一种风剪切效应软测量方法技术

本专利提供了一种风剪切效应软测量方法，属于风力发电技术领域。本发明专利技术由锁相倍频器(10)、电磁转矩软测量(20)、转矩差软测量(30)和约束计算(40)组成。首先(10)输出倍频正弦和余弦分量给(20)、(30)；然后(20)、(30)采用基于自适应噪声对消原理的在线学习神经网络，分别通过风力发电机的输出电流i

A soft sensing method of wind shear effect

【技术实现步骤摘要】
一种风剪切效应软测量方法
风剪切效应软测量方法涉及机械转矩软测量，属于风力发电

技术介绍
风力发电是利用风力带动叶片旋转，通过发电机机械能转化为电能，本专利的应用对象以直驱式永磁同步发电机(PMSG)为例。在风场高空，风速会随垂直高度而改变：其中分别是高度Zn，Z0处的平均风速，α与地表结构及大气稳定层有关。因此叶片旋转时，扫过叶片各点的风速是不同的，会产生风剪切效应，运用叶素理论法对叶片进行微元化分析，得出风力机的n枚叶片机械转矩：其中A、B为相关常系数。由上式可以看出，若考虑风随高度变化，风力机产生的机械转矩由稳定分量和纹波分量组成，表示为其中，稳定分量来源于平均风速，纹波分量来源于风剪切效应且脉动频率为nω，ω为风轮机实测转速。这种现象不但会降低风力发电机的工作性能和塔使用寿命，而且会使发电产生功率脉动。因此精准测量风剪切效应转矩脉动，不仅可以科学评估其危害，也可以为其补偿控制提供依据。然而，目前还没有有效的方案测量周期性机械转矩脉动，既无法通过加装传感器直接测量；也无法通过测量不同高度的风速变化，结合叶素理论由上式得到机械转矩脉动；而且纹波分量频率低，一般滤波方法会存在较大误差和延时。
技术实现思路
为了测量出机械转矩脉动，进一步保证风力发电装置的安全可靠运行，本专利技术提出了风剪切效应软测量方法。本专利技术提出的风剪切效应软测量方法的原理是基于自适应噪声对消原理的在线学习人工神经网络，结合合理的人工神经网路拓扑结构及参数进行迭代学习，实现机械转矩脉动的在线实时测量。如附图1所示，本专利技术所述的软测量方法为：锁相倍频电路输出倍频正弦和余弦分量，作为人工神经网络的输入，结合参考项，经过迭代学习，输出最优权值再进行线性组合，整个系统自适应能力强，易于实现，效率高。本专利技术所涉及的风剪切软测量流程为：风机转速传感器设备向锁相倍频器(10)输入实时风轮机实时转速ω；如附图2所示，输入信号通过锁相电路(11)得到正弦信号sinωt，经再倍频(12)和移相(13)后得到正弦信号sinnωt和余弦信号cosnωt，其中n为风轮叶片数。电磁转矩软测量(20)中的人工神经网络(21)，如附图3(a)所示，输入{sinnωt，cosnωt，1}，对应权重为{w1s，w1c，w1}，参考项为风力发电机输出电流is，在线学习误差量与参考项is满足式：其中分别为风力发电机输出电流is稳定分量估计项、脉动分量估计项；神经网络的学习采用最小均方算法，用误差量来调节权重，公式为：其中，η为学习率(0＜η≤1)。经过若干次迭代，各权重逼近最优值，被线性组合(22)采用。如附图3(b)所示，(22)输入集合{sinnωt，cosnωt，1}，与(21)中的最优权重及附图5中的比例系数Kp4进行线性组合，输出公式为：其中，电磁转矩估计项、是电磁转矩脉动估计项，根据上式中其中为永磁体磁链，np为发电机极对数。转矩软测量(30)输入{sinnωt，cosnωt，1}，对应权重为{w2s，w2c，w2}，输出如附图4所示；参考项为转矩差ΔT，在线学习误差量eΔT与参考项ΔT满足式：为转矩差估计项；根据及附图5，确定参数T3，其中，J为转动惯量。神经网络的学习采用最小均方算法，用误差量来调节权重，公式为：其中，η为学习率(0＜η≤1)，经过若干次迭代，各权重逼近最优值。通过式：进行线性计算输出转矩差及其脉动的估计项如附图4所示，线性组合(40)输入接(20)输出的和(30)输出的做如下式的约束计算，输出得到机械转矩及其脉动的最优软测量值，测量出风剪切效应。附图说明下面结合附图和具体实施方式对本专利做进一步详细说明。图1为风剪切效应转矩转矩脉动软测量整体流程图。图2为图1中锁相倍频器内部流程图。图3(a)为电磁转矩软测量人工神经网络原理图。图3(b)为电磁转矩软测量线性组合流程图。图4为转矩差软测量原理图图5为风机转速控制框图。具体实施方式本专利技术公开了一种风剪切效应软测量方法，介绍了其基本组成和测量流程。所述基本组成包括标准的锁相倍频器，电磁转矩软测量，转矩差软测量及约束计算，各部分连接如图1所示，以直驱永磁同步发电系统为例，介绍该系统风剪切效应软测量的具体流程。风力发电系统实测转速传感器输出接入锁相倍频器和转矩差软测量，定子电流传感器输出接入电磁转矩软测量。给定初始权值，锁相倍频器输出的正弦和余弦分量接入电磁转矩软测量和转矩差软测量中。电磁转矩软测量和转矩差软测量中的在线学习神经网络经过若干次迭代学习，输出电磁转矩和转矩差的最优估计值。电磁转矩软测量和转矩差软测量的输出接入约束计算，进行等式计算输出机械转矩最优估计值，其脉动由正弦和余弦分量组成，权值分别对应它们的峰值。本专利技术的实际意义是：该风剪切效应软测量方法可应用于风力发电系统中实现实时机械转矩脉动测量，该技术方法运用了人工神经网络学习算法，拓扑结构简单，无需经过复杂冗余的导线线路，无需使用过多的设备就可实现高精确，高效率的在线软测量。对保证风力发电系统安全可靠运行具有重要意义。本文档来自技高网...

【技术保护点】
1.一种风剪切效应软测量方法，其特征在于：包括锁相倍频器(10)、电磁转矩软测量(20)、转矩差软测量(30)和约束计算(40)；(10)输出倍频正弦信号和余弦信号分量给(20)、(30)；(20)、(30)分别通过风力发电机的输出电流i

【技术特征摘要】
1.一种风剪切效应软测量方法，其特征在于：包括锁相倍频器(10)、电磁转矩软测量(20)、转矩差软测量(30)和约束计算(40)；(10)输出倍频正弦信号和余弦信号分量给(20)、(30)；(20)、(30)分别通过风力发电机的输出电流is和风轮的实测转速ω计算出电磁转矩、转矩差，再经(40)实现对风剪切效应的软测量。


2.权利要求1中所述(10)，其特征在于：包括锁相(11)、倍频(12)和移相(13)；输入实测风轮转速ω经锁相(11)得到sinωt，再经倍频(12)得到sinnωt最后经移相(13)得到cosnωt，其中，n为风轮叶片数。


3.权利要求1中所述(20)，其特征在于：包括基于自适应噪声对消原理的在线学习神经网络(21)、线性组合(22)；(21)输入集合为{sinnωt，cosnωt，1}，对应权重为{w1s，w1c，w1}，其在线...

【专利技术属性】
技术研发人员：李志勇，王欣，陈有根，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43