【技術實現步驟摘要】
本專利技術涉及風電機組發電穩定性建模，更具體地，涉及一種提高大型陸上風力發電機組發電穩定性的結合隨機森林算法的集成學習功率調節系統建模方法。
技術介紹
1、在全球生態環境和化石能源短缺的雙重壓力下，新能源發電技術的研究成為全球關注的焦點。由于風力資源豐富，風力發電技術得到迅猛持續發展，其商業前景十分廣闊。近年來，隨著風機容量的不斷增大以及風力發電并網規模的不斷增大，風資源伴隨的強隨機性、波動性和間歇性使得電網安全、穩定運行所面臨的挑戰日益顯著。風機功率曲線作為衡量風機容量和在不同環境條件下的有效工具，選擇合適的風機有助于提升風電并網時的穩定性。為了構造參考曲線，需要獲得大量的風速數據。然而在現實中，溫度、濕度以及風向等環境因素都會導致構造風機功率曲線產生偏差。因此，繼續推進風電機組模型辨識技術的研究，提高功率曲線建模精度，為大規模集中式風電并網奠定基礎。
2、風力渦輪機是一種具有無排放和無污染的可再生能源發電技術。目前的風力渦輪機可按照運行的環境分為陸上風力渦輪機和海上風力渦輪機。陸上風力渦輪機主要部署在風力資源更加充沛的西北部地區。與海上風力渦輪機相比，陸上風力渦輪機所處地區的風速更加穩定與理想，并且所受到的干擾更容易得到抑制，因此陸上風力渦輪機已成為我國近年來風力發電生產領域的主要機組。此外，陸上風力渦輪機的控制效果通常與所建立模型的準確性掛鉤，所建立的模型準確性越高，風力渦輪機的功率控制效果越好。所以，挖掘陸上風力渦輪機的功率系統建模方法，對提升能源利用效率及提高新能源發電規模具有重要的現實意義。特別地，精確的
3、機器學習是基于統計學等數學基礎并結合了人工智能等相關知識的人工智能分支領域。機器學習具有自動化和適應性的優勢，易于在工業中推廣實現。此外，機器學習擁有卓越的處理大規模數據和洞察能力，其核心是學習算法。利用學習算法來使用訓練集對模型進行訓練，并通過調整模型參數和優化算法來最小化預測誤差。可見，機器學習是處理復雜條件下的有效建模方案。但傳統的機器學習建模方法在預測性能和工業推廣方面還有很大的提升空間。為提高機器學習建模技術的預測性能，在建模精度和工業推廣之間達到合理平衡的集成學習應運而生。與傳統的機器學習不同，集成學習是通過將多個獨立的基學習器組裝在一起。采用基于多個基學習器的集成學習，更能提高建模精度以及工業推廣的要求。更令人滿意的是，可將集成學習的基學習器隨時增加或刪減。此外，選擇合適基學習器組合方式可進一步提升集成學習的預測精度。基于此，增加了集成學習相對于傳統的機器學習的競爭力，可高效處理復雜的工業過程建模問題。集成學習在電力、圖像辨識、語言模型等領域得到了廣泛研究與應用。因此，采用集成學習算法辨識多變量非線性的風電機組功率調節系統模型，以提升功率曲線的擬合能力、實現大型風力渦輪機組的發電穩定性。
技術實現思路
1、本專利技術旨在提供一種提高陸上風電機組發電穩定性的結合隨機森林算法的集成學習建模方法，改進大型陸上風力發電機組功率調節系統的建模品質，提高機組的功率調節系統模型準確性。該方法充分考慮了建模對象的復雜動態特性及風電機組實際運行過程中因風向和風速變化帶來的擾動、模型內部的不確定性，結合隨機森林算法能夠實時準確預測功率曲線的優勢設計先進的集成學習建模策略。大型陸上風力渦輪機功率調節系統采用所設計的集成學習建模方法，在給定的控制指令和風速等信號的作用下，機組各工況點模型均實現了較高的模型辨識精度及穩定的功率輸出。
2、本專利技術所提出的一種提高大型陸上風力渦輪機發電穩定性的結合隨機森林算法的集成學習功率調節系統建模方法，由以下4個步驟組成：
3、s1：分析大型陸上風力渦輪機功率調節系統的建模難點；
4、s2：確立針對大型陸上風力渦輪機功率調節系統的改進型集成學習策略結構；
5、s3：描述隨機森林算法的集成學習原理及其設計步驟；
6、s4：依托仿真平臺開展所提建模方法的可行性驗證及性能分析。
7、s1：風力渦輪機組功率調節系統的任務是根據給定輸入信號和反饋輸出的功率信號來設置控制信號從而調節功率的輸出，進而保證機組安全穩定運行。風力渦輪機功率調節系統在轉子葉片和發電機各自基礎控制系統之上設置協調控制級，來實施轉子葉片和發電機在響應風況要求時的協調和配合。協調級接受給定功率指令，并根據機組運行情況進行選擇處理后產生一個控制指令：槳距角指令β，送往葉片的有關基礎控制系統。葉片的槳距角控制系統根據β調節槳距角來改變槳距角大小。槳距角的變化使得機組在響應變風況的同時維持功率輸出的相對穩定，保證機組安全經濟運行。將大型陸上風力發電機組的功率調節模型描述為一個三輸入一輸出的模型，能更為準確地描述動態特性。功率調節系統的三個輸入變量為外界風速v、葉片槳距角β及發電機扭矩tg。功率調節系統的輸出變量為輸出功率pout。功率調節系統輸入變量和輸出變量之間相互強耦合且伴隨著時變和非線性等復雜動態特性，加之風況的隨機性，使機組的功率控制系統很難獲取滿意的控制品質。
8、基于s1的分析可知，因風力渦輪機功率調節系統具有復雜的動態特性，采用傳統的建模方法難以辨識得到精確模型，因此需設計先進的基于隨機森林算法的集成學習建模策略，以提高建模精度,則步驟s2可具體化為：
9、s2.1：將功率調節系統的外界風速信號v，葉片槳距角β信號、發電機扭矩tg作為輸入信號送入結合隨機森林算法的集成學習模型，并對輸出功率pout進行準確估計，使輸出功率的pout準確快速跟蹤pset，達到機組快速響應負荷指令的效果。
10、在確定了大型陸上風力渦輪機的隨機森林算法的集成學習模型結構后，在s3中將結合隨機森林的集成學習模型的設計步驟具體化：
11、s3.1：陸上風力渦輪機建模系統的設計。
12、考慮如下風電機組簡化的線性模型：
13、
14、其中，通過對氣動、傳動和槳距角伺服子系統進行分析后，將風力發電機的狀態向量定義為x＝[x1?x2?x3?x4]t＝[ωr?ωg?tls?β]t，f、g、d和c為風電機組狀態空間模型的參數矩陣ωr、ωg、tls和β分別為轉子轉速、發電機轉速、低速軸的扭矩和葉片槳距角；將狀態向量矩陣定義為：
15、
16、
17、
18、c＝[1?0?0]?????????(5)
19、其中dr和dls為轉子和低速軸的阻尼，ta和jr為轉子的扭矩和總慣量，kls為低速軸的剛度，jg和tg為發電機的慣量和扭矩，dg為發電機阻尼，n為齒輪箱轉動比，τ為槳距角伺服時間常數。
20、在風能本文檔來自技高網...
【技術保護點】
1.一種提高風電機組發電穩定性的集成學習建模策略其特征在于：包括以下步驟：
2.根據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：步驟S1所述的分析分析大型陸上風力渦輪機功率調節系統的建模難點具體如下：
3.據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：確立針對大型陸上風力渦輪機功率調節系統的改進型集成學習策略結構，包括：
4.據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：描述隨機森林算法的集成學習原理及其設計步驟包括：
5.據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：基于步驟S3所設計的隨機森林算法的集成學習功率調節系統建模策略，在步驟S4中依托仿真平臺開展所提建模方法的可行性驗證及性能分析具體包括：
【技術特征摘要】
1.一種提高風電機組發電穩定性的集成學習建模策略其特征在于：包括以下步驟：
2.根據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：步驟s1所述的分析分析大型陸上風力渦輪機功率調節系統的建模難點具體如下：
3.據權利要求1所述的一種提高風電機組發電穩定性的集成學習建模策略，其特征在于：確立針對大型陸上風力渦輪機功率調節系統的改進型集成學習...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。