基于改进小批量梯度上升法的风机最大功率控制方法
阅读：219发布：2020-05-16
专利汇可以提供基于改进小批量梯度上升法的风机最大功率控制方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了基于改进小批量梯度上升法的 风 机最大功率控制方法，包括：建立考虑风速和风向变化的风机出 力 模型，设定最大功率点追踪控制系统及 偏航 系统的动作条件及相关参数，作为实施多变量梯度寻优的基本模型及寻优约束条件；将小批量梯度上升 算法 和均方根传递法相结合，提出改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优。本发明提出改进小批量梯度上升算法，使得寻优效率更高；改进小批量梯度上升算法与爬山搜索法相比，不仅保证了 跟踪 最大功率点的快速性、 稳定性 与精确性，还有效避免了无谓的功率损失。，下面是基于改进小批量梯度上升法的风机最大功率控制方法专利的具体信息内容。
1.基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，包括：
建立考虑风速和风向变化的风机出力模型，设定最大功率点追踪控制系统及偏航系统的动作条件及相关参数，作为实施多变量梯度寻优的基本模型及寻优约束条件；
将小批量梯度上升算法和均方根传递法相结合，提出改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优。
2.根据权利要求1所述的基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，所述考虑风速和风向变化的风机出力模型，输出功率P的表达式为式中，PWT为未考虑风向的风机功率；Cp为风能利用系数，是桨距角β和叶尖速比λ的函数；
ρ为空气密度；A为风力机叶片旋转面面积；v为风速；
λi为过程变量，ω为叶片角速度，R为风轮机半径；α为风向角；n为风机转速；
c1、c2、c3、c4、c5、c6分别为风能利用系数函数的参数。
3.根据权利要求2所述的基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，所述改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优，风机出力模型的多变量梯度寻优函数为
改进小批量梯度上升算法的梯度上升迭代公式为
式中E[g(v)2]j、E[g(ω)2]j、E[g(α)2]j分别对应风速、角速度、风向角的历史梯度平方累积值；g(v)j、g(ω)j、g(α)j分别代表这三个特征量取m个样本计算得到的平均梯度。
4.根据权利要求2所述的基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，定义ΔPmax为允许最大功率差值；
检测实时风速v、风向角α、功率P，计算功率差值ΔP＝Pt-Pt-1，风速差Δv＝vt-vt-1，风向角差值Δα＝αt-αt-1，偏航控制器偏转一次后检测到的风向角差值为Δα*，将检测到的功率差值ΔP与风向角α同时作为控制MPPT系统与偏航系统动作的条件参数；
当检测到|ΔP|>ΔPmax时，表明风速或风向发生了改变，通过依次判断Δα、Δv是否满足相应条件进行对应梯度方向矩阵的计算和迭代，具体如下：
1)若|Δα|≥8°、|Δv|>0，说明风速、风向同时变化，通过改进小批量梯度上升算法计算得到梯度上升方向为 启动最大功率点追踪控制器并根据
ΔP正负值情况决定转速旋转方向，同时启动偏航控制器进行对风操作，并根据Δα正负值情况执行角度偏转；
2)若|Δα|<8°、|Δv|>0，启动最大功率点追踪控制；通过改进小批量梯度上升算法计算得到梯度上升方向矩阵 后，风机仅启动最大功率点追踪控制器进
行最大功率追踪；功率稳定后重新检测ΔP的大小，若满足|ΔP|≤ΔPmax，最大功率点追踪控制器停止工作；
3)若|Δα|≥8°、|Δv|＝0，表明只需进行偏航控制，通过改进小批量梯度上升法计算得到梯度上升方向为 开始进行角度偏转；若满足|Δα*|≤2°，说明偏航到位，可以进行下一轮功率检测。
5.根据权利要求3所述的基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，所述改进小批量梯度上升法，以风机启动后第一次达到稳定运行状态时的参数值作为初始点。
6.根据权利要求2所述的基于改进小批量梯度上升法的风机最大功率控制方法，其特征在于，c1＝0.5176，c2＝116，c3＝0.4，c4＝5，c5＝21，c6＝0.0068。
基于改进小批量梯度上升法的风机最大功率控制方法
技术领域
[0001] 本发明属于风电控制领域，具体涉及基于改进小批量梯度上升法的风机最大功率控制方法。
背景技术
[0002] 风力机从风中获得的能量不仅取决于风速，还与风向有关，两种因素在很多情况下会同时对风能利用率造成影响。在风电系统中，接收风速与风向信号的两大控制单元分别为最大风能追踪单元和偏航单元，两者同属于风力发电机基本控制系统中的第二级——风力机的控制单元，但相互独立。因此，在现有的关于风机最大功率追踪问题的研究中，往往将与风速和风向有关的控制问题分为最大功率点追踪(Maximum Power Point Tracking，MPPT)控制与偏航控制两部分进行探讨，在研究其中一个控制优化问题时，直接默认了另一条件在理想状态下，这与实际情况相比是存在偏差的。
发明内容
[0003] 本发明的技术问题是现有技术的风力机最大功率优化控制方法，往往将与风速和风向有关的控制问题分为MPPT控制与偏航控制两部分进行探讨，在研究其中一个控制优化问题时，直接默认了另一条件在理想状态下，这与实际情况相比是存在偏差的。
[0004] 本发明的目的是解决上述问题，提出同时考虑风速、风向两个变量的风机最大功率控制方法，将MPPT控制与偏航控制看成一个整体，建立同时考虑风速、风向变化的寻优模型，将多变量寻优结果，即最优风机转速和对风角作为优化控制目标分别作用于MPPT控制系统和偏航控制系统，从而实现风机最大输出功率的综合控制。
[0005] 本发明的技术方案是基于改进小批量梯度上升法的风机最大功率控制方法，包括：建立考虑风速和风向变化的风机出力模型，设定最大功率点追踪控制系统及偏航系统的动作条件及相关参数，作为实施多变量梯度寻优的基本模型及寻优约束条件；将小批量梯度上升算法和均方根传递法相结合，提出改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优。
[0006] 所述考虑风速和风向变化的风机出力模型，输出功率P的表达式为
[0007]
[0008]
[0009] 式中，PWT为未考虑风向的风机功率；Cp为风能利用系数，是桨距角β和叶尖速比λ的函数；ρ为空气密度；A为风力机叶片旋转面面积；v为风速；λi为过程变量，ω为叶片角速度，R为风轮机半径；α为风向角；n为风机转速；c1、c2、c3、c4、c5、c6分别为风能利用系数函数的参数。
[0010] 所述改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优，风机出力模型的多变量梯度寻优函数为
[0011]
[0012] 改进小批量梯度上升算法的梯度上升迭代公式为
[0013]
[0014] 式中E[g(v)2]j、E[g(ω)2]j、E[g(α)2]j分别对应风速、角速度、风向角的历史梯度平方累积值；g(v)j、g(ω)j、g(α)j分别代表这三个特征量取m个样本计算得到的平均梯度。
[0015] 定义ΔPmax为允许最大功率差值；检测实时风速v、风向角α、功率P，计算功率差值ΔP＝Pt-Pt-1，风速差Δv＝vt-vt-1，风向角差值Δα＝αt-αt-1，偏航控制器偏转一次后检测到的风向角差值为Δα*，将检测到的功率差值ΔP与风向角α同时作为控制MPPT系统与偏航系统动作的条件参数；当检测到|ΔP|>ΔPmax时，表明风速或风向发生了改变，通过依次判断Δα、Δv是否满足相应条件进行对应梯度方向矩阵的计算和迭代，具体如下：
[0016] 1)若|Δα|≥8°、|Δv|>0，说明风速、风向同时变化，通过改进小批量梯度上升算法计算得到梯度上升方向为 启动最大功率点追踪控制器并根据ΔP正负值情况决定转速旋转方向，同时启动偏航控制器进行对风操作，并根据Δα正负值情况执行角度偏转；
[0017] 2)若|Δα|<8°、|Δv|>0，启动最大功率点追踪控制；通过改进小批量梯度上升算法计算得到梯度上升方向矩阵 后，风机仅启动最大功率点追踪控制器进行最大功率追踪；功率稳定后重新检测ΔP的大小，若满足|ΔP|≤ΔPmax，最大功率点追踪控制器停止工作；
[0018] 3)若|Δα|≥8°、|Δv|＝0，表明仅有风向改变；进行偏航控制，通过改进小批量梯度上升法(Mini-Batch Gradient Ascent，MBGA)算法计算得到梯度上升方向为 开始进行角度偏转；若满足|Δα*|≤2°，说明偏航到位，可以进行下一轮功率检测。
[0019] 进一步地，研究风速处于额定风速以下时的最大风能捕捉，设置叶片桨距角β＝0°。通过检测实时功率变化情况的方式判断电机的旋转方向，若功率增加，则电机正转；若功率减少，则电机反转。
[0020] 优选地，偏航控制系统的启动条件为风速3m/s。
[0021] 优选地，偏航控制系统的偏航额定速度为0.5°/s。
[0022] 优选地，偏航控制系统的偏航控制系统的采样时间间隔为1分钟。
[0023] 优选地，偏航控制系统的偏航允许误差为[-8°，8°]。
[0024] 优选地，偏航控制系统的偏航停止误差为[-2°，2°]。
[0025] 优选地，所述改进小批量梯度上升算法，以风机启动后第一次达到稳定运行状态时的参数值作为初始点。
[0026] 优选地，c1＝0.5176，c2＝116，c3＝0.4，c4＝5，c5＝21，c6＝0.0068。
[0027] 相比现有技术，本发明的有益效果：
[0028] 1)将小批量梯度上升算法与均方根传递法相结合，提出改进小批量梯度上升算法，使得寻优效率更高；
[0030] 3)在风速、风向都发生变化的条件下，改进小批量梯度上升算法算法与传统小批量梯度上升算法相比，在步长选择上更具合理性，提高了搜索效率。
[0031] 4)该控制策略对MPPT控制和偏航控制系统进行条件性调用，实现了两个控制系统的有机结合，使研究结果更贴近风机运行的实际情况。
[0033] 下面结合附图和实施例对本发明作进一步说明。
[0034] 图1为Cp与β和λ的关系图。
[0035] 图2为本发明的实施例的控制方法流程图。
[0036] 图3为风向恒定风速改变的风的示意图。
[0038] 图5-1为改进MBGA算法与HCS算法下的输出功率曲线图。
[0039] 图5-2为风速突变为额定风速时功率曲线变化细节对比图。
[0040] 图6为风速恒定风向改变的风的示意图。
[0041] 图7为改进MBGA与HCS算法下的偏航电机电压脉冲图。
[0042] 图8为改进MBGA与HCS算法下的输出功率曲线图。
[0043] 图9为风速风向都改变的风的示意图。
[0044] 图10为改进MBGA与HCS算法下的偏航电机电压脉冲图。
[0045] 图11为改进MBGA与HCS算法下的输出功率曲线图。
[0046] 图12为传统MBGA算法下的搜索步长图。
[0047] 图13为改进MBGA算法下的搜索步长图。
具体实施方式
[0048] 基于改进小批量梯度上升法的风机最大功率控制方法，包括：建立考虑风速和风向变化的风机出力模型，设定最大功率点追踪控制系统及偏航系统的动作条件及相关参数，作为实施多变量梯度寻优的基本模型及寻优约束条件；将小批量梯度上升算法和均方根传递法相结合，提出改进小批量梯度上升算法，对风机出力模型的最大功率进行寻优。
[0049] 考虑风速和风向变化的风机出力模型，输出功率P的表达式为
[0050]
[0051]
[0052] 式中，PWT为未考虑风向的风机功率；Cp为风能利用系数，是桨距角β和叶尖速比λ的函数；ρ为空气密度；A为风力机叶片旋转面面积；v为风速；λi为过程变量，ω为叶片角速度，R为风轮机半径；α为风向角；n为风机转速；c1、c2、c3、c4、c5、c6分别为风能利用系数函数的参数，c1＝0.5176，c2＝116，c3＝0.4，c4＝5，c5＝21，c6＝0.0068。
[0053] Cp与β和λ的关系曲线如图1所示。对于任意的λ，随着β值的增大，Cp曲线会下降，Cp值明显减少。因此，当风速处于额定风速以下切入风速以上时，应使β保持在0°，才能最大限度获取风能，该条件下最大的Cp＝0.48，此刻最优叶尖速比值λopt＝8。
[0054] MPPT及偏航控制系统动作条件及参数设置：
[0055] 1)MPPT控制系统动作条件及参数
[0056] 研究风速处于额定风速以下时的最大风能捕捉，在该风速条件下，可忽略变桨距系统的调节，直接设置叶片桨距角β＝0°。通过检测实时功率变化情况的方式判断电机的旋转方向，若功率增加，则电机正转；若功率减少，则电机反转。
[0057] 2)偏航控制系统动作条件及参数
[0058] 偏航控制系统寻优控制涉及到偏航系统启停条件及相关参数，如表1所示。
[0059] 表1偏航控制启停条件及参数表
[0060]
[0061] 从风机启动时间开始算起，每隔1min进行风向检测。默认风机开始工作时，机舱位置处于正对风向状态，风向角α＝0°。对风误差在允许的最大误差范围[-8°，8°]时，偏航系统不动作。当超过这一范围后，系统发出偏航指令，风向在机舱左侧范围内时，发出左偏航指令；风向在机舱右侧范围内时，发出右偏航指令。开始对风操作后每隔30s再次检测当前对风误差，当其恢复到设定范围[-2°，2°]时，结束偏航动作，否则偏航控制器继续工作。
[0062] 小批量梯度上升MBGA算法，是对批量梯度上升(Batch Gradient Ascent，BGA)以及随机梯度上升(Stochastic Gradient Ascent，SGA)算法的折中，MBGA算法每次迭代使用“batch_size”个样本对参数进行更新。既避免了批量梯度上升法迭代次数过多的情况，又降低了随机梯度上升法迭代方向易出错的概率。中国科学技术大学潘磊的博士论文《小批量随机梯度下降算法在地震成像中的应用》公开了MBGA算法。
[0063] 在MBGA算法中，学习率γ即梯度上升步长决定了梯度搜索的速度；“batch_size”的大小为m的取值，决定了梯度搜索的范围。
[0064] 对于学习率γ的选取，加入由Geoff Hinton提出的自适应学习率方法RMSprop即均方根传递法对MBGA算法进行改进。该方法是在对梯度进行指数加权平均的基础上，引入平方和平方根，使初始迭代点处的梯度所占权重很小，越靠后的迭代点处的梯度所占权重越大。这样，可以丢掉比较靠前的点处的梯度，从而加速算法的收敛。如式3所示。
[0065]
[0066] 其中，E[g2]j为历史梯度的平方累积值；为权重参数，一般取值为0.9；gj为m个样本的平均梯度。改进后，每次迭代后更新的参数表达式如式4所示。
[0067]
[0068] 式中，θj为寻优变量，j＝1～m，ε为平滑项，用于避免分母为0，一般取值1e-8。
[0069] 应用改进MBGA算法，建立风机出力模型的多变量梯度寻优函数
[0070]
[0071] 考虑风速和风向角的风机出力P的式1和式2中，同时出现了风速v、角速度ω、风向角α这三个变量，在多变量函数求极值时，这三个变量都参与到相应的梯度计算，但其中风速v和角速度ω不是相互独立的，它们之间由叶尖速比变化曲线联系在一起，具有函数关系，最后得到的最优控制变量实际上是角速度ω和风向角α，并作为优化控制目标分别作用于MPPT和偏航控制系统。
[0072] 基于MBGA算法的梯度上升迭代对于初始点的选取，一般选择各特征量最初的设定状态。本发明以风机启动后第一次达到稳定运行状态时的参数值作为初始点，设为(v0，ω0，α0)。
[0073] 加入每次需要迭代的样本数量m和学习因子γ，可以得到最终的梯度上升迭代公式如式6所示。
[0074]
[0075] 加入均方根传递法后结合式3得到改进MBGA算法的梯度上升迭代公式为：
[0076]
[0077] 式中的E[g(v)2]j、E[g(ω)2]j、E[g(α)2]j分别对应风速、角速度、风向角的历史梯度平方累积值；g(v)j、g(ω)j、g(α)j分别代表这三个特征量取m个样本计算得到的平均梯度。
[0078] 存在风速、风向两个自变量的情况下，保持风能捕获最大值。由于MPPT控制和偏航控制系统两者之间相互独立，本发明通过改进MBGA算法对MPPT控制和偏航控制系统进行条件性调用，实现了两个控制系统的有机结合。具体实现方法如下。图2所示为基于改进MBGA算法的控制策略流程图。
[0079] 定义ΔPmax为允许最大功率差值；检测实时风速v、风向角α、功率P，计算功率差值ΔP＝Pt-Pt-1，风速差Δv＝vt-vt-1，风向角差值Δα＝αt-αt-1，偏航控制器偏转一次后检测到的风向角差值为Δα*，当检测到|ΔP|>ΔPmax时，表明风速或风向发生了改变，通过依次判断Δα、Δv是否满足相应条件进行对应梯度方向矩阵的计算和迭代，具体控制策略如下：
[0080] 1)若|Δα|≥8°、|Δv|>0，说明风速、风向同时变化，通过改进小批量梯度上升算法计算得到梯度上升方向为 启动最大功率点追踪控制器并根据ΔP正负值情况决定转速旋转方向，同时启动偏航控制器进行对风操作，并根据Δα正负值情况执行角度偏转；
[0081] 2)若|Δα|<8°、|Δv|>0，启动最大功率点追踪控制；通过改进小批量梯度上升算法计算得到梯度上升方向矩阵 后，风机仅启动最大功率点追踪控制器进行最大功率追踪；功率稳定后重新检测ΔP的大小，若满足|ΔP|≤ΔPmax，最大功率点追踪控制器停止工作；
[0082] 3)若|Δα|≥8°、|Δv|＝0，表明只需进行偏航控制，通过改进MBGA算法计算得到梯度上升方向为 开始进行角度偏转；若满足|Δα*|≤2°，说明偏航到位，可以进行下一轮功率检测。
[0083] 上述控制策略，不仅能够实现风速、风向同时变化时的最大风能捕获，也包含了风速、风向单独发生变化这两种特殊的工况，将v、ω和α三个自变量作为媒介，实现了风机根据风速和风向变化情况的条件调用MPPT控制系统和偏航系统的目的。
[0084] 一种实施例中，改进小批量梯度上升算法，以风机启动后第一次达到稳定运行状态时的参数值作为初始点。
[0085] 一种实施例中，采用3MW风机，切入风速3m/s，额定风速12m/s，风轮转动半径40m，风机扫掠面积5026m2；风力发电机线路参数：定子电阻0.0054pu，转子电阻0.00607pu，定转子互感4.5pu，定子漏感0.1pu，转子漏感0.11pu。偏航控制相关参数如表1所示。
[0086] 一种实施例中，只考虑额定风速以下时的输出功率变化情况，对应桨距角为β＝0°。先对风速、风向单独发生变化时的工况进行仿真分析，再对风速、风向同时变化的工况进行仿真分析，以便于对比分析，具体如下：
[0087] a)风向一定，风速变化时最大功率点跟随效果
[0088] 如图3所示，风向角始终为0°，风速在2min、5min、8min时分别阶跃突变为8m/s、12m/s、9m/s的风。仿真结果如图4、图5-1和图5-2所示。在该风况下进行最大功率追踪时，由于风向未改变，不需要启动偏航控制系统。如图4所示，偏航电机单位脉冲启动控制信号没有相应启动脉冲发出，偏航系统不动作。
[0089] 图5-1和图5-2为分别应用爬山搜索法(hill-climbing searching,HCS)与改进MBGA算法进行最大功率追踪的风机出力变化曲线。其中，图5-1为整体变化曲线对比图；图5-2为t＝5min时，风速突变为额定风速时功率曲线变化细节对比图。
[0090] 如图5-1所示，在2min、8min时突变风速低于额定风速，发电机输出功率低于额定值；在5min时，突变风速正好为额定风速，输出功率接近额定功率。说明在风机正常运行状态下，HCS算法与改进MBGA算法都能达到跟踪最大功率点的目的。
[0091] 如图5-2所示，改进MBGA算法较HCS算法能够得到更优的最大功率值，达到最大输出功率的速度更快，并且能保持在最优值不发生振荡现象，避免了风机不必要的功率损失。因此，在风向一定、风速随机变化的情况下，从搜索精度、速度和功率稳定性上，改进MBGA算法都要比HCS算法的最大功率跟踪效果更好。
[0092] b)风速一定，风向变化时最大功率点跟随效果
[0093] 如图6所示，风速稳定在9m/s，风向角发生阶跃变化。风向角在2、4、8、9min时分别突变为9°、20°、-5°再回归到0°。仿真结果如图7、图8所示。
[0094] 图7所示为偏航电机脉冲启动控制信号，图中脉冲个数为偏航系统启动次数，正负数值表示偏航电机偏转方向，其中正值表示右偏航，负值表示左偏航，脉冲持续时长代表偏航系统从开始对风到停止偏航的消耗时长。
[0095] 如图8所示，当t＝2、4、8min时，风向角变化已超出启动角8°，此时启动偏航控制器开始进行对风操作。在风向角发生变化后的0.3～1min内，输出功率出现一个趋势向下的波动，该波动区间为偏航系统运行对风时的偏转延迟区间，且风向角变化越大偏转耗时越长；对风完成后，输出功率恢复到最大功率附近，偏航系统停止工作。t＝9min时，风向角改变角度小于启动角度，此时偏航控制器不会启动，输出功率也将不会发生波动。图7中电压脉冲启动信号的出现时刻、正负数值以及持续时长与图8中输出功率跟踪现象吻合，说明改进MBGA算法和HCS算法下的偏航控制器都能在规定误差范围内正常启停，实现重启对风操作。
但应用改进MBGA算法追踪到的最大功率值更准确，且应用爬山法恢复最大功率的用时更长，出现的波动情况更加明显。因此，改进MBGA算法在风速恒定、风向改变时对风机最大功率点的追踪效果更好。
但应用改进MBGA算法追踪到的最大功率值更准确，且应用爬山法恢复最大功率的用时更长，出现的波动情况更加明显。因此，改进MBGA算法在风速恒定、风向改变时对风机最大功率点的追踪效果更好。
[0096] c)风速风向同时变化时最大功率点跟随效果
[0097] 图9所示为风速变化曲线和风向变化曲线图，仿真结果如图10、图11所示，得到以下结论：1)t＝2、8min时，风速与风向同时变化。t＝2min时，风速和风向角同时正向增大，同时启动MPPT与偏航控制器，应用基于改进MBGA算法的控制策略时，偏航控制器启停一次，待对风操作完成之后，输出功率也从缓慢上升状态逐渐趋于平稳状态；而应用HCS算法追踪最大功率时，偏航控制器多次启停且偏转方向左右跳转，输出功率曲线频繁波动，经过较长时间后才恢复稳定值。这是由于HCS算法在解决风速、风向变化问题时，都是通过判断实时功率变化情况的方式对MPPT和偏航控制器发出调节指令，若两种控制器同时接受相同信号并动作，就会导致这种偏航误动、功率紊乱的情况。t＝8min时，风速和风向角同时反向变化，MPPT与偏航控制器的工作状态与t＝2min时相似，只不过功率变化整体呈下降趋势。从这两段功率变化趋势可以发现，除开风向影响造成的短时间功率波动，输出功率的涨幅趋势和最终稳定值大小都由风速大小决定；2)t＝4min时，仅有风向角变化，正向突变至20°；该风况与b)的t＝4min时的相同，得到的仿真结果显示该段功率的变化趋势与图8相同；3)t＝5min时，仅有风速发生突变，应用本发明提出的控制策略进行计算时，偏航系统不会启动，而应用HCS算法会出现偏航控制器误动现象，这是因为应用HCS算法时，控制系统只以实时功率变化情况作为唯一判据对MPPT和偏航控制器发出相同调节指令，造成了偏航误动、功率紊乱的情况；以上现象也说明了当把MPPT控制器与偏航控制器结合在同一系统中时，本发明提出的基于改进MBGA算法的控制策略适应性更强；4)t＝9min时风向角由-5°归零，变化值在误差角范围内，与b)中t＝9min时刻相同，偏航控制器始终未启动，因此功率曲线没有出现陡降趋势。
[0098] 对比图11与图5-1、图5-2和图8，当风速和风向同时变化时，应用HCS算法得到的输出功率即使能在一定时间内达到稳定状态，但在数值上较风速、风向单独发生变化时都有大幅度的下降，而应用改进MBGA算法的控制策略在三种工况下均能保持最大功率不变。
[0099] 为了进一步验证改进MBGA算法在步长选择上的优越性，以c)的风速、风向变化情况为前提条件将MBGA算法与改进的MBGA算法步长搜索情况进行对比，该步长为风速v、角速度ω、风向角α三个变量步长的矢量和，如图12和图13所示。
[0100] 根据曲线的折返幅度和疏密度可知，改进MBGA算法较传统MBGA算法的步长取值更合理，在初步迭代时步长取值较大，在接近最优值的过程中步长取值逐渐越小，避免了传统方法因随机选取步长进行迭代而错过最优值的情况，使搜索次数更少，达到稳定值的时长更短。
[0101] 本发明同时考虑到风速、风向发生变化时对风力发电机输出功率的影响，将MPPT控制与偏航控制融合，以风机转速和风向角为寻优控制变量，分别在风向一定、风速变化，风速一定、风向变化以及风速、风向同时变化三种情况下，采用本发明提出的改进小批量梯度上升法与爬山搜索法进行最大功率点的追踪，并对仿真结果进行对比观察。同时，在风速、风向都发生变化的条件下验证了改进MBGA算法相较于传统MBGA算法在步长搜索上的优势。改进MBGA算法与爬山搜索法相比，不仅保证了跟踪最大功率点的快速性、稳定性与精确性，还有效避免了无谓的功率损失；与传统MBGA算法相比，在步长选择上更具合理性，提高了搜索效率。因此，本发明的方法优化了额定风速以下多风向状态的最大功率点跟踪控制，也使研究结果更贴近风机运行的实际情况。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种含风力发电电网自动发电控制系统PID控制器设计方法 | 2020-05-12 | 210 |
| 适用于低风速分布式风力发电的直流母线电压控制方法 | 2020-05-17 | 673 |
| 一种无风速传感器下的风力发电系统功率追踪方法 | 2020-05-17 | 155 |
| 高电压穿越能力仿真评估模型及基于其的仿真评估方法 | 2020-05-16 | 30 |
| 一种风电机组控制方法和系统 | 2020-05-18 | 305 |
| 一种基于运行数据的风电利用率计算方法 | 2020-05-08 | 609 |
| 一种基于单机等值与选择模态分析的风电场等值建模方法 | 2020-05-11 | 137 |
| 基于最优转速功率追踪的双馈风机参与电网调频控制方法 | 2020-05-15 | 639 |
| 一种基于抽水储能电站平抑风力发电功率波动的方法 | 2020-05-13 | 575 |
| 发电机有功功率及风电机组参数计算方法、风电机组模型 | 2020-05-13 | 74 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈