一种智能变桨距机电控制优化方法与流程

本发明属于风力发电机技术领域，尤其涉及一种智能变桨距机电控制优化方法。

背景技术：

风力发电通过机电控制实现发电功率的控制，当风速超过额定风速时通过控制叶片桨距角实现额定功率发电目标。除了传统的pi控制方法，神经网络、模糊控制方法等都在机电控制中得到了应用。

传统的机电控制方法通常存在一些不足，比如pi控制方法在参数选择不当的时候会造成风机发电功率出现较大的波动性，对电网造成冲击，同时机电控制对叶片桨距角的频繁调整也会增加风机结构的疲劳振动。目前通常与神经网络等人工智能方法相结合，在改善机电控制效果的同时降低风机结构的疲劳荷载。但是，已有的智能控制方法通常需要具有较好的先验知识，应用的局限性较大，同时，优化目标函数仅以输出功率为单一目标，振动控制效果不佳。

因此，从提高风机运行全寿命周期过程的疲劳寿命角度，在机电控制以提高发电功率稳定性作为目标的基础上，将减小结构疲劳振动作为目标，研究基于智能方法的多目标机电控制方法是十分必要的。

技术实现要素：

为提高当前机电控制对结构疲劳振动控制的不足，本发明提出一种在提高输出功率稳定性的同时减小风电结构疲劳振动的智能变桨距机电控制方法。该方法充分利用原有的pid机电控制方法，将智能算法与pid方法相结合，将塔顶振动位移与风轮额定转速作为控制目标，通过多目标控制函数确定pid最优参数。相比于已有的智能机电控制方法，本发明所提出的智能变桨距机电控制优化方法，将塔顶振动位移和风轮转速的超调最小化作为多目标控制函数，进行控制参数优化，可以在降低风机输出功率的波动性的同时，降低塔架结构的疲劳振动响应。

为实现上述目的，本发明所采用的技术方案是：

一种智能变桨距机电控制优化方法，将pid机电控制的比例系数kp、ki、kd作为目标参数进行优化，包括以下步骤：

步骤一、建立适应度函数

建立目标函数fobj,如式(1)所示：

式中，t为自变量，为历史累积误差，b[rrover+rtover]为当前控制误差，et(t)为塔顶位移，er(t)为风轮转速与额定转速的差，rtover和rrover为当前塔顶位移及风轮转速控制误差，a和b分别为历史累积绝对误差与当前控制误差的权重；

优化目标参数使目标函数取得最小值，基于智能算法在搜索时总是会选择更大的适应度值，因此取目标函数的倒数作为适应度函数，如式(2)所示：

步骤二、确定初始值

确定最大搜索次数l和最大循环次数c；

根据公式(3)给kj赋值：

xij＝xmin，j+rand(0，1)(xmax，j-xmin，j)(3)

式中：i为正整数，j＝p,i,d,xij表示kj的随机参数变化空间内第i个解，xmin,j和xmax,j分别为kj取值范围内的上下界；rand(0,1)为(0,1)范围内的随机数；

步骤三、进行参数邻域搜索

根据式(4)进行参数邻域搜索：

上式中：n＝1,2...l，xn'表示基于xij进行的第n次参数邻域搜索得到领域参数，k为正整数，且k≠i，为[-1,1]上的随机数；

步骤四、计算当前最优解

根据公式(5)计算选择概率：

其中，正整数z为对应范围内f的数量；

根据式(4)对xij进行参数邻域搜索得到领域参数x1'，并根据公式(2)和(5)计算相关的适应度f1'和选择概率p1'；

若p1'＞p，则当前最优解为：xij^d＝x1'；其中：p表示xij对应的选择概率；

若p1'≤p，且未达到最大搜索次数，则重复公式(2)、(4)和(5)重新进行领域搜索并比较选择概率，确定当前最优解；

若p1'≤p，且达到最大搜索次数，则xij^d＝xij；

重复步骤四计算处所有xij的当前最优解xij^d；

步骤五、计算最优解

根据公式(2)和公式(5)计算所有当前最优解xij^d对应的适应度f^d和选择概率p^d；比较所有选择概率p^d的大小，将选择概率p^d最大的当前最优解xij^d作为最优解并输出：kj＝xij^d。

本发明的有益效果是：

本发明通过对pid机电控制的比例系数kp、ki、kd作为目标参数进行优化，实现以塔顶振动和风轮转速为控制量的多目标智能控制，不仅提高了发电功率的稳定性，而且有效的降低了发动机转矩和塔架振动。

附图说明

图1是变桨智能控制的技术方案流程图；

图2是变桨智能控制系统结构图；

图3为迭代收敛次数图；

图4为智能优化控制下的输出功率比较；

图5为智能优化控制下的发动机转矩比较；

图6为智能优化控制下的塔顶位移比较。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，以下参照附图并结合具体实施方式来进一步描述本发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

一种如图1所示的智能变桨距机电控制优化方法，图2是其控制系统结构图，本发明将pid机电控制的比例系数kp、ki、kd作为优化参数。现采用nrel5mw风机为例进一步解释本发明，风轮直径126米，轮毂高度90米。设定平均风速为20m/s。

待优化的三个比例系数kp、ki、kd取值范围分别为0.001-1.0、0.001-0.3、0.0001-0.2；适应度函数中的权重系数a＝5,b＝1，

设最大搜索次数为50，最大循环次数为100；然后按照技术方案所提出的方法进行参数优化。

参数领域搜索过程如图3所示，从图3中可见，对于pid控制的参数比例系数，所提出的优化方法8次搜索即可达到最优解，具有很高的搜索效率，可以保证pid自适应参数的实时变化和控制。

风机输出功率、发动机转矩、塔顶位移的控制效果图4、5、6所示，可以看出，通过将pid机电控制的比例系数，通过增加塔顶振动反馈以及塔顶振动控制目标，将基于发电功率稳定性的单目标控制，通过本发明所提出与智能优化方法相结合，可以提升为以塔顶振动和风轮转速为控制量的多目标智能控制，不仅提高了发电功率的稳定性，而且有效的降低了发动机转矩和塔架振动。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。