[发明专利]风电系统最大风能捕获神经网络补偿控制方法

权利要求书

1.一种风电系统最大风能捕获神经网络补偿控制方法，其特征是，所述补偿控制方法包括如下步骤：

（a）、获取风速，并通过风速、叶尖速比的参考值以及齿轮箱变速比得到风力发电机转速参考值以及相应的风力发电机扰动转速；

（b）、通过风力发电机转速参考值与风力发电机的实时转速值得到转速误差，将风力发电机转速参考值及转速误差采用PID闭环调节，以得到风力发电机稳态转矩参考值；

（c）、将风力发电机稳态转矩参考值及风力发电机的扰动转速作为BP神经网络的输入，采用PSO算法进行训练，直至输出所需的风力发电机转矩控制值，以通过所述风力发电机转矩控制值对风力发电机进行转矩控制。

2.根据权利要求1所述的风电系统最大风能捕获神经网络补偿控制方法，其特征是：所述步骤（a）中，通过风速与叶尖速比的参考值以及齿轮箱变速比得到风力发电机转速参考值的关系为：

Ω_hr＝il_rv/R   （1）

其中，Ω_hr为风力发电机转速参考值，l_r为叶尖速比的参考值，i为齿轮箱变速比，v为风速，R为风力发电机的风轮半径。

3.根据权利要求1所述的风电系统最大风能捕获神经网络补偿控制方法，其特征是：所述步骤（b）中，将风力发电机转速参考值及转速误差采用PID闭环调节，并输出为风力发电机稳态转矩参考值Γ_asr的关系为：

Γ_asr＝e(k_p+k_i/s+k_ds)   （2）

其中，e为风力发电机转速值Ω_h与风力发电机转速参考值Ω_hr之间的误差，k_p、k_i、k_d依次分为比例系数、积分系数、微分系数，s为拉普拉斯算子。

4.根据权利要求1所述的风电系统最大风能捕获神经网络补偿控制方法，其特征是：所述步骤（c）中，所述BP神经网络为三层神经网络，所述BP神经网络的输入层节点为2个，隐含层初始节点为8个，输出层节点为1个。

5.根据权利要求2所述的风电系统最大风能捕获神经网络补偿控制方法，其特征是：所述风速v通过低通滤波器得到稳态风速v_s，根据所述稳态风速v_s能得到风力发电机稳态转速Ω_hs，得到

Ω_hs＝il_rv_s/R   （3）

Ω_h＝Ω_hs+ΔΩ_h   （4）

其中，l_r为叶尖速比的参考值，i为齿轮箱变速比，v为风速，R为风力发电机的风轮半径，Ω_h为风力发电机实时转速值，ΔΩ_h为风力发电机扰动转速。

6.根据权利要求5所述的风电系统最大风能捕获神经网络补偿控制方法，其特征是：所述步骤（c）中，采用PSO算法进行训练时，粒子群中每个粒子的维度分量都对应为人工神经网络中的一个连接权值或阈值，粒子群个体位置向量x的维数D为BP网络的权值和阈值个数之和：

D＝R×H+H×U+H+U   （5）

其中，BP神经网络的输入为风力发电机稳态转矩参考值Γ_asr及风力发电机的扰动转速ΔΩ_h，输入层R的个数为2，隐含层H的个数为8，输出层U为风力发电机转矩参考值，输出层个数为1；

粒子更新状态为：

v_jd＝ω_jd+c₁r₁(p_jd-x_jd)+c₂r₂(p_gd-x_jd)   （6）

式中，v_jd为速度向量，j＝1,2,Λ,m,d＝1,2,Λ,D；m为粒子个数，D为粒子群维数；ω_jd为惯性因子；学习因子c₁和学习因子c₂是非负常数，v_jd∈[-v_max,v_max]，v_max是常数，r₁、r₂是[0,1]之间的随机数；

x_jd＝x_jd+v_jd   （7）

其中，x_jd为位置向量，位置向量的维度分量与BP神经网络的权值和阈值相对应；用来计算粒子的适应度，通过粒子寻优过程的最佳位置p_fd和全局最佳粒子的位置p_gd改变粒子的位置，调整BP神经网络的最佳权值和阈值输出，使得BP神经网络输出最佳风力发电机转矩控制值；其中

ωid=ωmax-(ωmax-ωmin)×ttmax]]>   （8）

其中，t为当前迭代次数，t_max为PSO算法最大迭代次数，ω_max为惯性因子ω_jd最大值设为0.8，ω_min为惯性因子ω_jd最小值；

风力发电机转矩控制值的粒子群结点适应度函数的性能指标为：

J=ΣoΣp[dop-yop]2/2]]>   （9）

其中，o为当前训练样本数，p为当前样本输出数；

为了使得式（9）给出的性能指标达到最小，即满足风力发电机转矩控制量的误差值最小，将粒子群适应度函数定义为：

F=11nΣo=1nΣp=1z(dop-yop)+ϵ]]>   （10）

其中，n为训练样本数，z为样本输出个数，d_op是节点的期望输出，y_op是节点的实际输出，ε为任意小的常数，式（9）和（10）输出最小误差和最高的适应度值时，BP神经网络输出的转矩控制值与转矩参考值之间的误差达到最小，PSO算法输出BP神经网络的最佳阈值和权值。