基于RBF和LSTM的风力发电机有效风速估计系统及方法技术方案

本发明专利技术提供一种基于RBF(径向基神经网络)和LSTM(长短期记忆神经网络)的风力发电机有效风速估计系统及方法。所述方法包含：风速采集系统，采集风场风速值；风机信息采集模块，采集风轮叶片偏转、风轮叶片扭转、风轮叶片桨距角、风轮气动功率和风轮角速度；风轮有效半径估计模块，根据采集的风轮叶尖偏转和风轮叶片扭转数据估计风轮有效半径；风机功率系数预测模块，根据采集的风轮叶片桨距角、风轮角速度、风场风速和估计的风轮有效半径预测风机功率系数；风机有效风速估计模块，根据采集的风轮气动功率、估计的风轮有效半径、预测的功率系数和前一时刻有效风速值估计风机当前有效风速和预测下一时刻有效风速。速和预测下一时刻有效风速。速和预测下一时刻有效风速。

【技术实现步骤摘要】
基于RBF和LSTM的风力发电机有效风速估计系统及方法


[0001]本专利技术涉及风力发电
，特别是一种基于RBF(径向基神经网络)和LSTM(长短期记忆神经网络)的风力发电机有效风速估计系统及方法。

技术介绍

[0002]目前，随着传统化石能源的枯竭以及其带来的环境恶化问题日益严重，新能源技术得到了国际社会的高度重视，加快发展可再生能源成为全球各国的解决环境和能源问题的必经之路，同时也是未来经济和技术发展的重中之重。风能作为技术最成熟、最具发展规模的清洁新能源，具有免费、清洁、无污染的特点。风力发电与大部分可再生能源发电技术相比有着很大竞争优势。在中国很多地区，风能资源十分丰富。发展风力发电，可以为国民经济发展提供重要保障，在国家能源格局中扮演着越来越重要的角色。
[0003]风速作为风力发电机的驱动力，在风力发电系统的控制设计中有着至关重要的作用。现有的大多数最大功率跟踪点控制算法就依赖于准确的有效风速信息；同时，风速也是俯仰角控制和不确定性扰动控制设计的增益调节参数。
[0004]通常，风速测量仪器大多装于风轮周围，以此提供风速数据。但由于风速测量仪器测量的是单点风速，不能充分测量风轮每一处的风速，因此无法提供准确的风速数据。除此之外，风轮尾流效应和塔影效应的存在也会对风力发电机实际转换的风能大小产生影响，从而降低风力发电系统的整体效率。由此可知，风力发电机实际有效风速值与测得的风速值存在偏差，并且这个偏差会对风力发电机的风能转化计算造成不容忽视的影响，进而影响整个风力发电系统的控制效果、发电效率和经济效益。因此，为了对风力发电系统进行精准的控制，需要对有效风速进行准确的估计和预测，以提高风力发电系统性能和增加风力发电经济效益。
[0005]近年来，许多研究者注意到风力发电机有效风速估计的意义，并对其进行了广泛的研究，但这需要对系统和风速有全面的了解。此外，大多数有效风速估计方法是基于准稳态功率系数映射，将桨距角和叶尖速比映射为风力发电机的功率系数C
p
(将该映射简称为C
p
面)。通常，C
p
面通过叶素动量理论计算,但这依赖于查找机翼表。此外，大多数研究中将C
p
面认为是确定不变的，但现实情况并非如此，尤其是采用柔性叶片的大型风力发电机。在实际应用中，柔性叶片的变形和风力发电机运行时大气环境的变化会对C
p
面造成显著影响。同时，叶片的侵蚀和风力发电机碎屑的堆积也会使C
p
面发生变化。因此，采用不变的C
p
面会使其与真实的C
p
面存在偏差，从而造成有效风速估计方法性能不佳。

技术实现思路

[0006]本专利技术的目的在于提供一种基于RBF(径向基神经网络)和LSTM(长短期记忆神经网络)的风力发电机有效风速估计系统及方法。由于在不同风况下柔性叶片会发生变形，进而导致风轮有效半径变化、功率系数不稳定等问题，本专利技术为克服这些问题，首先分别训练两个基于RBF的模型对有效半径进行估计和功率系数进行预测，其次在此基础上，训练基于
LSTM的有效风速估计模型。再根据实时采集的风机状态数据估计风机当前时刻有效风速，并预测下一时刻有效风速以利于风力发电系统控制。本专利技术通过RBF无限逼近有效半径和动态C
p
面，并通过LSTM处理与时间序列高度相关的有效风速估计问题，得到更为精准的有效风速估计值。
[0007]为了达到上述目的，本专利技术提供一种基于RBF和LSTM的风力发电机有效风速估计系统，包含风速采集系统、风机信息采集模块、风轮有效半径估计模块、风机功率系数预测模块、风机有效风速估计模块，具体如下：
[0008]风速采集系统，采集风场风速值；
[0009]风机信息采集模块，连接风力发电机，用于采集风轮叶片偏转、风轮叶片扭转、风轮叶片桨距角、风轮气动功率和风轮角速度；其中，风轮叶片偏转包括叶尖挥舞位移、叶尖边缘位移、叶片径向位移；
[0010]风轮有效半径估计模块，为经过学习训练的RBF模型，信号连接所述风机信息采集模块，根据采集的风轮叶尖偏转和风轮叶片扭转数据估计风轮有效半径；
[0011]风机功率系数预测模块，为经过学习训练的RBF模型，信号连接所述风机信息采集模块和风轮有效半径估计模块，根据采集的风轮叶片桨距角、风轮角速度、风场风速和估计的风轮有效半径预测风机功率系数；
[0012]风机有效风速估计模块，为深度学习模块，是经过学习训练的LSTM模型；其信号连接所述风机信息采集模块、风轮有效半径估计模块和风机功率系数预测模块，根据采集的风轮气动功率、估计的风轮有效半径、预测的功率系数和前一时刻有效风速值估计风机当前有效风速和预测下一时刻有效风速；
[0013]所述的风轮有效半径估计模块和风机功率系数预测模块均采用RBF模型，并均使用反向传播算法进行学习训练；风机有效风速估计模块采用LSTM模型，并使用经Adam算法优化的反向传播算法进行学习训练。
[0014]一种基于RBF和LSTM的风力发电机有效风速估计系统，采用本专利技术所述的基于RBF和LSTM的风力发电机有效风速估计方法实现的，包含步骤：
[0015]S1、风速采集系统采集风场的风速数据，作为风场的实时入流风速值v(t)；风机信息采集模块采集风力发电机的风轮叶片偏转u(t)、风轮叶片扭转γ(t)、风轮叶片桨距角β(t)、风轮气动功率P
a
(t)和风轮角速度ω(t)；t表示采样时间；
[0016]S2、风轮有效半径估计模块以风机信息采集模块中得到的风轮叶片偏转u(t)和风轮叶片扭转γ(t)作为已训练完成的风轮有效半径估计模型(以下简称为R
‑
Net)的输入，经过R
‑
Net计算得出t时刻的风轮有效半径估计值R
b
(t)；
[0017]S3、风机功率系数预测模块将风速采集系统中得到的入流风速值v(t)、风轮角速度ω(t)、桨距角β(t)和风轮有效半径估计值R
b
(t)作为已训练完成的风机功率系数C
p
预测模型(以下简称为C
p
‑
Net)的输入，经过C
p
‑
Net计算得出t时刻的风机功率系数预测值C
p
(t)；
[0018]S4、风机有效风速估计模块将风轮有效半径估计值R
b
(t)、风机功率系数预测值C
p
(t)、风轮气动功率P
a
(t)和t
‑
1时的有效风速估计值v
e
(t
‑
1)作为已训练完成的有效风速估计模型(以下简称为V
‑
Net)的输入，经过计算得到t时的有效风速估计值v
e
(t)和对t+1时的有效风速预测值v
p
(t)；
[0019]S5、将t更新为t+1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RBF和LSTM的风力发电机有效风速估计系统，其特征在于，包含风速采集系统、风机信息采集模块、风轮有效半径估计模块、风机功率系数预测模块、风机有效风速估计模块；风速采集系统，采集风场风速值；风机信息采集模块，连接风力发电机，用于采集风轮叶片偏转、风轮叶片扭转、风轮叶片桨距角、风轮气动功率和风轮角速度；其中，风轮叶片偏转包括叶尖挥舞位移、叶尖边缘位移、叶片径向位移；风轮有效半径估计模块，为经过学习训练的RBF模型，信号连接所述风机信息采集模块，根据采集的风轮叶尖偏转和风轮叶片扭转数据估计风轮有效半径；风机功率系数预测模块，为经过学习训练的RBF模型，信号连接所述风机信息采集模块和风轮有效半径估计模块，根据采集的风轮叶片桨距角、风轮角速度、风场风速和估计的风轮有效半径预测风机功率系数；风机有效风速估计模块，为深度学习模块，是经过学习训练的LSTM模型；其信号连接所述风机信息采集模块、风轮有效半径估计模块和风机功率系数预测模块，根据采集的风轮气动功率、估计的风轮有效半径、预测的功率系数和前一时刻有效风速值估计风机当前有效风速和预测下一时刻有效风速；所述风轮有效半径估计模块和风机功率系数预测模块均采用RBF模型，并均使用反向传播算法进行学习训练；风机有效风速估计模块采用LSTM模型，并使用经Adam算法优化的反向传播算法进行学习训练。2.一种基于RBF和LSTM的风力发电机有效风速估计方法，采用如权利要求1所述的基于RBF和LSTM的风力发电机有效风速估计系统实现的，其特征在于，包含步骤：S1、风速采集系统采集风场的风速数据，作为风场的实时入流风速值v(t)；风机信息采集模块采集风力发电机的风轮叶片偏转u(t)、风轮叶片扭转γ(t)、风轮叶片桨距角β(t)、风轮气动功率P
a
(t)和风轮角速度ω(t)；t表示采样时间；S2、风轮有效半径估计模块以风机信息采集模块中得到的风轮叶片偏转u(t)和风轮叶片扭转γ(t)作为已训练完成的风轮有效半径估计模型(以下简称为R
‑
Net)的输入，经过R
‑
Net计算得出t时刻的风轮有效半径估计值R
b
(t)；S3、风机功率系数预测模块将风速采集系统中得到的入流风速值v(t)、风轮角速度ω(t)、桨距角β(t)和风轮有效半径估计值R
b
(t)作为已训练完成的风机功率系数C
p
预测模型(以下简称为C
p
‑
Net)的输入，经过C
p
‑
Net计算得出t时刻的风机功率系数预测值C
p
(t)；S4、风机有效风速估计模块将风轮有效半径估计值R
b
(t)、风机功率系数预测值C
p
(t)、风轮气动功率P
a
(t)和t
‑
1时的有效风速估计值v
e
(t
‑
1)作为已训练完成的有效风速估计模型(以下简称为V
‑
Net)的输入，经过计算得到t时的有效风速估计值v
e
(t)和对t+1时的有效风速预测值v
p
(t)；S5、将t更新为t+1，进入步骤S1。3.如权利要求2所述的基于RBF和LSTM的风力发电机有效风速估计方法，其特征在于，步骤S1所述风速采集系统采集风场的风速数据，风机信息采集模块采集风力发电机的风轮叶片偏转u(t)、风轮叶片扭转γ(t)、风轮叶片桨距角β(t)、风轮气动功率P
a
(t)和风轮角速度ω(t)，具体包含：
S11、风速采集系统通过风速测量仪器采集风场实时风速，取多个测量值的平均值作为入流风速v(t)，t表示采样时间；S12、风机信息采集模块通过测量仪器采集风轮叶片偏转u(t)，其中风轮叶片偏转u(t)包括叶片叶尖挥舞位移u
x
(t)、叶片叶尖边缘位移u
y
(t)、叶片径向位移u
z
(t)，即u(t)＝{u
x
(t)，u
y
(t)，u
z
(t)}；其中，下标x，y，z表示以空间坐标方向区别叶片不同方向的偏转；S13、风机信息采集模块通过相关测量仪器采集风轮叶片扭转γ(t)、风轮叶片桨距角β(t)、风轮气动功率P
a
(t)和风轮角速度ω(t)；其中，P
a
整体表示气动功率，下标a表示风轮气动功率是基于空气动力学计算，以此对变量进行命名。4.如权利要求2所述的基于RBF和LSTM的风力发电机有效风速估计方法，其特征在于，步骤S2中已训练完成的风轮有效半径估计模型(R
‑
Net)的具体训练学习过程包含：S21、通过风轮有效半径的训练数据集(N
r
为的样本数，k＝1，2，3，...，N
r
)训练R
‑
Net，其中k为样本序号，变量中的下标r表示对应变量是与R
‑
Net有关的变量，下同；x
r
(k)＝(u
x
(k)，u
y
(k)，u
z
(k)，γ(k))为R
‑
Net输入值，y
r
(k)为R
‑
Net目标输出值，即风轮有效半径参考值；经过计算得到R
‑
Net输出值即风轮有效半径估计值R
b
(t)；其中，R
b
整体表示风轮有效半径估计值，使用下标b与其他中间半径变量作区别，中的“^”表示该变量是经神经网络计算得到的估计值，下同；S22、R
‑
Net的样本估计误差为：并将R
‑
Net待最小化的目标函数定义为：S23、设定R
‑
Net权值更新规则为：c
r
(k+1)＝c
r
(k)
‑
Δc
r
(k)，σ
r
(k+1)＝σ
r
(k)
‑
Δσ
r
(k)，W
r
(k+1)＝W
r
(k)
‑
ΔW
r
(k)；根据所述R
‑
Net权值更新规则迭代更新R
‑
Net权值；所述R
‑
Net权值更新规则是根据反向传播算法得来的；反向传播算法是适合于多层神经元网络的一种学习算法，它主要由两个环节(激励传播、权重更新)反复循环迭代，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，直到网络的对输入的响应达到预定的目标范围为止；c
r
(k)和σ
r
(k)分别为第k个样本训练时R
‑
Net隐藏神经元径向基函数Φ
r
(
·
)的中心和宽度，Δc
r
(k)和Δσ
r
(k)是第k个样本训练时中心和宽度的改变值；W
r
(k)为第k个样本训练时R
‑
Net隐藏层到输出层的全连接层权值矩阵，ΔW
r
(k)是权值矩阵的改变值；具体公式为：(k)是权值矩阵的改变值；具体公式为：其中，l
c
是径向基...

【专利技术属性】
技术研发人员：陈芃，韩德志，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：