一种基于BLS的风电机组智能恒功率控制方法技术

本发明专利技术公开了一种基于BLS的风电机组智能恒功率控制方法。获取机组某段时间内的有效风速信息和对应时间段的与有效风速相关的机组输出数据，去除获取到的机组输出数据中的相关性并进行归一化操作，构造BLS的训练集，使用该训练集确定BLS的结构和参数，得到风速估计模型，该模型在线给出有效风速值，进而将机组动态分解为非线性部分和不确定部分，使用风速估计值对非线性部分设计非线性补偿器，最终给出恒功率控制器的表达式。该方法设计过程简单，能够一定程度上减小了桨距系统的机械载荷，实施成本低，需要调试的参数少，相比于目前工业上采用的恒功率控制器，能够提高发电功率调节效果，改善机组发电质量。

An intelligent constant power control method of wind turbine based on BLS

【技术实现步骤摘要】
一种基于BLS的风电机组智能恒功率控制方法
本专利技术涉及风力发电机组控制
，特别涉及一种基于BLS的风电机组智能恒功率控制方法。
技术介绍
大力发展可再生能源发电，已经成为世界各国应对环境污染问题和化石能源短缺危机的重要手段。作为技术最为成熟和应用前景最为光明的新能源发电方式，风力发电近年来在世界范围内得到了快速发展。控制系统是风力发电技术的核心环节，由于机组自身结构和运行环境的复杂性，风电控制仍然是一个具有挑战性的研究课题。当风速大于额定风速而小于切出风速(高风速运行区域)时，为了保证机组的安全可靠运行，减小大风对机组的冲击，风电系统的主要控制目标是将发电功率维持在其额定值。在风电机组的高风速运行区域，一般的控制规则是设置发电机电磁转矩为额定值，而通过调节桨距角的大小来实现控制目标。根据发电机电磁转矩、风轮转速和发电功率之间的数学关系，当电磁转矩设置为定值时，当风轮转速维持在额定值时，发电功率随之维持在额定值。因此，风电系统高风速运行区域的恒功率控制目标转化为控制风轮转速维持在额定值。为实现风电系统高风速运行区域的控制目标，目前工业上普遍采用变参数PID控制器。由于目前风电系统模型辨识技术并不成熟，而风电系统又具有很强的非线性，因此，变参数PID控制算法的参数表的确定过程耗时费力，往往需要在某些工作点对风电机组进行线性化，进而再根据极点配置方法确定PID控制算法的参数。线性化过程所丢失的模型的非线性信息，必然会影响其控制效果。因此，若在控制算法中通过引入风速信息而对模型的非线性部分进行补偿，将会提升恒功率控制效果。在风电工业中，通过激光雷达测风装置能够获得风轮的有效风速信息，然而，激光雷达测风装置十分昂贵，风电工业目前的利润难以支撑为风场的每台机组都配备如此昂贵的设备。本专利技术针对现有风电机组恒功率控制器存在的问题，使用基于BLS(宽度学习系统)的风速估计方法代替昂贵的雷达测风装置，进而得到系统的非线性部分补偿器，该补偿器与PI算法相结合得到最终的恒功率控制器，能够提高功率调节效果，提高风电并网质量。
技术实现思路
为了提高风电机组的恒功率调节效果，解决现有恒功率控制算法由于未考虑模型非线性导致的控制效果差的问题，本专利技术提供一种实现成本低、控制参数调试简单的风电机组恒功率控制算法，该方法能够提高发电质量。本专利技术解决其技术问题所采用的技术方案是：一种基于BLS的风电机组智能恒功率控制方法，该方法包括以下步骤：(1)获取机组某段时间内的有效风速信息记为V，V是BLS训练目标集，获取对应时间段内的与有效风速信息相关的机组输出数据，并去除获取到的机组输出数据中的相关性，得到去除相关性后的数据；(2)对步骤(1)获得的去除相关性后的数据进行归一化处理，得到BLS的训练特征集X中的列分量，构造BLS的训练特征集X，训练特征集X和训练目标集V共同构成BLS的训练集；(3)构造BLS，BLS包括n个特征节点组、m个增强节点以及1个输出节点，使用步骤(2)获得的BLS的训练集确定BLS的结构和参数；具体步骤如下：(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；(3.2)使用稀疏自编码的解对训练集进行特征提取，得到BLS特征节点组的输入，进而得到BLS特征节点组的输出；(3.3)将BLS的特征节点组的输出，输入到BLS的增强节点中，得到BLS的增强节点的输出；(3.4)将BLS的n个特征节点组和m个增强节点与BLS的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的BLS；(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的BLS中，计算得到有效风速估计值；(5)将机组的风轮转速动态模型分解为非线性部分和不确定部分，如下：其中是非线性部分，β是桨距角,ωr为风轮转速，获取到有效风速估计值后，可计算出Δ是不确定部分，可使用PI环节进行补偿。(6)根据计算出的风轮转速动态特性的非线性部分，并将机组的风轮转速动态模型的不确定部分使用比例积分项进行补偿，得到恒功率控制器表达式为：其中，为有效风速估计值，KP,KI＞0是需要选取的比例积分参数；β是桨距角，e为风轮转速调节误差，求解公式如下：e＝ωr-ωd，其中，ωd为风轮转速额定值；ωr为风轮转速。并使用PSO算法优化选取KP和KI的值，适应度函数选择为功率调节误差的标准差，粒子规模取为20，进化代数选择为200。进一步地，所述步骤(1)中，机组某段时间内的有效风速信息通过激光雷达测风装置获得，使用SCADA系统记录对应T时间段内的与有效风速信息相关的机组输出数据X′＝[x′(i,j)],i＝1,...,l,j＝1,...,6，其中x′(i,j)是SCADA系统的一次采样输出，其表达式为：其中，β是桨距角，是桨距角变化率，afa是塔架前后加速度，vfa是塔架前后速度，xfa是塔架前后位移，Ra是风轮角位移。进一步地，所述步骤(1)中，采用PCA算法去除获取到的机组输出数据中的相关性，具体步骤包括：对机组输出数据进行去中心化处理，即X′的每一列数据均减去各自的均值，；计算协方差矩阵；计算协方差矩阵的特征值和特征向量；将特征向量按照特征值从大到小按列排序，并取前3列组成矩阵P；将数据X′投影到矩阵P中，得到去除相关性后的数据X″＝[x″(i,:)]。进一步地，所述步骤(2)中，归一化处理的具体操作为：其中，x″(:,j)表示X″中的列分量，μ(j)和σ(j)分别是x″(:,j)的均值和标准差，x(:,j)组成BLS的训练特征集X中的列分量。进一步地，所述步骤(3.1)具体为：使用稀疏自编码网络对训练集X进行特征提取，所述稀疏自编码网络是包括输入层(包含3个节点)、隐含层(包含12个节点)和输出层(包含3个节点)的神经网络，进一步，求解如下的稀疏自编码优化问题：其中Z＝ψ(XW+B)是所述稀疏自编码隐含层的输出，W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||2和||·||1分别表示矩阵的1范数和2范数，W1是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题，得到稀疏自编码的解Wf。进一步地，所述步骤(3.2)具体为：使用稀疏自编码的解Wf对训练集X进行特征提取，得到BLS第i个特征节点组的输入XWf+Bfi，其中Bfi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出Zi可以表示为：Zi＝φ1i(XWf+Bfi)，其中φ1i是第i个特征节点组的激活函数，取为函数y＝x，BLS的n个特征节点组的输出记为：Z1＝[Z1,...,Zi,...,Zn]。进一步地，所述步骤(3.3)具体为：将所述BLS的n个特征节点组的输出Z1输入到BL本文档来自技高网...

【技术保护点】
1.一种基于BLS的风电机组智能恒功率控制方法，其特征在于，该方法包括以下步骤：/n(1)获取机组某段时间内的有效风速信息记为V，V是BLS训练目标集，获取对应时间段内的与有效风速信息相关的机组输出数据，并去除获取到的机组输出数据中的相关性，得到去除相关性后的数据；/n(2)对步骤(1)获得的去除相关性后的数据进行归一化处理，得到BLS的训练特征集X中的列分量，构造BLS的训练特征集X，训练特征集X和训练目标集V共同构成BLS的训练集；/n(3)构造BLS，BLS包括n个特征节点组、m个增强节点以及1个输出节点，使用步骤(2)获得的BLS的训练集确定BLS的结构和参数；具体步骤如下：/n(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；/n(3.2)使用稀疏自编码的解对训练集进行特征提取，得到BLS特征节点组的输入，进而得到BLS特征节点组的输出；/n(3.3)将BLS的特征节点组的输出，输入到BLS的增强节点中，得到BLS的增强节点的输出；/n(3.4)将BLS的n个特征节点组和m个增强节点与BLS的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的BLS；/n(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的BLS中，计算得到有效风速估计值；/n(5)将机组的风轮转速动态模型分解为非线性部分和不确定部分，如下：/n...

【技术特征摘要】
1.一种基于BLS的风电机组智能恒功率控制方法，其特征在于，该方法包括以下步骤：
(1)获取机组某段时间内的有效风速信息记为V，V是BLS训练目标集，获取对应时间段内的与有效风速信息相关的机组输出数据，并去除获取到的机组输出数据中的相关性，得到去除相关性后的数据；
(2)对步骤(1)获得的去除相关性后的数据进行归一化处理，得到BLS的训练特征集X中的列分量，构造BLS的训练特征集X，训练特征集X和训练目标集V共同构成BLS的训练集；
(3)构造BLS，BLS包括n个特征节点组、m个增强节点以及1个输出节点，使用步骤(2)获得的BLS的训练集确定BLS的结构和参数；具体步骤如下：
(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；
(3.2)使用稀疏自编码的解对训练集进行特征提取，得到BLS特征节点组的输入，进而得到BLS特征节点组的输出；
(3.3)将BLS的特征节点组的输出，输入到BLS的增强节点中，得到BLS的增强节点的输出；
(3.4)将BLS的n个特征节点组和m个增强节点与BLS的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的BLS；
(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的BLS中，计算得到有效风速估计值；
(5)将机组的风轮转速动态模型分解为非线性部分和不确定部分，如下：



其中是非线性部分，β是桨距角,ωr为风轮转速，获取到有效风速估计值后，可计算出Δ是不确定部分，可使用PI环节进行补偿。
(6)根据计算出的风轮转速动态特性的非线性部分，并将机组的风轮转速动态模型的不确定部分使用比例积分项进行补偿，得到恒功率控制器表达式为：



其中，为有效风速估计值，KP,KI＞0是需要选取的比例积分参数；β是桨距角，e为风轮转速调节误差，求解公式如下：e＝ωr-ωd，其中，ωd为风轮转速额定值；ωr为风轮转速。并使用PSO算法优化选取KP和KI的值，适应度函数选择为功率调节误差的标准差，粒子规模取为20，进化代数选择为200。


2.根据权利要求1所述的一种基于BLS的风电机组智能恒功率控制方法，其特征在于，所述步骤(1)中，机组某段时间内的有效风速信息通过激光雷达测风装置获得，使用SCADA系统记录对应T时间段内的与有效风速信息相关的机组输出数据X'＝[x'(i,j)],i＝1,...,l,j＝1,...,6，其中x'(i,j)是SCADA系统的一次采样输出，其表达式为：



其中，β是桨距角，是桨距角变化率，afa是塔架前后加速度，vfa是塔架前后速度，xfa是塔架前后位移，Ra是风轮角位移。


3.根据权利要求1所述的一种基于BLS的风电机组智能恒功率控制方法，其特征在于，所述步骤(1)中，采用PCA算法去除获取到的机组输出数据中的相关性，具体步骤包括：对机组输出数据进行去中心化处理，即X'的每一列数据均减去各自的均值，计算协方差矩阵；计算协方差矩阵的特征值和特征向量；...

【专利技术属性】
技术研发人员：杨秦敏，焦绪国，陈积明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33