本發(fā)明涉及風(fēng)力發(fā)電機(jī)組控制
技術(shù)領(lǐng)域：
，特別涉及風(fēng)力發(fā)電機(jī)組的高風(fēng)速段有效風(fēng)速估計(jì)。
背景技術(shù)：
：風(fēng)能是一種清潔、成本較低、商業(yè)潛力巨大的可再生能源，風(fēng)力發(fā)電技術(shù)在近幾年得到了突飛猛進(jìn)的發(fā)展。世界風(fēng)能協(xié)會在2015年的世界風(fēng)能報(bào)告中指出，到2020年，全球風(fēng)電裝機(jī)容量將達(dá)到792.1gw。然而，風(fēng)電技術(shù)的發(fā)展仍面臨大型機(jī)組運(yùn)維成本高、機(jī)械載荷偏大導(dǎo)致機(jī)組壽命減少、大規(guī)模風(fēng)電并網(wǎng)難度大等挑戰(zhàn)。因此，開發(fā)一種風(fēng)電機(jī)組有效風(fēng)速估計(jì)方法，從而為降低風(fēng)電機(jī)組的運(yùn)行載荷提供前饋控制信息，延長機(jī)組使用壽命具有重要的實(shí)踐意義。風(fēng)電機(jī)組的有效風(fēng)速定義為槳葉掃掠面積對應(yīng)的風(fēng)速矢量場的空間平均值。有效風(fēng)速的獲取是風(fēng)力發(fā)電系統(tǒng)的關(guān)鍵技術(shù)，對于實(shí)現(xiàn)最大風(fēng)能捕獲、減少機(jī)組各部件的機(jī)械載荷及風(fēng)電場風(fēng)資源評估具有重要意義。風(fēng)速具有很強(qiáng)的隨機(jī)性和間歇性，每一個(gè)瞬時(shí)的風(fēng)速大小都不相同，且向大型化趨勢發(fā)展的風(fēng)電機(jī)組的槳葉掃掠面積日益增大，因此，風(fēng)電機(jī)組的有效風(fēng)速估計(jì)是一個(gè)極具挑戰(zhàn)性的課題。目前，工業(yè)界有效風(fēng)速的獲取方法通常有兩種。一種是在機(jī)艙尾部安裝風(fēng)速計(jì)，然而該方法只能獲得槳葉下風(fēng)向空間中某一點(diǎn)的風(fēng)速，且測量誤差比較大；另一種是在機(jī)艙頂部安裝lidar(lightdetectionandranging)測風(fēng)裝置，該方法雖然能比較精確的獲得某一范圍內(nèi)的平均風(fēng)速，但是lidar設(shè)備價(jià)格十分昂貴，若為風(fēng)電場的每臺機(jī)組都安裝該設(shè)備，則會極大增加風(fēng)電場的建設(shè)和運(yùn)維成本。為了解決上述問題，學(xué)者們提出了許多風(fēng)電機(jī)組的有效風(fēng)速估計(jì)方法，這些方法大致可以分為兩類。一類是基于卡爾曼濾波的方法，該類方法的基本思路是：將氣動(dòng)轉(zhuǎn)矩看成系統(tǒng)狀態(tài)，在假設(shè)風(fēng)電系統(tǒng)的模型參數(shù)精確已知且系統(tǒng)的過程及測量噪聲符合高斯分布的前提下，建立系統(tǒng)過程方程和測量方程，使用卡爾曼濾波算法獲得氣動(dòng)轉(zhuǎn)矩狀態(tài)的值，再根據(jù)氣動(dòng)轉(zhuǎn)矩與有效風(fēng)速風(fēng)速之間的數(shù)值關(guān)系，使用牛頓迭代法獲得有效風(fēng)速的值。然而，實(shí)際中風(fēng)電機(jī)組的模型參數(shù)很難準(zhǔn)確獲得，且系統(tǒng)的噪聲也不一定滿足高斯分布。另一類方法是基于機(jī)器學(xué)習(xí)的方法，這類方法不需要使用系統(tǒng)的數(shù)學(xué)模型，而是將機(jī)組本身看成測量裝置，在離線訓(xùn)練階段，使用預(yù)處理后的歷史數(shù)據(jù)訓(xùn)練選定的機(jī)器學(xué)習(xí)模型，比如神經(jīng)網(wǎng)絡(luò)(nn)、支持向量機(jī)(svm)、極限學(xué)習(xí)機(jī)(elm)等，建立機(jī)組輸出與有效風(fēng)速之間的非線性關(guān)系，進(jìn)一步則運(yùn)用訓(xùn)練好的模型以機(jī)組實(shí)時(shí)輸出為模型輸入，實(shí)時(shí)獲得機(jī)組的有效風(fēng)速。但是，目前已有的基于機(jī)器學(xué)習(xí)的風(fēng)速估計(jì)方法，在模型輸入中通常包含風(fēng)輪轉(zhuǎn)速、發(fā)電機(jī)轉(zhuǎn)速和發(fā)電功率。需要注意的是，在現(xiàn)代大型風(fēng)電機(jī)組的控制系統(tǒng)中，高風(fēng)速段的控制目標(biāo)是維持機(jī)組的發(fā)電機(jī)轉(zhuǎn)速和發(fā)電功率為定值，因此，高風(fēng)速段機(jī)組的風(fēng)輪轉(zhuǎn)速、發(fā)電機(jī)轉(zhuǎn)速和發(fā)電功率并不能反應(yīng)風(fēng)速信息，因此將風(fēng)輪轉(zhuǎn)速、發(fā)電機(jī)轉(zhuǎn)速和發(fā)電功率作為機(jī)組高風(fēng)速段風(fēng)速估計(jì)模型的輸入顯然不合理，現(xiàn)有的基于機(jī)器學(xué)習(xí)的風(fēng)速估計(jì)方法無法應(yīng)用于風(fēng)電機(jī)組的高風(fēng)速段的風(fēng)速估計(jì)。技術(shù)實(shí)現(xiàn)要素：為了合理利用風(fēng)電機(jī)組的輸出數(shù)據(jù)，解決現(xiàn)有風(fēng)電機(jī)組風(fēng)速估計(jì)方法估計(jì)誤差較大且無法應(yīng)用于機(jī)組高風(fēng)速運(yùn)行階段的問題，本發(fā)明提供一種針對高風(fēng)速段、不需要使用系統(tǒng)數(shù)學(xué)模型、簡單易行的風(fēng)電機(jī)組有效風(fēng)速估計(jì)方法，能夠比較準(zhǔn)確地建立機(jī)組輸出數(shù)據(jù)與有效風(fēng)速之間的非線性關(guān)系，獲取的有效風(fēng)速估計(jì)值能夠?yàn)闇p小機(jī)組的機(jī)械載荷提供前饋控制信息，同時(shí)可應(yīng)用于風(fēng)電場的風(fēng)資源評估。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于svr的風(fēng)電機(jī)組高風(fēng)速段有效風(fēng)速估計(jì)方法，包括以下步驟：(1)使用lidar測風(fēng)裝置獲得一段時(shí)間內(nèi)的有效風(fēng)速信息，使用scada系統(tǒng)和載荷傳感器獲得相應(yīng)時(shí)間段內(nèi)風(fēng)電機(jī)組的相關(guān)輸出數(shù)據(jù)，機(jī)組的相關(guān)輸出數(shù)據(jù)用x'表示，(x'＝[x'(i,j)],i＝1,...,l,j＝1,...,6)。用x'(i,:)表示機(jī)組的一次采樣輸出，x'(i,:)表達(dá)式為：x'(i,:)＝[β,βr,b1,af-d,af-v,af-a]其中，β是槳距角，βr是槳距角加速度，b1是葉片1的前后偏移量，af-d是塔架前后偏移量，af-v是塔架前后速度，af-a是塔架前后加速度；(2)將步驟1獲得的機(jī)組輸出數(shù)據(jù)進(jìn)行歸一化處理，作為svr模型的訓(xùn)練特征集x(x＝[x(i,j)],i＝1,...,l,j＝1,...,6)，步驟1獲得有效風(fēng)速信息作為svr模型的訓(xùn)練目標(biāo)值，將訓(xùn)練特征集和訓(xùn)練目標(biāo)值作為svr的訓(xùn)練集；(3)使用步驟2獲得的訓(xùn)練集求解svr的原始優(yōu)化問題，為求解該優(yōu)化問題，引入拉格朗日函數(shù)，然后得到對偶優(yōu)化問題；(4)使用ga算法選擇懲罰參數(shù)和核函數(shù)參數(shù)，求解步驟3中的對偶優(yōu)化問題，得到訓(xùn)練好的svr模型；(5)在線使用時(shí)，將某一控制周期內(nèi)的機(jī)組輸出數(shù)據(jù)進(jìn)行歸一化處理，然后輸入到步驟4得到的訓(xùn)練好的svr模型中，得到每一個(gè)采樣周期的初步風(fēng)速估計(jì)值。(6)將步驟5得到的初步風(fēng)速估計(jì)值輸入到低通濾波器中，得到最終的風(fēng)速估計(jì)值。進(jìn)一步地，所述步驟2中，歸一化處理指的是：其中，用x'(:,j)表示x'中的列分量，max(x'(:,j))和min(x'(:,j))分別是x'(:,j)的最大值和最小值，x(:,j)是x中的列分量。進(jìn)一步地，所述步驟2中，svr模型指的是y＝<w,φ(x)>+b其中，是模型輸出，是模型輸入，是將x從n維映射到n維的函數(shù)，是偏置項(xiàng)。進(jìn)一步地，所述步驟3中，svr的原始優(yōu)化問題是s.t.yi-<w,φ(x(i,:))>-b≤ε+ξi,i＝1,2,...,lξi≥0,i＝1,2,...,l其中，c是懲罰參數(shù)，l是svr訓(xùn)練集中的樣本個(gè)數(shù)，ξi和是松弛變量，ε是ε-不敏感函數(shù)的參數(shù)。進(jìn)一步地，所述步驟3中，拉格朗日函數(shù)的形式為：其中，是拉格朗日乘子。進(jìn)一步地，所述步驟3中，對偶優(yōu)化問題的形式是：其中，k(x(i,:),x(j,:))是核函數(shù)，本發(fā)明中采用高斯核函數(shù)，即其中σ2是核函數(shù)參數(shù)。進(jìn)一步地，所述步驟4中，ga算法的適應(yīng)度函數(shù)選取為訓(xùn)練svr模型時(shí)產(chǎn)生的均方誤差，該算法包括個(gè)體編碼、產(chǎn)生初始群體、適應(yīng)度計(jì)算、選擇運(yùn)算、交叉運(yùn)算和變異運(yùn)算六個(gè)步驟。進(jìn)一步地，所述步驟4中，訓(xùn)練好的svr模型，其形式為其中，和是對偶最優(yōu)問題的解，xnew是機(jī)組的實(shí)時(shí)輸出,其所包含的物理量與x(i,:)相同。進(jìn)一步地，所述步驟6中，低通濾波器的形式為：其中，τ是濾波器參數(shù)。本發(fā)明的有益效果是：合理利用機(jī)組的輸出數(shù)據(jù)，針對現(xiàn)代風(fēng)電機(jī)組高風(fēng)速段采用槳距角控制策略的現(xiàn)狀，選擇槳距角及其變化率，葉片前后偏移量，塔架前后偏移量、前后速度以及前后加速度作為樣本特征，設(shè)計(jì)了針對風(fēng)電機(jī)組高風(fēng)速段的有效風(fēng)速估計(jì)方法，能夠比較準(zhǔn)確地建立機(jī)組輸出與有效風(fēng)速之間的非線性關(guān)系；該有效風(fēng)速估計(jì)方法設(shè)計(jì)過程簡單，使用ga算法選擇全局最優(yōu)參數(shù)，所得有效風(fēng)速估計(jì)值能夠?yàn)闇p小機(jī)組機(jī)械載荷提供前饋控制信息，同時(shí)，該有效風(fēng)速估計(jì)值可用于風(fēng)電場的風(fēng)資源評估。實(shí)際中，該有效風(fēng)速估計(jì)方法可代替lidar測風(fēng)設(shè)備，極大減小風(fēng)電場的建設(shè)和運(yùn)維成本，提高風(fēng)電場的經(jīng)濟(jì)效益。附圖說明圖1為基于svr的風(fēng)力發(fā)電機(jī)組高風(fēng)速段風(fēng)速估計(jì)方法框架；圖2為18m/s湍流風(fēng)示意圖；圖3為基于svr的風(fēng)力發(fā)電機(jī)組高風(fēng)速段風(fēng)速估計(jì)方法設(shè)計(jì)流程圖；圖4為有效風(fēng)速真實(shí)值及其估計(jì)值對比圖；圖5為測試階段1000s-2000s有效風(fēng)速估計(jì)誤差。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)說明。本發(fā)明提供的一種基于svr的風(fēng)電機(jī)組高風(fēng)速段有效風(fēng)速估計(jì)方法，包括下述步驟：步驟1，使用lidar測風(fēng)裝置獲得一段時(shí)間內(nèi)的有效風(fēng)速信息，使用scada系統(tǒng)和載荷傳感器獲得相應(yīng)時(shí)間段內(nèi)風(fēng)電機(jī)組的相關(guān)輸出數(shù)據(jù)，機(jī)組的相關(guān)輸出數(shù)據(jù)用x'表示，(x'＝[x'(i,j)],i＝1,...,l,j＝1,...,6)。用x'(i,:)表示機(jī)組的一次采樣輸出，x'(i,:)表達(dá)式為：x'(i,:)＝[β,βr,b1,af-d,af-v,af-a]其中，β是槳距角，βr是槳距角加速度，b1是葉片1的前后偏移量，af-d是塔架前后偏移量，af-v是塔架前后速度，af-a是塔架前后加速度?，F(xiàn)代風(fēng)電機(jī)組在高風(fēng)速段(風(fēng)速大于額定風(fēng)速小于切出風(fēng)速)，普遍采用的控制策略是維持發(fā)電機(jī)轉(zhuǎn)矩為額定值，然后通過控制槳距角從而使得發(fā)電功率和發(fā)電機(jī)轉(zhuǎn)速維持在額定轉(zhuǎn)速附近，工業(yè)上普遍采用如下的變增益pi控制器：其中，調(diào)節(jié)誤差定義為e＝ωr-ωd，ωd為額定風(fēng)輪轉(zhuǎn)速，ki比例控制增益常數(shù)，kp是基于當(dāng)前槳距角值，查表得到的變化的積分控制增益參數(shù)。風(fēng)電機(jī)組在高風(fēng)速段運(yùn)行時(shí)，槳距角是機(jī)組的控制信號，其變化是控制策略對有效風(fēng)速變化的響應(yīng)，因此，要將β納入到svr的訓(xùn)練特征集中。步驟2，將步驟1獲得的機(jī)組輸出數(shù)據(jù)進(jìn)行歸一化處理，具體方式為其中，用x'(:,j)表示x'中的列分量，max(x'(:,j))和min(x'(:,j))分別是x'(:,j)的最大值和最小值，x(:,j)是x中的列分量。x將作為svr模型的訓(xùn)練特征集。此處的svr模型，其具體形式為y＝<w,φ(x)>+b其中，是模型輸出的有效風(fēng)速信息，是模型輸入，是將x從n維映射到n維的函數(shù)，n＝6，n是一個(gè)非常大的數(shù)，是偏置項(xiàng)，<w,φ(x)>表示向量w和φ(x)之間的內(nèi)積。值得注意的是，步驟1獲得的有效風(fēng)速信息并不需要進(jìn)行歸一化處理，而是直接作為svr模型的訓(xùn)練目標(biāo)值，因?yàn)橛?xùn)練好的svr模型在在線使用時(shí)無法進(jìn)行反歸一化操作。訓(xùn)練特征集和訓(xùn)練目標(biāo)值構(gòu)成了svr的訓(xùn)練集。步驟3，使用步驟2獲得的訓(xùn)練集求解如下的svr原始優(yōu)化問題：s.t.yi-<w,φ(x(i,:))>-b≤ε+ξi,i＝1,2,...,lξi≥0,i＝1,2,...,l其中，c是懲罰參數(shù)，l是svr訓(xùn)練集中的樣本個(gè)數(shù)，ξi和是松弛變量，ε是ε-不敏感函數(shù)的參數(shù)?？梢?，原始優(yōu)化問題優(yōu)化變量較多，求解過程復(fù)雜，且約束條件中的φ(·)未知。為簡化svr的訓(xùn)練過程，且能比較自然地引入核函數(shù)，通過引入拉格朗日函數(shù)，得到原始優(yōu)化問題的對偶優(yōu)化問題。引入的拉格朗日函數(shù)為其中，是拉格朗日乘子。根據(jù)拉格朗日函數(shù)l對原始優(yōu)化變量的偏導(dǎo)為零，得到如下對偶優(yōu)化問題：其中，k(x(i,:),x(j,:))是核函數(shù)，本發(fā)明中采用高斯核函數(shù)，即其中σ2是核函數(shù)參數(shù)。可見，在對偶優(yōu)化問題中，只需要求解αi和減小了計(jì)算量，且引入了核函數(shù)技巧，實(shí)現(xiàn)了將訓(xùn)練特征集從低維空間映射到高維空間。在對偶優(yōu)化問題中，還有兩個(gè)參數(shù)需要選擇，一個(gè)是懲罰參數(shù)c，另一個(gè)是核函數(shù)參數(shù)σ2。步驟4，使用ga算法尋找步驟3中參數(shù)c和σ2的最優(yōu)值，選取訓(xùn)練svr模型時(shí)產(chǎn)生的均方誤差作為ga算法的適應(yīng)度函數(shù)，該算法包括個(gè)體編碼、產(chǎn)生初始群體、適應(yīng)度計(jì)算、選擇運(yùn)算、交叉運(yùn)算和變異運(yùn)算六個(gè)步驟。選好參數(shù)c和σ2后，求解對偶優(yōu)化問題，得到解αi和αi*，得到訓(xùn)練好的svr模型，其形式為：其中xnew是歸一化后的機(jī)組實(shí)時(shí)輸出，其包含的物理量與x(i,:)相同。參數(shù)b可以根據(jù)kkt條件求得。步驟5，在線使用步驟4獲得的訓(xùn)練好的svr模型，將某一控制周期內(nèi)的機(jī)組輸出數(shù)據(jù)x'newx'new包含的物理量與x'(i,:)相同，進(jìn)行歸一化處理，得到xnew，將xnew輸入訓(xùn)練好的svr模型中，得到每一個(gè)采樣周期的初步風(fēng)速估計(jì)值步驟6，設(shè)計(jì)帶寬合適的低通濾波器對初步風(fēng)速估計(jì)值進(jìn)行處理，濾除其高頻噪聲，得到最終的有效風(fēng)速估計(jì)值其中，τ是低通濾波器參數(shù)。最終的有效風(fēng)速估計(jì)值與有效風(fēng)速真實(shí)值之間的誤差較小。實(shí)施例本實(shí)施例使用風(fēng)電技術(shù)開發(fā)軟件ghbladed和matlab仿真平臺，對本發(fā)明方法的有效性進(jìn)行驗(yàn)證。圖1所示為基于svr的風(fēng)力發(fā)電機(jī)組低風(fēng)速段風(fēng)速估計(jì)方法框架。實(shí)施例中使用1.5mw三葉片水平軸變速風(fēng)力發(fā)電機(jī)組模型，其主要參數(shù)如下表所示：風(fēng)力發(fā)電機(jī)組基本參數(shù)數(shù)值范圍額定功率1500kw功率因數(shù)-0.95～+0.95切入風(fēng)速3m/s額定風(fēng)速11m/s切出風(fēng)速25m/s風(fēng)輪直徑77m掃掠面積4654㎡葉片數(shù)3齒輪箱傳動(dòng)比104.494高速軸慣量12kg·m發(fā)電機(jī)慣量123kg·m風(fēng)輪額定轉(zhuǎn)速1.803rad/s控制器采用浙江某風(fēng)電研究院開發(fā)的已在工業(yè)上推廣的變增益pi控制器，采樣周期是0.04s，機(jī)組運(yùn)行時(shí)間設(shè)置為2000s，用前1000s的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后1000s的數(shù)據(jù)作為測試集。ga算法選擇的最優(yōu)參數(shù)分別為：σ2＝4.3758，c＝0.5367，低通濾波器的參數(shù)取值為τ＝3.96。圖2是實(shí)施例中使用的18m/s湍流風(fēng)，該湍流風(fēng)由ghbladed產(chǎn)生，其縱向、橫向和垂直方向的湍流密度分別為：10％、8％和5％。圖3是基于svr的風(fēng)力發(fā)電機(jī)組低風(fēng)速段風(fēng)速估計(jì)方法設(shè)計(jì)流程圖。流程圖中的細(xì)線箭頭表示模型訓(xùn)練過程，粗線箭頭表示模型在線使用過程。在模型訓(xùn)練的過程中，首先使用傳感器獲取svr模型的訓(xùn)練特征集和目標(biāo)集，對特征集進(jìn)行歸一化，得到svr的訓(xùn)練集，在模型訓(xùn)練的過程中，使用ga算法選擇懲罰參數(shù)和核函數(shù)參數(shù)，進(jìn)而得到訓(xùn)練好的有效風(fēng)速估計(jì)模型；在模型在線使用過程中，實(shí)時(shí)獲得機(jī)組的輸出數(shù)據(jù)，歸一化后輸入到訓(xùn)練好的svr模型中，經(jīng)過低通濾波器之后，得到最終的有效風(fēng)速估計(jì)值。圖4是測試階段1000s-2000s有效風(fēng)速真實(shí)值與有效風(fēng)速估計(jì)值之間的對比圖。測試階段的mse＝1.4094，mape＝5.2757％。圖5是測試階段1000s-2000s有效風(fēng)速估計(jì)誤差。當(dāng)前第1頁12