大型变速风力发电机组的自适应模糊控制

控制技术是风力发电机组安全高效运行的关键。风力发电机组是复杂多变量非线性系统,具有不确定性和多干扰等特点。本文提出使用模糊逻辑推理系统得到低风速时的发电机参考转速,该方法无需测量风速,避免了风速测量的不精确性。根据机组的运动方程,采用最近邻聚类学习算法建立发电机电磁转矩自适应最优模糊控制,低风速时获得最大风能利用系数。算法综合考虑风力发电机组的机械特性和电气特性,系统辨识作为控制算法的一部分自动执行。高风速时,变论域自适应模糊控制器控制桨距角,机组能准确地保持在额定功率发电。仿真结果表明了本文提出方法的有效性。     

基于神经网络的风力机结构耦合振动预测模型

针对目前风力发电机结构动力学分析的局限性,采用Pitt-Peter理论进行风力机气动力学的计算分析,将虚拟样机技术应用于风力发电机结构动力学分析;对某失速型600KW风力发电机进行结构动力学分析,研究结果表明,该方法能较好的模拟风力发电机组的结构动力学性能.但是由于虚拟样机模型计算精度较高,考虑的自由度较多,计算耗时较长,针对虚拟样机分析方法的这一局限性,采用人工神经网络方法对风力发电机组结构动力学性能进行预测,可以减少振动重分晰的时间,同时又能保证预测精度,研究结果表明,针对于风力发电机组这类复杂的结构振动分析,要减少计算时间,采用人工神经网络方法是一种行之有效的方法.本研究为风力机振动特性分析进行了一次有益的探索.     

基于反馈线性化PMSG风力发电系统控制

在分析了PMSG(永磁同步发电机)风力发电系统数学模型的基础上,以额定风速以下风能的最大捕获为目标,采用反馈线性化结合最优跟踪控制方法设计了PMSG风力发电控制系统,并基于VisSim的直观屏面和强大的数学功能,建立了PMSG风力发电控制系统的仿真模型.仿真结果表明,风速在额定风速以下大范围变化时,反馈线性化结合最优跟踪控制方法在能有效实现风力发电机组的最大风能捕获.     

基于Stirling插值滤波和扩展卡尔曼滤波的方位估计

插值间距的适当选择可以从某种程度上确保剩余项更接近于全Taylor级数的高阶项,因此,对大多非线性比较强的状态估计问题来说,基于Stirling插值原理的SIF要比EKF具有更大的优越性。估计方位时我们用仿真实验分别对SIF和EKF的特性进行了比较,用四元数而不用欧拉角来表示旋转量以消除方位估计的奇异性问题,状态向量包括四元数方位和旋转速度,以四元数作为测量输入,因此测量方程是线性,仿真实验结果表明:由于动态系统的准线性本质,估计四元数方位时EKF特性要比SIF好。     

分段采样信号的相位关联技术

分析了分段采样信号在复平面单位圆上的分布特征。针对采样点与分段信号在单位圆上分布不同,在此基础上提出了直接相位积累法和旋转相位积累法将分段采样信号进行相位关联,以实现相参积累和提高频率估计精度。直接相位积累法计算量大,抗噪声能力强,旋转相位积累法计算量小,抗噪声能力弱。这两种方法既可用于多段线性调频连续波探测回波的积累检测,也可用于多个相参脉冲信号的积累与频率估计。通过仿真验证了所提方法的有效性。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

基于加速度补偿的惯性行人导航非零速区间姿态估计CKF算法

姿态估计是导航解算的基础，在基于足绑式惯性测量单元的行人导航系统中，由于足部运动加速度变化频繁且剧烈，使得常见的姿态融合算法精度下降。为了减小运动加速度对姿态解算的影响，通过数据分析定义了可以进行加速度补偿的拟合区间，在零速检测的基础上给出了拟合区间的判定方法，提出了对加速度计的输出进行一阶拟合补偿的方案，并设计了能完成后续行人导航姿态估计任务的容积卡尔曼滤波(cubature Kalman filter, CKF)算法，在非拟合区间则采用三子样旋转矢量法进行姿态更新。在数值仿真中，将所提算法与纯三子样旋转矢量法进行了对比分析，对算法精度进行了测试，在行人导航试验中验证了算法的有效性。试验结果表明，在行走过程中及出现较大运动加速度的情况下，加入加速度补偿的CKF姿态估计精度平均提高了35.3%。在矩形闭合路径试验中，起终点水平误差降低了56.3%,起终点高度误差降低了20.3%。     

基于卡尔曼滤波的在线量子态估计优化算法

针对连续弱测量中存在高斯测量噪声的问题, 提出一种基于卡尔曼滤波的在线量子状态估计的预测-修正-投影优化算法。首先，在常规在线卡尔曼滤波算法预测状态时间更新和估计状态测量更新的基础上, 通过增加对量子态的约束条件, 将其应用于在线的量子状态估计中, 将量子态在线估计问题转化为一个带有量子态约束条件的卡尔曼滤波优化问题。其次，通过将待优化问题的求解分解成两个凸优化子问题，一个是基于在线卡尔曼滤波算法求解无约束条件下的量子测量更新问题, 另一个是利用量子约束条件信息, 通过求解矩阵投影问题来获得估计状态。最后，将所提算法应用到4量子位系统状态的在线估计数值实验中, 进行了性能对比实验。实验结果表明, 所提算法具有更优的在线状态估计精度, 并且能够以更少的采样次数和耗时, 实现较高精度的量子状态在线估计。     

异类传感器系统目标快速定位方法

在异类传感器系统中,快速、准确地定位技术对于数据的关联、目标的跟踪至关重要。为解决异类传感器系统中目标定位问题,提出了快速目标定位法。该方法首先将不完整的测量补充为完整测量,然后用精度加权法实现多测量之间的融合得到目标的位置估计,为提高估计的精度,最后采用扩展加权最小二乘法进行目标位置的二次估计。仿真实验结果表明,提出的目标定位方法是一种快速、有效的目标定位方法,定位误差的方差接近Cramer-Rao下界。     

圆柱极化敏感阵列降维插值角度估计方法

圆柱极化敏感阵列可直接利用同一母线上的阵列数据估计目标的俯仰角，但是在估计方位角时面临未知极化的影响。对此，提出一种降维插值方法，解决圆柱极化敏感阵列在未知极化下的二维波达方向(two-dimensional direction-of-arrival, 2D-DOA)估计问题。首先通过母线阵列的旋转不变性估计俯仰角，然后利用估计的俯仰角降维设计插值方法的感兴趣范围(range of interest, ROI),最后利用降维插值方法得到对应的方位角估计值。圆柱天线阵的每个阵元只需由一个电偶极子构成，有效降低了系统运算负担和阵元间的互耦效应。数值实验验证了所提方法的2D-DOA估计性能。     

基于风速预测模型的风电一次调频仿真研究

为进一步提高风速预测精度,考虑数据内部结构性与外部影响因素耦合性叠加特征,以及风电机组功率特性,构建逆向前馈神经网络自回归移动平均模型(back propagation-autoregressive integrated moving average model, BP-ARIMA),并对风电场风速进行预测仿真,通过与实际数据对比分析,验证了所建模型具有较高预测精度。在所建预测模型基础上,基于风力发电机组典型功率特性曲线,统筹考虑储能装置容量优化配置与风电机组的致稳性问题,应用MATLAB-SIMULINK平台进行风电机组一次调频仿真。结果显示：一次调频控制策略的频率调节能力相较于常规超速减载调频控制可至少提高十个百分点。     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

基于ASW-FCM算法的风电场动态等效建模与仿真

针对直驱永磁风电机组风电场,提出一种新的动态等效建模方法。考虑风电机组间的尾流效应和风向变化计算有效输入风速,分析机组的运行特性,以反映机组运行特征的有效风速、转速、桨距角和输出功率为多分群指标。考虑机组间运行状况的差异性和关联性,设计自适应样本定权的模糊聚类算法(Adaptive Sample Weighting Fuzzy C-means,ASW-FCM)对风电场进行最优聚类分群。根据等效前后机组输出特性不变的原则建立聚类风电机群的等效模型。以某实际风电场系统作为算例进行建模仿真,验证所提等效建模方法的合理性和准确性。     

基于Wiener模型的风力发电系统变桨距控制

风力发电系统具有非线性强和波动性大的特点，如何在风速随机变化的工况下，快速地将风电机组输出功率控制在额定范围内是风电系统控制面临的重大难题。针对5 MW风电机组的变桨距控制问题，提出一种基于Wiener模型的风力发电系统变桨距控制方案。根据Wiener模型线性和非线性环节可分离的特殊结构，通过计算非线性环节的逆，构造具有线性性质的广义风电系统被控对象，将风电系统非线性变桨距控制问题简化为线性模型控制问题。采用独立可分离信号分步辨识风电机组Wiener模型，可以更加精准地预测风电机组输出功率。仿真实例表明：该控制方法有效地提高了变桨距系统的控制效果。     

基于BLP-ALO-SVM的风电功率短期预测方法

为了对短期风电功率及其波动范围作出有效预测,提出一种基于混合算法优化支持向量机的风电功率短期预测方法。采用探索性数据分析对原始风速数据进行预处理,提高风速数据的质量;采用混沌映射、莱维飞行策略和粒子群算法提升蚁狮算法的性能;应用经混合算法优化的支持向量机模型对风电功率进行预测。实验结果表明：相较于新型的风电功率预测模型,该方法输出的结果预测误差更低,表现出对于风电功率更好的预测能力。     

基于DSVM直接转矩控制的风力机实时模拟系统

为解决实验室无法用真实风力机研究风力发电的相关技术问题,提出了用先进的直接转矩控制（DTC）策略控制异步电机模拟风力机特性的技术。设计了风机转矩的计算方法,及异步电机直接转矩控制系统,使其跟随风机转矩变化,进一步利用离散空间矢量调制（DSVM）技术改善了系统的低速性能,并在RT-LAB仿真平台下对所设计的风力机模拟系统进行了实时仿真,验证了系统稳定性好,准确性高的特点,为实验室内研究风力发电技术提供了一个良好的方案。     

双馈感应式风力发电机的电压跌落响应分析

现代风力发电的发展,对风电生产提出了新的需求,即在电网电压跌落处于一定范围内时风力发电机装置必须保持和电网相连。研究了在电网电压跌落发生期间和故障清除后,双馈感应式风力发电机（DFIG）的转速,直流侧电压,有功,无功等量的动态响应,并分析了响应产生的机理。利用matlab/simulink建立了DFIG的仿真模型,并介绍了相应的控制方法,而DFIG模型在电网电压跌落下的仿真结果则很好地验证了分析所得结论的正确性。     

双馈发电机最大风能捕获和转换策略的仿真

为了最大限度地利用风能,提高风力发电系统的效率,提出了一种既可实现双馈发电机系统低于额定风速下的最大风能捕获又可使得电机铜耗最小化运行的优化控制策略。在分析风力机特性和双馈发电机基本电磁关系的基础上,推导了双馈发电机实现最大风能捕获和转换的定子有功功率和无功功率的数学模型,并应用基于动态同步轴系下的双馈发电机励磁控制策略实现了系统的最优控制。利用Matlab/Simulink对不同风速下双馈发电机系统的运行性能进行了分析和比较,结果验证了该控制策略的正确性和可行性。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-D CNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。