一种基于动态多模型预测控制器的风机有功功率跟踪方法与流程

1.本公开属于风机有功功率跟踪控制技术领域，具体涉及一种基于动态多模型预测控制器的风机有功功率跟踪方法。


背景技术：

2.由于风力发电机输出的能量来源于环境中的风，且环境中的风难以被准确预测，并会发生湍流和快速变化的情况，风机的输出功率极易发生波动，较难精准地控制风机功率，不仅影响着风机的经济运行，也会对电网的频率造成影响，给风机和电网的运行造成巨大的挑战。
3.因此，有必要寻找有效的手段提高风机的功率跟踪能力，降低功率的波动，提高风能输出质量。现有的技术手段包括传统的pi控制策略、增益调度pi控制策略、传统模型预测控制策略等。pi控制策略主要为额定风速以上时，通过pi控制器调节桨距角，使发电机转速保持额定转速，电磁转矩控制器配合发电机转速实现功率追踪额定功率；增益调度pi控制策略是为了解决在不同的风速下发电机输出功率的对桨距角灵敏度不同的问题，从而基于灵敏度对pi控制器进行增益补偿和调度；传统模型预测控制策略，可以基于风机模型进行实时优化控制来满足功率的输出要求，但控制的准确度和精度与模型的准确度关系较大，同时由于风机的状态相互之间存在着耦合关系，且受输入风速影响较大，模型很难准确建立，如果模型较实际模型差距较大将使风机的功率达不到控制要求。


技术实现要素：

4.本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于动态多模型预测控制器的风机有功功率跟踪方法。
5.本公开的一个方面，提供一种基于动态多模型预测控制器的风机有功功率跟踪方法，所述方法包括：
6.建立风机的各非线性模型，并在各个工况点处分别将各所述非线性模型线性化和离散化，获得所述风机的线性多工况多模型；
7.根据所述风机的所述线性多工况多模型，搭建模型预测控制器；
8.根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器；
9.基于实际实验平台或高保真仿真软件，验证所述动态多模型预测控制器在风机有功功率追踪上的有效性。
10.在一些可选地实施方式中，所述建立风机的各非线性模型，并在各个工况点处分别将各所述非线性模型线性化和离散化，获得所述风机的线性多工况多模型，包括：
11.基于风机的机理理论建立所述风机的各非线性模型，所述风机的各非线性模型包括非线性气动模型、非线性传动模型、非线性发电机模型和非线性伺服机构模型；
12.根据所述风机在各个风况下的动态特性，利用泰勒展开建立多个小信号线性模
型，并根据所述小信号线性模型，建立所述风机的小信号连续状态间表达式；
13.对所述小信号连续状态空间表达式离散化，获得所述风机的线性多工况多模型。
14.在一些可选地实施方式中，所述风机的各非线性模型如下：
15.对于风机的气动系统：
16.根据空气动力学理论，风机转子捕获到气动转矩可以表示为下述关系式(1)：
[0017][0018]
其中，ρ为空气密度，r是转子半径，v是风流经转子的平均风速，c
p
(λ,β)是气动功率系数，β为实际桨距角，λ是叶尖速比，可以表示为ω
r
r/v，ω
r
是转子转速，c
p
可以用经验公式写为下述关系式(2)：
[0019][0020]
其中，λ
*
为拟合风能利用系数的中间变量，为了简化(2)式的表达引入；
[0021]
对于风机的传动系统：
[0022]
假设风机的高速轴和低速轴为柔性轴，建立传动系统双质块模型，得到传动系统的动态方程为下述关系式(3)：
[0023][0024]
其中，j
r
和j
g
分别为转子和发电机转动惯量，n为齿轮箱变速比，k
s
为中间轴刚度，b
s
为中间轴阻尼系数，t
g
为发电机电磁转矩，t
s
为中间轴转矩，ω
g
为发电机转速，φ为转轴扭角；
[0025]
对于风机的伺服机构：
[0026]
变桨距系统是一种非线性伺服机构，可以等效成具有限幅和限速环节的二阶系统，如下述关系式(4)：
[0027][0028]
其中，β
*
为桨距角参考值，一般为桨距控制器的输出；ω
n
为桨距执行机构自然角频率，ξ为桨距执行机构的阻尼系数；
[0029]
对于风机的发电机：
[0030]
忽略非重点的变流器模型，将发电机视为转矩源，可以等效成一阶惯性环节，其动态方程可以表示为下述关系式(5)：
[0031][0032]
其中，t
*
为电磁转矩参考值，一般为电磁转矩控制器的输出；τ
g
为电磁转矩一阶惯性时间常数，η为发电机效率，p
g
为发电机输出功率。
[0033]
在一些可选地实施方式中，将风机中的非线性动态方程在工况点利用泰勒展开进行小信号线性化，得到小信号线性模型，如下述关系式(6)：
[0034][0035]
根据上述关系式(6)，建立所述风机的小信号连续状态空间表达式，如下述关系式(7)：
[0036][0037]
其中，u＝[δt
*
,δβ
*
,δv]
t
，y＝[δp
g
]
t
；
[0038][0039]
c＝[0 0 0 0 η 1]d＝[0 0 0]；
[0040][0041][0042][0043]
将所述小信号连续状态空间表达式离散化，如下述关系式(8)：
[0044][0045]
其中，
[0046]
在一些可选地实施方式中，所述根据所述风机的所述线性多工况多模型，搭建模型预测控制器，包括：
[0047]
以发电机电磁转矩和桨距角为控制量，搭建所述模型预测控制器的步骤如下：
[0048]
a1)、根据所述线性多工况多模型确定系统的状态变量、控制变量、输出变量以及扰动量，完成模型库程序的编写；
[0049]
b1)、确定预测控制器的参数，所述参数包括预测时域、控制时域和采样时间；
[0050]
c1)、根据控制目标确定优化性能指标以及各指标权重，并根据各变量的范围和性质确定其约束条件；
[0051]
d1)、在当前时刻，根据模型库确定未来有控制时域的控制下，未来预测时域各时刻的系统状态变量以及输出变量；
[0052]
e1)、根据d1)步骤中预测到的未来预测时域各时刻的系统状态变量和输出变量，使用优化求解器求解在约束条件下实现优化性能指标最好的控制器输出；
[0053]
f1)、每一步都重复d1)和e1)步骤的预测和优化求解实现整个控制过程的滚动优化，搭建完成所述模型预测控制器。
[0054]
在一些可选地实施方式中，所述根据所述风机的所述线性多工况多模型，搭建模型预测控制器，包括：
[0055]
在不同工况下离线计算得到的模型参数a
d
,b
d
,c组成离线参数库，具体包括确定预测时域n
p
和控制时域n
c
，确定预测控制的目标函数和约束条件，如下述关系式(9)至(13)：
[0056][0057]
s.t.0≤β0+δβ≤β
max
；
ꢀꢀꢀ
(10)
[0058]
|δβ|≤δβ
max
ꢀꢀꢀ
(11)
[0059]
t
g，min
≤t
g，0
+δt
g
≤t
g，max
ꢀꢀꢀ
(12)
[0060]
|δt
g
|≤δt
g,max
ꢀꢀꢀ
(13)
[0061]
其中，下标中出现的min表示该参数允许的最小取值，max表示该参数允许的最大取值，δ表示该参数的变化速率，下标中出现0表示该参数在该工况下的稳态值；
[0062]
模型预测控制器的运行控制计算具体过程如下：
[0063]
a2)、在k时刻根据工况与风机运行状态，从模型参数库中取相应参数给模型预测控制器，用以下面的计算；
[0064]
b2)、根据离散线性状态空间表达式计算出x(k+1),x(k+2),
…
,x(k+n
p
)状态的模型预测值，以及y(k+1),y(k+2),
…
,y(k+n)输出的模型预测值；
[0065]
c2)、使用matlab内的优化求解器fmincon根据模型预测值求解上述带有约束的目标优化问题，得到u(k),u(k+1),
…
,u(k+n
c
)控制器的优化输出；
[0066]
d2)、使用u(k)最为当前控制器的输出值，在计算下一步输出值的时候返回步骤
a2)实现滚动优化，从而保证每步控制器的输出均是根据目标优化后的值。
[0067]
在一些可选地实施方式中，所述根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器，包括：
[0068]
a3)、实时计算并保存每个时刻模型实际的参数值；
[0069]
b3)、当某个工况记录的模型参数值的范数连续数次保持在一个范围，就使用这个范围的中心值模型参数值取代原模型库中对应的参数；
[0070]
c3)、当某个工况记录的模型某个参数连续数次保持在一个范围内，就用这个范围的均值代替原模型库中对应的参数。
[0071]
在一些可选地实施方式中，所述根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器，包括：
[0072]
a4)、每次风速采集完成的时候，均计算当前时刻模型的实际参数值，并与风速一起记录下来，形成模型参数矫正库；
[0073]
b4)、在模型预测控制器从模型参数库中提取参数的时候，先根据当前时刻的风速，提取模型参数矫正库中从当前时刻往前数共n
j
次的实时值，即n
j
个向量p(1),p(2),
…
,p(n
j
)，若记录到n
j+1
次的值，则将p(1)值弃除，用后面n
j
个值向前覆盖；
[0074]
c4)、若||p(i)||≤ε则用p(i)的中心值作为矫正值代替模型参数库中对应工况的参数；
[0075]
d4)、对于当前时刻的风速，对每个模型参数值p(i,j)进行如步骤b4)和c4)的记录与处理,若某个参数满足连续数次保持在一个范围的条件，就用n
j
个值的均值代替原模型库中对应的参数。
[0076]
本公开的另一个方面，提供一种电子设备，包括：
[0077]
一个或多个处理器；
[0078]
一个存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
[0079]
本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
[0080]
本公开实施例的基于动态多模型预测控制器的风机有功功率跟踪方法，改进了传统风机有功功率追踪策略的不足，基于动态多模型预测控制器，来抑制风机输出功率追踪时的波动。另外，还改进传统模型预测控制器单一模型或多模型无法与实际模型实时矫正的问题，使发电机功率追踪更加平稳，提高风机的经济性能。
附图说明
[0081]
图1为本公开一实施例中一种基于动态多模型预测控制器的风机有功功率跟踪方法的流程图；
[0082]
图2为本公开另一实施例的仿真风速图；
[0083]
图3为本公开另一实施例的仿真功率对比图。
具体实施方式
[0084]
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方
式对本公开作进一步详细描述。
[0085]
如图1所示，一种基于动态多模型预测控制器的风机有功功率跟踪方法s100，所述方法包括：
[0086]
s110、建立风机的各非线性模型，并在各个工况点处分别将各所述非线性模型线性化和离散化，获得所述风机的线性多工况多模型；
[0087]
s120、根据所述风机的所述线性多工况多模型，搭建模型预测控制器；
[0088]
s130、根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器；
[0089]
s140、基于实际实验平台或高保真仿真软件，验证所述动态多模型预测控制器在风机有功功率追踪上的有效性。
[0090]
本实施例的基于动态多模型预测控制器的风机有功功率跟踪方法，改进了传统风机有功功率追踪策略的不足，基于动态多模型预测控制器，来抑制风机输出功率追踪时的波动。另外，还改进传统模型预测控制器单一模型或多模型无法与实际模型实时矫正的问题，使发电机功率追踪更加平稳，提高风机的经济性能。
[0091]
在一些可选地实施方式中，步骤s110具体包括：
[0092]
基于风机的机理理论建立所述风机的各非线性模型，所述风机的各非线性模型包括非线性气动模型、非线性传动模型、非线性发电机模型和非线性伺服机构模型。
[0093]
根据所述风机在各个风况下的动态特性，利用泰勒展开建立多个小信号线性模型，并根据所述小信号线性模型，建立所述风机的小信号连续状态间表达式。
[0094]
对所述小信号连续状态空间表达式离散化，获得所述风机的线性多工况多模型。
[0095]
在一些可选地实施方式中，所述风机的各非线性模型如下：
[0096]
对于风机的气动系统：
[0097]
根据空气动力学理论，风机转子捕获到气动转矩可以表示为下述关系式(1)：
[0098][0099]
其中，ρ为空气密度，r是转子半径，v是风流经转子的平均风速，c
p
(λ,β)是气动功率系数，β为实际桨距角，λ是叶尖速比，可以表示为ω
r
r/v，ω
r
是转子转速，c
p
可以用经验公式写为下述关系式(2)：
[0100][0101]
其中，λ
*
为拟合风能利用系数的中间变量，为了简化(2)式的表达引入。
[0102]
对于风机的传动系统：
[0103]
假设风机的高速轴和低速轴为柔性轴，建立传动系统双质块模型，得到传动系统的动态方程为下述关系式(3)：
[0104][0105]
其中，j
r
和j
g
分别为转子和发电机转动惯量，n为齿轮箱变速比，k
s
为中间轴刚度，b
s
为中间轴阻尼系数，t
g
为发电机电磁转矩，t
s
为中间轴转矩，ω
g
为发电机转速，φ为转轴扭角；
[0106]
对于风机的伺服机构：
[0107]
变桨距系统是一种非线性伺服机构，可以等效成具有限幅和限速环节的二阶系统，如下述关系式(4)：
[0108][0109]
其中，β
*
为桨距角参考值，一般为桨距控制器的输出；ω
n
为桨距执行机构自然角频率，ξ为桨距执行机构的阻尼系数；
[0110]
对于风机的发电机：
[0111]
忽略非重点的变流器模型，将发电机视为转矩源，可以等效成一阶惯性环节，其动态方程可以表示为下述关系式(5)：
[0112][0113]
其中，t
*
为电磁转矩参考值，一般为电磁转矩控制器的输出；τ
g
为电磁转矩一阶惯性时间常数，η为发电机效率，p
g
为发电机输出功率。
[0114]
在一些可选地实施方式中，将风机中的非线性动态方程在工况点利用泰勒展开进行小信号线性化，得到小信号线性模型，如下述关系式(6)：
[0115][0116]
根据上述关系式(6)，建立所述风机的小信号连续状态空间表达式，如下述关系式(7)：
[0117][0118]
其中，u＝[δt
*
,δβ
*
,δv]
t
，y＝[δp
g
]
t
；
[0119][0120]
c＝[0 0 0 0 η 1]d＝[0 0 0]；
[0121][0122][0123][0124]
将所述小信号连续状态空间表达式离散化，如下述关系式(8)：
[0125][0126]
其中，
[0127]
在一些可选地实施方式中，所述根据所述风机的所述线性多工况多模型，搭建模型预测控制器，包括：
[0128]
以发电机电磁转矩和桨距角为控制量，搭建所述模型预测控制器的步骤如下：
[0129]
a1)、根据所述线性多工况多模型确定系统的状态变量、控制变量、输出变量以及扰动量，完成模型库程序的编写；
[0130]
b1)、确定预测控制器的参数，所述参数包括预测时域、控制时域和采样时间；
[0131]
c1)、根据控制目标确定优化性能指标以及各指标权重，并根据各变量的范围和性质确定其约束条件；
[0132]
d1)、在当前时刻，根据模型库确定未来有控制时域的控制下，未来预测时域各时刻的系统状态变量以及输出变量；
[0133]
e1)、根据d1)步骤中预测到的未来预测时域各时刻的系统状态变量和输出变量，使用优化求解器求解在约束条件下实现优化性能指标最好的控制器输出；
[0134]
f1)、每一步都重复d1)和e1)步骤的预测和优化求解实现整个控制过程的滚动优化，搭建完成所述模型预测控制器。
[0135]
在一些可选地实施方式中，所述根据所述风机的所述线性多工况多模型，搭建模
型预测控制器，包括：
[0136]
在不同工况下离线计算得到的模型参数a
d
,b
d
,c组成离线参数库，具体包括确定预测时域n
p
和控制时域n
c
，确定预测控制的目标函数和约束条件，如下述关系式(9)至(13)：
[0137][0138]
s.t.0≤β0+δβ≤β
max
；
ꢀꢀꢀ
(10)
[0139]
|δβ|≤δβ
max
ꢀꢀꢀ
(11)
[0140]
t
g，min
≤t
g，0
+δt
g
≤t
g，max
ꢀꢀꢀ
(12)
[0141]
|δt
g
|≤δt
g,max
(13)
[0142]
其中，下标中出现的min表示该参数允许的最小取值，max表示该参数允许的最大取值，δ表示该参数的变化速率，下标中出现0表示该参数在该工况下的稳态值；
[0143]
模型预测控制器的运行控制计算具体过程如下：
[0144]
a2)、在k时刻根据工况与风机运行状态，从模型参数库中取相应参数给模型预测控制器，用以下面的计算；
[0145]
b2)、根据离散线性状态空间表达式计算出x(k+1),x(k+2),
…
,x(k+n
p
)状态的模型预测值，以及y(k+1),y(k+2),
…
,y(k+n)输出的模型预测值；
[0146]
c2)、使用matlab内的优化求解器fmincon根据模型预测值求解上述带有约束的目标优化问题，得到u(k),u(k+1),
…
,u(k+n
c
)控制器的优化输出；
[0147]
d2)、使用u(k)最为当前控制器的输出值，在计算下一步输出值的时候返回步骤a2)实现滚动优化，从而保证每步控制器的输出均是根据目标优化后的值。
[0148]
在一些可选地实施方式中，所述根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器，包括：
[0149]
a3)、实时计算并保存每个时刻模型实际的参数值；
[0150]
b3)、当某个工况记录的模型参数值的范数连续数次保持在一个范围，就使用这个范围的中心值模型参数值取代原模型库中对应的参数；
[0151]
c3)、当某个工况记录的模型某个参数连续数次保持在一个范围内，就用这个范围的均值代替原模型库中对应的参数。
[0152]
在一些可选地实施方式中，所述根据所述风机实际的运行状态去更新矫正所述模型预测控制器中模型的参数，搭建动态多模型预测控制器，包括：
[0153]
a4)、每次风速采集完成的时候，均计算当前时刻模型的实际参数值，并与风速一起记录下来，形成模型参数矫正库；
[0154]
b4)、在模型预测控制器从模型参数库中提取参数的时候，先根据当前时刻的风速，提取模型参数矫正库中从当前时刻往前数共n
j
次的实时值，即n
j
个向量p(1),p(2),
…
,p(n
j
)，若记录到n
j+1
次的值，则将p(1)值弃除，用后面n
j
个值向前覆盖；
[0155]
c4)、若||p(i)||≤ε则用p(i)的中心值作为矫正值代替模型参数库中对应工况的参数；
[0156]
d4)、对于当前时刻的风速，对每个模型参数值p(i,j)进行如步骤b4)和c4)的记录与处理，若某个参数满足连续数次保持在一个范围的条件，就用n
j
个值的均值代替原模型
库中对应的参数。
[0157]
在一些可选地实施方式中，步骤s140可以以高保真风机载荷仿真平台fast验证公开方法的有效性，以平均风速为12m/s的iec湍流风为输入，对比传统控制方法与动态多模型预测控制器的功率追踪效果，验证了本公开提出方法的有效性。
[0158]
具体地，基于现场风机实际运行测试或使用高保真风机仿真fast进行验证，本公开使用fast进行验证说明。
[0159]
仿真输入风为平均风速为20m/s的iec湍流风，仿真时间为150s，采样时间为0.01s，由于风机在启动时存在开启扰动，因此去除前50s进行分析。按照前三步的步骤编写程序和搭建动态多模型预测控制器和传统控制器进行仿真对比验证。仿真结果如图2
‑
3所示，图2为仿真输入风，图3为传统预测控制策略和本公开动态多模型预测控制策略以及传统pi控制器下的发电机输出功率对比图，其中pi控制器控制下发电机输出功率的最大绝对误差为48.2358kw，标准差为19.1950kw，传统预测控制器控制下发电机输出功率的最大绝对误差为14.3228kw，标准差为5.3024kw，本公开动态多模型预测控制器控制下发电机输出功率最大绝对误差为6.5659kw，标准差为2.3849kw，从中可以看出本公开的方法可以有效抑制风机在变工况时发电机输出功率的跟踪误差和波动。
[0160]
因此，使用本公开设计的基于动态多模型预测控制较传统pi控制和传统预测控制可以更稳定地追踪有功功率的情况下，提高风机的经济性能。
[0161]
本公开的另一个方面，提供一种电子设备，包括：
[0162]
一个或多个处理器；
[0163]
一个存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的方法。
[0164]
本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
[0165]
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
[0166]
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件，或它们任意合适的组合。
[0167]
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
[0168]
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。