一种有效风速软测量方法技术

本发明专利技术提供了一种有效风速软测量方法，包括风力机SCADA数据采集模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块等，风力机SCADA数据采集模块的信号输出端依次通过SCADA数据的预处理与归一化模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块、基于IGWO算法的有效风速软测量模型参数优化模块、有效风速软测量模型性能评价模块，最后输出风速的有效值。本发明专利技术建立了有效风速软测量模型，该模型不需要通过风洞实验或虚拟仿真来获取有效风速软测量建模所需数据，只需要风力机在风场实际运行的SCADA数据，具有成本低、预测精度高、易于实现的特点。易于实现的特点。易于实现的特点。

【技术实现步骤摘要】
一种有效风速软测量方法


[0001]本专利技术涉及一种有效风速软测量方法，属于风力发电系的有效风速的软测量
，具体涉及一种基于改进灰狼算法优化核极限学习机的有效风速软测量方法。

技术介绍

[0002]风速的准确测量是风力发电运行控制的基础。风力机的输出功率模型一般是在理想条件下通过风洞实验建立起来的，当风力机在恶劣风况的风电场(如高原山地风电场、海上风电场等)中运行时，受湍流、塔架、风剪差及地表粗糙度等因素的影响风速在整个风力机旋转平面上的分布是不同的，导致风力机的实际输出功率曲线与理论功率的设计曲线偏差较大，这给风力发电运行控制带来了极大的挑战。基于上述风速计测量得到的风速仅是机舱顶部上一点的风速(除PIV测速外)与整个风力机旋转平面所受到的有效风速有较大差别。因此，有效风速是不能直接测量的，但它可通过软测量方法进行估计。
[0003]有效风速软测量的二次变量为风力机发电机转速、发电机实际输出功率和桨距角，主导变量为有效风速。风速有效值的精确测量是风力发电机组进行控制与优化的关键环节。风速的有效获取不仅可以提高风力机捕获风能的能力，而且为风力发电机进行控制与优化提供实时的参考输入，确保风力发电机的安全稳定运行。风速软测量模型可以利用Kalman滤波器、神经网络、自适应模糊神经网络、极限学习机或支持向量机进行离线辨识，并进行在线自校正。
[0004]Kalman滤波器是对随机信号进行最优估计的一种算法，采用Kalman滤波器进行风速估计时，虽然可以得到风速预测，但是当风速大范围变化时Kalman滤波器很难进行实时工作，因为Kalman滤波器是基于非线性系统在运行点处的线性化模型进行状态估计的，当运行点变化时，线性化模型需要实时更新，这计算机造成很大的计算负担。支持向量机(SVM)是以统计学习理论为基础的学习方法，能较好地解决小样本、非线性、高维数和局部极小等问题，具有很强的泛化能力，但标准SVM计算速度慢，存在着鲁棒性、稀疏性和大规模运算问题，而最小二乘SVM算法(LS
‑
SVM)可解决标准SVM的问题，简化计算复杂性，加快求解速度，但LS
‑
SVM处理大规模数据集时存在训练速度慢、计算量大、不易在线训练的缺点。神经网络具有对非线性数据快速建模的能力，通过对训练集的反复学习来调节自身的网络结构和连接权值，并对未知的数据进行预测估算，但是神经网络是基于经验最小化原理，它结构复杂，容易陷入局部最优解，并出现过学习问题等。自适应T
‑
S模糊神经网络的风速估计值很好地跟踪了风速样本值，不仅可以加快收敛速度和改善局部收敛性，而且具有学习能力强和泛化能力好等优点，对于大范围的风速变化时，该方法能够很好地跟踪风速的变化趋势，是一种有效的风速测量方法。核极限学习机(Kernel Based Extreme Learning Machine，KELM)是基于极限学习机(Extreme Learning Machine，ELM)并结合核函数所提出的改进算法，KELM能够在保留ELM优点的基础上提高模型的预测性能。
[0005]然而，上述的风速有效值软测量方法都没有考虑以下两个问题：
[0006](1)发电机输出功率平滑且达到最优；
[0007](2)发电机转速与桨距角控制变化量最小化。

技术实现思路

[0008]为解决上述技术问题，本专利技术提供了一种有效风速软测量方法，该有效风速软测量方法提出一个多目标优化模型和一种改进的灰狼优化(IGWO)算法，用该优化模型的最优解作为训练样本和测试样本，并用该IGWO算法优化核极限学习机，建立有效风速的软测量模型。
[0009]本专利技术通过以下技术方案得以实现。
[0010]本专利技术提供的一种有效风速软测量方法，包括风力机SCADA数据采集模块、SCADA数据的预处理与归一化模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块、基于IGWO算法的有效风速软测量模型参数优化模块、有效风速软测量模型性能评价模块，风力机SCADA数据采集模块的信号输出端依次通过SCADA数据的预处理与归一化模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块、基于IGWO算法的有效风速软测量模型参数优化模块、有效风速软测量模型性能评价模块，最后输出风速的有效值；以及，
[0011]风力机SCADA数据采集模块采集风力发电机输出功率、发电机转速、桨距角和风速的数据；
[0012]所述SCADA数据的预处理与归一化模块对风力机SCADA数据采集模块中采集到的SCADA数据进行预处理，去除异常数据；
[0013]所述基于改进的灰狼优化IGWO算法的离线优化计算模块应用IGWO算法求解所建立的多目标优化模型，获取风力机发电机输出功率、桨距角和发电机转速的最优预测值；
[0014]所述基于核极限学习机KELM算法的有效风速软测量建模模块根据基于改进的灰狼优化IGWO算法的离线优化计算模块提供的预测数据，建立有效风速软测量模型；
[0015]所述基于IGWO算法的有效风速软测量模型参数优化模块应用IGWO算法对有效风速软测量模型进行参数优化；
[0016]所述有效风速软测量模型性能评价模块对经过参数优化的有效风速软测量模型的性能进行评价，为最大风能跟踪MPPT控制提供实时参考输入。
[0017]所述基于改进的灰狼优化IGWO算法的离线优化计算模块为第一微处理器，第一微处理器根据SCADA数据的预处理与归一化模块输出的数据进行离线优化计算，获取的最优解作为基于核极限学习机KELM算法的有效风速软测量建模模块的训练样本数据和测试样本数据。
[0018]所述第一微处理器中包括一个多目标优化模型和改进的灰狼优化IGWO算法，具体构成如下：
[0019]a.构建全风速下以风力机输出功率、桨距角、发电机转速为优化目标的多目标优化模型：
[0020]min F(x)
[0021][0022]式中，F(x)是多目标函数，h(x)是一个等式向量约束函数，g(x)是一个不等式向量约束函数；
[0023]其中，多目标函数为：
[0024]F(x)＝μJ
P
+(1
‑
μ)J
g
,μ∈(0,1),
[0025][0026][0027][0028]式中，J
P
是全风速下发电机实际输出功率跟踪期望预测值的目标函数，J
g
是发电机转速和桨距角的控制变化量最小化目标函数,x是决策变量；P
gk
、ω
gk
和β
k
分别是k时刻实际输出功率、发电机转子角速度和俯仰角；和分别是发电机输出功率、发电机转子角速度和桨距角在k+1时刻的期望预测值；μ、w
P
和w
g
是权重系数；n是优化进程，P<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种有效风速软测量方法，包括风力机SCADA数据采集模块、SCADA数据的预处理与归一化模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块、基于IGWO算法的有效风速软测量模型参数优化模块、有效风速软测量模型性能评价模块，其特征在于：风力机SCADA数据采集模块的信号输出端依次通过SCADA数据的预处理与归一化模块、基于改进的灰狼优化IGWO算法的离线优化计算模块、基于核极限学习机KELM算法的有效风速软测量建模模块、基于IGWO算法的有效风速软测量模型参数优化模块、有效风速软测量模型性能评价模块，最后输出风速的有效值；以及，风力机SCADA数据采集模块采集风力发电机输出功率、发电机转速、桨距角和风速的数据；所述SCADA数据的预处理与归一化模块对风力机SCADA数据采集模块中采集到的SCADA数据进行预处理，去除异常数据；所述基于改进的灰狼优化IGWO算法的离线优化计算模块应用IGWO算法求解所建立的多目标优化模型，获取风力机发电机输出功率、桨距角和发电机转速的最优预测值；所述基于核极限学习机KELM算法的有效风速软测量建模模块根据基于改进的灰狼优化IGWO算法的离线优化计算模块提供的预测数据，建立有效风速软测量模型；所述基于IGWO算法的有效风速软测量模型参数优化模块应用IGWO算法对有效风速软测量模型进行参数优化；所述有效风速软测量模型性能评价模块对经过参数优化的有效风速软测量模型的性能进行评价，为最大风能跟踪MPPT控制提供实时参考输入。2.如权利要求1所述的有效风速软测量方法，其特征在于：所述基于改进的灰狼优化IGWO算法的离线优化计算模块为第一微处理器，第一微处理器根据SCADA数据的预处理与归一化模块输出的数据进行离线优化计算，获取的最优解作为基于核极限学习机KELM算法的有效风速软测量建模模块的训练样本数据和测试样本数据。3.如权利要求2所述的有效风速软测量方法，其特征在于：所述第一微处理器中包括一个多目标优化模型和改进的灰狼优化IGWO算法，具体构成如下：a.构建全风速下以风力机输出功率、桨距角、发电机转速为优化目标的多目标优化模型：minF(x)式中，F(x)是多目标函数，h(x)是一个等式向量约束函数，g(x)是一个不等式向量约束函数；其中，多目标函数为：F(x)＝μJ
P
+(1
‑
μ)J
g
,μ∈(0,1),
式中，J
P
是全风速下发电机实际输出功率跟踪期望预测值的目标函数，J
g
是发电机转速和桨距角的控制变化量最小化目标函数,x是决策变量；P
gk
、ω
gk
和β
k
分别是k时刻实际输出功率、发电机转子角速度和俯仰角；和分别是发电机输出功率、发电机转子角速度和桨距角在k+1时刻的期望预测值；μ、w
P
和w
g
是权重系数；n是优化进程，P
N
、P
m
分别是风力发电机的额定输出功率和理论设计输出功率；a.1.设置多目标优化模型的约束条件：a.1.1.气动功率平衡约束a.1.1.气动功率平衡约束式中，ρ是空气密度，单位为kg/m3，v是风速，单位为m/s，R是风轮的半径，单位为m，P
m
是风力发电机输出功率，β是风力发电机桨距角，λ是风机叶尖速比，n
g
是齿轮箱变速比，C
p
(ω
g
,β)是风力发电机风能利用系数，它们之间的关系表达式如下：a.1.2.权重系数约束0＜μ＜1，0＜w
p
＜1，0＜w
g
＜1.a.1.3.输出功率约束a.1.4.桨距角和发电机转速约束a.1.4.桨距角和发电机转速约束式中，β
H
和β
L
是桨距角的上下限，ω
H...

【专利技术属性】
技术研发人员：雷邦军，吕兴玉，卢槐，
申请(专利权)人：贵州理工学院，
类型：发明
国别省市：