[发明专利]基于模糊预测和扇区管理的双风轮风力机变桨控制方法

权利要求书

1.一种基于模糊预测和扇区管理的双风轮风力机变桨控制方法，包括以下步骤：步骤1、采集SCADA系统中风力机与载荷相关的数据；步骤2、对风况进行在线识别；其特征在于，还包括：

步骤3、对风况进行在线识别包括三种情况：

若是正常风况，则无动作；若是极端风况，则判断极端风况是否可控；

若可控，则依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号；若不可控，则判断极端风况是否频繁；

步骤4、若频繁，则采取扇区管理、偏航；若不频繁，则采取顺桨、停机；所述采取扇区管理包括：离线统计并绘制双风轮风力机的风向玫瑰图与时间玫瑰图，根据玫瑰图对相应扇区进行运行管理，以低功率维持运行，保证不可控极端风况发生时，运行载荷低于设计载荷；在实际运行后，持续统计玫瑰图，对扇区进行自适应调整；

所述依靠离线训练的载荷模型和在线的广义预测控制，计算变桨信号包括：

步骤4.1：基于T-S模糊规则构建双风轮风力机的T-S模糊模型包括：

步骤4.1.1：依据步骤1中的原始数据构建T-S模糊模型的规则库，得到规则库的形式如下：

式中，Rⁱ为第i条模糊规则；v为风速，单位为m/s；β₁为前风轮桨距角，单位为°；ω₁为前风轮转速，单位为rpm；β₂为后风轮桨距角，单位为°；ω₂为后风轮转速，单位为rpm；为相对于输入变量的模糊子集，j＝{1,2,3,4,5}；M₁ⁱ、M₂ⁱ为第i条规则下前后风轮叶根弯曲力矩，单位为Nm；B_i为第i条规则的后件参数，A_i为2*5的矩阵，B_i为2*1的矩阵；

步骤4.1.2：通过加权平均解模糊器，得到T-S模糊模型的弯曲力矩

式中，N为模糊规则总数；φ_i为前件参数；

步骤4.1.3：通过模糊C均值聚类算法对T-S模糊模型前件参数辨识；

步骤4.1.4：通过最小二乘算法对T-S模糊模型后件参数辨识；

步骤4.2：搭建预测控制模型，对预测控制模型进行解耦包括：

步骤4.2.1：搭建双输入双输出广义预测控制模型：

式中，M₁(k)、M₂(k)为第k时刻前后风轮叶根弯曲力矩；u₁(k-1)、u₂(k-1)为前后风轮变桨信号的控制输入；ξ₁(k)、ξ₂(k)为前后风轮干扰信号；F₁₁(z^-1)、F₁₂(z^-1)、F₁₃(z^-1)、F₂₁(z^-1)、F₂₂(z^-1)、F₂₃(z^-1)为关于z-¹的多项式，z-¹为后移时间算子；Δ为差分算子；k表示某时刻；

步骤4.2.2：对广义预测控制模型进行前馈补偿解耦设计，引入前馈补偿器F_FF2(z^-1)与F_FF1(z^-1)：

解耦后的广义预测模型为：

步骤4.3：基于输出限值的广义预测控制算法，得到控制器输入，达到预期控制效果包括：

步骤4.3.1：对解耦后的预测模型添加输出限值，构建预测模型：

式中，M_1max、M_2max为前后风轮叶根弯曲力矩的最大值；

步骤4.3.2：引入丢番图方程，对预测模型的输出求解；

步骤4.3.3：确定性能优化指标，对预测模型进行滚动优化，得到控制律；

步骤4.3.4：取控制律的第一个分量为Δu(k)，控制器的输入u(k)为：

u(k)＝u(k-1)+Δu(k) (7)。