基于SVR的风力发电机组低风速段有效风速估计方法

摘要

本发明公开了一种基于SVR的风力发电机组低风速段有效风速估计方法。该方法包括SVR模型训练和模型在线使用两步。在SVR模型训练的过程中，使用传感器获取训练特征集和目标集，对特征集进行归一化，得到SVR的训练集，使用PSO算法选择惩罚参数和核函数参数，得到训练好的有效风速估计模型；在模型在线使用过程中，实时获得机组的输出数据，归一化后输入到训练好的SVR模型中，经过低通滤波器之后，得到最终的有效风速估计值。该方法充分利用了机组的输出数据，能够针对低风速段的风电机组进行有效风速估计，设计过程简单，易于实施，所得有效风速估计值可用于提高机组的风能利用率，减小机组机械载荷和风电场的风资源评估，从而提高风电场的经济效益。

说明书

技术领域

本发明涉及风力发电机组控制技术领域，特别涉及风力发电机组的低风速段有效风速估计。

背景技术

风能是一种清洁、成本较低、商业潜力巨大的可再生能源，风力发电技术在近几年得到了突飞猛进的发展。世界风能协会在2015年的世界风能报告中指出，到2020年，全球风电装机容量将达到792.1GW。然而，风电技术的发展仍面临大型机组运维成本高、风能利用率偏低、大规模风电并网难度大等挑战。因此，开发一种风电机组有效风速估计方法，从而降低风电机组的运行载荷，提高风能利用率具有重要的实践意义。

风电机组的有效风速定义为桨叶扫掠面积对应的风速矢量场的空间平均值。有效风速的获取是风力发电系统的关键技术，对于实现最大风能捕获、减少机组各部件的机械载荷及风电场风资源评估具有重要意义。风速具有很强的随机性和间歇性，每一个瞬时的风速大小都不相同，且向大型化趋势发展的风电机组的桨叶扫掠面积日益增大，因此，风电机组的有效风速估计是一个极具挑战性的课题。

目前，工业界有效风速的获取方法通常有两种。一种是在机舱尾部安装风速计，然而该方法只能获得桨叶下风向空间中某一点的风速，且测量误差比较大；另一种是在机舱顶部安装LIDAR(LIght Detection and Ranging)测风装置，该方法虽然能比较精确的获得某一范围内的平均风速，但是LIDAR设备价格十分昂贵，若为风电场的每台机组都安装该设备，则会极大增加风电场的建设和运维成本。

为了解决上述问题，学者们提出了许多风电机组的有效风速估计方法，这些方法大致可以分为两类。一类是基于卡尔曼滤波的方法，该类方法的基本思路是：将气动转矩看成系统状态，在假设风电系统的模型参数精确已知且系统的过程及测量噪声符合高斯分布的前提下，建立系统过程方程和测量方程，使用卡尔曼滤波算法获得气动转矩状态的值，再根据气动转矩与有效风速风速之间的数值关系，使用牛顿迭代法获得有效风速的值。然而，实际中风电机组的模型参数很难准确获得，且系统的噪声也不一定满足高斯分布。另一类方法是基于机器学习的方法，这类方法不需要使用系统的数学模型，而是将机组本身看成测量装置，在离线训练阶段，使用预处理后的历史数据训练选定的机器学习模型，比如神经网络(NN)、支持向量机(SVM)、极限学习机(ELM)等，建立机组输出与有效风速之间的非线性关系，进一步则运用训练好的模型以机组实时输出为模型输入，实时获得机组的有效风速。但是，现有此类方法存在的问题是，未充分利用机组的输出数据，导致在实际使用时风速估计值误差较大，同时，现代大型风电机组的控制策略在低风速段和高风速段并不相同，目前已有的风速估计方法均未根据不同的控制策略设计不同的风速估计模型，导致其在实际中无法使用。

发明内容

为了充分利用风电机组的输出数据，解决现有风电机组风速估计方法估计误差较大且因未针对机组相应控制策略导致其在实际中无法使用的问题，本发明提供一种针对低风速段、简单易行、不需要使用系统数学模型的风电机组有效风速估计方法，能够充分利用机组的输出数据，比较准确地建立机组输出数据与有效风速之间的非线性关系，获取的有效风速估计值能够为机组的最大风能捕获提供控制目标，同时可应用于降低机组机械载荷和风电场的风资源评估。

本发明解决其技术问题所采用的技术方案是：一种基于SVR的风电机组低风速段有效风速估计方法，包括以下步骤：

(1)使用LIDAR测风装置获得一段时间内的有效风速信息，使用SCADA系统和载荷传感器获得相应时间段内风电机组的相关输出数据，机组的相关输出数据用X'表示， (X'＝[x'(i,j)],i＝1,...,l,j＝1,...,9)。用x'(i,:)表示机组的一次采样输出，x'(i,:)表达式为：

x'(i,:)＝[ω_r,ω_g,T_em,P_e,a,M_b1,M_b2,M_b3,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是发电机电磁转矩，P_e是发电功率，a是塔架前后加速度，M_b1,M_b2和M_b3分别是三个叶片对应的挥舞弯矩，R_a是叶轮方位角；

(2)将步骤1获得的机组输出数据进行归一化处理，作为SVR模型的训练特征集X(X＝[x(i,j)],i＝1,...,l,j＝1,...,9)，步骤1获得的有效风速信息作为SVR模型的训练目标值，将训练特征集和训练目标值作为SVR的训练集；

(3)使用步骤2获得的训练集求解SVR的原始优化问题，为求解该优化问题，引入拉格朗日函数，然后得到对偶优化问题；

(4)使用PSO算法选择惩罚参数和核函数参数，求解步骤3中的对偶优化问题，得到训练好的SVR模型；

(5)在线使用时，将某一控制周期内的机组输出数据进行归一化处理，然后输入到步骤 4得到的训练好的SVR模型中，得到每一个采样周期的初步风速估计值。

(6)将步骤5得到的初步风速估计值输入到低通滤波器中，得到最终的风速估计值。

进一步地，所述步骤2中，归一化处理指的是：

其中，用x'(:,j)表示X'中的列分量，max(x'(:,j))和min(x'(:,j))分别是x'(:,j)的最大值和最小值，x(:,j)是X中的列分量。

进一步地，所述步骤2中，SVR模型指的是：

y＝<w,φ(x)>+b

其中，是模型输出，是模型输入，φ(·):是将x从n维映射到N 维的函数，是偏置项。

进一步地，所述步骤3中，SVR的原始优化问题是

s.t.y_i-<w,φ(x(i,:))>-b≤ε+ξ_i,i＝1,2,...,l

ξ_i≥0,i＝1,2,...,l

其中，C是惩罚参数，l是SVR训练集中的样本个数，ξ_i和是松弛变量，ε是ε-不敏感函数的参数。

进一步地，所述步骤3中，拉格朗日函数的形式为：

其中，η_i,α_i,是拉格朗日乘子。

进一步地，所述步骤3中，对偶优化问题的形式是：

其中，K(x(i,:),x(j,:))是核函数，本发明中采用高斯核函数，即：

其中σ²是核函数参数。

进一步地，所述步骤4中，PSO算法中第i个粒子在第k步的位置和速度分别表示为和第i个粒子在第k步的最优位置记为所有粒子在第k步的最优位置记为为寻找最优的惩罚参数C和核函数参数σ²，第i个粒子的第d维速度在第k步的更新公式为：

其中，c₁和c₂是学习因子，r₁和r₂是取值范围在[0,1]之间的随机数。同时，第i个粒子的第d>

进一步地，所述步骤4中，训练好的SVR模型，其形式为

其中，和是对偶最优问题的解，x_new是机组的实时输出，其所包含的物理量与x(i,:)相同。

进一步地，所述步骤6中，低通滤波器的形式为：

其中，τ是滤波器参数。

本发明的有益效果是：充分利用机组的输出数据，针对现代风电机组低风速段普遍采用转矩控制的现状，选择发电机转矩、转速和功率，风轮转速，叶轮方位角，塔架前后加速度以及三个叶片挥舞弯矩作为样本特征，设计了针对低风速段的风电机组有效风速估计方法，能够比较准确地建立机组输出与有效风速之间的非线性关系；该有效风速估计方法设计过程简单，使用PSO算法选择模型参数，降低了参数选择时间，易于实施，所得有效风速估计值能够为机组的最大风能捕获提供控制目标，从而提高机组的风能利用率，也可以为减小机组机械载荷提供前馈控制信息，同时，该有效风速估计值可用于风电场的风资源评估。实际中，该有效风速估计方法可代替LIDAR测风设备，极大减小风电场的建设和运维成本，提高风电场的经济效益。

附图说明

图1为基于SVR的风力发电机组低风速段风速估计方法框架；

图2为6m/s湍流风示意图；

图3为基于SVR的风力发电机组低风速段风速估计方法设计流程图；

图4为有效风速真实值及其估计值对比图；

图5为测试阶段1000s-2000s有效风速估计误差。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

本发明提供的一种基于SVR的风力发电机组低风速段有效风速估计方法，包括以下步骤：

步骤1，使用LIDAR测风装置获得一段时间内的有效风速信息，使用SCADA系统和载荷传感器获得相应时间段内风电机组的相关输出数据，机组的相关输出数据用X'表示，(X'＝[x'(i,j)],i＝1,...,l,j＝1,...,9)。用x'(i,:)表示机组的一次采样输出，x'(i,:)表达式为：

x'(i,:)＝[ω_r,ω_g,T_em,P_e,a,M_b1,M_b2,M_b3,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是发电机电磁转矩，P_e是发电功率，a是塔架前后加速度，M_b1,M_b2和M_b3分别是三个叶片对应的挥舞弯矩，R_a是叶轮方位角，其取值范围是[0,2π]。现代风电机组在低风速段(风速大于切入风速小于额定风速)，普遍采用的控制策略是维持桨距角β为最优值，然后通过控制最优转矩法实最大功率跟踪，最优转矩法中电磁转矩的表达式为：

其中，ρ是空气密度，R是风轮半径，n_g是转速比，A是风轮扫掠面积，C_pmax机组最优功率系数，λ_opt是最优叶尖速比。风电机组在低风速段运行时，电磁转矩是机组的控制信号，其变化是控制策略对有效风速变化的响应，因此，要将T_em纳入到SVR的训练特征集中。

步骤2，将步骤1获得的机组输出数据进行归一化处理，具体指的是：

其中，用x'(:,j)表示X'中的列分量，max(x'(:,j))和min(x'(:,j))分别是x'(:,j)的最大值和最小值，x(:,j)是X中的列分量。X将作为SVR模型的训练特征集。此处的SVR模型，其具体形式为

y＝〈w,φ(x)〉+b

其中，是模型输出的有效风速信息，是模型输入，φ(·):是将x 从n维映射到N维的函数，n＝9，N是一个非常大的数，是偏置项，<w,φ(x)>表示向量w和φ(x)之间的内积。值得注意的是，步骤1获得的有效风速信息并不需要进行归一化处理，而是直接作为SVR模型的训练目标值，因为训练好的SVR模型在在线使用时无法进行反归一化操作。训练特征集和训练目标值构成了SVR的训练集。

步骤3，使用步骤2获得的训练集求解如下的SVR原始优化问题：

s.t.y_i-<w,φ(x(i,:))>-b≤ε+ξ_i,i＝1,2,...,l

ξ_i≥0,i＝1,2,...,l

其中，C是惩罚参数，l是SVR训练集中的样本个数，ξ_i和是松弛变量，ε是ε-不敏感函数的参数。可见，原始优化问题优化变量较多，求解过程复杂，且约束条件中的φ(·)未知。为简化SVR的训练过程，且能比较自然地引入核函数，通过引入拉格朗日函数，得到原始优化问题的对偶优化问题。引入的拉格朗日函数为：

其中，η_i,α_i,是拉格朗日乘子。根据拉格朗日函数L对原始优化变量的偏导为零，得到如下对偶优化问题：

其中，K(x(i,:),x(j,:))是核函数，本发明中采用高斯核函数，即

其中σ²是核函数参数。可见，在对偶优化问题中，只需要求解α_i和减小了计算量，且引入了核函数技巧，实现了将训练特征集从低维空间映射到高维空间。在对偶优化问题中，还有两个参数需要选择，一个是惩罚参数C，另一个是核函数参数σ²。

步骤4，使用PSO算法寻找步骤3中参数C和σ²的最优值，每个粒子的维数为2，所以第i>对应的速度为第i个粒子在第k步的最优位置记为所有粒子在第k步的最优位置记为为寻找最优的惩罚参数C和核函数参数σ²，第i个粒子的第d维速度在第k步的更新公式为：

其中，c₁和c₂是学习因子，r₁和r₂是取值范围在[0,1]之间的随机数。同时，第i个粒子的第d>

为PSO算法选择合适的种群数量和种群进化代数，对每个粒子的位置和速度进行初始化后，对每个粒子的位置和速度按照更新公式进行更新，直到达到预设的种群进化代数。选好参数C 和σ后，求解对偶优化问题，得到解和得到训练好的SVR模型，其形式为：

其中x_new是归一化后的机组实时输出，其包含的物理量与x(i,:)相同。参数b可以根据KKT条件求得。

步骤5，在线使用步骤4获得的训练好的SVR模型，将某一控制周期内的机组输出数据x'_new，>new包含的物理量与x'(i,:)相同，进行归一化处理，得到x_new，将x_new输入训练好的SVR模型中，得到每一个采样周期的初步风速估计值

步骤6，设计带宽合适的低通滤波器对初步风速估计值进行滤波处理，滤除其高频噪声，得到最终的有效风速估计值

其中，τ是低通滤波器参数。最终的有效风速估计值与有效风速真实值之间的误差较小。

实施例

本实施例使用风电技术开发软件GH Bladed和Matlab仿真平台，对本发明方法的有效性进行验证。

图1所示为基于SVR的风力发电机组低风速段风速估计方法框架。实施例中使用1.5MW三叶片水平轴变速风力发电机组模型，其主要参数如下表所示：

控制器采用最优转矩控制器，采样周期是0.04s，机组运行时间设置为2000s，用前1000s 的数据作为训练数据，后1000s的数据作为测试集。PSO算法选择的最优参数分别为：σ²＝50.6785，C＝10.1345，低通滤波器的参数取值为τ＝3.96。

图2是实施例中使用的6m/s湍流风，该湍流风由GH Bladed产生，其纵向、横向和垂直方向的湍流密度分别为：10％、8％和5％。

图3是基于SVR的风力发电机组低风速段风速估计方法设计流程图。流程图中的细线箭头表示模型训练过程，粗线箭头表示模型在线使用过程。在模型训练的过程中，首先使用传感器获取SVR模型的训练特征集和目标集，对特征集进行归一化，得到SVR的训练集，在模型训练的过程中，使用PSO算法选择惩罚参数和核函数参数，进而得到训练好的有效风速估计模型；在模型在线使用过程中，实时获得机组的输出数据，归一化后输入到训练好的SVR模型中，经过低通滤波器之后，得到最终的有效风速估计值。

图4是测试阶段1000s-2000s有效风速真实值与有效风速估计值之间的对比图。测试阶段的 MSE＝0.1853，MAPE＝5.5263％。

图5是测试阶段1000s-2000s有效风速估计误差。