[发明专利]一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法

说明书

本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法，该方法包括基于量子位概率幅的种群编码方法和迁移平行多层蒙特卡罗方法优化方法；同时提出双馈风机转子侧控制器比例积分微分参数的优化框架。首先，基于量子位概率幅的种群编码方法生成蒙特卡罗随机点，可在种群数不变的情况下提高种群的多样性。然后，通过多层多粒度的平行多层蒙特卡罗方法获得多组比例积分微分参数以及体现控制器性能的适应度值。其次，通过迁移学习来学习以往的经验知识，以提高优化计算速度。最后，再通过多层多粒度的平行多层蒙特卡罗优化方法获得控制性能良好的双馈风机转子侧控制器的比例积分微分参数。

技术领域

本发明属于风力发电控制领域，涉及一种控制器参数优化方法，适用于双馈风机转子侧控制器的参数优化。

背景技术

近年来双馈风机应用于风力发电领域已经成为了研究热点，具有很大的发展前景和商业价值。矢量方法结合比例积分微分控制的方法因其结构易于实现且输出功率之间解耦控制的特点，被广泛应用于基于双馈风机的风力发电工业中。双馈风机系统是一个高阶、非线性、强耦合、有时延的系统。因此，想要利用传统的工程整定法和经典自整定法来优化其转子侧控制器的参数并获得满意的控制性能已然非常困难。智能优化方法的应用可以用来优化转子侧控制器的比例积分微分参数，例如遗传优化方法、粒子群优化方法、鲸鱼优化方法、群灰狼优化方法、飞蛾扑火优化方法等。因此，一种智能的优化方法用来寻找双馈风机的转子侧控制器的最优参数就显得尤为重要。近年来，量子力学中的某些概念被引用到优化方法中，如量子位、量子态和量子叠加态。应用量子机制后的优化方法提高了种群的多样性和全局收敛性。本发明引入基于量子位概率幅值的编码方法指在提高种群的多样性。目前的智能优化方法都是从给定的初始信息开始，通过种群的初始化后不断的迭代搜索，然后找到问题的最优解。为了充分利用相似历史数据的特征，本发明引入迁移学习，旨在加快优化过程且尽可能少地破坏优化结果的优良性。本发明引入平行多层蒙特卡罗方法，旨在利用多层多粒度的蒙特卡罗方法缩短优化时间、避免通常蒙特卡罗优化方法所涉及的“维数灾害”难题。

发明内容

本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。该方法包括基于量子位概率幅的编码方法和迁移平行多层蒙特卡罗优化方法。将迁移量子平行多层蒙特卡罗优化方法和基于量子位概率幅的编码方式同时作用于双馈风机转子侧比例积分微分参数调优。

本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。该方法被用于双馈风机转子侧控制器的比例积分微分参数优化中。为了优化比例积分微分参数提高控制器的控制性能，需要找到了一个体现其控制器控制性能的函数。

式中，Q_s和Q_sref分别为检测到的无功功率和无功功率的给定值；ω_r和ω_rref分别为转子转速的测量值和某风速下转子转速的给定值。其限制条件为：

式中，需有优化的4组比例积分微分控制器参数，分别为k_Pii、k_Iii、k_Dii。其外环参数取值范围分别为：k_Pii∈[0，1100]，k_Iii∈[0，5]，k_Dii∈[0，1]；内环参数取值范围分别为k_Pii∈[0，500]，k_Iii∈[0，50]，k_Dii∈[0，1]。T是运行时间；随机风风速的取值范围7m/s＜v₁＜12m/s；电网电压u_s在0.3p.u.～1.0p.u.之间；无功功率Q_s在-1.0p.u.～1.0p.u.之间。

为了让所优化的比例积分微分参数适用于实际风况，取适应度函数为式(1)在风速突变、风速随时间逐渐变化和电网电压突然降落三种情况下的平均值。