风电机组控制系统关键技术研究及应用

发布时间：2020-06-23 15:26

【摘要】：作为无污染的清洁能源,风能获得了极大的关注。为了充分利用风能,风电机组控制系统关键技术研究及应用是目前风力发电的热点问题之一。本文从风速预测和最大功率追踪两方面探讨风电机组控制系统的关键技术,提出了基于深度学习的风速预测模型,并将风速预测与最大功率追踪两项关键技术融合起来,进一步改进了爬山法最大功率追踪策略,实现了风能的充分开发与利用。本文首先改进了风速预测关键技术。提出了一种基于深度学习的风速预测模型(FRS-CLSTM),该风速预测模型由模糊粗糙集(FRS)和CLSTM神经网络模型两部分组成。模糊粗糙集(FRS)对多传感器采集的自然特性时间序列参数进行属性约简。CLSTM模型由CNN和RNN组成,其兼顾了两种神经网络的优异特性,利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性。该预测模型在赤峰和长清两个风场的应用验证了其有效性。其次,优化了最大功率追踪关键技术。结合FRS-CLSTM风速预测模型,从搜索方向确定,收缩追踪区间,避免MPP点的频繁波动三个方面改进了传统爬山搜索法,弥补了传统爬山法的不足,实现了低于额定风速以下的最大功率追踪。最后,通过仿真验证了改进的控制策略能有效提前预测风速,在最大功率追踪过程中可以避免风速变化情况下的错误搜索方向,明显减少风机在MPP点处的振荡,大大提高风能捕获效率。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM614;TP18
【图文】：

风机整体控制逻辑图

致动盘图2-2的装置被称为致动盘，沿流管方向的质量流量处处相等，所以有

【参考文献】

相关期刊论文 前10条

1 杜祥琬;杨波;刘晓龙;王振海;易建;;中国经济发展与能源消费及碳排放解耦分析[J];中国人口·资源与环境;2015年12期

2 周建强;李玉娜;屈卫东;兰增林;;基于风速时空信息的BP神经网络超短期风速预测研究[J];电网与清洁能源;2015年01期

3 殷明慧;张小莲;邹云;周连俊;;跟踪区间优化的风力机最大功率点跟踪控制[J];电网技术;2014年08期

4 刘兴杰;岑添云;郑文书;米增强;;基于模糊粗糙集与改进聚类的神经网络风速预测[J];中国电机工程学报;2014年19期

5 尹东阳;盛义发;蒋明洁;李永胜;谢曲天;;基于粗糙集理论-主成分分析的Elman神经网络短期风速预测[J];电力系统保护与控制;2014年11期

6 唐勇波;桂卫华;彭涛;欧阳伟;;PCA和KICA特征提取的变压器故障诊断模型[J];高电压技术;2014年02期

7 谭忠富;鞠立伟;;中国风电发展综述:历史、现状、趋势及政策[J];华北电力大学学报(社会科学版);2013年02期

8 修春波;刘新婷;张欣;于婷婷;;基于混沌特性分析的风速序列混合预测方法[J];电力系统保护与控制;2013年01期

9 范光良;麦云飞;陈俞廷;;大型风力发电机组轮毂强度分析[J];制造业自动化;2012年16期

10 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期

相关博士学位论文 前1条

1 纪国瑞;风电场风速软测量与预测及短期风速数值模拟方法研究[D];华北电力大学（北京）;2009年

相关硕士学位论文 前4条

1 郗文远;双馈风力发电机组在电网故障下的控制技术研究[D];华北电力大学;2016年

2 舒思婉;双馈电机低电压穿越时的暂态特性研究[D];华北电力大学;2016年

3 岑添云;风电场数据特征提取及风电功率实时预测研究[D];华北电力大学;2014年

4 王晓称;风速预测的研究与应用[D];华北电力大学;2012年

本文编号：2727532