一种风速预测变桨控制系统及控制方法技术方案

本发明专利技术公开了一种风速预测变桨控制系统及控制方法，获取风场实时数据和风轮的桨距角的状态检测信号；将风场实时数据进行变分模态分解，然后输入至双通道卷积神经网络中进行融合，将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。通过对风速变化的预测有效地降低变桨执行的动作频率和幅度，减小了风机桨叶的机械疲劳，并且使风力发电机的输出更加平稳。平稳。平稳。

【技术实现步骤摘要】
一种风速预测变桨控制系统及控制方法


[0001]本专利技术涉及风力发电机风轮的变桨控制，具体是涉及一种风速预测变桨控制系统及控制方法。

技术介绍

[0002]风能是一种绿色清洁新能源，以其环保、可再生等特点备受人们的关注。风力发电机是获取风能的主要手段，随着风力发电等相关理论研究的深入，风力发电厂已遍布全球，风力发电机所发出的电能占全球总发电量的比重正在不断上升。由于风具有不稳定性，风力发电机输出的电能波动性很大，并且具有很强的随机性和间歇性，这无疑给电网的安全稳定运行增加了风险。所以在风机中加入控制策略，可以减小风电的波动性，确保电网的稳定运行。
[0003]风机的控制策略根据额定风速可以分为两种：当风速低于额定风速时，转矩控制用于最大化功率系数，即风机捕获的能量；当风速高于额定风速时，风机通常采用变桨控制，通过调整叶片的角度限制机械功率，由此将输出功率维持在额定功率附近。变桨控制是风电机组运行控制的主要手段之一，具有气动非线性、工况切换频繁、扰动因素多等显著特点。采用传统变桨距控制系统的风力发电机，由于变桨调节信号随风速及其输出功率的波动而变化过快，使其桨距调节方向与风速变化方向频繁相反，导致其输出功率波动频繁。

技术实现思路

[0004]专利技术目的：针对以上缺点，本专利技术提供一种使风力发电机的输出更加平稳的风速预测变桨控制系统及控制方法。
[0005]技术方案：为解决上述问题，本专利技术采用一种风速预测变桨控制系统，包括：
[0006]测风仪，用于采集风场实时数据；<br/>[0007]位移传感器，用于获取风轮的桨距角的状态检测信号；
[0008]分解模块，用于对采集的风场实时数据进行预处理，得到风速序列和气象序列，并将风速序列和气象序列进行变分模态分解，得到分解后的数据；
[0009]特征融合模块，用于将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
[0010]预测模块，用于将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
[0011]控制信号优化模块，用于根据风速预测结果、风轮叶尖速比和风力发电机的转速误差值对桨距进行非线性优化，得到优化后的桨距信号；
[0012]变桨控制模块，用于根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
[0013]进一步的，还包括叶尖速比优化器，用于根据采集的风场实时数据计算当前风速下风轮的最佳叶尖速比。还包括转速控制器，用于实时监测风力发电机的转子转速，并计算
风力发电机的转子的转速误差值。
[0014]进一步的，所述变桨控制模块通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
[0015]进一步的，所述预测模块中还包括模型优化模块，所述模型优化模块用于通过改进蝗虫优化算法确定双向长短期神经网络中的训练次数w、学习率ε、隐藏层神经元个数o。
[0016]本专利技术还采用一种风速预测变桨控制方法，包括以下步骤：
[0017](1)获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；
[0018](2)将风速序列和气象序列进行变分模态分解，得到分解后的数据；
[0019](3)将风分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
[0020](4)将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
[0021](5)根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；
[0022](6)根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
[0023]进一步的，所述步骤(6)中通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
[0024]进一步的，所述步骤(2)中受约束的变分模态分解公式为：
[0025][0026][0027]式中：S(t)为未分解主信号；u
k
为模态函数；{ω
k
}＝{ω1，ω2，...，ω
k
}为所得K阶模态的中心频率；δ(t)为狄拉克分布；*为卷积；j为虚数单位，t为时间脚本；
[0028]引入惩罚因子α、拉格朗日乘法算子λ，将约束变分问题转变为非约束变分问题，对u
k
、ω
k
和λ进行迭代更新，获得一系列变分模态分量。
[0029]进一步的，所述步骤(4)中双向长短期神经网络包括输入层、Bi
‑
LSTM层、全连接层和输出层；所述输入层中将第d天t时刻前p个融合后的特征序列x(t
‑
p，d)＝(x
t
‑
p，d
，x
t
‑
(p
‑
1)，d
，...，x
t
‑
1，d
)作为输入，t时刻后q个融合后的特征序列x(t+q，d)＝(x
t，d
，x
t+1，d
，...，x
t+q，d
)作为输出，其中p为时间步长，q为预测步长；
[0030]所述Bi
‑
LSTM层中从1至t时刻进行正向和反向的数据特征学习，两个方向整合后反馈到全连接层；加入Dropout层以防止过拟合，选取均方误差作为损失函数；确定训练次数w、学习率ε、隐藏层神经元个数o；
[0031]所述全连接层中对数据进行降维处理，转换成一维数据；
[0032]所述输出层负责输出与所输入本征模态分量相对应的风速预测结果。
[0033]进一步的，所述Bi
‑
LSTM层中采用改进蝗虫优化算法确定训练次数w、学习率ε、隐
藏层神经元个数o；具体包括以下步骤：
[0034](41)初始化训练次数w、学习率ε、隐藏层神经元个数o、蝗虫种族{X
i
，i＝1，2，3，...，n}、最大迭代次数L；
[0035]蝗虫优化算法的数学模型为：
[0036][0037]其中，N为蝗虫的数量，c为递减系数，ub
d
为社会力量强度的函数s在d维空间上的上界，lb
d
为社会力量强度的函数s在d维空间上的下界，x
i
为第i个蝗虫的位置，x
j
为第j个蝗虫的位置，d
ij
为第i个蝗虫与第j个蝗虫之间的距离，T
d
为目前为止蝗虫位置在d维空间上的最佳解。
[0038](42)计算蝗虫个体的适应度，寻找当前种群非支配解并更新外部档案集，更新迭代次数l；...

【技术保护点】

【技术特征摘要】
1.一种风速预测变桨控制系统，其特征在于，包括：测风仪，用于采集风场实时数据；位移传感器，用于获取风轮的桨距角的状态检测信号；分解模块，用于对采集的风场实时数据进行预处理，得到风速序列和气象序列，并将风速序列和气象序列进行变分模态分解，得到分解后的数据；特征融合模块，用于将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；预测模块，用于将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；控制信号优化模块，用于根据风速预测结果、风轮叶尖速比和风力发电机的转速误差值对桨距进行非线性优化，得到优化后的桨距信号；变桨控制模块，用于根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。2.根据权利要求1所述的风速预测变桨控制系统，其特征在于，还包括叶尖速比优化器，用于根据采集的风场实时数据计算当前风速下风轮的最佳叶尖速比。3.根据权利要求1所述的风速预测变桨控制系统，其特征在于，还包括转速控制器，用于实时监测风力发电机的转子转速，并计算风力发电机的转子的转速误差值。4.根据权利要求1所述的风速预测变桨控制系统，其特征在于，所述变桨控制模块通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。5.根据权利要求1所述的风速预测变桨控制系统，其特征在于，所述预测模块中还包括模型优化模块，所述模型优化模块用于通过改进蝗虫优化算法确定双向长短期神经网络中的训练次数w、学习率ε、隐藏层神经元个数o。6.一种风速预测变桨控制方法，其特征在于，包括以下步骤：(1)获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；(2)将风速序列和气象序列进行变分模态分解，得到分解后的数据；(3)将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；(4)将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；(5)根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；(6)根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。7.根据权利要求6所述的风速预测变桨控制方法，其特征在于，所述步骤(6)中通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。8.根据权利要求7所述的风速预测变桨控制方法，其特征在于，所述步骤(2)中受约束的变分模态分解公式为：
式中：S(t)为未分解主信号；u
k
为模态函数；{ω
k
}＝{ω1，ω2，...，ω
k
}为所得K阶模态的中心频率；δ(t)为狄拉克分布；*为卷积；j为虚数单位，t为时间脚本；引入惩罚因子α、拉格朗...

【专利技术属性】
技术研发人员：丁卫红，孙睿，唐浩文，张伶俊，李天锐，吉晓龙，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：