【技术实现步骤摘要】
一种基于深度确定性策略梯度补偿的变桨距控制方法
本专利技术属于风力发电控制领域，具体涉及一种基于深度确定性策略梯度补偿的变桨距控制方法。
技术介绍
风电经过近十年的发展，风电已经成为继火电、水电之后的第三大能源。在风力发电过程中，为了保证大中型风力发电机组在不同的风速区间内达到相应的输出需求，通常采用变桨距控制方式，即通过控制风轮桨叶桨距角而改变风力机的风能利用系数，使得风轮捕获到的风能得到控制，最终使风力机组输出功率满足需求。通过桨距角控制器完成叶片节距角的控制，在风速逐渐进入切入风速时，桨距角减小，风轮叶片产生一定力矩使风轮叶片开始旋转；在风速大于切入风速而小于额定风速时，保持风力机桨距角不变，通过使风力机运行在最佳转矩来实现最大风能跟踪控制；在风速大于额定风速而小于切出风速时，使转矩维持在额定转矩附近，通过调节桨距角使发电机输出保持功率恒定；当风速大于切出风速时，进行停机保护。通常风速在额定风速上下波动时，桨距角控制反复切换，控制系统无法及时在很功率阶段跟踪功率参考曲线而使得发电机输出功率波动较大，增加了变桨距机构的疲劳性，缩短了其使用寿命。由于风速的间歇性...
【技术保护点】
1.一种基于深度确定性策略梯度补偿的变桨距控制方法，其特征在于，包括以下步骤：步骤一，给定设计指标确定功率参考值
【技术特征摘要】
1.一种基于深度确定性策略梯度补偿的变桨距控制方法，其特征在于，包括以下步骤：步骤一，给定设计指标确定功率参考值的表达式；步骤二，将功率参考值应用于PI调节器，并通过仿真模型调试比例增益kpβ和积分增益kiβ；步骤三，根据设计指标设定DDPG补偿器的参数，并构建奖励函数r(t)，设置奖励为同步发电机输出功率跟踪参考值的误差和误差变化率的函数；步骤四，将步骤三中的DDPG补偿器的参数应用于步骤二的仿真模型，即实现发电机稳定地输出功率。2.跟权利要求1所述的一种基于深度确定性策略梯度补偿的变桨距控制方法，其特征在于，步骤一中，根据空气密度ρ、切入风速Vwin、额定风速Vwrate和切出风速Vwout以及风轮半径R，确定功率随风速变化的曲线；根据功率随风速变化的曲线，结合实际情况确定功率参考值开始平滑过渡时对应的风速偏移量ΔVsmooth，并利用函数拟合额定风速附近的功率曲线并替换，其中，a＞0表示为增函数，a＜0表示为减函数，|a|越大则函数爬升或下降越快，b表示在横轴上离0的偏移量，c表示在纵轴上离0的偏移量，c和d共同确定了函数的值域[c，d]；再将功率参考表达式计算的值通过滑动窗口为T的滑动平均函数得到功率参考值设置DDPG补偿器的探索空间大小var、探索安全系数k和补偿器进入稳态时的搜索阈值εv，当探索空间大小大于搜索阈值εv，最终的功率参考值为乘以1-k，0＜k＜1；若探索空间大小小于或等于搜索阈值εv，则功率参考值为3.跟权利要求1所述的一种基于深度确定性策略梯度补偿的变桨距控制方法，其特征在于，步骤二中，PI调节器形式如下：其中，βPI是PI调节器的输出信号，kpβ是比例增益，kiβ是积分增益，是功率参考值，Ps是功率测量值，t是时间。4.跟权利要求1所述的一种基于深度确定性策略梯度补偿的变桨距控制方法，其特征在于，步骤三中，DDPG补偿器的参数包括状态观测量s(t)、补偿信号的增益ab、神经网络参数软替换系数τ、探索空间递减系数qv、补偿器记忆空间大小MN、抽取学习样本数量ML以及actor评估神经网络、actor目标神经网络、critic评估神经网络、critic目标神经网络和一个记忆库，actor目标神经网络和critic目标神经网络只进行复制更新；actor评估神经网络的层数为La和critic评估神经网络中状态网络层数为critic评估神经网络中动作网络的层数为critic评估神经网络中状态网络层数和动作网络合并后的网络层数为Lc；actor评估神经网络每层神经元的个数为Nai，i＝1，...，La，critic评估神经网络每层神经元的个数为critic评估神经网络中动作网络每层神经元的个数为critic评估神经网络中状态网络层数和动作网络合并后的每层神经元的个数为Nci，i＝1，...，Lc...
【专利技术属性】
技术研发人员：郭尧，刘增，刘进军，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61
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。