【技术实现步骤摘要】
本专利技术涉及风电机组发电稳定性建模，更具体地，涉及一种提高大型陆上风力发电机组发电稳定性的结合随机森林算法的集成学习功率调节系统建模方法。
技术介绍
1、在全球生态环境和化石能源短缺的双重压力下，新能源发电技术的研究成为全球关注的焦点。由于风力资源丰富，风力发电技术得到迅猛持续发展，其商业前景十分广阔。近年来，随着风机容量的不断增大以及风力发电并网规模的不断增大，风资源伴随的强随机性、波动性和间歇性使得电网安全、稳定运行所面临的挑战日益显著。风机功率曲线作为衡量风机容量和在不同环境条件下的有效工具，选择合适的风机有助于提升风电并网时的稳定性。为了构造参考曲线，需要获得大量的风速数据。然而在现实中，温度、湿度以及风向等环境因素都会导致构造风机功率曲线产生偏差。因此，继续推进风电机组模型辨识技术的研究，提高功率曲线建模精度，为大规模集中式风电并网奠定基础。
2、风力涡轮机是一种具有无排放和无污染的可再生能源发电技术。目前的风力涡轮机可按照运行的环境分为陆上风力涡轮机和海上风力涡轮机。陆上风力涡轮机主要部署在风力资源更加充沛的西北部地区。与海上风力涡轮机相比，陆上风力涡轮机所处地区的风速更加稳定与理想，并且所受到的干扰更容易得到抑制，因此陆上风力涡轮机已成为我国近年来风力发电生产领域的主要机组。此外，陆上风力涡轮机的控制效果通常与所建立模型的准确性挂钩，所建立的模型准确性越高，风力涡轮机的功率控制效果越好。所以，挖掘陆上风力涡轮机的功率系统建模方法，对提升能源利用效率及提高新能源发电规模具有重要的现实意义。特别地，精确的
3、机器学习是基于统计学等数学基础并结合了人工智能等相关知识的人工智能分支领域。机器学习具有自动化和适应性的优势，易于在工业中推广实现。此外，机器学习拥有卓越的处理大规模数据和洞察能力，其核心是学习算法。利用学习算法来使用训练集对模型进行训练，并通过调整模型参数和优化算法来最小化预测误差。可见，机器学习是处理复杂条件下的有效建模方案。但传统的机器学习建模方法在预测性能和工业推广方面还有很大的提升空间。为提高机器学习建模技术的预测性能，在建模精度和工业推广之间达到合理平衡的集成学习应运而生。与传统的机器学习不同，集成学习是通过将多个独立的基学习器组装在一起。采用基于多个基学习器的集成学习，更能提高建模精度以及工业推广的要求。更令人满意的是，可将集成学习的基学习器随时增加或删减。此外，选择合适基学习器组合方式可进一步提升集成学习的预测精度。基于此，增加了集成学习相对于传统的机器学习的竞争力，可高效处理复杂的工业过程建模问题。集成学习在电力、图像辨识、语言模型等领域得到了广泛研究与应用。因此，采用集成学习算法辨识多变量非线性的风电机组功率调节系统模型，以提升功率曲线的拟合能力、实现大型风力涡轮机组的发电稳定性。
技术实现思路
1、本专利技术旨在提供一种提高陆上风电机组发电稳定性的结合随机森林算法的集成学习建模方法，改进大型陆上风力发电机组功率调节系统的建模品质，提高机组的功率调节系统模型准确性。该方法充分考虑了建模对象的复杂动态特性及风电机组实际运行过程中因风向和风速变化带来的扰动、模型内部的不确定性，结合随机森林算法能够实时准确预测功率曲线的优势设计先进的集成学习建模策略。大型陆上风力涡轮机功率调节系统采用所设计的集成学习建模方法，在给定的控制指令和风速等信号的作用下，机组各工况点模型均实现了较高的模型辨识精度及稳定的功率输出。
2、本专利技术所提出的一种提高大型陆上风力涡轮机发电稳定性的结合随机森林算法的集成学习功率调节系统建模方法，由以下4个步骤组成：
3、s1：分析大型陆上风力涡轮机功率调节系统的建模难点；
4、s2：确立针对大型陆上风力涡轮机功率调节系统的改进型集成学习策略结构；
5、s3：描述随机森林算法的集成学习原理及其设计步骤；
6、s4：依托仿真平台开展所提建模方法的可行性验证及性能分析。
7、s1：风力涡轮机组功率调节系统的任务是根据给定输入信号和反馈输出的功率信号来设置控制信号从而调节功率的输出，进而保证机组安全稳定运行。风力涡轮机功率调节系统在转子叶片和发电机各自基础控制系统之上设置协调控制级，来实施转子叶片和发电机在响应风况要求时的协调和配合。协调级接受给定功率指令，并根据机组运行情况进行选择处理后产生一个控制指令：桨距角指令β，送往叶片的有关基础控制系统。叶片的桨距角控制系统根据β调节桨距角来改变桨距角大小。桨距角的变化使得机组在响应变风况的同时维持功率输出的相对稳定，保证机组安全经济运行。将大型陆上风力发电机组的功率调节模型描述为一个三输入一输出的模型，能更为准确地描述动态特性。功率调节系统的三个输入变量为外界风速v、叶片桨距角β及发电机扭矩tg。功率调节系统的输出变量为输出功率pout。功率调节系统输入变量和输出变量之间相互强耦合且伴随着时变和非线性等复杂动态特性，加之风况的随机性，使机组的功率控制系统很难获取满意的控制品质。
8、基于s1的分析可知，因风力涡轮机功率调节系统具有复杂的动态特性，采用传统的建模方法难以辨识得到精确模型，因此需设计先进的基于随机森林算法的集成学习建模策略，以提高建模精度,则步骤s2可具体化为：
9、s2.1：将功率调节系统的外界风速信号v，叶片桨距角β信号、发电机扭矩tg作为输入信号送入结合随机森林算法的集成学习模型，并对输出功率pout进行准确估计，使输出功率的pout准确快速跟踪pset，达到机组快速响应负荷指令的效果。
10、在确定了大型陆上风力涡轮机的随机森林算法的集成学习模型结构后，在s3中将结合随机森林的集成学习模型的设计步骤具体化：
11、s3.1：陆上风力涡轮机建模系统的设计。
12、考虑如下风电机组简化的线性模型：
13、
14、其中，通过对气动、传动和桨距角伺服子系统进行分析后，将风力发电机的状态向量定义为x＝[x1 x2 x3 x4]t＝[ωr ωg tls β]t，f、g、d和c为风电机组状态空间模型的参数矩阵ωr、ωg、tls和β分别为转子转速、发电机转速、低速轴的扭矩和叶片桨距角；将状态向量矩阵定义为：
15、
16、
17、
18、c＝[1 0 0] (5)
19、其中dr和dls为转子和低速轴的阻尼，ta和jr为转子的扭矩和总惯量，kls为低速轴的刚度，jg和tg为发电机的惯量和扭矩，dg为发电机阻尼，n为齿轮箱转动比，τ为桨距角伺服时间常数。
20、在风能本文档来自技高网...
【技术保护点】
1.一种提高风电机组发电稳定性的集成学习建模策略其特征在于：包括以下步骤：
2.根据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：步骤S1所述的分析分析大型陆上风力涡轮机功率调节系统的建模难点具体如下：
3.据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：确立针对大型陆上风力涡轮机功率调节系统的改进型集成学习策略结构，包括：
4.据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：描述随机森林算法的集成学习原理及其设计步骤包括：
5.据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：基于步骤S3所设计的随机森林算法的集成学习功率调节系统建模策略，在步骤S4中依托仿真平台开展所提建模方法的可行性验证及性能分析具体包括：
【技术特征摘要】
1.一种提高风电机组发电稳定性的集成学习建模策略其特征在于：包括以下步骤：
2.根据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：步骤s1所述的分析分析大型陆上风力涡轮机功率调节系统的建模难点具体如下：
3.据权利要求1所述的一种提高风电机组发电稳定性的集成学习建模策略，其特征在于：确立针对大型陆上风力涡轮机功率调节系统的改进型集成学习...
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。