一种基于记忆的分散式直驱风电机组控制方法

摘要

本发明公开了一种基于记忆的分散式直驱风电机组控制方法，将记忆控制与分散式永磁直驱风电机组相结合，分散式的机组保证了风力机最佳布局，记忆控制为机组提供了高效的风能利用和可靠的变浆控制；从仿生学角度设计机组控制器，利用当前响应，联系过去响应，产生新的控制命令，并让控制器在运行中不断优化自身，提高控制精度和准确性；控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时保证最大功率跟踪，以便充分利用风能资源高效发电；在高风速时保证可靠变浆控制，限制超额功率吸收，稳定输出功率；整个系统高效、智能、可靠，具有良好的应用前景。

主权项

一种基于记忆的分散式直驱风电机组控制方法，其特征在于将记忆控制与分散式永磁直驱风电机组相结合；从仿生学角度设计机组控制器算法，利用当前响应，联系过去响应，产生新的控制命令，并让控制器在运行中不断优化自身，提高控制精度和准确性；控制策略主要包括电磁转矩控制和变桨执行电流控制，即在低风速时保证最大功率跟踪，在高风速时保证可靠变浆控制。具体步骤如下：(1)根据变浆动力学特性，变浆过程方程可描述为：$\stackrel{·}{\beta }=\phi \left(\beta \right)+Ni---\left(1\right)$其中为变桨距角快慢程度的计量，φ为非线性函数；i为变浆执行电流；N为一常数；最大功率跟踪误差定义为：e＝C‑C^*     (2)其中C为实际风能利用系数，为桨距角β和叶尖速比λ的函数；C^*为风能利用系数期望值；对式(2)进行微分如下：$\begin{array}{c}\stackrel{·}{e}=\stackrel{·}{C}-{\stackrel{·}{C}}^{*}=\frac{\partial C}{\partial \beta }\stackrel{·}{\beta }+\frac{\partial C}{\partial \lambda }\stackrel{·}{\lambda }-{\stackrel{·}{C}}^{*}=\frac{\partial C}{\partial \beta }\stackrel{·}{\beta }+\frac{\partial C}{\partial \lambda }\left(\frac{{\stackrel{·}{\omega }}_{t}RV-{\omega }_{t}R\stackrel{·}{V}}{V^2}\right)-{\stackrel{·}{C}}^{*}\\ =\frac{\partial C}{\partial \beta }\stackrel{·}{\beta }+\frac{\partial C}{\partial \lambda }\frac{{\stackrel{·}{\omega }}_{t}R}{V}-\frac{\partial C}{\partial \lambda }\frac{{\omega }_{t}R\stackrel{·}{V}}{V^2}-{\stackrel{·}{C}}^{*}=\frac{\partial C}{\partial \beta }\stackrel{·}{\beta }+\frac{\partial C}{\partial \lambda }\frac{R\left(\frac{1}{2\lambda }{\mathrm{C\rho A}}_w{\mathrm{RV}}^2-T_d-T_e\right)}{JV}-\frac{\partial C}{\partial \lambda }\frac{{\omega }_{t}R\stackrel{·}{V}}{V^2}-{\stackrel{·}{C}}^{*}\\ =\frac{\partial C}{\partial \beta }\stackrel{·}{\beta }+\frac{\partial C}{\partial \lambda }\frac{{\mathrm{RC\rho A}}_{w}RV}{2\lambda J}-\frac{\partial C}{\partial \lambda }\frac{{\omega }_{t}R\stackrel{·}{V}}{V^2}-{\stackrel{·}{C}}^{*}-\frac{\partial C}{\partial \lambda }\frac{R\left(T_d+T_e\right)}{JV}\end{array}---\left(3\right)$把式(1)代入式(3)，并拆分再配对得：$\stackrel{·}{e}=f_1{T}_e+f_{2}i+f_3+f_4---\left(4\right)$其中：$\begin{array}{cc}{f}_1=-\frac{\partial C}{\partial \lambda }\frac{R}{JV},f_2=\frac{\partial C}{\partial \beta }N,f_3=-\frac{\partial C}{\partial \lambda }\frac{{\mathrm{RT}}_d}{JV}& f_4=\frac{\partial C}{\partial \lambda }\frac{{\mathrm{RC\rho A}}_{w}RV}{2\lambda J}-\frac{\partial C}{\partial \lambda }\frac{{\omega }_{t}R\stackrel{·}{V}}{V^2}-{\stackrel{·}{C}}^{*}+\frac{\partial C}{\partial \beta }\phi \end{array}---\left(5\right)$式(4)表明，是由变桨距执行电流i和电磁转矩T_e共同决定的，为减小机组空气动力载荷，增强风电转换效率，采取控制策略：V_in≤V＜V_R时，运行在低风速区，桨距角不变，进行电磁转矩控制；V_R≤V≤V_out时，运行在超额风速区，进行变桨距控制，以限值超额功率吸收；其中V_in、V_R、V_out分别为切入风速、额定风速、切出风速。(2)仿照人类基于记忆的学习过程这种控制方法，利用过去的响应和反馈信息，结合当前不成熟的响应，不断优化控制，提高精度的策略，设计基于记忆的机组控制方法。(21)基于记忆原理构造数学模型如下：C(t)＝(1‑σ(t))C_NR+σ(t)C_ER  (6)上式中，C(t)为当前响应行为，σ(t)为影响因子，取值为σ(t)∈[0,1]，C_NR和C_ER分别为系统的固有响应和经验响应；固有响应对应的影响因子为1‑σ(t)，经验响应对应为σ(t)，它们共同影响系统的当前响应行为，影响比重由影响因子σ(t)所决定；其中，影响因子σ(t)设为如下形式函数：$\sigma (t,e)=1-\exp (-\frac{c}{\left|e\right|+ϵ}t)---\left(7\right)$上式中c和ε均为大于零的常数，保证函数的收敛及分母不为零。(22)基于记忆的一阶控制器算法：式(4)改写如下：$\stackrel{·}{e}=f_1{T}_e+f_{2}i+f_3+f_4=L+f_1{T}_e+f_{2}i---\left(8\right)$其中L＝f₃+f₄，为非线性项和扰动项；基于记忆的电磁转矩控制和变浆控制方法数学模型如下：$\left\{\begin{array}{c}{T}_{e,k}=\left(1-\sigma \left(k\right)\right)T_{e,NR,k}+\sigma \left(k\right)T_{e,ER,k}\\ T_{e,NR,k}=-k_0{e}_k\\ T_{e,ER,k}=w_0{i}_{k-1}+g_1^{-1}{T}^{-1}\left(w_1{e}_k+w_2{e}_{k-1}\right)\end{array}\right.---\left(9\right)$式(9)为V_in≤V＜V_R风速区间时的电磁转矩控制算法；$\left\{\begin{array}{c}i=(1-\sigma (k\left)\right)i_{NR,k}+\sigma \left(k\right)i_{ER,k}\\ i_{NR,k}=-k_0{e}_k\\ i_{ER,k}=w_0{i}_{k-1}+g_2^{-1}{T}^{-1}V\\ V=w_1{T}^{-1}{e}_k+w_2{T}^{-1}{e}_{k-1}+g_{1k}{T}_{ek}-g_{1k-1}{T}_{ek-1}\end{array}\right.---\left(10\right)$上述式中：w₀＝1,w₂＝‑2,w₃＝1,w₄＝‑1,w₅＝1；式(10)为V_R≤V≤V_out风速区间时的变浆电流控制算法。