的估计状态：

（3）

其中是观测器6增益：

（4）

其中是误差方差阵：

（5）

计算下一步更新状态和误差方差阵：

（6）

（7）

其中,Q是高斯白噪声的协方差阵。

使用代替计算预测输出，采用状态观测器6后，最优控制输出的计算与以前是完全一样的。

预测模块11，包含变桨控制预测模型和转矩控制预测模型，分别如式（1）和式（2）所示，两个预测模型可在不同的工况下进行自动切换，在额定风速和额定风速以下时采用转矩控制预测模型，额定风速以上时采用变桨控制预测模型。两者之间的切换根据功率曲线上的参考点的参数值进行判断，并有少量的控制裕度。

在线校正模块12，将下一时刻的预测模型输出与本时刻的实际输出进行比较，构成输出误差，这一误差信息反映了模型中未包括的不确定因素对输出的影响，可用来预测未来的输出误差，校正模型的预测误差。将上述输出误差与本时刻的预测模型输出值叠加，作为校正后的预测值。

参考轨迹模块13，其中参考模型采用一阶指数变化形式

（8）

其中，；：为参考轨迹的时间常数；下标r表示参考值；为当前时刻的控制输出反馈值；：为设定值。

滚动优化模块14，首先计算在线校正模块12输出的预测值和参考轨迹之间的偏差通过目标函数惩罚。

（9）

约束条件为：

（10）

其中对角阵分别为误差权矩阵和控制权矩阵。

通过优化求解方法求出最优解，其中即时控制增量可写作：

（11）

即时控制增量与上一时刻的控制量构成实际控制量

（12）

图3为上述模型预测控制器实时控制模块的在线计算流程图。

上述模型预测控制器的在线计算由初始化模块与实时控制模块组成。初始化模块是在运行的第一步检测对象的实际输出y(k)，并把它设定为预测初值。从第二步起即转入实时控制模块，在每一个采样时刻的在线计算流程如图3所示。

其中，步骤4的参考轨迹先根据工况设定目标值，然后根据公式（8）生成参考轨迹。步骤5中的优化函数为公式（9），约束条件根据优化目标进行设定，控制增量的求解采用QP标准问题求解算法进行计算。步骤6中采用的公式为式（10）和式（11）。步骤7中的状态估计模块10采用公式（3）~（7）进行求解。步骤8中对工况的判断是根据功率曲线上的参考点的参数值进行判断，预测模型分别为公式（1）和公式（2）的离散化方程。