技术领域
[0001] 本
发明涉及
风力发
电机组控制技术领域，特别涉及一种基于支持向量回归的最优转矩控制方法。
背景技术
[0002] 在过去的几十年中，
风力发电在世界范围内得到了飞速发展。自然界的风具有很强的随机性和间接性，导致风电功率存在很大的不可预测性和
波动性，“弃风限电”在风电工业中普遍存在，因此，风力发电的商用价值有待于进一步提升和挖掘。
[0003] 最大
风能捕获是风电机组的主要控制目标之一，是风
电场经济效益最大化的重要保证，为实现这一目标，目前工业上普遍采用最优转矩控制
算法，该算法的原理十分简单，即在假设风速为定值的情况下，仅考虑系统稳态，将控制增益乘以发电机转速的平方作为电磁转矩的设定值。然而，最优转矩控制算法存在两个主要问题。首选，其控制增益的计算需要已知风电机组的最大功率系数和最佳
叶尖速比，这两个关键量虽然在机组出厂时会有一个标称值，然而，随着时间的运行，由于磨损、废物堆积、
叶片结
冰等原因，叶片的翼形会发生变化，导致机组的最大功率系数和最佳叶尖速比也会发生变化，且很难确定其准确值，因此，原有的控制增益就会不断偏离其理论最优值，从而导致风电系统捕风效率的下降；其次，最优转矩控制算法并没有使用风速信息，其实现形式上并没有最优转速
跟踪误差以及可以影响其收敛速度的可调参数，因此，在
湍流风的情况下，算法的响应速度较慢，将会影响机组产能。
[0004] 针对最优转矩控制算法存在的问题，学者们提出了一些解决方案，这些方法可以总结为两类：控制增益更新法和减小转矩增益法。控制增益更新法主要解决最优转矩控制算法的第一个问题，该方案需要使用
激光雷达装置测量有效风速，进而计算风能捕获效率，然后根据风能捕获效率的增减来对控制增益进行更新，从而使得控制增益一直维持在理论最优状态，但是，由于激光雷达测风装置价格昂贵，该方法的实用性较差；减小转速增益法主要针对最优转矩控制算法存在的第二个问题，通过减小控制增益的大小来加快机组
加速性能，然而，该方法是以牺牲机组减速性能为代价来加快的机组的加速性能，且当控制增益的减小比例选取不当时，机组的捕风效率不增反减。
[0005] 本发明针对控制增益更新法和减小转矩增益法中存在的问题，使用基于支持向量回归的有效风速估计方法代替昂贵的雷达测风装置，通过在风速估计模型的训练集中加入噪声，从而提高风速估计算法的鲁棒性，进一步得到最优转速估计值，通过引入转速跟踪误差的比例项，对转矩增益进行补偿，在一定程度上增加算法的收敛速度，提高机组的风能捕获效率。
发明内容
[0006] 为了提高最优转矩控制算法的风能捕获效率，解决现有最优转矩控制方法实现成本高、参数选取困难的问题，本发明提供一种实现成本低、控制参数调试简单、鲁棒性好的最优转矩控制方法，能够降低风电场的建设和运维成本，在一定程度上加快算法的收敛性能，提高机组产能，增加风电场的经济效益。
[0007] 本发明解决其技术问题所采用的技术方案是：一种基于支持向量回归的最优转矩控制方法，该方法包括以下步骤：
[0008] (1)获取机组某段时间内的有效风速信息，记为V′，对V′加入均值为0，方差为0.1的高斯噪声，得到V，V是支持向量回归模型的训练目标集，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；
[0009] (2)对步骤(1)获得的去除相关性后的数据进行归一化处理，记为X″，对X″的每一列都加入均值为0，方差为0.05的高斯噪声，得到支持向量回归的训练特征集X，训练特征集X和训练目标集V共同构成支持向量回归的训练集，在支持向量回归模型的训练集中加入噪声有助于提高风速估计算法的鲁棒性；
[0010] (3)选择核函数，使用烟花算法确定支持向量回归模型的惩罚参数和核函数参数，并使用步骤(2)中的训练集训练得到支持向量回归模型；
[0011] (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)训练得到的支持向量回归模型中，计算得到有效风速估计值；
[0012] (5)根据步骤(4)得到的有效风速估计值，得到机组风轮的最优风轮转速估计值，进而计算得到风轮转速跟踪误差；
[0013] (6)根据步骤(5)获得跟踪误差e，得到最优转矩控制表达式：
[0014]
[0015] 其中是Tg电磁转矩设定值，ωg是发电机转速，kp＞0是用户自行选取的常数控制参数，Cpmax是最佳
风能利用系数，ng是
齿轮箱
传动比，λopt是机组最佳叶尖速比，R是风轮半径,ρ为空气
密度。
[0016] 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，同时使用SCADA系统记录对应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,...,8，其中x′(i,j)是SCADA系统的一次
采样输出，其表达式为：
[0017] x′(i,:)＝[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
[0018] 其中，ωr是风轮转速，ωg是发电机转速，Tem是电磁转矩，Pe是发电功率，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。
[0019] 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4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,j)。
[0020] 进一步地，所述步骤(2)中，归一化处理的具体操作为：
[0021]
[0022] 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)组成支持向量回归的训练特征集X中的列分量。
[0023] 进一步地，所述步骤(3)中，支持向量回归的核函数选择如下的sigmoid函数[0024]
[0025] 其中γ和r是需要选择的超参数，x表示某个支持向量，z表示支持向量回归模型的输入特征。
[0026] 进一步地，所述步骤(3)中，烟花算法的适应度函数选择为支持向量回归模型针对训练集的均方误差。
[0027] 进一步地，所述步骤(4)中，有效风速估计值 的表达式为：
[0028]
[0029] 其中，fsvr表示训练好的支持向量回归模型，xnew是经过PCA去相关和归一化处理的机组实时输出。
[0030] 进一步地，所述步骤(5)中，风轮转速跟踪误差e为：
[0031]
[0032] 其中，ωr是风轮转速， 是最优风轮转速估计值，λopt是机组最佳叶尖速比，R是风轮半径。
[0033] 本发明的有益效果是：使用支持向量回归进行有效风速估计，避免了激光雷达测风装置的使用，降低了系统成本，且通过对模型训练集的加噪处理提高了风速估计算法的鲁棒性；通过在传统最优转矩控制算法中引入转速跟踪误差的比例项，在一定程度上加快了算法的收敛速度，在未改变最优转矩控制算法基本形式的情况下提高了风能捕获效率。本发明提供的基于支持向量回归的最优转矩控制方法，保留了传统最优转矩控制算法结构简单的优势，而克服了其收敛速度较慢的缺点，方法简单易行，实施成本低，需要调试的参数少，相比于传统最优转矩控制算法相比，能够提高机组产能，增加风电场的经济效益。
附图说明
[0035] 图2为风速真实值与估计值对比图；
[0036] 图3为风速估计误差图；
[0038] 图5为本发明提出的方法与传统方法的发电功率对比图；
[0039] 图6为本发明提出的方法与传统方法的电磁转矩对比图；
[0040] 图7为本发明提出的方法与传统方法的风轮转速对比图。
具体实施方式
[0041] 下面结合附图和具体
实施例对本发明作进一步详细说明。
[0042] 本发明提供的一种基于支持向量回归的最优转矩控制方法，包括下述步骤：
[0043] 步骤1，为了获取风速估计模型的训练样本，维持风电机组的桨距角为0度，使用最优转矩控制算法实现最大风能捕获。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′，对V′加入均值为0，方差为0.1的高斯噪声，得到V，V是支持向量回归训练目标集，同时使用SCADA系统记录对应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,...,8，其中x′(i,j)是SCADA系统的一次采样输出，其表达式为：
[0044] x′(i,:)＝[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
[0045] 其中，ωr是风轮转速，ωg是发电机转速，Tem是电磁转矩，Pe是发电功率，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。
[0046] 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4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,:)。
[0047] 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：
[0048]
[0049] 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。对x(:,j)加入均值为0，方差为0.05的高斯噪声，加噪后的x(:,j)组成支持向量回归模型的训练特征集X中的列分量，训练特征集X和训练目标集V共同构成支持向量回归的训练集，在支持向量回归模型的训练集中加入噪声有助于提高风速估计算法的鲁棒性。
[0050] 步骤3，选择核函数，使用烟花算法确定支持向量回归的惩罚参数和核函数参数，并使用步骤(1)中的训练集训练得到支持向量回归模型。所述核函数选择如下的sigmoid函数
[0051]
[0052] 其中γ和r是需要选择的超参数。所述烟花算法的适应度函数选择为支持向量回归算法在训练集上的均方误差。
[0053] 步骤4，在线使用步骤3获得的训练好的支持向量回归模型，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输入训练好的支持向量回归模型中，得到每一个采样周期的风速估计值
[0054]
[0055] 其中，fsvr表示训练好的支持向量回归模型，xnew是经过PCA去相关和归一化处理的机组实时输出。
[0056] 步骤5，计算风轮转速跟踪误差e：
[0057]
[0058] 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。
[0059] 步骤6，根据步骤5获得跟踪误差e，得到如下的最优转矩控制形式
[0060]
[0061] 其中是Tg电磁转矩设定值，kp＞0是用户自行选取的常数控制参数，Cpmax是最佳风能利用系数，ng是齿轮箱传动比。通过引入风轮转速跟踪误差的比例环节，在一定程度上加快了算法的收敛速度(能够同时加快机组的加速和减速性能)，缩短了最优转矩控制算法调整到最优转速的时间，最终提高了算法的风能捕获效率。
[0062] 实施例
[0063] 本实施例使用GH Bladed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，与如下的传统最优转矩控制方法进行对比
[0064]
[0065] 其中，TgOTC是最优转矩控制算法给出的电磁转矩值，kopt是控制参数，ωg是发电机转速，ρ＝1.225Kg/m3是空气密度，R＝38.5m是风轮半径，Cpmax＝0.482是最大风能捕获系数，λopt＝8.5是最佳叶尖速比，ng＝104.494是齿轮箱的传动比。
[0066] 如图1所示，是本发明方法的控制框图。机组的实时输出经过PCA去相关和归一化操作之后，输入到基于支持向量回归的风速估计模型中，得到风速估计值；计算得到最优风轮转速估计值，进而计算得到风轮转速跟踪误差；使用风轮转速跟踪误差的比例项对原有最优转矩控制参数进行补偿，在一定程度上加快算法的收敛速度，提高机组产能，增加风电场的经济效益。
[0067] 如图2所示，是有效风速真实值和估计值的对比图。风速估计值基本具有风速真实值的变化趋势，而风速估计值的变化趋势将会提升最优转矩控制方法的动态性能，提升机组产能。经计算，风速估计的MAPE是6.51％，MSE是0.1863m2/s2。
[0068] 如图3所示，是风速估计误差图。估计误差基本在±1m/s之间，说明了本发明风速估计方法的有效性。如图4所示，是本发明方法设计流程图。首先，获取机组相关输出数据，进行包括PCA去相关和归一化在内的数据预处理，构造支持向量回归的训练集；其次，选择核函数，通过结合烟花算法和训练集确定支持向量回归的惩罚参数和核函数参数，得到有效风速估计模型，利用该风速估计模型，在线给出风速估计值的大小；最后，计算转速跟踪误差，进一步给出电磁转矩控制
信号表达式。
[0069] 如图5所示，是本发明提出的方法与传统方法的发电功率对比图。本发明方法获得的功率的平滑程度与传统方法类似，因此，本发明方法不会引起发电功率的抖动，不会影响发电
质量。通过计算可知，本发明的方法比传统方法产能提升0.77％，由于实际风电场的发电量基数很大，所以提升0.77％的产能也会带来较大的收益。
[0070] 如图5所示，是本发明提出的方法与传统方法的电磁转矩对比图。可以看出，本方法的转矩信号较为平滑，因此，本方法不会带来机组传动链
载荷的增加。
[0071] 如图6所示，是本发明提出的方法与传统方法的风轮转速对比图。可见，本方法得到的风轮转速信号也较为平滑，不会带来风轮转速的剧烈抖动，从而不会影响机组的服役寿命。
[0072] 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。
