基于比例-极限学习机稳态估计的变桨距控制方法技术

本发明专利技术针对风力发电系统变桨距控制问题，提出了一种基于比例‑极限学习机稳态估计的变桨距控制方法；首先通过ELM学习风电机组在各风速下的PI控制器的稳态输出，然后采用训练后的ELM和比例控制器相结合的方法进行风电机组的变桨控制；本发明专利技术可以改善传统PI变桨距控制滞后的缺点,有利于风电机组输出功率的稳定。

Variable pitch control method based on steady state estimation of proportional-limit learning machine

To solve the problem of variable pitch control in wind power system, a variable pitch control method based on steady state estimation of proportional limit learning machine is proposed in the present invention. Firstly, the steady output of PI controller of wind power unit at various wind speeds is learned by ELM, and then the pitch control of wind power unit is carried out by combining the trained ELM and proportional controller; the traditional PI can be improved by the present invention. The lag of variable pitch control is beneficial to the stability of output power of wind turbines.

【技术实现步骤摘要】
基于比例-极限学习机稳态估计的变桨距控制方法
本专利技术涉及的是一种风力发电
的控制方法，具体地说，涉及一种基于比例-极限学习机稳态估计的变桨距控制方法。
技术介绍
风电机组变桨距系统通过桨距控制器，完成叶片节距角的控制，在切入风速以上到额定风速以下范围内时，保持风力机桨距角不变，通过改变电机转速使风力机运行在最佳叶尖速比下来实现最大风能跟踪控制；在额定风速以上到切出风速时，使转速维持在额定转速附近，通过调节桨距角使发电机组输出保持功率恒定，当风速大于切出风速时，进行停机保护。由于风速的随机性、风电机组参数的时变性，驱动大质量叶轮负载的惯性环节，使得变桨距控制系统具有参数非线性、参数时变性、滞后性等特点，造成风电机组输出功率的不稳定。
技术实现思路
技术问题：本专利技术提供了一种基于比例-极限学习机稳态估计的变桨距控制方法，利用极限学习机来给出风电机组在不同风况下的变桨控制信号的稳态值，再与比例控制器结合在一起进行变桨控制，用于改善传统PI变桨距控制滞后的缺点。技术方案：为了克服上述问题，将比例控制器和极限学习机算法相结合，，弥补传统方法的不足，使得系统响应快、控制精度高，具有良好的动态品质，保证风电机组正常、高效和可靠地运行。本专利技术提出的基于比例-极限学习机稳态估计的变桨距控制方法，其特征在于该变桨距控制系统采用极限学习机来给出传统PI变桨距控制器的稳态值，控制系统结构图如附图1所示，用风速风向传感器采集关于风速等数据信号，当风速信号超过额定值且满足风力机运行条件时，则启动风机的变桨距调节，控制系统分为两阶段，阶段实现如下：阶段1：先采用传统的PI控制器进行变桨距控制，采集风电机组在额定风速以上及切出风速以下风速数据xi，以及各风速对应的PI控制器的稳态输出值yi，用极限学习机来拟合出各风速与该额定风速下的PI控制器稳态输出值的关系。含有F个隐含神经元的单隐层前馈神经网络模型可表示为：式中：βi为第i个隐层节点的输出权重；ωi为第i个隐层节点的输入权重；g(x)表示激活函数；bi是第i个隐含层偏置。理想状态下，神经网络以零误差逼近训练样本，则要满足：由此可知存在bi、ωi和βi使得下式成立：上式用矩阵可表示为：Hβ＝y(4)H为隐含层输出矩阵，β为输出权重矩阵，y则为期望输出，H、β、y可用以下矩阵表示：ELM算法的训练过程等价为求解一个线性系统，其解为：其中H+是矩阵H的Moore-Penrose广义逆。通过求解，可以得到以风速为输入，以PI控制器稳态值为输出的极限学习机模型。将采集的数据中的80％作为训练样本，剩余20％作为测试样本，将风速xi作为极限学习机的输入，各风速所对应的PI控制器稳态输出值yi作为极限学习机的输出，具体步骤如下：Step1将xi和yi进行归一化处理,极限学习机的隐含层神经元个数设为k，设k＝0；Step2极限学习机的隐含层神经元个数k＝k+1,将归一化处理后数据放入极限学习机算法中进行训练；Step3计算训练后极限学习机的测试均方根误差，如果前次测试均方根误差减当前测试均方根误差小于设定的阈值δ且当前均方根误差小于预设值σ，则训练结束，否则返回step2。阶段2：将训练好的极限学习机用于变桨距控制，风速信号作为极限学习机的输入，极限学习机的输出即为PI控制器稳态值输出。为加快风电机组由暂态到稳态的过程，将风轮实际转速ω与风轮额定转速ωref相减，经比例控制器调节，输出信号再与极限学习机的输出相叠加，最后的叠加信号进入变桨距执行机构进行变桨控制，由此来稳定风轮的转速，同时保持发电机转矩恒定，实现风电机组的输出功率稳定。附图说明图1为基于比例-极限学习机稳态估计的变桨距控制系统结构图具体实施方式：以某型号2MW风电机组为例，其工作的额定风速为13m/s，切出风速为25m/s，选择训练时选取的风速数据xi为13m/s、13.1m/s、13.2m/s、13.3m/s…24.9m/s，选取风速xi所对应的PI控制器稳态输出值yi，将xi和yi作为极限学习机的训练数据，共129组数据，随机选择其中的103组作为训练数据，剩余的26组数据作为测试数据。用极限学习机来拟合出各风速与该额定风速下的PI控制器稳态输出值的关系。含有F个隐含神经元的单隐层前馈神经网络模型可表示为：式中：βi为第i个隐层节点的输出权重；ωi为第i个隐层节点的输入权重；g(x)表示激活函数；bi是第i个隐含层偏置。理想状态下，神经网络以零误差逼近训练样本，则要满足：由此可知存在bi、ωi和βi使得下式成立：上式用矩阵可表示为：Hβ＝y(4)H为隐含层输出矩阵，β为输出权重矩阵，y则为期望输出，H、β、y可用以下矩阵表示：ELM算法的训练过程等价为求解一个线性系统，其解为：其中H+是矩阵H的Moore-Penrose广义逆。通过求解，可以得到以风速为输入，以PI控制器稳态值为输出的极限学习机模型。将采集的数据中的80％作为训练样本，剩余20％作为测试样本，选取δ＝0.01，σ＝0.00,2，将风速xi作为极限学习机的输入，各风速所对应的PI控制器稳态输出值yi作为极限学习机的输出，具体步骤如下：Step1将xi和yi进行归一化处理,极限学习机的隐含层神经元个数设为k，设k＝0；Step2极限学习机的隐含层神经元个数k＝k+1,将归一化处理后数据放入极限学习机算法中进行训练；Step3计算训练后极限学习机的测试均方根误差，如果前次测试均方根误差减当前测试均方根误差小于设定的阈值δ且当前均方根误差小于预设值σ，则训练结束，否则返回step2。阶段2：将训练好的极限学习机用于变桨距控制，风速信号作为极限学习机的输入，极限学习机的输出即为PI控制器稳态值输出。为加快风电机组由暂态到稳态的过程，将风轮实际转速ω与风轮额定转速ωref相减，经比例控制器调节，输出信号再与极限学习机的输出相叠加，最后的叠加信号进入变桨距执行机构进行变桨控制，由此来稳定风轮的转速，同时保持发电机转矩恒定，实现风电机组的输出功率稳定。上述具体实现只是本专利技术的较佳实现而已，当然，本专利技术还可有其他多种实施例，在不背离本专利技术精神及其本质的情况下，熟悉本领域的技术人员当可根据本专利技术作为各种相应的改变和变形，但这些相应的改变和变形都应属于本专利技术的权利要求的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于比例‑极限学习机稳态估计的变桨距控制方法，其特征在于该变桨距控制系统采用极限学习机来给出传统PI变桨距控制器的稳态值。用风速传感器采集关于风速等数据信号，当风速信号超过额定值且满足风力机运行条件时，则启动风机的变桨距调节，控制系统分为两阶段，阶段实现如下：阶段1：先采用传统的PI控制器进行变桨距控制，采集风电机组在各额定风速以上及切出风速以下的风速xi及在该风速下的PI控制器的稳态输出值yi，xi作为极限学习机的输入，yi作为极限学习机的输出，用极限学习机来拟合出各风速与该额定风速下的PI控制器稳态输出值的关系。将采集的数据中的80％作为训练样本，剩余20％作为测试样本，将风速作为极限学习机的输入，各风速所对应的PI控制器稳态输出值作为极限学习机的输出，根据极限学习机的学习特点，初始神经元个数设为1，然后不断增加神经元个数，不断观察极限学习机在各神经元下的均方根误差，选择训练误差和测试误差都较小时所对应的神经元个数作为极限学习机最终确定的神经元个数。具体步骤如下：Step1将xi和yi进行归一化处理,极限学习机的隐含层神经元个数设为k，设k＝0；Step2极限学习机的隐含层神经元个数k＝k+1,将归一化处理后数据放入极限学习机算法中进行训练:ELM算法的训练过程等价为求解一个线性系统，其解为：...

【技术特征摘要】
1.一种基于比例-极限学习机稳态估计的变桨距控制方法，其特征在于该变桨距控制系统采用极限学习机来给出传统PI变桨距控制器的稳态值。用风速传感器采集关于风速等数据信号，当风速信号超过额定值且满足风力机运行条件时，则启动风机的变桨距调节，控制系统分为两阶段，阶段实现如下：阶段1：先采用传统的PI控制器进行变桨距控制，采集风电机组在各额定风速以上及切出风速以下的风速xi及在该风速下的PI控制器的稳态输出值yi，xi作为极限学习机的输入，yi作为极限学习机的输出，用极限学习机来拟合出各风速与该额定风速下的PI控制器稳态输出值的关系。将采集的数据中的80％作为训练样本，剩余20％作为测试样本，将风速作为极限学习机的输入，各风速所对应的PI控制器稳态输出值作为极限学习机的输出，根据极限学习机的学习特点，初始神经元个数设为1，然后不断增加神经元个数，不断观察极限学习机在各神经元下的均方根误差，选择训练误差和测试误差都较小时所对应的神经元个数作为极限学习机最终确定的神经元个数。具体步骤如下：Step1将xi和yi进行归一化处理,极限学习机的隐含层神经元个...

【专利技术属性】
技术研发人员：秦斌，王欣，陈金林，
申请(专利权)人：湖南工业大学，
类型：发明
国别省市：湖南,43