一种双馈风机参数的多目标高维多分数阶优化方法与流程

1.本发明属于风力发电的控制领域，涉及一种控制器参数整定的优化方法，适用于双馈风力发电系统中的最大风能追踪。


背景技术：

2.化石能源储量有限且不可再生，而我国主要的能源结构以煤炭为主，煤炭的使用会产生大气污染，大量排放的co2会导致全球变暖，调整我国的能源结构成为了迫在眉睫的任务。风能的储量大，且风力发电技术日趋完善，风力发电成为当前最具有潜力新能源发电形式之一。双馈风机属于变速恒频发电机，具有转速高、重量轻、成本低、变换器额定容量低、高能源转换效率优点，成为当前风电技术的主流之一。
3.最大风能捕获是双馈风机的主要控制目标，通过控制发电机的转速，使其跟踪风力涡轮机转速，使风电机组在最大风能捕获区实现功率的最大化。最佳叶尖速法根据风电机组叶片气动特性计算最佳叶尖速比，但较难实时获取风速的实时数据；而转矩反馈法和功率反馈法则是分别以最佳电磁转矩曲线和最佳发电功率曲线为参考，实现最佳风能捕获，但是由于风能的湍急性，这两种方法无法快速跟踪风电机组的运行状态。矢量控制是当前风力发电的主流控制技术之一，通过测量和控制风机定子电流矢量，根据磁场定向原理对励磁电流和转矩电流进行控制，进而达到控制风机转矩的目的。矢量控制中控制器的参数对于风机的控制具有重要的影响。
4.双馈风机的优化目标有两个，分别是无功误差最小和转子转速误差，属于多目标问题。可以用单目标智能优化方法进行控制器参数整定，对于每个单一目标根据重要性加上权重，但是容易受到决策者的主观性的影响，影响结果的客观性。本发明提出多目标高维多分数阶优化方法，将控制理论的思想用于优化方法中，寻找无功误差最小和转速误差最小的平衡点，达到两者利益最大化，提高搜索速度和全局搜索能力。


技术实现要素：

5.本发明提出一种双馈风机参数的多目标高维多分数阶优化方法。该方法将控制理论的思想用于应用到智能优化方法中，形成多目标高维多分数阶优化方法，用于双馈风机中转子侧变流器中的高维多分数阶控制器的参数整定，以实现最大风能追踪。
6.本发明中的双馈风机采用的控制策略是矢量控制，按照各部分结构进行建模。风力涡轮机通过转轴系统与双馈感应发电机相连，双馈风机定子直接与电网相连，转子与背靠背变流器相连，转子侧变流器用来调节转子转速和无功功率，以实现最大风能捕获。
7.风力涡轮机的数学模型如下：
[0008][0009]
[0010][0011][0012]
p
m
是风力涡轮机输出的机械功率；p
v
是风力涡轮机的输入功率，即气流通过扫琼面积时所具有的动能；c
p
是风能利用系数；λ是叶尖速比；β是桨距角；ρ是轮毂处的空气密度；r为风轮半径；λ
i
是叶尖速比λ和桨距角β的函数；ω是风轮旋转角速度；v
wind
为轮毂处的风速。
[0013]
双馈风力发电机的数学模型如下：
[0014][0015][0016][0017][0018]
t
e
＝(e'
qs
/w
s
)i
qs
(e'
ds
/w
s
)i
ds
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0019]
p
e
＝e'
qs
i
qs
e'
ds
i
ds
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0020]
q
s
＝v
qs
i
ds
‑
v
ds
i
qs
＝v
qs
i
ds
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0021]
i
ds
和i
qs
分别为d轴定子电流和q轴定子电流；v
ds
和v
qs
分别为d轴定子外部电压和q轴定子外部电压；v
dr
和v
qr
分别表示d轴转子电压和q轴转子电压；e'
ds
和e'
qs
分别表示d轴和q轴的内部电压；w
b
表示基准电角速；w
s
表示同步角速度；w
r
表示转子角速度；l
m
为互感；t
e
是发电机产生的电磁转矩；p
e
是发电机的有功功率；q
s
是无功功率；l'
s
是定子电感。r
l
、r2、t
r
、l
rr
为中间量，r1＝r
s
(l
m
l
rr
)2r
r
，r2＝(l
m
/l
rr
)2r
r
，t
r
＝l
rr
/r
r
，l
rr
＝1.005
×
1.01l
m
，l'
s
＝1.01l
m
。r
s
表示定子电阻；r
r
表示转子电阻。设置q轴为定子电压方向，d轴设置为与q轴垂直，则有v
ds
＝0。且v
qs
＝v
t
，v
qs
的值为端电压幅值。
[0022]
双馈风机中转轴系统的数学模型如下：
[0023]
h
m
＝h
t
h
g
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0024][0025]
转轴系统可用单一集中惯性系统表示。h
m
表示集中惯性常数；h
t
是风力涡轮机的集中惯性常数；h
g
是发电机的集中惯性常数；转轴系统中电磁动态方程如式(13)所示。w
m
是集中惯性系统的转速，其值等于发电机转速w
r
。d表示集中惯性系统阻尼，t
m
表示机械转矩，且t
m
＝p
m
/ω
m
。
[0026]
双馈风机的运行控制目标有两个，即两个适应度f1(x)和f2(x)，f1(x)为在运行的时间内无功功率误差最小；f2(x)为在运行时间内转子转速误差最小。
[0027]
[0028][0029]
本发明提出的多目标高维多分数阶优化方法为对转子侧变流器中的控制器进行参数整定。双馈风力发电系统是一个高阶、多变量、强耦合、非线性的系统，控制器参数的选择对于双馈风机的正常运行具有重要的作用。多目标高维多分数阶优化方法分为两个部分，勘探部分和开发部分，用来重新调整控制器个体的位置。
[0030]
用来重新调整控制器个体的位置的勘探控制器部分由以下部分构成：
[0031][0032][0033]
sign(
·
)＝e
‑
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0034]
k是高维多分数阶优化算法的迭代次数；sign(
·
)为符号函数，用来进行解的范围的搜索。e
‑
x
为递减的指数函数；是勘探控制器第j个信息的第i层分数阶的比例参数；为勘探控制器第j个信息的第i层分数阶的阶次参数；；ε
j,i
和δ
j,i
分别是勘探控制器更新策略的比例增益和分数阶阶次增益。
[0035]
用来重新调整控制器个体的位置的开发控制器部分由以下部分构成：
[0036][0037][0038]
其中是开发控制器第j个信息的第i层分数阶的比例参数；是开发控制器第j个信息的第i层分数阶的阶次参数；t
mil
为计算机当前时间的毫秒值，t
mil
∈[000,999)。connect(
·
)是一个数值级联函数。
[0039]
第a个控制器在第(k 1)次迭代时的自变量的值为：
[0040][0041]
是适应度函数值，其物理意义相当于控制器中的误差函数值；是分数阶积分函数；是分数阶微分函数。
[0042]
对于多目标优化问题，对其中的目标不能继续优化，但是对其他的目标函数不至于变劣的解为pareto最优解。对于多目标优化求最小值，若可行域中有解向量x1和x2，当以下两个条件满足时，称为x1支配x2，或x1占优。
[0043][0044][0045]
式中，n
obj
为优化目标函数的个数，在本发明中为2。本发明中采用pareto支配关系确定控制器最优值，即判断本次迭代产生的控制器是否支配上一次迭代产生的控制器的最优值。使用外部存档集合来确定全局最优解，首先保存pareto最优解，计算外部档案的每个pareto最优解的拥挤距离，拥挤距离越大，被选作全局最优解的概率越大。
[0046]
本发明相对于现有技术具有如下的优点及效果：
[0047]
(1)本发明提出了一种高维多分数阶控制器，将多维的反馈信息作为控制器的输入，并对多维的信息进行分数阶的分析计算，相较于传统的比例
‑
积分
‑
微分控制器，能够输出更为精确的控制指令。
[0048]
(2)本发明在高维多分数阶控制器的启发下，提出多目标高维多分数阶优化方法，将控制理论的思想用于优化方法中。多目标高维多分数阶优化方法分为勘探部分和开发部分，勘探部分用来应对参数的不确定性，数据扰动而实时更新数据，用作全局最优解的探索；而开发部分则是加强随机性，用来进行寻找局部最优解。相较于其他单目标优化方法，多目标高维多分数阶优化方法能减少决策者的主观性，整定的控制器参数更为客观，更符合实际情况。
附图说明
[0049]
图1是本发明方法的风力涡轮机风能利用系数与叶尖速比、桨距角的关系曲线图。
[0050]
图2是本发明方法的双馈风力发电系统的控制框架图。
[0051]
图3是本发明方法进行训练的数据曲线图。
[0052]
图4是本发明方法的多目标高维多分数阶优化方法流程图。
具体实施方式
[0053]
本发明提出一种双馈风机参数的多目标高维多分数阶优化方法，结合附图详细说明如下：
[0054]
图1是本发明方法的风力涡轮机风能利用系数与叶尖速比、桨距角的关系曲线图。风能利用系数的变化与叶尖速比、桨距角均有关系。当风流经风力涡轮机时，风带动扇叶运动，扇叶与转轴系统相连，带动感应电机转子转动，风力涡轮机时双馈风力发电系统中的原动机，能实现能源转换。在能源转换过程中，被利用的能量小于吹过风力涡轮机扇叶的能量，风能利用系数则体现了对于风能的利用率。风能利用系数的大小取决于叶尖速比和桨距角。
[0055]
图2是本发明方法的双馈风力发电系统的控制框架图。本发明中转子侧变流器采用4个高维多分数阶控制器构成的控制器环路来实现双馈风力发电系统的最大功率点追踪。其中外部回路调节双馈风机的发电机转子和无功功率以分别获得dq轴转子电流基准值和内部控制回路控制补偿项v
qr2
和v
dr2
相关的两个电流，以产生控制器的最终输出v
qr
和v
dr
。
[0056]
图3是本发明方法进行训练的数据曲线图。其中，(a)阶梯风速；(b)渐变风速；(c)电压跌落。阶梯风速用来模拟风速突变性，在20s～40s之间产生4个连续性的阶跃变化，均已1m/s的变化增加；渐变风速用来模拟风速的渐变性，在20s～50s之间产生风速变化，其特性表现为正弦变化，由10m/s开始变化，最高风速达到12m/s，最低风速达到8m/s，最后回归到10m/s；电压跌落为对交流电网施加一个额定值为50％，持续时间为200毫秒的电压下降，用来测试电压跌落时，双馈风能发电系统的低电压穿越能力。
[0057]
图4是本发明方法的多目标高维多分数阶优化方法流程图。多目标高维多分数阶优化方法的计算过程为：(
ⅰ
)随机产生n个控制器，初始化n个控制器的参数；(
ⅱ
)将控制器
个体放入双馈感应发电系统的模型中，计算每个控制器个体的适应度的值，利用帕累托原则处理非支配解集，将所得到的数据进行存储；(
ⅲ
)通过支配关系和拥挤距离确定每个控制器个体的局部最优值和全局最优值；(
ⅳ
)采用高维多分数阶优化方法进行控制器个体的更新，重新调整控制器个体的位置；(
ⅴ
)更新存储数据，存储非支配解，将支配解删除；(
ⅵ
)更新局部最优解和全局最优解，判断是否满足迭代要求，若满足，则运行结束，输出双馈风机控制器的控制参数；如不满足则返回第(
ⅱ
)步，继续进行迭代计算。

技术特征：
1.一种双馈风机参数的多目标高维多分数阶优化方法，其特征在于，该方法在使用过程中的步骤为：步骤(
ⅰ
)：随机产生n个控制器，初始化n个控制器的参数；步骤(
ⅱ
)：将控制器个体放入双馈感应发电系统的模型中，计算每个控制器个体的适应度的值，利用帕累托原则处理非支配解集，将所得到的数据进行存储；风力涡轮机的数学模型为：风力涡轮机的数学模型为：λ
i
‑1＝(λ 0.08β)
‑1‑
0.035(β3 1)
‑1ꢀꢀꢀꢀꢀꢀꢀ
(3)式中，p
m
是风力涡轮机输出的机械功率；p
v
是风力涡轮机的输入功率，即气流通过扫琼面积时所具有的动能；c
p
是风能利用系数；λ是叶尖速比；β是桨距角；ρ是轮毂处的空气密度；r为风轮半径；λ
i
是叶尖速比λ和桨距角β的函数；ω是风轮旋转角速度；v
wind
为轮毂处的风速；双馈风力发电机的数学模型为：双馈风力发电机的数学模型为：双馈风力发电机的数学模型为：双馈风力发电机的数学模型为：t
e
＝(e'
qs
/w
s
)i
qs
(e'
ds
/w
s
)i
ds
ꢀꢀꢀꢀꢀꢀꢀ
(9)p
e
＝e'
qs
i
qs
e'
ds
i
ds (10)q
s
＝v
qs
i
ds
‑
v
ds
i
qs
＝v
qs
i
ds
ꢀꢀꢀ
(11)式中，i
ds
和i
qs
分别为d轴定子电流和q轴定子电流；v
ds
和v
qs
分别为d轴定子外部电压和q轴定子外部电压；v
dr
和v
qr
分别表示d轴转子电压和q轴转子电压；e'
ds
和e'
qs
分别表示d轴和q轴的内部电压；w
b
表示基准电角速；w
s
表示同步角速度；w
r
表示转子角速度；l
m
为互感；t
e
是发电机产生的电磁转矩；p
e
是发电机的有功功率；q
s
是无功功率；l'
s
是定子电感；r
l
、r2、t
r
、l
rr
为中间量，r1＝r
s
(l
m
l
rr
)2r
r
，r2＝(l
m
/l
rr
)2r
r
，t
r
＝l
rr
/r
r
，l
rr
＝1.005
×
1.01l
m
，l'
s
＝1.01l
m
；r
s
表示定子电阻；r
r
表示转子电阻；设置q轴为定子电压方向，d轴设置为与q轴垂直，则有v
ds
＝0；且v
qs
＝v
t
，v
qs
的值为端电压幅值；双馈风机中转轴系统的数学模型为：
h
m
＝h
t
h
g
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)式中，h
m
表示集中惯性常数；h
t
是风力涡轮机的集中惯性常数；h
g
是发电机的集中惯性常数；转轴系统中电磁动态方程如式(13)所示；w
m
是集中惯性系统的转速，其值等于发电机转速w
r
；d表示集中惯性系统阻尼，t
m
表示机械转矩，且t
m
＝p
m
/ω
m
；两个适应度f1(x)和f2(x)，f1(x)为在运行的时间内无功功率误差最小；f2(x)为在运行时间内转子转速误差最小；时间内转子转速误差最小；步骤(
ⅲ
)：通过支配关系和拥挤距离确定每个控制器个体的局部最优值和全局最优值；步骤(
ⅳ
)：采用高维多分数阶优化方法进行控制器个体的更新，重新调整控制器个体的位置；用来重新调整控制器个体的位置的勘探控制器部分由以下部分构成：个体的位置的勘探控制器部分由以下部分构成：sign(
·
)＝e
‑
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)式中，k是高维多分数阶优化算法的迭代次数；sign(
·
)为符号函数，用来进行解的范围的搜索；e
‑
x
为递减的指数函数；是勘探控制器第j个信息的第i层分数阶的比例参数；为勘探控制器第j个信息的第i层分数阶的阶次参数；；ε
j,i
和δ
j,i
分别是勘探控制器更新策略的比例增益和分数阶阶次增益；用来重新调整控制器个体的位置的开发控制器部分由以下部分构成：个体的位置的开发控制器部分由以下部分构成：式中，是开发控制器第j个信息的第i层分数阶的比例参数；是开发控制器第j个信息的第i层分数阶的阶次参数；t
mil
为计算机当前时间的毫秒值，t
mil
∈[000,999)；connect(
·
)是一个数值级联函数；第a个控制器在第(k 1)次迭代时的自变量的值为：式中，是适应度函数值；是分数阶积分函数；是分数阶微分函数；步骤(
ⅴ
)：更新存储数据，存储非支配解，将支配解删除；步骤(
ⅵ
)：更新局部最优解和全局最优解，判断是否满足迭代要求，若满足，则运行结
束，输出双馈风机控制器的控制参数；如不满足则返回第(
ⅱ
)步，继续进行迭代计算。
技术总结
本发明提供一种双馈风机参数的多目标高维多分数阶优化方法，该方法能够优化双馈风机中转子侧变流器控制器参数，找到无功误差和转子转速偏差的利益平衡点，协调目标函数之间的关系。本发明所提方法引入高维多分数阶控制器的多维信息数据，并对各维信息数据进行分数阶的分析计算；本发明所提方法将控制理论应用于优化方法中,加快迭代速度；本发明所提方法包含勘探和开发两个搜索部分；本发明所提方法引入阶次算子，在寻优过程中进行自动调整，平衡勘探和开发两个搜索部分，提高全局的搜索能力；实现双馈风机的最大功率点追踪和低电压穿越。越。越。


技术研发人员：殷林飞 陈立春 苏志鹏 高放
受保护的技术使用者：广西大学
技术研发日：2021.04.06
技术公布日：2021/7/8