风力发电系统的风速预测及控制策略研究

摘要

环境污染和能源紧缺凸显出发展新能源的重要性，而风能是作为一种主要的新能源，越来越得到各国的重视，风力发电技术也有着广阔的发展前景。变桨距变速控制也因其在各个风速段都有良好的控制表现，因此越来越得到研究者的重视。
　　 本文在前人进行的研究基础上，在风速预测、风力发电控制等方面都进行了深入的研究:
　　 在风力发电系统中，准确的风速预测能够有效地提高风力发电系统的整体运行稳定性以及可靠性，对于风力发电的控制是有着非常重要的意义。为了有效地提高预测算法的精度，论文提出了一种结合小波分析的方法并以AR模型作为基础提出的基于局域AR时间序列的预测算法。该方法在对数据进行小波分解后，从历史数据中选择与中心点相似度高的数据组，通过欧氏距离来确定数据组对模型的贡献，最终实现对风速的滚动预测，文中的仿真结果证明，基于局域的AR时间序列预测方法能够大幅地提高了风速预测问题的精确度。
　　 在风力发电系统中，高频风速会导致控制转矩产生频繁的剧烈变化，可能造成机械系统的损坏。本文针对风力发电控制过程中，高频风速条件下，控制器会出现频繁调节的情况，加重系统的机械负载，根据系统多目标优化的需要，对LQG控制进行了改进，该改进方法通过在LQG目标函数中添加自适应参数并调节自适应参数的变化速率，实现了目标函数的在线调整，进而得到系统的优化控制策略。在保证系统控制效果与传统PID控制相同的同时，降低系统的机械负载到传统控制的50％，有利于延长系统的使用寿命。

目录

声明

学位论文数据集

摘要

符号说明

第一章 绪论

1．1 课题背景

1．2 风力发电的发展现状

1．2．1 世界风电发展现状

1．2．2 我国风电发展现状

1．3 风力发电技术

1．3．1 定桨距风力发电机组

1．3．2 变桨距风力发电机组

1．3．3 变速风力发电机组

1．4 风力发电机控制技术

1．4．1 PID控制

1．4．2 神经网络控制

1．4．3 H∞鲁棒控制

1．5 本论文研究内容

第二章 风速的预测

2．1 小波分析

2．1．1 Haar小波

2．1．2 Daubechies(dbN)小波系

2．1．3 SymletsA(symN)小波系

2．2 基于小波分析的风速预测

2．2．1 分解和重构算法

2．2．2 基于局域的AR模型时间序列预测

2．3 仿真结果

2．4 小结

第三章 风力发电机变桨距控制

3．1 变桨距风力发电机

3．2 MLP和RBF神经网络

3．2．1 多层感知器网络

3．2．2 径向基函数(RBF)网络

3．3 桨距角控制器

3．3．1 仿真系统

3．3．2 叶片桨距角控制器

3．4 仿真结果

3．5 小结

第四章 变速风力发电机组的LQG控制

4．1 变速风力发电机组的特点

4．2 风力发电机模型的线性化

4．3 LQG控制介绍

4．3．1 线性二次型Gauss问题

4．3．2 LOG控制

4．4 控制器设计

4．4．1 低频部分控制器

4．4．2 高频部分控制器

4．5 仿真结果

4．6 本章小结

第五章 总结与展望

5．1 研究总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介

北京化工大学硕士研究生学位论文答辩委员会决议书