数据驱动的风电机组偏航参数适应性优化

为了增强风电机组偏航系统自适应水平,提升风能利用率,提出一种基于K近邻聚类（KNN）算法风电机组偏航控制参数优化方法。为准确描述风向变化,建立改进Weibull概率分布建立风向评估模型,即以风向波动的幅值（A）和波动持续时间（T）作为风况的数据标签来描述风向。对比风电机组不同偏航参数下的运行数据确定聚类中心（已知风况下的最佳偏航参数）,通过基于KNN算法的风电机组偏航控制参数优化模型,得到不同风况下风电机组最佳的偏航参数。通过对风电机组运行数据进行算例分析表明,该方法高风速时可提升风电机组发电效率,并在低风速时减少偏航启动次数。     

基于多分解策略和误差校正的超短期风电功率混合智能预测算法

为了提高超短期风电功率的预测精度,提出一种包含多分解策略和误差校正的混合智能风电预测算法.多分解策略通过改进的经验模态分解对风电功率进行预处理并利用小波变换对预测误差大的序列再次分解,在降低风电功率序列非平稳性的同时大幅降低高频序列的预测误差;然后利用粒子群优化的自适应神经模糊推理系统对误差进行校正,可降低单一预测算法...     

直驱风电机组变速恒频的控制策略

为了实现变速恒频的控制目的,从空气动力学的基础理论 入手,分析了风力发电机组运行时的最大风能追踪原理,通过构建风机受力模型,推导出理 论风能利用系数.着重分析了变速恒频控制原理及运行方式,提出了可靠的控制策略,通过 在不同风速下对风机转速和功率曲线关系图的分析比较,得出一条最佳功率曲线,控制风机 沿着该条曲线运行便可获得最大输出功率.     

基于模型降阶的双馈风电机组虚拟同步机控制参数优化

针对虚拟同步机（VSG）控制的双馈风电机组（DFIG）中由模型阶数过高导致的动态性能指标和参数优化求解困难的问题,兼顾稳定性与动态性能,提出一种改进的劳斯赫尔维茨与帕德近似结合的模型降阶方法。首先,建立DFIG-VSG系统的数学模型,基于此提出一种转子电流前馈补偿解耦的双环控制策略;然后,建立DFIG-VSG并网系统的小信号模型,得到对应的高阶闭环传递函数。基于该文提出的模型降阶方法对DFIG-VSG高阶传递函数进行降阶可得到输出有功功率的二阶传递函数,并进一步通过约束动态参数与稳定裕度得出一套控制参数选取范围,在该选取范围内通过根轨迹法分析主要控制参数对DFIG-VSG并网系统的影响。在不同风速工况下,通过Matlab/Simulink仿真验证了所提方法的可行性。     

基于动力学模型和多种群遗传算法的漂浮式风电机组调谐质量阻尼器参数优化

针对5 MW ITI Barge型漂浮式风电机组,该文利用动力学模型和多种群遗传算法配合寻求机舱中调谐质量阻尼器（TMD）各参数最优解。首先,基于拉格朗日方程建立含TMD的风电机组动力学模型,采用列文伯格-马夸尔特（LM）算法对模型中未知参数辨识;其次,以塔架纵向位移标准差为目标函数,采用多种群遗传算法和动力学模型配合对TMD各参数寻优。最后,按照最优解重新设计TMD参数,分别在5种典型风浪组合载荷工况下,利用FAST全耦合模型验证TMD的减载效果。结果显示：优化参数后的TMD能够有效降低Barge型漂浮式风电机组的关键部位的疲劳载荷。对比无TMD控制时,塔架纵向位移标准差降低约6%～48%;塔根纵向弯矩标准差降低约10%～45%;叶根纵向弯矩标准差降低约11%～33%。     

基于场景判别的风电齿轮箱温度预测及趋势异常预警方法

将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络（Conventional neural network,CNN）结合双向长短期记忆（Bidirectional long short term memory,Bi LSTM）网络模型对场景进行判别。在此基础上,采用分位数回归（Quantile regression,QR）结合门控循环单元（Gaterecurrentunit,GRU）方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。     

3MW风电机组变桨距无模型控制

随着风电机组装机容量的迅速增加,电网对风电机组的电能品质提出了更高的要求,而功率波动是影响风电机组电能品质的一个重要问题。考虑到风电机组变桨控制中的桨距角和机组功率的非线性关系和外界扰动问题,为了减小风电机组功率波动,基于无模型自适应(MFA)控制理论设计了风电机组变桨无模型控制器,不依赖于风电机组精确的数学模型。为了验证无模型变桨控制器的性能,以3MW双馈风电机组为控制对象在Sinmulink中对该算法进行了仿真并和广泛应用的PID变桨控制器进行了对比。仿真结果表明无模型变桨控制器较好地解决了风电机组变桨控制中的非线性和外界扰动问题,风电机组输出的功率波动明显小于PID控制器。     

浅析虚拟现实技术在城乡规划中的主要应用和发展前景

通过了解虚拟现实技术的产生和发展过程并结合其在城乡规划的主要应用和发展,发现虚拟现实技术在不断融入城乡规划体系中.根据知网文献查找关键词虚拟现实技术、城乡规划,共搜索到相关论文13篇,主要体现在村镇规划、城市设计、规划方案评审、城市规划管理、城乡规划教学、景观设计等方面,表现为宏观引入、中观扩展、微观使用.文章就虚...     

基于模糊自适应卡尔曼滤波的风电场储能系统功率控制

以大规模全钒液流电池作为风电场的储能装置,提出了基于模糊自适应卡尔曼滤波的储能系统控制策略。控制策略以电池荷电状态(state of charge,SOC)和SOC变化率调整储能系统有功功率目标值,有效地解决了低通滤波相位延迟的问题,加快了电池的SOC恢复速度。仿真结果表明,采用上述控制策略后,风电场输出功率波动得到抑制,电池的SOC也得到有效控制,这防止了电池的过充过放,延长了储能系统的寿命。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。