一种风电机组数据驱动模型预测控制方法技术

一种新的数据驱动模型预测控制方法，其采用两阶段模糊曲线方法从风电场中所获得的输入变量中给出各输入变量与输出之间的关联度权重，根据输入变量指标快速选择出重要的输入变量,然后采用模糊聚类和高斯型隶属函数确定模糊模型前提参数，采用递推最小二乘辨识出模糊模型结论参数；利用辨识得到的模型去参与数据驱动模型预测控制，使得风电场能够顺利进行一次调频，完成了用于风电场频率控制的MPC问题，可以快速得到较为准确的解。可以快速得到较为准确的解。可以快速得到较为准确的解。

【技术实现步骤摘要】
一种风电机组数据驱动模型预测控制方法


[0001]本专利技术涉及一种风电场自动发电控制策略，特别是涉及一种风电机组数据驱动模型预测控制方法。

技术介绍

[0002]随着全球对气候变化问题和能源危机的关注，风能经历了近十年的快速但相当稳定的增长。我国风能资源丰富，目前中国风电技术的开发取得了巨大进步。但中国的风能资源开发利用仍然存在着诸多问题。
[0003]随着风力发电对电网的渗透不断地增加，这给电力系统安全稳定运行带来了一系列的挑战，尤其是在有功功率控制方面。风电场调频的目的是当电网频率发生变化时，同步发电机会响应这种变化，风电场也会迅速改变其输出有功功率并参与频率恢复过程。与同步发电机相比，由于风的随机性，风电场的频率调节将更难以实现
[0004]双馈式风力发电机(DFIG)是风电行业中使用最广泛的机型。其基本原理是通过电子变换技术调节风电机组的输出与电网同步，实现转子转速和电网频率的解耦，避免了对转子转速的苛刻要求。通过转子侧变流器控制转子电压，可以在一定程度上单独控制DFIG的有功和无功功率输出，但也无法响应系统频率的变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场数据驱动模型预测控制方法，其特征在于：步骤一：定义风力发电机的控制模型；步骤二：根据重要性筛选输入变量；对于输入变量相互依赖性较强的情况，适合两阶段模糊曲线，分为两个阶段，分别求出两阶段的性能指标函数，然后再将两阶段指标结合并按降序排列，根据重要性指数选择重要的输入变量；步骤三：获取模糊C
‑
均值聚类中心；根据对风电系统的分析确定初始模糊聚类数c，然后按随机数发生器给聚类中心矩阵赋初值，利用随机数发生器给聚类中心矩阵v赋初值，然后根据模糊
‑
C均值算法分别计算聚类中心和模糊隶属度函数矩阵，根据循环停止条件获得最后的聚类中心，并以此作为高斯型函数的中心；步骤四：获取前件隶属函数；与高斯型隶属度函数结合对前提参数进行辨识,将得到聚类中心作为高斯函数的中心；选择合适的高斯函数宽度，获取前件隶属函数；步骤五：采用最小二乘算法对结论参数进行辨识；步骤六：实现风电场频率控制；实现在风电场参与频率响应的过程中，期望风电场的有功输出功率遵循系统要求的由速度下垂特性计算出的时间功率偏差顺序，并监视和动态优化每台风机的内部状态，即转子速度，以降低其波动水平。2.根据权利要求1所述的风电场数据驱动模型预测控制方法，其特征在于，步骤一中：控制目标是使双馈式风力发电机在频率响应过程中的转速波动平滑，双馈式风力发电机的动态控制模型为：w
r,k+1
＝f(w
r,k
,u
k
)其中w
r,k
表示k时双馈式风力发电机的转子速度，而u
k
的定义为：u
k
＝[P
ref,k v
m,k
]
T
P
ref，k
子速是有功功率基准和v
m，k
是当时当地的风速。3.根据权利要求1所述的风电场数据驱动模型预测控制方法，其特征在于，步骤二中：第1阶段的模糊曲线基于最重要的输入对逼近输出起主要作用，假设模糊系统有M个可能的输入：x1,x2,
…
,x
M
,一个输出y，以及N个输入输出数据对；对于每个输入变量x
i
，定义空间x
i
‑
y中的高斯隶属度函数为其中x
ki
表示x
i
‑
y空间中的一个数据点，b
i
为高斯函数宽带；根据上述可以为每个输入x
i
建立一个模糊曲线建立一个模糊曲线其中模糊曲线可以看作y
k
的局部加权平均值，局部邻域的大小由b
i
决定；以上式得到的数...

【专利技术属性】
技术研发人员：叶林，冯翔宇，周峰，屠劲林，王建国，王介昌，陈兆圣，吴伯双，梁思超，张琪，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：