[发明专利]基于比例-极限学习机稳态估计的变桨距控制方法

摘要

本发明针对风力发电系统变桨距控制问题，提出了一种基于比例‑极限学习机稳态估计的变桨距控制方法；首先通过ELM学习风电机组在各风速下的PI控制器的稳态输出，然后采用训练后的ELM和比例控制器相结合的方法进行风电机组的变桨控制；本发明可以改善传统PI变桨距控制滞后的缺点,有利于风电机组输出功率的稳定。

主权项

1.一种基于比例‑极限学习机稳态估计的变桨距控制方法，其特征在于该变桨距控制系统采用极限学习机来给出传统PI变桨距控制器的稳态值，用风速传感器采集关于风速数据信号，当风速信号超过额定值且满足风电机组运行条件时，则启动风电机组的变桨距调节，控制系统分为两阶段，阶段实现如下：阶段1：先采用传统的PI控制器进行变桨距控制，采集风电机组在各额定风速以上及切出风速以下的风速x_i及在该风速下的PI控制器的稳态输出值y_i，x_i作为极限学习机的输入，y_i作为极限学习机的输出，用极限学习机来拟合出各风速与该额定风速下的PI控制器稳态输出值的关系。将采集的数据中的80％作为训练样本，剩余20％作为测试样本，将风速作为极限学习机的输入，各风速所对应的PI控制器稳态输出值作为极限学习机的输出，根据极限学习机的学习特点，初始神经元个数设为1，然后不断增加神经元个数，不断观察极限学习机在各神经元下的均方根误差，选择训练误差和测试误差都较小时所对应的神经元个数作为极限学习机最终确定的神经元个数；具体步骤如下：Step1 将x_i和y_i进行归一化处理,极限学习机的隐含层神经元个数设为k，设k＝0；Step2 极限学习机的隐含层神经元个数k＝k+1,将归一化处理后数据放入极限学习机算法中进行训练:ELM算法的训练过程等价为求解一个线性系统，其解为：其中H⁺是矩阵H的Moore‑Penrose广义逆,H为隐含层输出矩阵，β为输出权重矩阵，y则为期望输出，H、β、y可用以下矩阵表示：式中：β_i为第i个隐层节点的输出权重；ω_i为第i个隐层节点的输入权重；g(x)表示激活函数；b_i是第i个隐含层偏置；Step3 计算训练后极限学习机的测试均方根误差，如果前次测试均方根误差减当前测试均方根误差小于设定的阈值δ且当前均方根误差小于预设值σ，则训练结束，否则返回step2；阶段2：将训练好的极限学习机用于变桨距控制，风速信号作为极限学习机的输入，极限学习机的输出即为PI控制器稳态值输出，为加快风电机组由暂态到稳态的过程，将风轮实际转速ω与风轮额定转速ω_ref相减，经比例控制器调节，输出信号再与极限学习机的输出相叠加，最后的叠加信号进入变桨距执行机构进行变桨控制，由此来稳定风轮的转速，同时保持发电机转矩恒定，实现风电机组的输出功率稳定。