一种基于BLS的风电机组智能恒功率控制方法与流程

本发明涉及风力发电机组控制技术领域，特别涉及一种基于bls的风电机组智能恒功率控制方法。

背景技术：

大力发展可再生能源发电，已经成为世界各国应对环境污染问题和化石能源短缺危机的重要手段。作为技术最为成熟和应用前景最为光明的新能源发电方式，风力发电近年来在世界范围内得到了快速发展。控制系统是风力发电技术的核心环节，由于机组自身结构和运行环境的复杂性，风电控制仍然是一个具有挑战性的研究课题。

当风速大于额定风速而小于切出风速(高风速运行区域)时，为了保证机组的安全可靠运行，减小大风对机组的冲击，风电系统的主要控制目标是将发电功率维持在其额定值。在风电机组的高风速运行区域，一般的控制规则是设置发电机电磁转矩为额定值，而通过调节桨距角的大小来实现控制目标。根据发电机电磁转矩、风轮转速和发电功率之间的数学关系，当电磁转矩设置为定值时，当风轮转速维持在额定值时，发电功率随之维持在额定值。因此，风电系统高风速运行区域的恒功率控制目标转化为控制风轮转速维持在额定值。

为实现风电系统高风速运行区域的控制目标，目前工业上普遍采用变参数pid控制器。由于目前风电系统模型辨识技术并不成熟，而风电系统又具有很强的非线性，因此，变参数pid控制算法的参数表的确定过程耗时费力，往往需要在某些工作点对风电机组进行线性化，进而再根据极点配置方法确定pid控制算法的参数。线性化过程所丢失的模型的非线性信息，必然会影响其控制效果。因此，若在控制算法中通过引入风速信息而对模型的非线性部分进行补偿，将会提升恒功率控制效果。在风电工业中，通过激光雷达测风装置能够获得风轮的有效风速信息，然而，激光雷达测风装置十分昂贵，风电工业目前的利润难以支撑为风场的每台机组都配备如此昂贵的设备。

本发明针对现有风电机组恒功率控制器存在的问题，使用基于bls(宽度学习系统)的风速估计方法代替昂贵的雷达测风装置，进而得到系统的非线性部分补偿器，该补偿器与pi算法相结合得到最终的恒功率控制器，能够提高功率调节效果，提高风电并网质量。

技术实现要素：

为了提高风电机组的恒功率调节效果，解决现有恒功率控制算法由于未考虑模型非线性导致的控制效果差的问题，本发明提供一种实现成本低、控制参数调试简单的风电机组恒功率控制算法，该方法能够提高发电质量。

本发明解决其技术问题所采用的技术方案是：一种基于bls的风电机组智能恒功率控制方法，该方法包括以下步骤：

(1)获取机组某段时间内的有效风速信息记为v，v是bls训练目标集，获取对应时间段内的与有效风速信息相关的机组输出数据，并去除获取到的机组输出数据中的相关性，得到去除相关性后的数据；

(2)对步骤(1)获得的去除相关性后的数据进行归一化处理，得到bls的训练特征集x中的列分量，构造bls的训练特征集x，训练特征集x和训练目标集v共同构成bls的训练集；

(3)构造bls，bls包括n个特征节点组、m个增强节点以及1个输出节点，使用步骤(2)获得的bls的训练集确定bls的结构和参数；具体步骤如下：

(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；

(3.2)使用稀疏自编码的解对训练集进行特征提取，得到bls特征节点组的输入，进而得到bls特征节点组的输出；

(3.3)将bls的特征节点组的输出，输入到bls的增强节点中，得到bls的增强节点的输出；

(3.4)将bls的n个特征节点组和m个增强节点与bls的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的bls；

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练得到的bls中，计算得到有效风速估计值；

(5)将机组的风轮转速动态模型分解为非线性部分和不确定部分，如下：

其中是非线性部分，β是桨距角,ωr为风轮转速，获取到有效风速估计值后，可计算出δ是不确定部分，可使用pi环节进行补偿。

(6)根据计算出的风轮转速动态特性的非线性部分，并将机组的风轮转速动态模型的不确定部分使用比例积分项进行补偿，得到恒功率控制器表达式为：

其中，为有效风速估计值，kp,ki＞0是需要选取的比例积分参数；β是桨距角，e为风轮转速调节误差，求解公式如下：e＝ωr-ωd，其中，ωd为风轮转速额定值；ωr为风轮转速。并使用pso算法优化选取kp和ki的值，适应度函数选择为功率调节误差的标准差，粒子规模取为20，进化代数选择为200。

进一步地，所述步骤(1)中，机组某段时间内的有效风速信息通过激光雷达测风装置获得，使用scada系统记录对应t时间段内的与有效风速信息相关的机组输出数据x′＝[x′(i,j)],i＝1,...,l,j＝1,...,6，其中x′(i,j)是scada系统的一次采样输出，其表达式为：

其中，β是桨距角，是桨距角变化率，afa是塔架前后加速度，vfa是塔架前后速度，xfa是塔架前后位移，ra是风轮角位移。

进一步地，所述步骤(1)中，采用pca算法去除获取到的机组输出数据中的相关性，具体步骤包括：对机组输出数据进行去中心化处理，即x′的每一列数据均减去各自的均值，；计算协方差矩阵；计算协方差矩阵的特征值和特征向量；将特征向量按照特征值从大到小按列排序，并取前3列组成矩阵p；将数据x′投影到矩阵p中，得到去除相关性后的数据x″＝[x″(i,:)]。

进一步地，所述步骤(2)中，归一化处理的具体操作为：

其中，x″(:,j)表示x″中的列分量，μ(j)和σ(j)分别是x″(:,j)的均值和标准差，x(:,j)组成bls的训练特征集x中的列分量。

进一步地，所述步骤(3.1)具体为：使用稀疏自编码网络对训练集x进行特征提取，所述稀疏自编码网络是包括输入层(包含3个节点)、隐含层(包含12个节点)和输出层(包含3个节点)的神经网络，进一步，求解如下的稀疏自编码优化问题：

其中z＝ψ(xw+b)是所述稀疏自编码隐含层的输出，w和b分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||2和||·||1分别表示矩阵的1范数和2范数，w1是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题，得到稀疏自编码的解wf。

进一步地，所述步骤(3.2)具体为：使用稀疏自编码的解wf对训练集x进行特征提取，得到bls第i个特征节点组的输入xwf+bfi，其中bfi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出zi可以表示为：zi＝φ1i(xwf+bfi)，其中φ1i是第i个特征节点组的激活函数，取为函数y＝x，bls的n个特征节点组的输出记为：z¹＝[z1,...,zi,...,zn]。

进一步地，所述步骤(3.3)具体为：将所述bls的n个特征节点组的输出z¹输入到bls的增强节点中，第j个增强节点的输出hj表示为：hj＝φ2j(z¹wei+bei)，j＝1,2,...,m，其中wej和bej分别是随机产生的第j个增强节点的权重和偏置，且wej中的每一列之间都是正交的，φ2j是第j个增强节点的激活函数，取为sigmoid函数。m个增强节点的输出记为：h¹＝[h1,...,hi,...,hm]。

进一步地，所述步骤(3.4)具体为：将所述bls的n个特征节点组和m个增强节点与bls的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为w^m，则w^m可求解为

w^m＝[z¹h¹]⁺v

其中[z¹h¹]⁺表示[z¹h¹]的伪逆。

进一步地，所述步骤(4)中，有效风速估计值的表达式为：

其中，a是bls的特征节点和增强节点的联合输出。

本发明的有益效果是：使用宽度学习进行有效风速估计，避免了激光雷达测风装置的使用，降低了系统成本；使用有效风速估计值对机组动态中的非线性进行补偿，并使用pi环节抵消掉系统的未知部分，简化了控制器设计过程，且通过对系统非线性部分进行补偿能够减小pi环节的比例参数，一定程度上减小了桨距系统的机械载荷。同时，通过使用pso算法对pi环节的控制参数进行选择，极大地简化了控制参数的选取过程，并可以提升控制性能，本方法简单易行，实施成本低，需要调试的参数少，相比于目前工业上采用的恒功率控制器，能够提高发电功率调节效果，改善机组发电质量。

附图说明

图1为基于bls的风电机组智能恒功率控制方法设计流程图；

图2为本发明风速真实值与估计值对比图；

图3为本发明风速估计误差图；

图4为本发明方法与传统方法的发电功率对比图；

图5为本发明方法与传统方法的桨距角信号对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

本发明提供的一种基于bls的风电机组智能恒功率控制方法，包括下述步骤：

步骤1，获取风速估计模型的训练样本。在机组正常运行的过程中，使用激光雷达测风装置获取机组某段时间内的有效风速信息，记为v，v是bls训练目标集，当机组运行在高风速工作区域时，同样使用scada系统记录对应t时间段内的与有效风速信息相关的机组输出数据x′＝[x′(i,j)],i＝1,...,l,j＝1,...,6，其中x′(i,j)是scada系统的一次采样输出，其表达式为：

其中，β是桨距角，是桨距角变化率，afa是塔架前后加速度，vfa是塔架前后速度，xfa是塔架前后位移，ra是风轮角位移。

进一步，为了去除机组输出数据x′中的相关性，提高有效风速估计的准确率，使用pca算法对输出数据x′进行降维处理，经过对数据进行去中心化处理(即x′的每一列数据减去各自的均值)、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序，并取前3列组成矩阵p、将数据x′投影到矩阵p中，得到去除相关性后的数据x″＝[x″(i,:)]。

步骤2，将步骤1获得的机组输出数据x″进行归一化处理，具体操作为：

其中，x″(:,j)表示x″中的列分量，μ(j)和σ(j)分别是x″(:,j)的均值和标准差，x(:,j)组成bls的训练特征集x中的列分量，训练特征集x和训练目标集v共同构成bls的训练集。

步骤3，构造bls，并使用步骤2获得的训练集x确定bls的结构和参数。所述bls包括n个特征节点组、m个增强节点以及1个输出节点，本发明中n＝25，m＝40。

进一步，使用稀疏自编码网络对训练集x进行特征提取，所述稀疏自编码网络是包括输入层(包含3个节点)、隐含层(包含12个节点)和输出层(包含3个节点)的神经网络，进一步，求解如下的稀疏自编码优化问题：

其中z＝ψ(xw+b)是所述稀疏自编码隐含层的输出，w和b分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||2和||·||1分别表示矩阵的1范数和2范数，w1是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题，得到稀疏自编码的解wf。

进一步，使用稀疏自编码的解wf对训练集x进行特征提取，得到bls第i个特征节点组的输入xwf+bfi，其中bfi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出zi可以表示为：zi＝φ1i(xwf+bfi)，其中φ1i是第i个特征节点组的激活函数，取为函数y＝x，bls的n个特征节点组的输出记为：z¹＝[z1,...,zi,...,zn]。

进一步，将所述bls的n个特征节点组的输出z¹输入到bls的增强节点中，第j个增强节点的输出hj表示为：hj＝φ2j(z¹wei+bei)，j＝1,2,...,m，其中wej和bej分别是随机产生的第j个增强节点的权重和偏置，且wej中的每一列之间都是正交的，φ2j是第j个增强节点的激活函数，取为sigmoid函数。m个增强节点的输出记为：h¹＝[h1,...,hi,...,hm]。

进一步，将所述bls的n个特征节点组和m个增强节点与bls的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为w^m，则w^m可求解为

w^m＝[z¹h¹]⁺v

其中[z¹h¹]⁺表示[z¹h¹]的违逆，得到训练好的bls。

步骤4，在线使用步骤3获得的训练好的宽度学习模型，将某一控制周期内的机组输出数据x′new(x′new包含的物理量与x′(i,:)相同)进行pca和归一化处理，得到xnew，将xnew输入训练好的宽度学习模型中，得到每一个采样周期的风速估计值

其中，a是步骤3获得的bls的特征节点和增强节点的联合输出。

步骤5，对风电机组的传动轴系结构进行理论分析，将机组的风轮转速动态模型分解为非线性部分和不确定部分。风轮转速动态模型如下：

其中jt是系统惯量，ωr是风轮转速，ta是气动转矩，kt是系统阻尼，tg是系统等效电磁转矩。

进一步，v为有效风速，为叶尖速比，r为风轮半径，ρ为空气密度，β为桨距角。cp(λ,β)是风能利用系数，表示风电机组的风能捕获能力，其近似表达式为：

进一步，使用步骤4获得的有效风速估计值代替所述风轮转速动态模型中的根据步骤5中的风轮转速动态模型，得到新的风轮转速动态模型：

其中是非线性部分，获取到有效风速估计值后，是可以计算的，δ是不确定部分。和δ的表达式分别为：

步骤6，计算风轮转速跟踪误差e：

其中，ωr是风轮转速，λopt是机组最佳叶尖速比，r是风轮半径，是最优风轮转速估计值。

步骤7，定义如下的风轮转速跟踪误差：

e＝ωr-ωd

其中，ωd是额定风轮转速。进一步，得到恒功率控制器表达式：

其中，kp,ki＞0是需要调试的控制参数。在具体实施中，一般采用试错的方法确定kp和ki的值，这会花费较多的人力和时间。本发明使用pso算法优化选取kp和ki的值，适应度函数选择为功率调节误差的标准差，粒子规模取为20，进化代数选择为200，pso算法的其他参数按照常规情况设置。

实施例

本实施例使用ghbladed风电开发软件，对本发明提供的方法的有效性进行验证。为说明本发明的创新性，使用如下的、工业上普遍采用的pid控制算法进行对比：

其中，β是pi控制算法给出的桨距角值，e＝ωr-ωd是转速调节误差，ωr是风轮转速，ωd是额定风轮转速，kp＝0.006是比例控制参数，ki＝0.5是积分控制参数。如图1所示，是基于bls的风电机组智能恒功率控制方法设计流程图。获取机组的相关输出数据，经过数据预处理后，构造bls的训练集，使用该训练集确定bls的结构和参数，得到风速估计模型，该模型能够在线给出有效风速估计值；将风电机组的风轮转速动态分解成非线性部分和不确定部分，最终给出恒功率控制器。

如图2所示，是本发明有效风速真实值和估计值的对比图。风速估计模块协助控制算法实现非线性部分的补偿，能够较好的提高恒功率控制效果。经计算，风速真实值和估计值之间的mape为4.15％，mse为1.065m²/s²。

如图3所示，是风速估计误差图。与风速真实值相比，风速估计误差较小，进一步说明了本发明方法的效果。

如图4所示，本发明方法与传统方法的功率调剂效果对比，可以看到本发明方法能够更好的将机组产能维持在额定值附近。经计算，本发明方法的功率信号的均值和标准差分别是1.5mw和0.0061，而传统方法的功率信号的均值和标准差分别是1.5mw和0.0188，本发明方法功率的标准差比传统方法减小了67.55％，功率调节效果提升明显。

如图5所示，是本发明方法与传统方法桨距角控制信号对比。可见，本发明方法在取得较好功率调节效果的同时，并没有带来桨距角的频繁抖动，即本发明方法的变桨速率在可接受的范围之内。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。