基于自学习算法的风电机组过渡区功率控制

摘要

为了优化风电机组过渡区域的控制策略，本文以实时机组运行参数为输出建立了能预测短期后风电机组功率、功率加速度、转速和转速加速度的8-4-4结构的BP神经网络。并基于该神经网络的预测结果，提出一种临时调整原始PID控制参数，从而增强或减弱桨距控制和转速控制的自学习算法，以达到减小转速和功率的振荡，提高功率质量的控制目的。
　　主要结论为:
　　1、本文建立的BP神经网络对0.5s后的机组运行参数能进行较准确的预测;
　　2、本文提出的自学习算法可以优化风电机组过渡区控制;
　　3、基于固定神经网络的自学习算法对不同风况有一定适用性;
　　4、定期或根据风况变化对BP神经网络进行再训练，能提高预测精度和优化效果。

目录

声明

摘要

1．1 研究背景与意义

1．2 国内外研究现状及发展动态

1．3 主要研究内容

2．1 概述

2．2 风电机组控制理论

2．2．1 基本控制原理

2．2．2 变桨与变速的分步控制

2．2．3 过渡区域变桨调节制

2．3 神经网络

2．3．1 BP神经网络基本原理

2．3．2 自学习优化算法的提出

2．4 本章小结

第3章 神经网络模型的搭建和参数确定

3．1 概述

3．2 神经网络的初始化

3．2．1 训练数据选择

3．2．2 隐含层神经元数

3．2．3 初始权值、阈值和学习率的选择

3．3 神经网络的训练

3．3．1 输入输出的归一化

3．3．2 迭代次数与批量计算

3．3．3 隐含层和初始权值、阈值确定

3．4 预测的时间尺度与准确度的关系

3．5 过高风速下数据剔除

3．6 本章小结

第4章 自学习优化算法

4．1 自学习算法控制策略

4．1．1 预测参数选取

4．1．2 自学习算法的控制逻辑

4．1．3 自学习算法对控制参数调整量

4．1．4 训练数据风况控制结果

4．2 自学习算法控制的适用性

4．2．1 同一训练后神经网络对不同风况的适用性

4．2．2 基于再训练神经网络的自学习算法的适用性

4．3 本章小结

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的论文及其它结果

致谢