申请/专利权人：青岛理工大学;浙江大学

申请日：2023-12-01

公开（公告）日：2024-02-06

公开（公告）号：CN117514599A

主分类号：F03D7/00

分类号：F03D7/00;F03D17/00;F03D9/25

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种基于NN‑RISE的风电机组最大风能捕获方法。首先利用测量风速信息以及机组信息求得参考发电功率，将实际发电功率和参考发电功率做差得到反馈误差；对风电机组进行系统建模，得到含有未知动态、有界噪声的系统模型；引入神经网络，让其学习风电机组中未知动态；引入误差反馈信号的符号函数项，使得神经网络的构造误差以及系统中的有界噪声被抵消；根据NN‑RISE原理，让误差反馈信号的符号函数项和神经网络的输出项都作为积分器的输入，而将转矩控制信号作为积分器的输出，从而得到连续的控制信号。根据NN‑RISE原理，本发明所设计的控制器可以使得发电功率的跟踪控制达到渐进稳定的控制效果，从而提高机组产能。

主权项：1.一种基于NN-RISE的风电机组最大风能捕获方法，其特征在于，该方法包括以下步骤：步骤1：使用TurbSim软件生成随机风速信息；用TurbSim生成湍流风文件TurbSim_Hydro.bts，将该文件作为Openfast-MatlabSimulink的输入风文件。步骤2：利用测量风速信息以及机组信息求得参考发电功率 其中，为测量风速，v为有效风速，ξt为有界测量噪声，Cpmax为最大功率系数，R为风轮半径，np为根据工程实际需要自定义的一个比率值，ρ为空气密度；步骤3：将参考发电功率和实际发电功率Pg做差得到反馈误差e，即： 步骤4：对风电机组进行系统建模；传动轴系主要由低速的风轮端和高速的发电机端组成，风轮和发电机的动态方程分别为： 其中Ta为气动转矩，Jr,Jg是风轮和发电机的惯性，Kr,Kg是风轮和发电机外部阻尼。Ths,Tls是高速段转矩和低速段转矩，Tem是电磁转矩，wr为风轮转速，wg为发电机转速；变速箱比ng定义为： 则由上式可得到风机简化的传动链模型： 式中： Tg＝ngTem为消除控制器对气动转矩的依赖，在本步骤中假设气动转矩Ta未知，并将其写为关于测量风速和风轮转速wr的函数再加上一个有界噪声δt，而的具体显式未知；则考虑气动转矩的不确定性后系统的传动链模型写为： 发电机功率为：Pg＝Tgwr则： 令：a为正实数，为滤波误差，则： 令： 则：由于的具体显式未知，因此是系统中的未知动态；Dt为有界噪声；步骤5：引入神经网络，让其学习风电机组系统模型中的未知动态，并根据NN-RISE原理设计神经网络输出层权重变化率： Φ为激活函数；为神经网络输出层权重的估计值；kn为正实数；从表达式可知其为光滑函数，因此存在理想的神经网络逼近器使得： εY为构造误差，εm0、εm1都为正实数，W为神经网络输出层的理想权重，Wm为正实数，||表示求绝对值，||||表示Frobenius范数；则： 令：其中，T表示求转置，是一种运算方式，D为Dt的简写；则此时系统动态为： 但由于神经网络的理想权重W是未知的，因此用对W进行估计，并设计的更新规律；步骤6：引入误差反馈信号的符号函数项并让其乘以一个自适应增益，根据NN-RISE原理设计自适应增益的变化率： 步骤7：根据NN-RISE原理设计控制信号的最终输出变化率： 通过Tg的表达式可知其为一个积分器的输出，而神经网络的输出和误差反馈信号的符号函数项都作为了积分器的输入，因此保证了控制信号的连续性。

全文数据：

权利要求：

百度查询： 青岛理工大学;浙江大学 一种基于NN-RISE的风电机组最大风能捕获方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD