[發明專利]基于強化學習補償的風力發電變槳距控制方法

有效

• 申請號: 201410209306.8
• 申請日: 2014-05-19
• 公開（公告）號: CN104595106B
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 秦斌;王欣;李鵬程;朱萬力
• 申請（專利權）人: 湖南工業大學
• 主分類號: F03D7/00
• 分類號: F03D7/00
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

1.一種風力發電機組變槳距控制方法，其特征在于，該方法包括：將強化學習和滑模變結構控制結合起來，采用滑動模態控制器完成對風電機組槳距角的基本控制，運用Actor-Critic強化學習補償尋優算法，用來自適應補償擾動、攝動和系統未建模部分對整體性能的影響，達到優化控制的目的，彌補傳統方法基于模型的不足；

通過測量風力機轉速反饋與參照速度得出轉速偏差，經過狀態轉換后，作為滑動模態控制器的輸入量，控制器根據偏差發出槳距角控制量命令，

取滑模面為：s(x)＝c₁x₁+x₂，c₁為滑模參數，x₁，x₂為系統狀態，

設計準滑動模態控制器為：

其中

其中k_β為增益系數，ω_e為電磁角速度，N_P為發電機轉子的極對數，ρ為空氣的密度，C_p為風能利用系數，B是發電機的摩擦系數，J是風輪發電機整體轉動慣量，R為風力機葉片半徑，ν為風速，τ_β為槳距角響應時間常數，β為實際槳距角，Δ為邊界層，λ為葉尖速比，K為系數。

2.根據權利要求1的風力發電機組變槳距控制方法，其特征在于包括：

算法結構由兩部分組成：動作(Actor)網絡和評價(Critic)網絡；

Actor-Critic算法中使用RBF網絡來逼近動作函數和評價函數，隱層節點基函數使用高斯型核函數，第j個節點的輸出為：

c_ij＝[c_1j，c_2j]^T

m為隱層神經元個數，c_ij為第j個節點的中心向量，b_j為寬度，x(t)為網絡的輸入向量，t為時間；

控制輸出由Actor和隨機擾動構成，m個節點到Actor和Critic的輸出分別定義如下：

w_a，w_c分別為隱層到輸出層Actor和Critic的權值；

V(t)為值函數，也就是未來折扣獎賞和，是當前動作對未來環境影響的預測評價信號，

V(t)越大表明學習效果越好。

3.根據權利要求1的風力發電機組變槳距控制方法，其特征在于包括：針對系統反饋只有轉速的情況將強化信號r(t)設置如下：

r(t)＝k₁r₁(t)+k₂r₂(t)

r₁(t)為誤差信號，r₂(t)為誤差變化率信號，e(t)是誤差，w_r是風機轉速，w_r^*是參考轉速；k₁，k₂分別為誤差和誤差變化率強化信號系數，ε為容許誤差帶，t為時間；

此種定義的強化信號既可以體現當前的動作是否符合設計要求，還可以與鄰近動作進行對比進而修改行為策略。

4.根據權利要求1的風力發電機組變槳距控制方法，其控制系統學習步驟如下：

Step1結合風電機組各項特性系數，初始化滑模變結構控制和強化學習各項參數；

Step2利用傳感器采得風機轉速值，控制系統分別計算滑模變結構控制和強化學習控制輸出的控制信號；

Step3將疊加的控制信號作用到槳距角執行機構中；

Step4繼續采得風機轉速值，得到下一時刻狀態變量；

Step5控制器根據內部算法對自身參數進行更新，優化結構；

Step6判斷當前控制器是否滿足控制要求；

Step7如果滿足則控制器學習完畢，否則繼續運行Step2；

控制器根據不同的外界環境，通過迭代在線調整控制器參數，實現系統的不斷優化。