本申请涉及风电技术领域，公开了一种风电机组激光雷达的控制方法、装置及介质，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过BP神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响仍能准确预测风速，提升风机控制效果。此外，通过BP神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，避免风轮转速超速，降低发电量的损失。降低发电量的损失。降低发电量的损失。
【技术实现步骤摘要】
一种风电机组激光雷达的控制方法、装置及介质
[0001]本申请涉及风电
，特别是涉及一种风电机组激光雷达的控制方法、装置及介质。
技术介绍
[0002]激光雷达是利用激光来进行探测的遥感设备，而激光雷达前馈控制技术是利用控制式激光雷达对风机控制策略进行优化，以降低载荷，提高风机的适用性和电量，并延长风机的使用寿命。因此，激光雷达前馈控制技术对于风电发展至关重要。
[0003]目前，在激光雷达前馈控制中，由于激光雷达装置安装在机舱末端，测得的风速受叶片旋转的影响，因此，无法代表轮毂附近的真实风速。也就是说，由于叶片旋转等因素的影响导致预估风速不准确，进而降低风机的控制效果。
[0004]此外，在激光雷达前馈控制中，由于可变增益PI算法采用速度反馈的方式，因此变桨不能提前动作，需要风吹到时才能变桨，这会导致发电机转速的变化滞后于风速的变化，进而导致发电机转速波动较大，出现风轮转速超速的问题，当发电机转速达到极限，风力涡轮机将因超速而停机，造成发电量的损失。
[0005]由此可见，如何解决叶片旋转等因素导致的预估风速不准确，提高估算来风到达轮毂的风速，提升风机控制效果，同时，解决风轮转速超速的问题，是本领域技术人员亟待解决的问题。
技术实现思路
[0006]本申请的目的是提供一种风电机组激光雷达的控制方法、装置及介质，解决叶片旋转等因素导致的预估风速不准确，提高估算来风到达轮毂的风速，提升风机控制效果，同时，解决风轮转速超速的问题。
[0007]为解决上述技术问题，本申请提供一种风电机组激光雷达的控制方法，包括：
[0008]获取初始预估风速；
[0009]通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；
[0010]对各所述最优估计值进行计算得到预期桨距角增量；
[0011]通过BP神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；
[0012]将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。
[0013]优选地，所述通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值包括：
[0014]根据预先建立的参考坐标系构建激光雷达测风模型；
[0015]将所述激光雷达测风模型转化为离散化状态空间方程；
[0016]依据所述离散化状态空间方程和所述初始预估风速对下一状态的风速进行预测得到所述最优估计值。
[0017]优选地，在得到所述最优估计值之后还包括：
[0018]基于正定矩阵对所述最优估计值进行优化。
[0019]优选地，所述通过BP神经网络对所述预期桨距角增量进行修正得到目标桨距角增量包括：
[0020]通过预设重构法构造神经网络训练样本；
[0021]对所述BP神经网络中的隐含层和输出层进行计算；
[0022]按照误差梯度下降的方式对所述BP神经网络的权值进行调节，并更新所述隐含层和所述输出层的阈值；
[0023]在构造雅可比矩阵后，根据所述雅可比矩阵计算得到所述目标桨距角增量。
[0024]优选地，在所述对所述BP神经网络中的隐含层和输出层进行计算之前还包括：
[0025]分别对所述BP神经网络的输入层、所述隐含层和所述输出层进行初始化。
[0026]优选地，所述预设重构法为相空间重构法。
[0027]优选地，所述激光雷达为连续波激光雷达。
[0028]为了解决上述技术问题，本申请还提供了一种风电机组激光雷达的控制装置，包括：
[0029]获取模块，用于获取初始预估风速；
[0030]滤波模块，用于通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；
[0031]计算模块，用于对各所述最优估计值进行计算得到预期桨距角增量；
[0032]修正模块，用于通过BP神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；
[0033]叠加模块，用于将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。
[0034]为了解决上述技术问题，本申请还提供了一种风电机组激光雷达的控制装置，包括存储器，用于存储计算机程序；
[0035]处理器，用于执行所述计算机程序时实现所述的风电机组激光雷达的控制方法的步骤。
[0036]为了解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时所述的风电机组激光雷达的控制方法的步骤。
[0037]本专利技术所提供的一种风电机组激光雷达的控制方法，包括：获取初始预估风速，并通过卡尔曼滤波对获取的初始预估风速进行滤波，以便修正初始预估风速得到最优估计值。然后，对各最优估计值进行计算得到预期桨距角增量，并通过BP神经网络对预期桨距角增量进行修正得到目标桨距角增量，将目标桨距角增量叠加至给定桨距角增量以输出实际转速。由此可见，本申请所提供的技术方案，通过卡尔曼滤波对激光雷达的风速不断进行预测和优化，保证激光雷达即使有叶片遮挡等影响，仍能准确预测风速，提升风机控制效果。此外，通过BP神经网络对预期桨距角增量进行修正，实现对桨距角增量的实时调节，即，实现对变桨的控制，避免风轮转速超速，降低发电量的损失。
[0038]此外，本申请还提供一种风电机组激光雷达的控制装置和介质，与上述的风电机组激光雷达的控制方法相对应，效果同上。
附图说明
[0039]为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本申请实施例所提供的一种风电机组激光雷达的控制方法的流程图；
[0041]图2为本申请实施例所提供的另一种风电机组激光雷达的控制方法的示意图；
[0042]图3为本申请实施例所提供的一种参考坐标系的示意图；
[0043]图4为本申请另一实施例所提供的一种风电机组激光雷达的控制方法的流程图；
[0044]图5为本申请另一实施例所提供的一种风电机组激光雷达的控制方法的流程图；
[0045]图6为本申请实施例所提供的一种BP神经网络的示意图；
[0046]图7为本申请实施例所提供的一种风电机组激光雷达的控制装置的结构图；
[0047]图8为本申请另一实施例提供的一种风电机组激光雷达的控制装置的结构图。
具体实施方式
[0048]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
[0049]本申请的核心是提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风电机组激光雷达的控制方法，其特征在于，包括：获取初始预估风速；通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值；对各所述最优估计值进行计算得到预期桨距角增量；通过BP神经网络对所述预期桨距角增量进行修正得到目标桨距角增量；将所述目标桨距角增量叠加至给定桨距角增量以输出实际转速。2.根据权利要求1所述的风电机组激光雷达的控制方法，其特征在于，所述通过卡尔曼滤波对所述初始预估风速进行滤波以修正所述初始预估风速得到最优估计值包括：根据预先建立的参考坐标系构建激光雷达测风模型；将所述激光雷达测风模型转化为离散化状态空间方程；依据所述离散化状态空间方程和所述初始预估风速对下一状态的风速进行预测得到所述最优估计值。3.根据权利要求2所述的风电机组激光雷达的控制方法，其特征在于，在得到所述最优估计值之后还包括：基于正定矩阵对所述最优估计值进行优化。4.根据权利要求1所述的风电机组激光雷达的控制方法，其特征在于，所述通过BP神经网络对所述预期桨距角增量进行修正得到目标桨距角增量包括：通过预设重构法构造神经网络训练样本；对所述BP神经网络中的隐含层和输出层进行计算；按照误差梯度下降的方式对所述BP神经网络的权值进行调节，并更新所述隐含层和所述输出层的阈值；在构造雅可比矩阵后，根据所述雅可比矩阵计算得到所述目标桨距角增...
【专利技术属性】
技术研发人员：王瑞良，聂方正，孙勇，杨翀，周军，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：
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。