[go: up one dir, main page]

CN107061158A - 一种低风速下风力发电机的预测与跟踪控制方法 - Google Patents

一种低风速下风力发电机的预测与跟踪控制方法 Download PDF

Info

Publication number
CN107061158A
CN107061158A CN201710501708.9A CN201710501708A CN107061158A CN 107061158 A CN107061158 A CN 107061158A CN 201710501708 A CN201710501708 A CN 201710501708A CN 107061158 A CN107061158 A CN 107061158A
Authority
CN
China
Prior art keywords
wind
speed
msub
mrow
msup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710501708.9A
Other languages
English (en)
Other versions
CN107061158B (zh
Inventor
宋永端
李岳
赖俊峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Gelairui Intelligent Control Technology Co ltd
Original Assignee
Star Institute of Intelligent Systems
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Star Institute of Intelligent Systems filed Critical Star Institute of Intelligent Systems
Priority to CN201710501708.9A priority Critical patent/CN107061158B/zh
Publication of CN107061158A publication Critical patent/CN107061158A/zh
Application granted granted Critical
Publication of CN107061158B publication Critical patent/CN107061158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/32—Wind speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/327—Rotor or generator speeds
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种低风速下风力发电机的预测与跟踪控制方法，包括：1)预测风力发电机风轮的最优角速度；2)设计控制器对风力发电机风轮的角速度进行跟踪控制。本发明低风速下风力发电机的预测与跟踪控制方法，能够准确预测未来一段时间进入风场的风速，得到了与未来时刻风力发电机风轮真实角速度接近的理想预测角速度数据，通过准确控制风力发电机风轮角速度跟踪理想预测角速度，能够避免控制不及时的问题，提高风力发电机的风能利用率，使风力发电机在低风速下以最大功率输出；且所设计RBF神经网络自适应控制器只依赖于系统角速度误差，对于系统内部部分函数和参数未知的情况也可以对风力发电机转速进行控制。

Description

一种低风速下风力发电机的预测与跟踪控制方法
技术领域
本发明涉及风力发电运行控制技术领域，特别涉及一种低风速下风力发电机的预测与跟踪控制方法。
背景技术
1)目前世界煤、炭、石油等不可再生能源存量紧缺，新能源如风能、太阳能等属于可再生资源，取之不尽、用之不竭，而且分布广泛、清洁无污染，近些年来得到世界各国的重视与研究。我国幅员辽阔，拥有丰富的风能资源，因此风力发电在我国得到大力发展。
2)目前，风力发电在风力发电机输出功率跟踪控制上存在一些缺陷。比如当风进入风场后，推动风力发电机扇叶旋转进行发电，使用风力发电机内部传感器测得的风速、转速等数据进行调控的方法存在一定的不足，由于风力发电机惯性较大，在控制上会存在时延，产生控制不及时的问题；再如目前风力发电机主要使用PID控制方法，这种控制方法存在跟踪时间长，容易出现震荡，稳定性弱等不足。控制不及时或者控制器效率低会直接影响风力发电机对风能资源的利用率，造成风资源的浪费，尤其是在风速低于风力发电机额定风速，发电功率偏低的情况下。
3)公布号为CNIO556992OA的发明专利公开了“一种风力发电机的控制方法及控制系统”，该发明获取当前风速和桨距角角度，使用当前风速计算桨距角理想角度，控制桨距角角度跟踪理想角度，这种方式使用实时风速，存在控制不及时的问题。
4)公布号为CNIO49638llA的发明专利公开了一种“自适应风速的多级风力发电机及其控制方法”，该发明实时采集风场的风速信号，但控制时风可能已经经过风场，存在控制不及时的问题。
5)公布号为CNIO5257475A的发明专利公开了“一种失速型风力发电机组的控制方法”，该方法将模型建立成输出功率与转速的三次方成正比的形式，进而计算控制量——电磁转矩。这种方法对于模型的建立不够精确，只能进行定性分析，不适合用于工程实践上。
6)公布号为CNIO4612898A的发明专利公开了“一种风电变桨距多变量模糊神经网络PID控制方法”，该发明主要使用模糊神经网络PID的控制方法，这种方法对于单一风速情况，稳定性好、可靠性高，但是对于复杂情况的风速时难以达到控制要求，容易产生震荡或控制不及时的问题。
7)公布号为CNIO4408223A的发明专利公开了“一种风电机组的跟踪优化控制方法”，该发明使用鲁棒自适应控制方式对风力发电机的电磁转矩进行控制，该方法的好处是，可以在一定程度上控制风力发电机较好的跟踪理想曲线，但有一点不足就是没有加入测风塔等设备，没有描述理想曲线的获取方式。
发明内容
有鉴于此，本发明的目的是提供一种低风速下风力发电机的预测与跟踪控制方法，以实现能准确预测未来一段时间进入风场的风速，进而提高风力发电机的控制效率，提高风力发电机在低风速时的风能利用率。
本发明低风速下风力发电机的预测与跟踪控制方法，包括：
1)预测风力发电机风轮的最优角速度，包括：
Ⅰ、将测风塔放置于风场外围1-2公里处，测量即将进入风场的风速；
Ⅱ、根据所测风速数据，通过公式ω*＝λoptv/R计算得到风力发电机风轮理想预测角速度ω*，其中λopt为最佳叶尖速比，v是测风塔测得的风速，R是风力发电机风轮半径；
2)设计控制器对风力发电机风轮的角速度进行跟踪控制，包括：
A、设计风机系统模型为：
其中，J＝Jr+n2Je，Jr为风轮处转子的转动惯量，Je为发电机转子转动惯量，B为传动系统总阻尼系数，Tr为风轮获得的气动转矩，n为连接风机与发电机的变速箱的传动比，Te为发电机电磁转矩；Tr、B等属于系统未知量；
B、获取风轮角速度ω，风轮理想预测角速度ω*，定义误差e＝ω-ω*，对两边求导得到整理得到：
风机系统未确定部分使用RBF神经网络估计，其中，是节点高斯径向基函数，W为每个节点的权值，ε是神经网络的阈值；
C、使用基于受限李雅普诺夫方法的RBF神经网络方法设计控制器：
其中，γ是自行设计的一个大于零的BLF参数，K0是自行设计的大于零的控制参数，神经网络控制器：
自适应更新率：
其中为W的估计值，为ε的估计值，选取γ＝0.02，K0＝3；
D、将本时刻的误差信号e输入风力发电机控制器，得到下一时刻的控制信号Te；
E、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。
进一步，所述步骤B中的风轮角速度ω通过角速度传感器测量获取。
进一步，所述节点高斯径向基函数个数为50。
进一步，所述节点高斯径向基函数中心点按照等梯度方式选取，在样本密度大的地方增加取值点。
本发明的有益效果：
1、本发明低风速下风力发电机的预测与跟踪控制方法，能够准确预测未来一段时间进入风场的风速，得到了与未来时刻风力发电机风轮真实角速度接近的理想预测角速度数据，通过准确控制风力发电机风轮角速度跟踪理想预测角速度，能够避免控制不及时的问题，提高风力发电机的风能利用率，使风力发电机在低风速下以最大功率输出。
2、本发明低风速下风力发电机的预测与跟踪控制方法，其设计的基于受限李雅普诺夫方法的RBF神经网络自适应控制器，该控制器只依赖于系统角速度误差，对于系统内部部分函数和参数未知的情况也可以对风力发电机转速进行控制。
附图说明
图1为风力发电机系统的整体结构框图；
图2为风力发电机的预测与跟踪控制方法的流程图；
图3为模拟风速曲线图；
图4为实际风轮角速度的跟踪效果图；
图5为误差曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本实施例低风速下风力发电机的预测与跟踪控制方法，包括：
1)预测风力发电机风轮的最优角速度，包括：
A、将测风塔放置于风场外围1-2公里处，测量即将进入风场的风速；
B、根据所测风速数据，通过公式ω*＝λoptv/R计算得到风力发电机风轮理想预测角速度ω*，其中λopt为最佳叶尖速比，v是测风塔测得的风速，R是风力发电机风轮半径；
2)设计控制器对风力发电机风轮的角速度进行跟踪控制，包括：
A、设计风机系统模型为：
其中，J＝Jr+n2Je，Jr为风轮处转子的转动惯量，Je为发电机转子转动惯量，B为传动系统总阻尼系数，Tr为风轮获得的气动转矩，n为连接风机与发电机的变速箱的传动比，Te为发电机电磁转矩；Tr、B等属于系统未知量；
B、通过传感器测量获取风轮角速度ω，风轮理想预测角速度ω*，定义误差e＝ω-ω*，对两边求导得到整理得到：
风机系统未确定部分使用RBF神经网络估计，其中，是节点高斯径向基函数，本实施例中所述节点高斯径向基函数个数为50，节点高斯径向基函数中心点按照等梯度方式选取，在样本密度大的地方增加取值点，W为每个节点的权值，ε是神经网络的阈值；
C、使用基于受限李雅普诺夫方法的RBF神经网络方法设计控制器：
其中，γ是设计者自行设计的一个大于零的BLF参数，K0是设计者自行设计的大于零的控制参数，神经网络控制器：
自适应更新率：
其中为W的估计值，为ε的估计值，选取γ＝0.02，K0＝3；
D、将本时刻的误差信号e输入风力发电机控制器，得到下一时刻的控制信号Te；
E、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。
本实施例低风速下风力发电机的预测与跟踪控制方法的实施流程如附图2所示，具体步骤为：
步骤Step 1，控制开始；
步骤Step 2，测风塔测量即将进入风场的风速v；
步骤Step 3，利用公式ω*＝λoptv/R计算风轮理想预测角速度ω*；
步骤Step 4，利用传感器测量当前风力发电机风轮角速度ω；
步骤Step 5，当前风轮角速度ω与风轮理想预测角速度ω*做差，得到角速度误差e；
步骤Step 6，将本时刻误差信号输入风力发电机控制器，得到下一时刻控制信号Te；
步骤Step 7，将控制信号输入风力发电机得到下一时刻的风轮角速度ω；
步骤Step 8，第一次循环控制结束。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，但若未脱离本发明技术方案的宗旨和范围，便应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种低风速下风力发电机的预测与跟踪控制方法，其特征在于：包括：
1)预测风力发电机风轮的最优角速度，包括：
Ⅰ、将测风塔放置于风场外围1-2公里处，测量即将进入风场的风速；
Ⅱ、根据所测风速数据，通过公式ω*＝λoptv/R计算得到风力发电机风轮理想预测角速度ω*，其中λopt为最佳叶尖速比，v是测风塔测得的风速，R是风力发电机风轮半径；
2)设计控制器对风力发电机风轮的角速度进行跟踪控制，包括：
A、设计风机系统模型为：
<mrow> <mi>J</mi> <mover> <mi>&amp;omega;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>+</mo> <mi>B</mi> <mi>&amp;omega;</mi> <mo>=</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>nT</mi> <mi>e</mi> </msub> </mrow>
其中，J＝Jr+n2Je，Jr为风轮处转子的转动惯惯量，Je为发电机转子转动惯量，B为传动系统总阻尼系数，Tr为风轮获得的气动转矩，n为连接风机与发电机的变速箱的传动比比，Te为发电机电磁转矩；Tr、B等属于系统未知量；
B、获取风轮角速度ω，风轮理想预测角速度ω*，定义误差e＝ω-ω*，对两边求导得到整理得到：
<mrow> <mover> <mi>e</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <mi>J</mi> </mfrac> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> <mo>-</mo> <mi>B</mi> <mi>&amp;omega;</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mover> <mi>&amp;omega;</mi> <mo>&amp;CenterDot;</mo> </mover> <mo>*</mo> </msup> <mo>-</mo> <mfrac> <mi>n</mi> <mi>J</mi> </mfrac> <msub> <mi>T</mi> <mi>e</mi> </msub> </mrow>
风机系统未确定部分使用RBF神经网络估计，其中，是节点高斯径向基基函数，W为每个节点的权值，ε是神经网络的阈值；
C、使用基于受限李雅普诺夫方法的RBF神经网络方法设计控制器：
<mrow> <mi>u</mi> <mo>=</mo> <msub> <mi>T</mi> <mi>e</mi> </msub> <mo>=</mo> <mfrac> <mi>J</mi> <mi>n</mi> </mfrac> <mfrac> <mrow> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <mo>-</mo> <msup> <mi>e</mi> <mn>2</mn> </msup> </mrow> <mrow> <msup> <mi>&amp;gamma;</mi> <mn>2</mn> </msup> <mo>-</mo> <msup> <mi>e</mi> <mn>2</mn> </msup> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>0</mn> </msub> <mi>e</mi> <mo>+</mo> <msub> <mi>u</mi> <mi>c</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，γ是自行设计的一个大于零的BLF参数，K0是自行设计的大于零的控制参数，神经网络控制器：
自适应更新率：
其中为W的估计值，为ε的估计值，选取γ＝0.02，K0＝3；
D、将本时刻的误差信号e输入风力发电机控制器，得到下一时刻的控制信号Te；
E、将控制信号输入风力发电机得到下一时刻的风轮角速度ω。
2.根据权利要求1所述的低风速下风力发电机的预测与跟踪控制方法，其特征在于：所述步骤B中的风轮角速度ω通过角速度传感器测量获取。
3.根据权利要求1所述的低风速下风力发电机的预测与跟踪控制方法，其特征在于：所述节点高斯径向基函数个数为50。
4.根据权利要求3所述的低风速下风力发电机的预测与跟踪控制方法，其特征在于：所述节点高斯径向基函数中心点按照等梯度方式选取，在样本密度大的地方增加取值点。
CN201710501708.9A 2017-06-27 2017-06-27 一种低风速下风力发电机的预测与跟踪控制方法 Active CN107061158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710501708.9A CN107061158B (zh) 2017-06-27 2017-06-27 一种低风速下风力发电机的预测与跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710501708.9A CN107061158B (zh) 2017-06-27 2017-06-27 一种低风速下风力发电机的预测与跟踪控制方法

Publications (2)

Publication Number Publication Date
CN107061158A true CN107061158A (zh) 2017-08-18
CN107061158B CN107061158B (zh) 2019-03-19

Family

ID=59613382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710501708.9A Active CN107061158B (zh) 2017-06-27 2017-06-27 一种低风速下风力发电机的预测与跟踪控制方法

Country Status (1)

Country Link
CN (1) CN107061158B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717266A (zh) * 2018-05-30 2018-10-30 迪比（重庆）智能科技研究院有限公司 风场风机功率基于扰动观测器的神经自适应跟踪控制方法
CN110032238A (zh) * 2019-04-28 2019-07-19 闽江学院 一种风机发电偏航控制系统最大功率追踪方法
WO2019148770A1 (zh) * 2018-01-31 2019-08-08 北京金风科创风电设备有限公司 切出策略自适应调整的方法及装置
CN111091236A (zh) * 2019-11-27 2020-05-01 长春吉电能源科技有限公司 一种按桨距角分类的多分类深度学习短期风功率预测方法
CN111963372A (zh) * 2020-09-01 2020-11-20 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN112343770A (zh) * 2020-11-17 2021-02-09 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN114483456A (zh) * 2022-01-26 2022-05-13 南京工程学院 一种储能式液压型风力发电机组并网转速控制系统和方法
CN114660946A (zh) * 2022-05-09 2022-06-24 电子科技大学 一种时滞成型过程系统的模糊自适应动态面控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023811A (ja) * 2005-07-13 2007-02-01 Shinko Electric Co Ltd 風力発電設備
CN101634722A (zh) * 2008-07-22 2010-01-27 西门子公司 预测风资源的方法和装置
CN102536657A (zh) * 2010-12-21 2012-07-04 通用电气公司 用于控制风力涡轮机功率输出的系统和方法
CN102797629A (zh) * 2012-08-03 2012-11-28 国电联合动力技术有限公司 一种风电机组的控制方法、控制器及其控制系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007023811A (ja) * 2005-07-13 2007-02-01 Shinko Electric Co Ltd 風力発電設備
CN101634722A (zh) * 2008-07-22 2010-01-27 西门子公司 预测风资源的方法和装置
EP2148225A1 (en) * 2008-07-22 2010-01-27 Siemens Aktiengesellschaft Method and arrangement for the forecast of wind-resources
CN102536657A (zh) * 2010-12-21 2012-07-04 通用电气公司 用于控制风力涡轮机功率输出的系统和方法
CN102797629A (zh) * 2012-08-03 2012-11-28 国电联合动力技术有限公司 一种风电机组的控制方法、控制器及其控制系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019148770A1 (zh) * 2018-01-31 2019-08-08 北京金风科创风电设备有限公司 切出策略自适应调整的方法及装置
US11486357B2 (en) 2018-01-31 2022-11-01 Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. Method and apparatus for self-adaption of a cut-out strategy
CN108717266B (zh) * 2018-05-30 2021-03-12 迪比（重庆）智能科技研究院有限公司 风场风机功率基于扰动观测器的神经自适应跟踪控制方法
CN108717266A (zh) * 2018-05-30 2018-10-30 迪比（重庆）智能科技研究院有限公司 风场风机功率基于扰动观测器的神经自适应跟踪控制方法
CN110032238A (zh) * 2019-04-28 2019-07-19 闽江学院 一种风机发电偏航控制系统最大功率追踪方法
CN111091236A (zh) * 2019-11-27 2020-05-01 长春吉电能源科技有限公司 一种按桨距角分类的多分类深度学习短期风功率预测方法
CN111963372B (zh) * 2020-09-01 2021-12-17 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN111963372A (zh) * 2020-09-01 2020-11-20 北京石油化工学院 一种风力发电机最佳转速跟踪控制方法
CN112343770A (zh) * 2020-11-17 2021-02-09 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN112343770B (zh) * 2020-11-17 2021-09-24 北京石油化工学院 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN114483456A (zh) * 2022-01-26 2022-05-13 南京工程学院 一种储能式液压型风力发电机组并网转速控制系统和方法
CN114660946A (zh) * 2022-05-09 2022-06-24 电子科技大学 一种时滞成型过程系统的模糊自适应动态面控制方法
CN114660946B (zh) * 2022-05-09 2023-06-16 电子科技大学 一种时滞成型过程系统的模糊自适应动态面控制方法

Also Published As

Publication number Publication date
CN107061158B (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
CN107061158B (zh) 一种低风速下风力发电机的预测与跟踪控制方法
Pao et al. Control of wind turbines
Pao et al. A tutorial on the dynamics and control of wind turbines and wind farms
Hansen Aerodynamics of wind turbines
Dai et al. Research on power coefficient of wind turbines based on SCADA data
Eisenhut et al. Wind-turbine model for system simulations near cut-in wind speed
CN106979126B (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN104675629B (zh) 一种变速风力发电机组的最大风能捕获方法
CN114033617B (zh) 一种控制参量自适应调整的可控风力发电方法及系统
Fang et al. Design of Savonius model wind turbine for power catchment
Berg Wind energy conversion
Mitiku et al. Modeling of wind energy harvesting system: A systematic review
Ayar et al. Harvesting the wind: a study on the feasibility and advancements of wind energy in Turkey
Bertašienė et al. Synergies of Wind Turbine control techniques
Yang et al. Hill-Climbing Algorithm for the Wind Turbine Yaw System
Yusong et al. The control strategy and simulation of the yaw system for MW rated wind turbine
CN112682258B (zh) 基于Backstepping的大型风力机最大功率点跟踪控制方法
CN113098057B (zh) 一种双馈风机参数的多目标高维多分数阶优化方法
Bruno et al. An empirical estimation of power output of a miniaturized wind turbine cluster
Farbood et al. Modeling and control of interconnected wind turbines drivetrains
Christ et al. Modelling of a wind power turbine
CN114611402B (zh) 基于分块互联模型和数据驱动的直驱风机动态拟合方法
Pehlivan A novel fuzzy logic pitch angle controller with genetic algorithm optimization for wind turbines
Xiao et al. Adaptive power tracking control based on dynamic sensor estimation for energy conversion systems
Shang et al. A genetic algorithm for optimizing yaw operation control in wind power plants

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Song Yongduan

Inventor after: Liu Xiulan

Inventor after: Li Yue

Inventor after: Lai Junfeng

Inventor before: Song Yongduan

Inventor before: Li Yue

Inventor before: Lai Junfeng

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210615

Address after: Room 731 and 732, 7th floor, 557 Renmin Road, Dongge sub district office, Pingdu City, Qingdao City, Shandong Province 266701

Patentee after: QINGDAO GELAIRUI INTELLIGENT CONTROL TECHNOLOGY Co.,Ltd.

Address before: 400030 No. 1 Huiquan Road, Shapingba District, Chongqing, 13, attachment 4.

Patentee before: STAR INSTITUTE OF INTELLIGENT SYSTEMS

TR01 Transfer of patent right