基于迭代学习控制策略的风机周期性干扰估计方法
- 国知局
- 2024-08-01 00:16:07
本发明涉及风电,具体是基于迭代学习控制策略的风机周期性干扰估计方法。
背景技术:
1、随着能源需求与环保需求的不断提高,风力发电作为一种清洁、无污染的可再生能源,受到了广泛推崇和快速发展。风力涡轮机的装机容量、风轮半径和桨叶长度都不断增大,这使得风速的随机性、不均匀性和突变性对风力涡轮机造成的不平衡载荷和周期性载荷越来越严重。这些载荷会降低风力涡轮机各部件的使用寿命和发电质量,甚至导致疲劳损坏。
2、风力发电机是一种利用风能转化为电能的装置,它的运行速度受到风速的影响,因此很难保持恒定。在满功运行时,风力发电机的速度也会有波动,这会导致时间域内的周期性载荷的频率发生变化。如果采用时间域的控制方法,就需要根据速度的变化不断调整控制的采样周期,这会增加控制的复杂度和误差,降低干扰估计的效果。为了解决这个问题,可以采用基于位置域的方法,即根据风力发电机的旋转角度来进行设计。在位置域,周期性载荷的频率与速度无关,采样周期可以保持恒定,这样就可以利用迭代学习策略的方法,通过不断地重复和更新控制律,来进行周期性干扰的估计。因此,对风机周期性干扰进行估计是非常重要的。
技术实现思路
1、本发明的目的在于解决现有技术中存在的问题,对风力涡轮机进行状态空间模型建立,通过时域与角域关系得到风力涡轮机的位置域状态空间模型,然后根据位置域模型设计基于迭代学习策略的干扰观测器对周期性干扰进行估计,实现对周期性干扰的快速、准确的估计。
2、本发明为实现上述目的,通过以下技术方案实现:
3、基于迭代学习控制策略的风机周期性干扰估计方法,包括步骤:
4、s1、风力涡轮机状态空间模型建立;
5、s2、时角域转换建立位置域风机模型;
6、s3、基于迭代学习观测器进行干扰估计;
7、所述步骤s1中对风力涡轮机进行时间域的状态空间模型建立。
8、所述步骤s2中根据步骤s1中分析获得的风力涡轮机的时间域状态空间模型,根据时角转换关系建立位置域下的风力涡轮机状态空间模型。
9、所述步骤s3中设计出基于迭代学习策略的干扰观测器,设计李雅普诺夫函数和优化函数保证所设计观测器的稳定性和收敛性且获得使之满足的lmi条件,通过matlab的lmi工具箱解lmi获得合适的观测器增益和参数矩阵,实现对干扰的完全跟踪。
10、对比现有技术,本发明的有益效果在于:
11、本发明采用在位置域下建立的风机模型,然后,通过基于迭代学习策略的干扰估计方法,对位置域下的风机状态空间模型设计基于迭代学习策略的观测器,设计李雅普诺夫函数和优化函数使系统能够保证稳定性和收敛性,实现对周期性干扰的准确跟踪。与常见方法相比,本发明能解决传统方法在时间域进行风机周期性干扰估计时,风速变化影响估计结果准确度的问题,可以更精确地完成周期性干扰估计任务。
技术特征:1.基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:步骤s1中,对风力涡轮机进行时间域的状态空间模型建立。
3.根据权利要求1所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:步骤s2中,建立风机位置域模型的步骤为:首先,对步骤s1中所获得时间域下的风力涡轮机模型进行时角转换,最后对所获得的风机位置域模型用欧拉法进行离散化。
4.根据权利要求1所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:步骤s2中,建立风机位置域模型的步骤包括:
5.根据权利要求1所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:步骤s3中,基于迭代学习观测器进行干扰估计包括步骤:
6.根据权利要求5所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:
7.根据权利要求5所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:
8.根据权利要求5所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:所述步骤s32通过对所构建的干扰估计器的收敛性进行分析获得收敛所需的lmi条件。
9.根据权利要求8所述的基于迭代学习控制策略的风机周期性干扰估计方法,其特征在于:
技术总结本发明公开了基于迭代学习控制策略的风机周期性干扰估计方法,主要涉及风电技术领域;包括步骤:S1、风力涡轮机状态空间模型建立;S2、时角域转换建立位置域风机模型;S3、基于迭代学习观测器进行干扰估计;本发明采用在位置域下建立的风机模型,然后,通过基于迭代学习策略的干扰估计方法,对位置域下的风机状态空间模型设计基于迭代学习策略的观测器,设计李雅普诺夫函数和优化函数使系统能够保证稳定性和收敛性,实现对周期性干扰的准确跟踪。技术研发人员:魏善碧,熊世辉,陈嘉茜,贾康强,刘敬文,钟晓雨受保护的技术使用者:重庆大学技术研发日:技术公布日:2024/7/15本文地址:https://www.jishuxx.com/zhuanli/20240730/200351.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。