[發明專利]基于有效風速估計的變速風力發電機組最大風能捕獲方法

有效

• 申請號: 201810033271.5
• 申請日: 2018-01-14
• 公開（公告）號: CN108334672B
• 公開（公告）日: 2019-12-24
• 發明（設計）人: 楊秦敏;焦緒國;鮑雨濃;陳積明
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;F03D7/00;G06Q10/04;G06Q50/06
• 代理公司: 33200 杭州求是專利事務所有限公司
• 代理人: 劉靜;邱啟旺

1.一種基于有效風速估計的變速風力發電機組最大風能捕獲方法，其特征在于，該方法包括以下步驟：

(1)對風電機組傳動鏈結構進行動力學分析，建立風電機組傳動軸系簡化模型如下：

其中，J_t是系統等效轉動慣量，ω_r是風輪轉速，T_a是氣動轉矩，其表達式是ρ是空氣密度，R是風輪半徑，C_q是轉矩系數，v是有效風速，K_t是系統等效阻尼，T_g是系統等效電磁轉矩；

(2)根據機組機械功率的表達式和風能利用系數曲線，將最大風能捕獲問題轉化為最優風輪轉速跟蹤問題，計算轉速跟蹤誤差；所述轉速跟蹤誤差定義為實際風輪轉速與最優風輪轉速估計值之差；

(3)使用激光雷達測風裝置測量并記錄一段時間內的有效風速信息，使用SCADA系統和力矩傳感器獲得相應時間段內風電機組的相關輸出數據X'，X'＝[x'(i,j)],i＝1,...,l,j＝1,...,6，l為采樣輸出次數；用x'(i,:)表示機組的一次采樣輸出，x'(i,:)表達式為：

x'(i,:)＝[ω_r,ω_g,ω_ra,a_fa,M_yb1,F_xb1]

其中，ω_r是風輪轉速，ω_g是發電機轉速，ω_ra是葉輪方位角，a_fa是塔架前后加速度，M_yb1是某一葉片的葉根揮舞彎矩，F_yb1是該葉片的葉根揮舞力；

(4)將步驟(3)獲得的機組輸出數據進行歸一化處理，作為SVR模型的訓練特征集X，X＝[x(i,j)],i＝1,...,l,j＝1,...,6，將步驟(3)獲得的有效風速信息作為SVR模型的訓練目標值，將訓練特征集和訓練目標值構成SVR的訓練集；

(5)使用步驟(4)獲得的訓練集對SVR模型進行訓練，使用GA算法選擇SVR的懲罰參數和核函數參數，得到訓練好的SVR模型，通過該模型在線給出有效風速估計值，從而實時獲得最優風輪轉速估計值；將有效風速估計值和有效風速真實值v之間的關系表示為：其中ζ(t)是有界的有效風速估計誤差；

(6)將步驟(1)中的氣動轉矩T_a的表達式分解成風輪轉速和風速的函數加上一個有界量δ(t)，根據最優風輪轉速估計值得到轉速跟蹤誤差，進一步求得轉速跟蹤誤差的動態特性如下：

其中，是跟蹤誤差，ω_r是實際風輪轉速，是最優風輪轉速估計值，是系統未知動態，T_g是控制信號，是系統未知有界部分；

(7)使用兩層的神經網絡，對步驟(6)中的系統未知動態進行逼近，具體過程是：

其中，W^*是神經網絡權重的理想值，φ(·)是神經網絡隱含層的激活函數，ε是重構誤差；神經網絡理想權重W^*的估計值用表示；并設計神經網絡理想權重估計值的更新規則如下：

其中，是神經網絡隱含層的激活函數，Γ＝Γ^T＞0是正定對稱矩陣，σ₁＞0是需要用戶選擇的控制器參數；

(8)設計魯棒因子對步驟(6)中的系統未知有界部分D(t)進行逼近，并給出該魯棒因子的幅值的更新規則如下：

其中，是魯棒因子的幅值，σ,μ,σ₂＞0是用戶自定義的控制器參數，tanh(·)是雙曲正切函數；

(9)設計步驟(6)中控制信號的表達式如下：

其中，k＞0是用戶自定義的控制器參數，在該控制信號的作用下，跟蹤誤差e是有界的，即風力發電機組的風輪轉速能夠跟蹤最優風輪轉速，從而實現最大風能捕獲，同時，該控制信號能夠使得風力發電機組系統中的所有信號都是有界的，系統是穩定的。

2.根據權利要求1所述的基于有效風速估計的變速風力發電機組最大風能捕獲方法，其特征在于，所述步驟(4)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。