[发明专利]基于有效风速估计的变速风力发电机组最大风能捕获方法

说明书

本发明公开了一种基于有效风速估计的变速风力发电机组最大风能捕获方法。该方法包括有效风速估计模型和最大风能捕获控制器两部分。为获得有效风速估计值，归一化后的机组历史输出数据和历史风速测量值构成SVR模型的训练集，使用GA算法选择惩罚参数和核函数参数，得到训练好的SVR模型，该模型在线给出风速估计值；设计最大风能捕获控制器时，根据有效风速估计模型给出的有效风速，得到实时的最优风轮转速估计值，使用鲁棒因子和神经网络应对系统的非线性特性和参数不确定性，从而实现转速跟踪误差的有界性和风力发电机组系统的稳定性。该方法不需要使用机组的数学模型和参数，设计过程简单，实现成本低，能够提高机组产能和风电场的经济效益。

技术领域

本发明涉及变速风力发电机组控制技术领域，特别涉及变速风力发电机组的最大风能捕获控制。

背景技术

随着人类社会的发展，能源短缺和环境危机变得日益严重。风电作为目前应用规模最大的新能源发电方式，是解决能源和环境危机的重要手段。近年来，风电的发展十分迅速，根据世界风能协会(IEA)发布的报告，到2050年，全球风电渗透率将会达到15-18％。一般来说，风电机组可以分为定速风电机组和变速风电机组。与定速风电机组相比，变速风电机组有着更高的发电效率和更低的结构载荷，因此，在当前的风电市场当中，变速风电机组的应用更加的广泛。由于风速的未知性、机组结构和运行环境的复杂性，变速风电机组的最大风能捕获仍然是一个具有挑战性的研究课题。

为实现变速风电机组的最大风能捕获，目前工业上普遍采用的是最优转矩控制器，其基本思路是将发电机转速的平方乘以一个固定常数作为发电机电磁转矩的设定值。然而，该控制器仅仅考虑机组的稳态特性，当机组的转动惯量和湍流强度较大时，其风能捕获效果较差。

为解决这一问题，学者们提出基于叶尖速比法的最大风能捕获控制器设计方法，该方法的基本思想是，将最大功率点跟踪问题转化为最优转速跟踪问题。但是，该方法需要已知风速信息。实际中，风速信息的获取通常有两种方法：使用风速计或者使用激光雷达测风装置。然而，前者只能测量风轮后某一点的风速，无法代表有效风速，且测量误差较大，后者则价格昂贵。因此，基于有效风速估计的变速风电机组最大风能捕获控制器设计已经成为研究热点。

目前已有的有效风速估计方法可以分为两种：一种是基于卡尔曼滤波或者扩展卡尔曼滤波的风速估计方法，该方法能够间接或者直接地计算有效风速，但是，该方法需要已知精确的机组或者风速模型，这一条件在实际中很难满足；为了克服这一限制，学者们提出了基于机器学习算法的风速估计方法，通过使用神经网络，支持向量回归，极限学习机等算法，建立机组输出与有效风速之间的非线性关系，然而，该方法训练集构建过程十分复杂，计算量大，并且需要计算风轮转速的导数，这会给系统带来较大的噪声。

基于上述风速估计方法，许多最大风能捕获控制器被提出。在早期的研究中，有关学者使用卡尔曼滤波算法间接估计风速，最大风能捕获控制器则采用PI，但是PI控制器不能很好地应对系统的非线性和参数的不确定性，当机组的工作点不断变化时，机组产能减少。为了应对系统的非线性，学者们提出了非线性状态反馈控制器以及滑模控制器，但是这两种控制器的表达式中都包含系统的参数，一方面系统的参数很难准确获得，另一方面，即使通过大量仿真计算获得了比较准确的系统参数，随着机组运行时间的增加，系统的参数也会发生漂移，这将会导致机组产能的下降。为了摆脱对系统参数的依赖，学者们提出了自适应最大风能捕获控制器，使用支持向量回归进行风速估计，但是其输入特征存在很大的冗余，实现成本较高，同时，该方法所设计的控制器需要计算风速估计值的一阶和二阶导数，这些导数在实际中很难准确计算获得。

发明内容

为了提高机组产能，解决现有基于有效风速估计的最大风能捕获控制器因实现成本高、计算量大、无法应对系统非线性特性和参数不确定性而导致的机组产能下降的问题，本发明提供一种简单易行、不依赖于系统数学模型和参数的基于有效风速估计的最大风能捕获控制器，能够精确建立机组输出和有效风速之间的非线性关系，较好的应对系统非线性和参数漂移，适应不同型号的机组，提高机组产能和风电场的经济效益。