一种风电机组桨距角控制方法与流程

本发明属于风力发电机组控制技术领域，特别涉及一种风电机组桨距角控制方法。

背景技术：

在过去的几十年里，风力发电技术在全球范围内得到了迅速发展。根据全球风能协会发布的全球风电展望报告，如果能保持当前的增长速度，到2030年全球能源消耗的30％将由风电提供。然而，风电度电成本的居高不下以及风能的间隙性、不确定性仍然是限制风电快速发展和大规模并网的主要因素。作为风电技术领域的关键技术，智能控制是解决上述问题的有效途径，而风电机组的智能控制技术一直以来都被德国、丹麦等西方发达国家所垄断，因此，研发具有自主知识产权的智能风电控制技术具有重要的战略意义和实践价值。

与定速风电机组相比，变速风电机组具有更高的风能捕获效率和更低的机械载荷，因此，变速风电机组已经成为当前风电产业中的主流机组。变速风电机组主要有两个运行区域：低风速运行区域(风速大于切入风速小于额定风速)和高风速运行区域(风速大于额定风速小于切出风速)。最大风能捕获是低风速运行区域的主要控制目标，这一目标可以通过调节电磁转矩从而使得机组运行在最佳转速上来实现。当机组运行在高风速工作区域时，通常将电磁转矩维持在额定值，将桨距角视为控制信号，同时，将电磁转矩设置为额定值，而控制目标包括两个方面：首先，为了保证整个风电系统的安全运行，转速和发电功率要维持在额定值附近；其次，为了延长机组的服役寿命，机组关键部件(包括叶片、轮毂、塔架、变桨轴承和变桨系统等)的载荷需要进行优化。值得注意的是，因为机组大部分的疲劳载荷是在高风速运行区域产生的，所以风电机组的载荷优化对于高风速运行区域意义更大，以叶片为例，高风速运行区域产生的疲劳载荷占其全部疲劳载荷的95％。

为了在不同的运行区域实现不同的控制目标，风电机组在不同的风速区间采用不同的控制策略。对于高风速运行区域，目前工业上普遍采用pi控制方法。然而，仅采用负反馈的pi控制策略，只能在系统调节误差产生后进行作用，同时，现代大型机组的惯量较大，导致系统响应较慢，因此，pi控制方法的转速/功率调节效果并不理想，且不具备载荷优化的功能。为了解决这一问题，学者们在现有反馈环的基础上加入了前馈控制策略，通过利用有效风速信息提高调节性能和载荷优化效果，目前已有的桨距角前馈控制方法主要包括两类：查表法和传递函数法。查表法主要思想是使用有效风速信息查询风速和桨距角之间的静态关系数据表，从而给出前馈桨距角的大小，然而，风速和桨距角之间的静态关系表不能准确描述机组动态运行过程中的有效风速和桨距角之间的对应关系；传递函数法的主要思想是利用桨距角与转速调节误差、风速与转速调节误差之间的开环传递函数计算出前馈补偿函数，该补偿函数能够根据风速信息计算出前馈桨距角的值，然而，这种方法需要对机组的数学模型在某个工作点处进行线性化，不仅计算复杂，而且会丢失机组动态的非线性部分，进而影响其控制性能。

通过上述分析可以看出，有效风速信息对于机组前馈控制来讲是必备的。为了克服这一困难，风电技术研究人员提出了很多有效风速估计方法，这些方法可以分为两类：基于模型的方法和基于数据的方法，前者依赖于精确的机组数学模型或者机械功率表达式，尽管在仿真中能够取得不错的结果，但是在实际场测中效果却大打折扣；后者由于没有充分考虑机组不同的运行状态特征，导致其在线使用效果较差。

技术实现要素：

本发明的目的在于提供一种风电机组桨距角控制方法，本发明针对传统前馈-反馈桨距角控制器存在的由于前馈桨距角信息不准确导致的载荷优化效果不佳和由于需要机组线性模型而带来的计算复杂的问题。

为实现上述目的，本发明所采取的技术方案是：

一种风电机组桨距角控制方法，其特征在于包括：

建立基于elm的有效风速估计模型：获取一段时间内风电机组的有效风速信息和相应输出数据，训练基于elm的有效风速估计模型，有效风速估计模型能够在线实时给出有效风速估计值；

获取反馈控制信号：建立风电机组数字模型；定义调节误差，求得调节误差的动态特性，根据调节误差的动态特性求得反馈控制信号的初步表达式；根据ude原理对风电机组数学模型的不确定及干扰项进行估计，获得不确定及干扰项估计值；先将不确定及干扰项估计值带入初步表达式，再对初步表达式进行拉普拉斯变换和拉普拉斯反变换获得反馈控制信号的最终表达式；

获取前馈控制信号：获取一段时间内机组有效风速信息和机组相应输出数据中的桨距角信号，训练基于elm的风电机组动态非线性风速-桨距角关系模型，动态非线性风速-桨距角关系模型能够在线实时给出前馈控制信号。

进一步地，所述建立基于elm的有效风速估计模型包括：

(1)分别通过lidar测风系统和scada系统获得一段时间内风电机组的有效风速信息y和相应输出数据x；

(2)将相应输出数据x进行归一化处理，作为有效风速估计模型的训练特征集，将有效风速信息y作为有效风速估计模型的训练目标值，将训练特征集和训练目标值作为有效风速估计模型的训练集t；

(3)通过训练集t训练得到基于elm的有效风速估计模型。

进一步地，所述建立风电机组数字模型包括：

(1)对风电机组的结构进行分析，建立风电机组的初步数字模型；

其中，ωr是风轮角速度，jt是系统总惯量，ta是气动转矩，kt是系统总阻尼，tg是等效发电机电磁转矩，dt是外部干扰；

(2)对所述风电机组的初步数字模型进行改写，得到风电机组数字模型：

其中，是风电机组数学模型的已知项；d(t)＝δ(ωr,β)+d(t)风电机组数学模型的不确定及干扰项，是有效风速估计值。

进一步地，所述定义调节误差包括：

(1)定义调节误差e＝ωr-ωd，其中ωd表示额定风轮转速；

(2)根据风电机组数学模型，求得调节误差的动态特性表示如下：

e的动态特性满足k＞0；由此，可以求得反馈控制信号的初步表达式如下：

进一步地，所述获得不确定及干扰项估计值包括：

使用ude原理，通过低通滤波器gf(s)对风电机组数学模型中的不确定及干扰项d(t)进行逼近，记录低通滤波器gf(s)的冲击响应为gf(t)，得到d(t)的不确定及干扰项估计值的表达式如下：

其中，“*”表示卷积。

进一步地，所述获得反馈控制信号的最终表达式包括：

将不确定及干扰项估计值代替反馈控制信号的初步表达式中的d(t)，得到：

将式①进行拉普拉斯变换可得：

β(s)＝f(s)+(sωr(s)-f(s)+β(s))gf(s)+ke(s)②

其中β(s)、f(s)、ωr(s)和e(s)分别表示β、ωr和e的拉普拉斯变换，继续整理式②，可得：

将式③进行拉普拉斯反变换可得反馈控制信号的最终表达式如下：

进一步地，所述gf(s)选取为一阶低通滤波器τ是滤波器的时间常数。

进一步地，所述获取前馈控制信号包括：获取一段时间内机组有效风速信息和机组相应输出数据中的桨距角信号，使用当前时刻以及之前连续三个时刻点的有效风速值作为训练特征，将当前时刻的桨距角值作为训练目标训练基于elm的风电机组动态非线性风速-桨距角关系模型felmff，从动态非线性风速-桨距角关系模型felmff中获取在线实时前馈控制信号：

其中是当前时刻的有效风速估计值，和是从当前时刻连续向前数三个时刻点的有效风速估计值，其中两个连续时刻点之间的时间长度是控制周期。

进一步地，还包括获取风电机组桨距角控制信号：

风电机组桨距角控制信号＝反馈控制信号+前馈控制信号。

本发明的有益效果是：本发明针对传统前馈-反馈桨距角控制器存在的由于前馈桨距角信息不准确导致的载荷优化效果不佳和由于需要机组线性模型而带来的计算复杂的问题，设计基于elm的动态非线性风速-桨距角前馈控制机制，该机制能够较准确地给出前馈桨距角的数值，在提高转速\发电功率的恒值调节性能的同时，减少反馈环带来的变桨系统的频繁动作，同时降低机组关键部件的载荷；针对目前现有风速估计方法由于依赖于系统精确数学模型导致的实际场测效果差、在线效果差的问题，设计基于elm的有效风速估计方法，合理选择机组相关输出，摆脱对系统模型的依赖，训练过程简单，得到的风速估计模型能够以较高的精度实时地给出风速估计值；针对现有桨距角控制器设计过程复杂、鲁棒性不佳的问题，设计基于有效风速信息和ude(uncertaintyanddisturbanceestimator)的反馈控制策略，该反馈控制算法设计过程简单，需要调试的参数少。该风电机组的桨距角控制算法，能够实现在提高机组转速\发电功率的恒值调节性能的同时降低机组关键部件的疲劳载荷，进而降低机组故障率，延长风电机组的服役寿命，对模型不确定性和环境干扰具有较好鲁棒性，控制效果好，简单易实施，提高风电场的经济效益，降低风电场的运维成本。

附图说明

图1为风电机组桨距角示意图。

图2为基于有效风速估计与ude的桨距角控制方法设计流程图。

图3为基于有效风速估计与ude的桨距角器框图。

图4为风速真实值、风速估计值对比图。

图5为风轮转速对比图。

图6为发电功率对比图。

图7为桨距角对比图。

图8为桨距角变化率对比图。

具体实施方式

为了更好地理解本发明，下面结合实施例和附图对本发明的技术方案做进一步的说明。

本发明提供的一种基于有效风速估计和ude的新型风电机组桨距角控制方法，包括：

一、建立基于elm的有效风速估计模型：

s101、分别通过lidar测风系统和scada系统获得一段时间内机组的有效风速信息和相应输出数据，

得到的机组有效风速信息用y表示，y＝[vti],i＝1,2,3,...,l，

得到的机组相应输出数据用x'表示，x'＝[x'(i,j)],i＝1,...,l,j＝1,2,3，

其中l是样本个数，x'(i,:)是机组相应输出数据的一次采样，x'(i,:)表达式为：

其中，β是桨距角，是桨距角加速度，afa是塔架前后加速度。

s102、将上述x'进行归一化，为了避免由异常值带来的数据整体偏斜问题，本发明采用均值标准差归一化方式，具体计算公式如下：

其中，x'(:,j)是中x'的列分量，mean(x'(:,j))和std(x'(:,j))分别是x'(:,j)的均值和方差，x(:,j)是有效风速估计模型的训练特征集x(x＝[x(i,j)],i＝1,...,l,j＝1,2,3)中的列分量，将有效风速估计模型的训练目标集选择为y，则有效风速估计模型的训练集可以表示为：t＝[x,y]。

s103、运用上述训练集t训练基于elm的有效风速估计模型，此处的elm模型指的是普遍使用的极限学习机模型，该elm包括输入层，隐含层和输出层三层，输入层有三个节点，隐含层的节点个数建议设置为9，输出层的个数为1，隐含层的激活函数选择为sigmoid函数。训练完成后的elm模型记为felm，该模型能够在线实时给出有效风速估计值：

二、获取反馈控制信号：

s201、对风电机组的结构进行分析，根据叶素理论和物理学基本定律，得到如下的风电机组的初步数学模型：

其中，ωr是风轮角速度，jt是系统总惯量，ta是气动转矩，kt是系统总阻尼，tg是等效发电机电磁转矩，dt是外部干扰。

ta的表达式为：

其中，ρ是空气密度，r是风轮半径，是叶尖速比，v是有效风速，β是桨距角，其定义为风轮扫略面和弦线的夹角，如图1所示。cp为功率系数，能够衡量风能捕获能力，其表达式可以写为：

s202、为了简化控制器设计过程，将所述风电机组的初步数学模型进行改写，得到改写后的风电机组数学模型：

其中，

是风电机组数学模型的已知项，

d(t)＝δ(ωr,β)+d(t)风电机组数学模型的不确定及干扰项，

是有效风速估计值。

s203、为了设计反馈控制器，定义调节误差e＝ωr-ωd，其中ωd表示额定风轮转速。根据改写后的风电机组数学模型，求得调节误差的动态特性表示如下：

为了使得调节误差收敛到零(系统稳定)，e的动态特性必须满足k＞0，由此，可以求得反馈控制信号的初步表达式如下：

由于d(t)未知的，控制信号的表达式并不能在实际中使用。

s204、使用ude(不确定和干扰估计因子)原理，选择一个带宽合适的严格正则的低通滤波器gf(s)对改写后的风电机组数学模型中的信号d(t)进行逼近，记低通滤波器gf(s)的冲击响应为gf(t)，使用改写后的风电机组数学模型，可以得到d(t)的估计值的表达式如下：

其中，“*”表示卷积。

s205、使用步骤s204中的表达式代替步骤s203中反馈控制信号的初步表达式中的d(t)，则可以得到：

将式①进行拉普拉斯变换可得：

β(s)＝f(s)+(sωr(s)-f(s)+β(s))gf(s)+ke(s)②

其中β(s)、f(s)、ωr(s)和e(s)分别表示β、ωr和e的拉普拉斯变换，继续整理式②，可得：

将式③进行拉普拉斯反变换可得反馈控制信号的最终表达式如下：

为了清晰起见，本发明中将反馈控制信号记为βfb，而将前馈控制信号记为βff。其中gf(s)选取为一阶低通滤波器τ是滤波器的时间常数。

三、获取前馈控制信号：

为了获得前馈控制信号βff，使用步骤s101中获得的机组有效风速信息和机组相应输出数据中的桨距角信号，训练基于elm的风电机组动态非线性风速-桨距角关系模型，此处的elm模型值的是普遍使用的极限学习机模型，该elm包括输入层，隐含层和输出层三层，输入层有4个节点，隐含层的节点个数建议设置为12，输出层的个数为1，隐含层的激活函数选择为sigmoid函数，即本方案使用当前时刻以及之前连续三个时刻点的风速值作为训练特征，而将当前时刻的桨距角值作为训练目标。训练完成后的动态非线性风速-桨距角关系模型记为felmff，该模型能够在线实时给出前馈控制信号：

其中是当前时刻的有效风速估计值，和是从当前时刻连续向前数三个时刻点的有效风速估计值，其中两个连续时刻点之间的时间长度是控制周期。

四、获取风电机组桨距角控制信号

求得的最终表达式如下：β＝βff+βfb

本发明的原理：图2是基于有效风速估计与ude的桨距角控制方法设计流程图。使用机组历史输出数据训练基于elm的有效风速估计模型，该模型能够在线给出有效风速估计值序列。对风电机组的结构进行分析，得到风电机组的数学模型，为了反馈控制器设计的方便，对该数学模型进行改写，得到改写后的风电机组数学模型。使用改写后的风电机组数学模型和有效风速估计模型，设计基于ude原理的反馈桨距角控制信号。使用历史风速和桨距角数据训练得到风速-桨距角动态关系模型，根据有效风速信息得到前馈桨距角控制信号；将反馈桨距角控制信号和前馈桨距角控制信号相加，得到最终的桨距角控制信号。图3为基于有效风速估计与ude的桨距角器框图。机组的实时输出经过归一化后，输入到有效风速估计模型中，风速估计模型实时给出有效风速估计值，基于elm的风速-桨距角动态关系模型根据有效风速估计值给出前馈桨距角的大小，而ude控制器利用反馈误差和风速估计值的大小给出反馈桨距角的大小，反馈桨距角和前馈桨距角相加得到最终的桨距角控制信号。

实施例

为量化比较本发明提出的基于有效风速估计的前馈-反馈控制器和传统的(基于查表法)前馈-反馈控制器的载荷优化效果，需要对机组关键部件的载荷评价指标进行说明。对于桨距系统而言，本发明使用如下的指标(pf,pitchfatigue)进行评价：

其中，β(k)是风电机组的桨距角，上述指标的单位是deg/s，它反映了在机组运行时间段tβ秒内，平均每秒桨距角的变化量，能够比较好的评价桨距系统的载荷。对于机组的其他关键部件，包括叶片(br，bladeroot,)、轮毂(fh，fixedhub,)、塔架(tb，towerbottom)、变桨轴承(pb，pitchbearing)，则使用del(damageequivalentloads，损伤等小载荷)来评价。

本实施例使用工业上普遍采用的风电技术开发软件ghbladed仿真平台，将本发明的方法与目前工业上普遍采用的基于查表法的前馈-反馈桨距角控制器(以下简称传统方法)进行对比，说明本方法的有效性和创新性。

实施例中使用1.5mw三叶片水平轴变速风力发电机组模型，其主要参数如下表所示：

图1为风电机组桨距角示意图，根据叶素理论，风电机组的桨距角定义为风轮扫掠面与叶片弦线的夹角。

图2是基于有效风速估计与ude的桨距角控制方法设计流程图。

图3为基于有效风速估计与ude的桨距角器框图。

图4为风速真实值、风速估计值对比图。

图5为风轮转速对比图。经计算，传统方法的风轮转速超调量是8.57％，本方法的风轮转速超调量是5.85％，降低31.74％。

图6为发电功率对比图。经计算，传统方法的发电功率超调量是8.73％，前馈-反馈控制的发电功率超调量是5.96％，降低31.73％。

图7为桨距角对比图。

图8为桨距角变化率对比图。经计算，传统方法的桨距系统载荷评价指标pf＝0.8586，本方法的桨距系统载荷评价指标pf＝0.7683，降低10.52％。机组的其他关键部件，包括叶片(br)、轮毂(fh)、塔架(tb)、变桨轴承(pb)的del对比如下表所示，其中表中的del数值均以传统方法为基准进行了正规化，可见机组各关键部件的疲劳载荷都得到了不同程度的降低。

以上说明仅为本发明的应用实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等效变化，仍属本发明的保护范围。