[发明专利]基于风速对风机性能影响的数据驱动模型装置及其构建方法

说明书

本发明提供基于风速对风机性能影响的数据驱动模型装置及其构建方法，包括支撑塔，支撑塔的顶部安装有壳体，壳体的一端安装有控制箱，发电机与齿轮箱的输出轴传动连接，控制箱的内部安装有数据处理器，数据传感器还电性连接有非线性干扰传感器和无模型自适应预测控制器，非线性干扰传感器电性连接有容错控制器，容错控制器和无模型自适应预测控制器均与置于支撑塔内部的风力发电机控制器电性连接。本发明利用利用无模型自适应预测控制器获取风机转速信息、桨距角信息和功率信息后，利用非线性干扰观测器对风不确定性和故障特征对风机控制性能的非线性动力学影响规律，并最终利用数据驱动方式对风机系统的全风速变速变桨距控制。

技术领域

本发明涉及风机控制技术领域，具体为基于风速对风机性能影响的数据驱动模型装置及其构建方法。

背景技术

风力发电运行离线数据中蕴含着大量的系统动力学以及系统运行的规律和模式。通过数值模拟和现场测试手段探究如何将基于离线数据挖掘得到的知识应用到数据驱动控制系统设计，以及数据驱动的宏观尺度下变桨距故障特征内部演变行为对风机动力学特性的影响规律及其在各阶段控制中的稳定性保障，对数据驱动理论应用于风机的实时控制具有标志性的意义。

由于数据驱动控制理论和方法是从数据直接到控制器的方法，因此其稳定性和收敛性的分析方法也将是基于数据的。现场上常将历史数据点作为新工况的初值，因此比较有前景的稳定性分析方法可能是基于“数据能量有界”的稳定性和收敛性分析方法。变速变桨风能转换系统在额定风速以上存在以下三个最优控制的问题：控制系统恒功率输出和恒定的发电机转速；减小传动系统的机械振荡带来的损害；保证系统在风速随机变化的工况下可以稳定运行。尽管基于紧格式、偏格式线性化的无模型自适应预测控制(Model freeadaptive predictive control,MFAPC)问题已有相关的稳定性和收敛性证明，但针对风的随机扰动等非线性影响的动态控制系统，稳定性问题有待进一步研究。

发明内容

本发明的目的在于提供基于风速对风机性能影响的数据驱动模型装置及其构建方法，旨针对如何通过数值模拟和现场测试手段探究如何将基于离线数据挖掘得到的知识应用到数据驱动控制系统设计，以及数据驱动的宏观尺度下变桨距故障特征内部演变行为对风机动力学特性的影响规律及其在各阶段控制中的稳定性保障的问题。

为实现上述目的，本发明提供如下技术方案：基于风速对风机性能影响的数据驱动模型装置，包括支撑塔，所述支撑塔的顶部安装有壳体，所述壳体的内部安装有齿轮箱和发电机，所述壳体的一端安装有控制箱，所述发电机与齿轮箱的输出轴传动连接，所述齿轮箱的输入轴通过联轴器安装有转轴，所述转轴转动连接有扇叶安装部，所述扇叶安装部等距安装有多个扇叶，所述控制箱的内部安装有数据处理器，所述数据处理器与安装于壳体内部多个传感器组成的传感器模组电性连接，所述数据传感器还电性连接有非线性干扰传感器和无模型自适应预测控制器，所述非线性干扰传感器电性连接有容错控制器，所述容错控制器和无模型自适应预测控制器均与置于支撑塔内部的风力发电机控制器电性连接。

为了使得对数据处理器进行安装，作为本发明一种优选的，所述控制箱呈低风阻状的梯形，且所述控制箱通过螺钉与壳体固定连接。

为了使得快速对风机系统进行监测，作为本发明一种优选的，所述传感器模组包括用于检测风机系统功率输出的功率传感器、用于检测发电机转速的转速传感器和用于检测扇叶浆距角的红外测距传感器。

为了使得快速对风机系统故障进行诊断和学习，作为本发明一种优选的，所述非线性干扰观测器对风机系统正常模式和风机系统故障模式分别进行确定学习，将风机系统正常模式和各种故障模式以空间分布的常数神经网络权值方式储存，建立模式库，根据已有模式库中的模式构造一系列估计器，将估计器的状态与风机实际系统状态进行比较，构造残差。

为了使得快速对风机系统进行安装，作为本发明一种优选的，所述支撑塔的底部还安装有用于风机实现快速安装固定的安装座。