[发明专利]基于High-Gain观测器的风力发电机组有效风速获取方法

说明书

技术领域

本发明属于风力发电机组控制技术领域，尤其涉及一种有效风速获取方法。 

背景技术

风能是绿色能源，风力发电对保护生态环境和改善能源结构具有重要意义。风力发电机组是一个连续随机的非线性多变量系统，控制技术方案的及时精确有效是大型并网风力发电机组安全高效运行的关键。实际运行中，不同风电场在地形地貌、机型、规模、机组布置和风速分布等方面都是千差万别的，而风速和风速分布是决定风电场风力发电机组运行特性的重要因素。由于风力机组处于三维时变的风场环境中，风速大小方向在整个风机叶轮扫风平面上分布不同，而且受塔架、湍流、地表情况的影响，基于如超声波测风仪、毕托管测风仪等风速传感测量仪器直接测量得到的风速值只是一点上的风速，与整个风力机旋转平面所受到的有效风速有较大差别，据此调节发电机的电磁转矩T_g是不精确的。通过软测量方法精确地估计有效风速v_e可以帮助得到最优转速轨迹ω_d，提高风力发电机组控制系统设计的性能。 

近年来，国内外科研人员针对有效风速的估计和风速软测量提出了一系列方法，主要以风机转子转速ω_r、发电机功率P_g和节距角β为二次变量实现对主导变量即有效风速v的估计。目前主要采用的技术方案有使用支持向量机（SVM）、神经网络或卡尔曼滤波器进行离线辨识，并进行在先自校正。例如，把大型变速风力发电机组的风速检测问题作为软测量问题来研究，并建立基于SVM的风力发电机组的风速软测量模型。但由于SVM算法对大规模训练样本难以实施，参数不容易调整，随着相关参数的数量增加计算量急剧增大。再例如，利用神经网络对风机各非线性数据进行建模，通过反复学习来调节自身的网络结构和连接权值，但神经网络结构复杂，容易陷入局部极小，更可能会出现过学习问题，导致泛化能力下降，不适用于大型风力发电机组的控制系统设计。若采用卡尔曼滤波器进行风速估计并应用在变速风力发电机组的转速和桨距角控制中，由于卡尔曼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，线性化模型在每个采样时刻都要重新计算参数进行更新，当风速大范围变化时，卡尔曼滤波器很难进行实时工作，造成控制系统实际工作时很大的计算量，降低整个风力机组控制系统的运行速度，控制不及时而导致发电机输出功率产生较大摄动，对电网的稳定工作造成影响。 

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于High-Gain观测器的风力发电机组有效风速获取方法，本发明可在减少控制系统工作量的同时，较精确的求取风电场风力发电机组的有效风速，具有精确度高、实际操作方便、参数调整简单易行、技术方案泛化能力强等特点。本发明获取的有效风速作为风机控制系统重要的参考输入信号，直接应用于风机的转矩控制、节距角控制和偏航控制，据此计算发电机输出功率，有助于提高风电功率预测的精度和提升风机整机性能，增强风机控制系统的实时性、有效性和可靠性。本发明不仅能够应用在风力发电机组控制系统设计，还可应用于风电场可靠性和经济效益分析、正确评价和分析风电场接入电网对电力系统的影响等，对风电场接入电力系统的规划与设计、包含风电的电网安全稳定性分析与计算、保护和安全自动装置配置与整定都具有重要的科学意义和应用价值。 

本发明的目的是通过以下技术方案来实现的：一种基于High-Gain观测器的风力发电机组有效风速的估计方法，包括以下步骤： 

步骤一：数据来源和预处理： 

本发明的实施需要采集风力发电机组的风轮转子转速ω_r。考虑到转子转速ω_r改变要储存和释放动能，速度变化的惯性会对风机额定功率造成影响，当风机加速时，电功率小于机械功率；当风轮减速时，电功率大于机械功率。惯性越大，转速越高，减速或加速越快，动能转换的功率越大。所以，改变风轮转速所需的时间取决于风力机的惯性和所加的减速转矩，为了减小改变ω_r所需的机械功率消耗带来的发电机端的功率负荷，要对采集到的叶轮转子转速ω_r(k)作低通滤波处理，加入变流器，消除来自环境的高频抖动部分，得到可用于有效风速估计和控制系统设计的采样数据其中，k表示第k个采样时间。 

步骤二：构造High-Gain观测器，通过采样数据得到

风机传动链的动力特性可由如下方程组表示：