The invention discloses an effective wind speed estimation method for a wind generator set with high wind speed based on SVR. The method consists of two steps: SVR model training and online model use. In the process of training the SVR model, the use of sensors to obtain the features of training set and the target set, normalized feature set, SVR training set, select the penalty parameter and kernel function parameters using the GA algorithm, SVR model was trained in the online model; the use of the process, to obtain the output data set in real-time, normalized the input to the trained SVR model, after a low pass filter, get the final estimate of effective wind speed. The method of reasonable utilization of the output data set, wind turbines to the high speed section of effective wind speed estimation, the design process is simple, easy to implement, can replace the LIDAR measuring device, the effective wind speed estimation can be used to provide feedforward control information and wind resource assessment in order to reduce the mechanical load of the unit, so as to improve the wind farm economic benefits.
【技术实现步骤摘要】
基于SVR的风力发电机组高风速段有效风速估计方法
本专利技术涉及风力发电机组控制
,特别涉及风力发电机组的高风速段有效风速估计。
技术介绍
风能是一种清洁、成本较低、商业潜力巨大的可再生能源,风力发电技术在近几年得到了突飞猛进的发展。世界风能协会在2015年的世界风能报告中指出,到2020年,全球风电装机容量将达到792.1GW。然而,风电技术的发展仍面临大型机组运维成本高、机械载荷偏大导致机组寿命减少、大规模风电并网难度大等挑战。因此,开发一种风电机组有效风速估计方法,从而为降低风电机组的运行载荷提供前馈控制信息,延长机组使用寿命具有重要的实践意义。风电机组的有效风速定义为桨叶扫掠面积对应的风速矢量场的空间平均值。有效风速的获取是风力发电系统的关键技术,对于实现最大风能捕获、减少机组各部件的机械载荷及风电场风资源评估具有重要意义。风速具有很强的随机性和间歇性,每一个瞬时的风速大小都不相同,且向大型化趋势发展的风电机组的桨叶扫掠面积日益增大,因此,风电机组的有效风速估计是一个极具挑战性的课题。目前,工业界有效风速的获取方法通常有两种。一种是在机舱尾部安装风速计,然而该方法只能获得桨叶下风向空间中某一点的风速,且测量误差比较大;另一种是在机舱顶部安装LIDAR(LIghtDetectionandRanging)测风装置,该方法虽然能比较精确的获得某一范围内的平均风速,但是LIDAR设备价格十分昂贵,若为风电场的每台机组都安装该设备,则会极大增加风电场的建设和运维成本。为了解决上述问题,学者们提出了许多风电机组的有效风速估计方法,这些方法大致可以分为两类 ...
【技术保护点】
一种基于SVR的风力发电机组高风速段有效风速估计方法,其特征在于,该方法包括以下步骤:(1)使用LIDAR测风装置获得一段时间内的有效风速信息,使用SCADA系统和载荷传感器获得相应时间段内风电机组的相关输出数据X',X'=[x'(i,j)],i=1,...,l,j=1,...,6;用x'(i,:)表示机组的一次采样输出,x'(i,:)表达式为:x'(i,:)=[β,βr,B1,af‑d,af‑v,af‑a]其中,β是桨距角,βr是桨距角加速度,B1是叶片1的前后偏移量,af‑d是塔架前后偏移量,af‑v是塔架前后速度,af‑a是塔架前后加速度;(2)将步骤1获得的机组输出数据进行归一化处理,作为SVR模型的训练特征集X,X=[x(i,j)],i=1,...,l,j=1,...,6);步骤1获得有效风速信息作为SVR模型的训练目标值;将训练特征集和训练目标值作为SVR的训练集;(3)使用步骤2获得的训练集求解SVR的原始优化问题,为求解该优化问题,引入拉格朗日函数,然后得到对偶优化问题;(4)使用GA算法选择惩罚参数和核函数参数,求解步骤3中的对偶优化问题,得到训练好的SVR模型;(5 ...
【技术特征摘要】
1.一种基于SVR的风力发电机组高风速段有效风速估计方法,其特征在于,该方法包括以下步骤:(1)使用LIDAR测风装置获得一段时间内的有效风速信息,使用SCADA系统和载荷传感器获得相应时间段内风电机组的相关输出数据X',X'=[x'(i,j)],i=1,...,l,j=1,...,6;用x'(i,:)表示机组的一次采样输出,x'(i,:)表达式为:x'(i,:)=[β,βr,B1,af-d,af-v,af-a]其中,β是桨距角,βr是桨距角加速度,B1是叶片1的前后偏移量,af-d是塔架前后偏移量,af-v是塔架前后速度,af-a是塔架前后加速度;(2)将步骤1获得的机组输出数据进行归一化处理,作为SVR模型的训练特征集X,X=[x(i,j)],i=1,...,l,j=1,...,6);步骤1获得有效风速信息作为SVR模型的训练目标值;将训练特征集和训练目标值作为SVR的训练集;(3)使用步骤2获得的训练集求解SVR的原始优化问题,为求解该优化问题,引入拉格朗日函数,然后得到对偶优化问题;(4)使用GA算法选择惩罚参数和核函数参数,求解步骤3中的对偶优化问题,得到训练好的SVR模型;(5)在线使用时,将某一控制周期内的机组输出数据进行归一化处理,然后输入到步骤4得到的训练好的SVR模型中,得到每一个采样周期的初步风速估计值;(6)将步骤5得到的初步风速估计值输入到低通滤波器中,得到最终的风速估计值。2.根据权利要求1所述的基于SVR的风力发电机组高风速段有效风速估计方法,其特征在于,所述步骤2中,归一化处理指的是:其中,用x'(:,j)表示X'中的列分量,max(x'(:,j))和min(x'(:,j))分别是x'(:,j)的最大值和最小值,x(:,j)是X中的列分量。3.根据权利要求1所述的基于SVR的风力发电机组高风速段有效风速估计方法,其特征在于,所述步骤2中,SVR模型指的是:y=<w,φ(x)>+b其中,是模型输出,是模型输入,是将x从n维映射到N维的函数,,是偏置项。4.根据权利要求1所述的基于SVR的风力发电机组高风速段有效风速估计方法,其特征在于,所述步骤3中,SVR的原始优化问题是s.t.yi-<w,φ(x(i,:))>-b≤ε+ξi,i=1,2,...,lξi≥0,i=1,2,...,l其...
【专利技术属性】
技术研发人员:杨秦敏,焦绪国,王旭东,陈积明,孙优贤,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。