一种基于PSO寻优的风机阻尼自适应控制方法及其控制器与流程

本发明涉及风力发电、阻尼自适应控制器以及智能控制技术领域，尤其涉及一种基于pso寻优的风机阻尼自适应控制方法及其控制器。

背景技术：

风力发电机组具有非常复杂的机械构造，各个部件有不同的固有频率，风机运行时应避免主要部件固有频率的运行状态，从而减少振动，实现稳定运行。因此，振动控制对风电控制器设计而言尤其重要，作为风电机组重要组成部分传动链的振动控制，关系到风机运行稳定性，发电量等重要指标，所以传动链阻尼控制器精准的设计具有重要意义。

而阻尼控制器是一种针对风机转速的滤波器，其输入为发电机转速，输出为转矩，通过频率和阻尼的设置，得到风机稳定运行所需要的阻尼。传统技术中阻尼控制器参数的获得一般采用人工调试阻尼控制器，但人工调试阻尼控制器参数的获得需要调试者具有丰富经验并需要利用多次仿真实验尝试，而且采用人工调试阻尼控制器，最终得到的参数也无法保证是最优参数。另外，机组经过长时间运行后，其所需要的阻尼会产生一定变化，此时阻尼控制器参数需要重新调试，浪费人力物力，效率低。

技术实现要素：

本发明是为了克服传统人工调试阻尼控制器参数获得困难，效率低，且无法保证是最优参数的技术问题，提供一种基于pso寻优的风机阻尼自适应控制方法及其控制器，针对风电机组转矩环运行以及传动链阻尼控制器，通过改进的微粒子群优化算法，即pso算法，对传动链阻尼控制器参数进行寻优，可以用较小的人力成本获得最优参数。

为了实现上述目的，本发明采用以下技术方案：

本发明的一种基于pso寻优的风机阻尼自适应控制方法，其特征在于，包括以下步骤：

步骤一、设计阻尼控制器数学模型，并对频率以及阻尼比初始化；

步骤二、更改阻尼控制器参数，获得传动链阻尼：针对阻尼控制器进行计算，得到第一组转矩环加阻后的传动链阻尼；

步骤三、获取微粒速度：基于pso算法进行参数寻优，建立微粒子群的速度更新公式以及微粒移动速度的约束条件，从而获得微粒群优化中微粒的运行速度；

步骤四、获取微粒历史最优位置：以目标阻尼误差积分的值最小化的控制系统建立目标函数，并根据所述目标函数建立微粒历史最优位置的更新规则表达式以及历史最优位置的定义表达式；

步骤五、获取微粒位置：建立微粒进化方程表达式获得微粒的位置；

步骤六、根据阻尼比误差达到允许范围判断是否最优值：没有找到最优值则返回步骤二并继续循环，相反，找到最优值则结束所有步骤。本发明针对风电机组转矩环运行以及传动链阻尼控制器，通过改进的微粒子群优化算法，即pso算法，对传动链阻尼控制器参数进行寻优，并且通过对转速滤波得到转矩增量叠加在发电机转矩给定值上，从而达到增加传动链阻尼值的效果，最终实现设定的阻尼控制器加入转矩环后传动链阻尼接近所需要的传动链阻尼值ξ，算法简单，容易实施，可以用较小的人力成本获得最优参数，具有良好的运行速度和较低的计算量，模型性能及稳定性能够得到保证。

作为优选，所述步骤一中阻尼控制器数学模型如表达式(1)所示：

其中，g(s)为转矩增量，s²为发动机转速，ωf为阻尼控制器参数频率，ξf为阻尼。控制的原理为陷波器，设定需要增加的阻尼为已知参数ξ，阻尼控制器参数频率ωf和阻尼ξf可以通过pso算法寻找得到最优值。

作为优选，所述步骤三中微粒子群的速度更新公式如表达式(2)：

所述表达式(2)中:vj(t)是微粒j位于第t代的速度；k是惯性因子；e1是认知系数；r1是范围在(0，1)间的随机数；pj(t)是微粒j的历史最优位置；xj(t)是微粒j位于第t代的位置；e2是社会系数；r2是范围在(0，1)间的随机数；pg(t)是群体历史最优位置。微粒子群优化算法把个体看作n维搜索空间中的某一个微粒，然后该微粒以一定的运行速度进行飞行，微粒和群体的运行速度都会实时调整。

作为优选，所述步骤三中微粒移动速度的约束条件如表达式(5)所示：

|vjk(t+1)|≤vmax(5)(5)；

所述表达式(5)中：定义vmax为速度最大值，vjk(t+1)为微粒j在k递减过程中位于第t+1代的速度，k是一个非负数，随着微粒迭代次数而逐渐递减。目的是为了限制微粒j移动速度的快慢，保证微粒子群算法的稳定性。

作为优选，所述逐渐递减公式如表达式(7)所示：

k＝0.9-0.5(j-1)/(nmaxlength-1)(7)；

所述表达式(7)中:j为迭代第几次，nmaxlength为最大迭代次数，e1为认知系数，e2为社会系数，r1和r2均为(0，1)分布的随机数。k是一个非负数，对算法的性能影响很大，为避免出现局部最优值，采用逐渐递减公式。

作为优选，所述步骤四中建立的目标函数如表达式(8)所示：

f＝∫|eξ|dt(8)；

所述表达式(8)中eξ为阻尼误差，为加入转矩环后的传动链阻尼。

作为优选，所述步骤四中微粒历史最优位置的更新规则表达式如表达式(3)所示：

所述步骤四中历史最优位置的定义表达式如表达式(4)所示：

pg(t)＝argmin{f[pj(t)]|j＝1,2,3,.....n|}(4)；

所述表达式(3)和表达式(4)中pj(t)是微粒j的历史最优位置，xj(t)是微粒j位于第t代的位置，pg(t)是群体历史最优位置，n为种群所包含的微粒个数。

作为优选，所述步骤五中微粒j的进化方程式如表达式(6)所示：

xj(t+1)＝vj(t+1)+xj(t)(6)；

所述表达式(6)中xj(t)是微粒j位于第t代的位置，xj(t+1)是微粒j位于第t+1代的位置，vj(t+1)为微粒j位于第t+1代的速度。

本发明的一种使用基于pso寻优的风机阻尼自适应控制方法的控制器，包括转矩环控制器、风机、传动链自适应阻尼控制器、第一加法器和第二加法器，所述第一加法器、转矩环控制器、第二加法器和风机依次连接，所述风机的输出端与第一加法器的输入端相连，另一端与传动链自适应阻尼控制器相连，所述转矩环控制器的输出端一端与第二加法器相连，另一端与传动链自适应阻尼控制器相连，所述外界提供的转速给定信号以及风机输出的测量转速信号共同输入给第一加法器，第一加法器控制输出转速误差信号给转矩环控制器的输入端，转矩环控制器输出转矩给定信号给第二加法器和传动链自适应阻尼控制器，所述传动链自适应阻尼控制器输出转矩加阻值信号给第二加法器。

作为优选，所述传动链自适应阻尼控制器包括转矩加阻滤波器、pso寻优模块、第三加法器和传动链阻尼比计算模块，所述转矩加阻滤波器、pso寻优模块、第三加法器和传动链阻尼比计算模块依次连接，所述传动链阻尼比计算模块的输入端由风机提供测量转速信号，由转矩环控制器提供转矩给定信号，传动链阻尼比计算模块输出实际传动链阻尼比信号给第三加法器的输入端，外界提供理想阻尼比信号给第三加法器的输入端，第三加法器的输出端输出传动链阻尼比误差给pso寻优模块，pso寻优模块输出频率信号和阻尼比信号给转矩加阻滤波器，风机输出的测量转速信号也给转矩加阻滤波器，转矩加阻滤波器输出转矩加阻值给第二加法器的输入端。

本发明的有益效果是：(1)本发明将微粒子群优化算法引入传动链阻尼控制器的设计，利用改进的微粒子群优化算法对阻尼控制器参数进行自适应寻优，可以用较小的人力成本获得最优参数，提高工作效率，有效降低了控制器设计的保守性和复杂性；(2)本发明可实现风电机组转矩环自适应加阻，可以保证风场长期运行后转矩环仍保持最优加阻状态，风电机组可以长期拥有良好的运行速度，模型性能及稳定性能够得到保证。

附图说明

图1是本发明的一种pso寻优流程图。

图2是本发明的一种阻尼自适应控制器框图。

图中1.第一加法器，2.转矩环控制器，3.第二加法器，4.风机，5.传动链自适应阻尼控制器，6.转矩加阻滤波器，7.pso寻优模块.第三加法器，9.传动链阻尼比计算模块。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

本实施例的一种使用基于pso寻优的风机阻尼自适应控制方法的控制器，如图2所示，包括转矩环控制器2、风机4、传动链自适应阻尼控制器5、第一加法器1和第二加法器3，第一加法器1、转矩环控制器2、第二加法器3和风机4依次连接，风机4的输出端与第一加法器1的输入端相连，另一端与传动链自适应阻尼控制器5相连，转矩环控制器2的输出端一端与第二加法器3相连，另一端与传动链自适应阻尼控制器5相连，外界提供的转速给定信号以及风机输出的测量转速信号共同输入给第一加法器1，第一加法器1控制输出转速误差信号给转矩环控制器2的输入端，转矩环控制器2输出转矩给定信号给第二加法器3和传动链自适应阻尼控制器5，所述传动链自适应阻尼控制器5输出转矩加阻值信号给第二加法器3。

传动链自适应阻尼控制器5包括转矩加阻滤波器6、pso寻优模块7、第三加法器8和传动链阻尼比计算模块9，转矩加阻滤波器6、pso寻优模块7、第三加法器8和传动链阻尼比计算模块(9)依次连接，传动链阻尼比计算模块9的输入端由风机4提供测量转速信号，由转矩环控制器2提供转矩给定信号，传动链阻尼比计算模块9输出实际传动链阻尼比信号给第三加法器8的输入端，外界提供理想阻尼比信号给第三加法器8的输入端，第三加法器8的输出端输出传动链阻尼比误差给pso寻优模块7，pso寻优模块7输出频率信号和阻尼比信号给转矩加阻滤波器6，风机输出的测量转速信号也给转矩加阻滤波器6，转矩加阻滤波器6输出转矩加阻值给第二加法器3的输入端。

其工作原理是：外界给定转速给第一加法器1，第一加法器1通过处理风机提供的测量转速和外界提供的转速给定信号，输出转速误差给转矩环控制器2。转矩环控制器2控制输入为给定转速和测量转速的差值，即转速误差，控制算法输出为转矩给定，一部分输出给传动链自适应阻尼控制器5，另一部分输出给第二加法器3，通过第二加法器3输入给风机4。风机4控制输入为转矩给定和转矩加阻值的和，控制算法输出为测量转速，测量转速信号一部分输出给转矩加阻滤波器6，一部分反馈给第一加法器1的输入端，另一部分与转矩环控制器2提供的转矩给定信号通过传动链阻尼比计算模块9的计算后，输出实际传动链阻尼比信号给第三加法器8，实际传动链阻尼比信号与外界提供的理想阻尼比信号共同输入给第三加法器8后，第三加法器8控制算法输出传动链阻尼比误差信号，传动链阻尼比误差信号通过pso寻优模块，根据pso算法自适应寻优，并输出频率和阻尼比给转矩加阻滤波器6，而后转矩加阻滤波器6输出转矩加阻值信号给第二加法器3进行反馈修正，最终实现设定的阻尼控制器加入转矩环后传动链阻尼接近所需要的传动链阻尼值ξ。

本实施例中，一种基于pso寻优的风机阻尼自适应控制方法，如图1所示，包括以下步骤：

步骤一、设计阻尼控制器数学模型，并对频率以及阻尼比初始化，阻尼控制器数学模型如表达式(1)所示：

其中，g(s)为转矩增量，s²为发动机转速，ωf为阻尼控制器参数频率，ξf为阻尼。控制的原理为陷波器，设定需要增加的阻尼为已知参数ξ，阻尼控制器参数频率ωf和阻尼ξf可以通过pso算法寻找得到最优值。

步骤二、更改阻尼控制器参数，获得传动链阻尼：针对阻尼控制器进行计算，得到第一组转矩环加阻后的传动链阻尼

步骤三、获取微粒速度：基于pso算法进行参数寻优，建立微粒子群的速度更新公式以及微粒移动速度的约束条件，从而获得微粒群优化中微粒的运行速度。

微粒子群优化算法把个体看作n维搜索空间中的某一个微粒，然后该微粒以一定的运行速度进行飞行。微粒和群体的运行速度都会实时调整，微粒子群的速度更新公式如表达式(2)：

表达式(2)中:vj(t)是微粒j位于第t代的速度；k是惯性因子；e1是认知系数；r1是范围在(0，1)间的随机数；pj(t)是微粒j的历史最优位置；xj(t)是微粒j位于第t代的位置；e2是社会系数；r2是范围在(0，1)间的随机数；pg(t)是群体历史最优位置。

为了保证微粒子群算法的稳定性，定义vmax为速度最大值，目的是以限制微粒j移动速度的快慢，微粒移动速度的约束条件如表达式(5)所示：

|vjk(t+1)|≤vmax(5)；

表达式(5)中：vjk(t+1)为微粒j在k递减过程中位于第t+1代的速度，由于k是一个非负数，随着微粒迭代次数而逐渐递减，对算法的性能影响很大，为避免出现局部最优值，因此本实施例采用逐渐递减公式如表达式(7)所示：

k＝0.9-0.5(j-1)/(nmaxlength-1)(7)；

表达式(7)中:j为迭代第几次，nmaxlength为最大迭代次数，e1为认知系数，e2为社会系数，r1和r2均为(0，1)分布的随机数。因为随着迭代的进行，所取值逐渐接近最优值，同时微粒速度应随之减少，认知系数e1和社会系数e2为一般正数或零，通常令e1＝e2＝2。

步骤四、获取微粒历史最优位置：以目标阻尼误差积分的值最小化的控制系统建立目标函数，并根据所述目标函数建立微粒历史最优位置的更新规则表达式以及历史最优位置的定义表达式，微粒历史最优位置的更新规则表达式如表达式(3)所示：

步骤四中历史最优位置的定义表达式如表达式(4)所示：

pg(t)＝argmin{f[pj(t)]|j＝1,2,3,.....n|}(4)；

表达式(3)和表达式(4)中pj(t)是微粒j的历史最优位置，xj(t)是微粒j位于第t代的位置，pg(t)是群体历史最优位置，n为种群所包含的微粒个数。

步骤五、获取微粒位置：建立微粒进化方程表达式获得微粒的位置，由于pj(t)是微粒j的历史最优位置，对于目标为最小化为的控制系统而言，目标函数值越小，其对应适应值就越好，建立的目标函数如表达式(8)所示：

f＝∫|eξ|dt(8)；

表达式(8)中eξ为阻尼误差，为加入转矩环后的传动链阻尼。

步骤六、根据阻尼比误差达到允许范围判断是否最优值：没有找到最优值则返回步骤二并继续循环，相反，找到最优值则结束所有步骤，最终实现设定的阻尼控制器加入转矩环后传动链阻尼接近所需要的传动链阻尼值ξ。

本实施例中，设定已知非线性结构参数(ny、nu)，以微粒数n＝30，微粒迭代次数n＝40，ξ＝0.005为例，可得目标函数的值为100。

本发明针对风电机组转矩环运行以及传动链阻尼控制器，利用pso算法对传动链阻尼控制器参数进行自适应寻优，可以用较小的人力成本获得最优参数，提高工作效率，有效降低了控制器设计的保守性和复杂性。自适应控制器的目标是通过对转速滤波得到转矩增量叠加在发电机转矩给定值上，从而达到增加传动链阻尼值的效果。具体传动链阻尼需要增加多少可以通过在线辨识获得，在此不做赘述。本发明可实现风电机组转矩环自适应加阻，可以保证风场长期运行后转矩环仍保持最优加阻状态，风电机组可以长期拥有良好的运行速度，模型性能及稳定性能够得到保证。