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ELM的变速风电机组最大风能捕获方法。
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歇性，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，学者们提出了叶尖速比法，该方法的核心思想是将风电机组的最大风能捕获问题转化为最优转速跟踪问题。在此之上，滑模控制被广泛用于风电机组的最优转速
控制器设计中，这些方法存在两个问题。首先，部分基于滑模控制方法的电磁转矩参考值表达式中含有不连续的符号函数，这将会带来控制
信号的抖振从而影响执行器寿命，即使有学者使用连续的函数代替不连续的符号函数，然而这种方法并不是从理论层面上解决滑模控制的不连续问题，所以相关控制参数选取不当会影响控制性能；其次，很多基于滑模控制理论的最大风能捕获方法均假设机组的有效风速是能准确获得的，然而，在实践中，通过
传感器获得的有效风速存在测量误差大或者获取成本昂贵的问题，导致这些方法的实用性不强。
[0005] 本发明针对现有基于滑模控制的最大风能捕获控制方法存在的问题，使用基于ELM(极限学习机)的有效风速估计方法代替昂贵的雷达测风装置，提高有效风速的估计
精度，并降低其获取成本，进而得到最优转速估计值，通过使用滑模控制中的super-twisting算法设计最大风能捕获控制算法，一方面克服了传统最优转矩控制算法收敛慢的缺点，提高机组的风能捕获效率，另一方面保证了
控制信号的连续性，从而避免控制信号的抖振，延长机组的服役寿命。
发明内容
[0006] 为了提高最优转矩控制算法的风能捕获效率，解决现有最大风能捕获方法实现成本高、参数选取困难的问题，本发明提供一种实现成本低、控制参数调试简单的最大风能捕获方法，能够降低风电场的建设和运维成本，延长机组的服役寿命，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ELM的最大风能捕获方法，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，V是ELM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)获得的得到去除相关性后的数据进行归一化处理，得到ELM的训练特征集X中的列分量，构造ELM的训练特征集，训练特征集X和训练目标集V共同构成ELM的训练集；
[0010] (3)构造包括
输入层、隐含层和
输出层的ELM的结构，并使用步骤(2)中的训练集确定ELM的参数，训练得到ELM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，输入到步骤(3)训练好的ELM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e：
[0013]
[0014] 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。进一步地，求取风轮转速跟踪误差的动态特性为：
[0015]
[0016] 其中 是未知项，该未知项将使用后续的最大风能捕获控制器进行补偿。假设 F0是未知项F的导数的上界，F0是已知的，Ta是
气动转矩，Kt是等效阻尼，Tg是电磁转矩。
[0017] (6)根据步骤(5)获得跟踪误差e，得到最大风能捕获控制器的表达式如下：
[0018]
[0019] 其中c和b是常值控制参数，取为： b＝1.1F0，sign(·)是符号函数。
[0020] 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：
[0021] x'(i,:)＝[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
[0022] 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。
[0023] 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,:)]。
[0024] 进一步地，所述步骤(2)中，归一化处理的具体操作为：
[0025]
[0026] 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ELM的训练特征集X中的列分量。
[0027] 进一步地，所述步骤(3)中，构造的ELM包括具有4个
节点的输入层，12个节点的隐含层，1个节点的输出层；随机初始化输入层到隐含层的权重W1和偏置B，得到隐含层的输出H＝ψ(XW1+B)，隐含层的激活函数ψ取为sigmoid函数，记隐含层到输出层的权重为W2，则W2可以计算为：
[0028] W2＝H+V
[0029] 其中H+是H的伪逆。
[0030] 进一步地，所述步骤(4)中，有效风速估计值 的表达式为：
[0031]
[0032] 其中，fELM表示训练好的ELM模型，xnew是经过PCA去相关和归一化处理的机组实时输出。
[0033] 本发明的有益效果是：使用ELM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，提高了风速估计的精度；得到的最大风能捕获控制器的表达式是本质连续的，消除了控制器的抖振，降低了机组的机械
载荷，同时克服了传统最优转矩控制算法收敛速度慢的缺点。本发明提供的基于ELM的最大风能捕获方法，方法简单易行，实施成本低，需要调试的参数少，相比于传统的基于滑模控制的风电机组最大风能捕获方法，能够延长机组的服役寿命；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
[0034] 图1为本发明风速真实值与估计值对比图；
[0035] 图2为本发明风速估计误差图；
[0037] 图4为提出的方法与传统方法的发电功率对比图；
[0038] 图5为提出的方法与传统方法的电磁转矩对比图；
[0039] 图6为提出的方法与传统方法的风轮转速对比图。
具体实施方式
[0040] 下面结合附图和具体
实施例对本发明作进一步详细说明。
[0041] 本发明提供的一种基于ELM的最大风能捕获方法，包括下述步骤：
[0042] 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，V是ELM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：
[0043] x'(i,:)＝[ωr,ωg,Tem,Pe,afa,vfa,xfa,Ra]
[0044] 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。
[0045] 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,:)]。
[0046] 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：
[0047]
[0048] 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ELM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ELM的训练集。
[0049] 步骤3，构造ELM，使用步骤(2)获得的训练集确定ElM的参数。构造的ELM包括输入层(4个节点)，隐含层(12个节点)，输出层(1个节点)。随机初始化输入层到隐含层的权重W1和偏置B，得到隐含层的输出得到隐含层的输出H＝ψ(XW1+B)，隐含层的激活函数ψ取为sigmoid函数，记隐含层到输出层的权重为W2，则W2可以计算为：
[0050] W2＝H+V
[0051] 其中H+是H的伪逆。
[0052] 步骤4，在线使用步骤3获得的训练好的ELM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ELM模型中，得到每一个采样周期的风速估计值
[0053]
[0054] 其中，fELM表示训练好的ELM模型，xnew是经过PCA去相关和归一化处理的机组实时输出。
[0055] 步骤5，计算风轮转速跟踪误差e：
[0056]
[0057] 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。
[0058] 步骤6，求取步骤5获得的风轮转速跟踪误差e的动态特性：
[0059]
[0060] 其中 是未知项，该未知项将使用后续的最大风能捕获控制器进行补偿。这里假设 F0是未知项F的导数的上界，Ta是气动转矩，Kt是等效阻尼，Tg是电磁转矩。
[0061] 步骤7，根据滑模控制中的super-twisting算法，设计电磁转矩控制信号的表达式如下：
[0062]
[0063] 其中c和b是常值控制参数，在这里建议取为： b＝1.1F0。从步骤6得到的磁转矩控制信号的表达式可知，Tg是连续的，因为 和 均为连续的。根据李雅普诺夫原理，在上述控制信号的作用下，系统是稳定的。因此，本方法从本质上消除了控制信号的抖振现象，能够降低
传动系统的载荷，延长机组的服役寿命。
[0064] 实施例
[0065] 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
[0066]
[0067] 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。
[0068] 如图1所示，是本发明有效风速真实值和估计值的对比图。为了降低机组的传动链载荷，风速估计值在经过低通
滤波器(滤波器的带宽可根据实际情况进行选择)后才输入到控制系统中。风速估计值的变化趋势与风速真实值一致，而风速的趋势变化情况，能够提升MPPT控制算法的动态性能。经计算，风速估计值与风速真实值的MAPE是5.61％，MSE是0.1623m2/s2。
[0069] 如图2所示，是本发明风速估计误差图，风速估计误差定义为风速真实值与风速估计值之间的差值，从图中可见，该值较小，说明了风速估计方法的有效性。如图3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ELM的训练集；其次，使用ELM的训练集训练ELM，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，进一步给出最大风能捕获控制器。
[0070] 图4是本发明提出的方法与传统方法的发电功率对比图，图5是本发明提出的方法与传统方法的电磁转矩对比图，图6是本发明提出的方法与传统方法的风轮转速对比图。通过计算可知，本发明的方法比传统方法产能提升0.44％，由于实际风电场的发电量基数很大，所以提升0.44％的产能也会带来较大的收益。从图4的电磁转矩信号对比情况来看，本方法在没有增加电磁转矩信号的抖振(控制信号是连续的)的情况下提升了机组产能。
[0071] 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。
