1.本发明属于风力发电技术领域，具体涉及一种风电机组变工况最优有功功率控制方 法及系统。
背景技术：2.风的随机波动与间歇特性决定了变桨距系统大扰动、随机时变和非线性的特点。传统 基于机理模型的控制算法，如中国发明专利，公告号cn102588211b，专利名称为一种风 力发电机组全工况模型预测控制方法及系统公开的mpc控制等，由于对设备结构模型的 依赖性较高，很难较好地实现系统的优化控制及运行。因此，基于传统机理模型的控制无 法从根本上解决空气动力学等不确定因素对风机稳定性产生的影响，使其在含风场电力系 统agc调度的实际应用中较难达到满意的效果。
3.此外，对于复杂耦合的变速变桨风能转换系统，采用两个独立的控制器分别针对低、 高两种不同风速下的控制目标调节发电机功率和转速，忽略了系统的多变量特性，且不利 于全风速变桨距系统的稳定调节。因此，研究针对不同工况主动变速和桨距角控制相结合 的变工况控制器，同时调整桨距角和电机转速以实现全风速范围内的有功功率平滑控制和 系统的安全稳定运行，成为变桨距优化控制研究的热点问题。
4.中国发明专利，公告号cn101769232a，专利名称为一种定桨距变速风力发电机组的 全风速功率控制方法，公开了该控制方法由转速调节环节
①
、最大功率跟踪环节
②
和最大 功率限制环节
③
三个部分构成。其中转速调节环节有转速调节器pid1组成；最大功率跟 踪控制环由转速反馈最佳功率控制算法和调节器pid2组成；最大功率限制环节由气动功 率观测器和调节器pid3组成。运用本发明控制方法可以方便的实现机组额定转速对应的 风速以下的最大功率跟踪、额定转速对应的风速以上和额定风速以下的恒转速运行、额定 风速以上的恒功率运行以及这三个工况之间的软切换。但是该专利包含一定的模型信息， 且未设置减轻随机风速影响的前馈补偿方法和考虑多目标最优控制。
5.中国发明专利，公告号cn102588211b，专利名称为一种风力发电机组全工况模型预 测控制方法及系统，公开该系统包括mpc控制器、反馈信息测量器、风轮、传动链、塔 筒、发电单元、变桨驱动器、变流器，风轮、传动链、塔筒和发电单元的状态变量通过反 馈信息测量器检测得到，检测结果传递给mpc控制器，通过mpc控制器计算出叶片桨距 角和发电机转矩的目标，通过变桨驱动器和变流器对叶片桨距角和风力发电机转矩进行调 整。该专利的控制器基于被控系统模型信息，可能存在未建模动态，而且该系统未提及在 变工况下进行多目标优化设计。
技术实现要素：6.为解决现有技术中存在的技术问题，本发明的目的在于提供一种风电机组变工况最 优有功功率控制方法及系统，保证在随机大扰动风速环境下工作的风力发电机组在变工 况、大扰动下的安全可靠运行。
7.为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
8.一种风电机组变工况最优有功功率控制方法，包括以下步骤：
9.根据风电机组第2工况和第3工况的运行目标，设计以输出功率最优和控制变化量最 小为目标的多目标优化函数，获得风电机组最优功率点跟踪的多目标优化模型，利用无模 型自适应预测控制，结合多目标优化函数，构建全风速下变工况最优功率控制算法，将最 优控制变量值输送给风电机组。为了对快速变化的风速进行超前预测与控制，通过前馈模 块，利用采集到的天气预报数据和神经网络预测模型，如小世界预测算法(swbp算法)， 进行风速预测，以此实施前馈控制，结合滚动优化结果，实现在变工况条件下风电机组功 率的最优控制。
10.一种风电机组变工况最优有功功率控制方法，具体还包括以下步骤：
11.步骤1：构建目标函数
12.1)输出功率最优
13.建立全风速范围内实际功率输出追踪期望功率输出的目标函数；
14.2)控制变化量最小
15.建立以桨距角和转速为控制变量的最小变化量目标函数；
16.步骤2：设置约束条件，包括气动功率平衡约束条件、输出功率上下限约束条件和参 数可行性范围约束条件；
17.步骤3：构建多目标优化模型
18.基于全风速范围内实际功率输出追踪期望功率输出的目标函数和以桨距角和转速为 控制变量的最小变化量目标函数构建风电机组输出功率最优、控制变化量最小的多目标函 数，最终获得风电机组最优功率点跟踪的多目标优化模型；
19.步骤4：构建输出功率预测模型
20.步骤5：mfapc控制律的推导
21.步骤6：未知参数伪偏导数的估计
22.步骤7：伪偏导数的n步超前预测。
23.步骤8：利用风速预测数据对控制器进行前馈校正。
24.步骤1中，目标函数的构建步骤包括：
25.1)输出功率最优
26.针对风电机组额定风速以下最大风能捕获，额定风速以上额定功率输出的控制目标， 将全风速范围内的期望输出功率表示为min{pe,pm}，其中，pm为风电机组从风能中捕获 的功率理论值，pe为额定功率，故建立全风速范围内实际功率输出追踪期望功率输出的目 标函数：
27.j
p
＝ω
p
|p
k-min{pe,pm}|+(1-ω
p
)|p
k+1-min{pe,pm}|
ꢀꢀꢀ
(1)
28.式中：ω
p
∈(0,1)为权重系数；pk为k时刻的输出功率；p
k+1
为k+1时刻的预测功率；
29.2)控制变化量最小
30.以桨距角β和转速ω为控制变量的最小变化量目标函数表示为：
31.32.式中：ωk、ω
k+1
分别为k时刻和k+1时刻的发电机组的发电机转速；βk、β
k+1
分别为k 时刻和k+1时刻的发电机桨距角；分别为计算得到k+1时刻的发电机转速和桨 距角；α
ω
、α
β
为最小化权系数，且α
ω
+α
β
＝1；n为优化进程，取n＝150。
33.步骤2中，气动功率平衡约束为：
[0034][0035][0036]
式中：ρ为空气密度，kg/m3，一般为1.25～1.29；r为风轮半径，m；ν为风速，m/s；
[0037]
输出功率上下限约束为：
[0038]
0≤p
k+1
≤min{pe,pm}
ꢀꢀꢀ
(5)
[0039]
参数可行性范围约束为：
[0040][0041][0042]
式中：β
+
、β-分别为桨距角的变化范围上下限；ω
+
、ω-分别为转速的变化范围上下限。
[0043]
步骤3中，多目标优化模型的构建步骤包括：
[0044]
基于全风速范围内实际功率输出追踪期望功率输出的目标函数和以桨距角和转速为 控制变量的最小变化量目标函数，得到风电机组输出功率最优、控制变化量最小的多目标 函数式t：
[0045][0046]
因此，风电机组最优功率点跟踪的多目标优化模型描述为：
[0047][0048]
式中：wi∈(0,1)为权重系数；x为优化所得决策向量；hj(x)、gk(x)分别为等式、不等式 约束函数。
[0049]
步骤4中，输出功率预测模型的构建步骤包括：
[0050]
变桨系统输出功率p和输入桨距角βk及电机转速ωk的关系表示为式(10)所示：
[0051]
p(k+1)＝f(p(k),
…
,p(k-n
p
),u(k),
…
,u(k-nu))
ꢀꢀꢀ
(10)
[0052]
式中：u(k)＝[ωk,βk]
t
；n
p
、nu是输出功率p和控制作用u的模型阶数，为正整数； f(
…
):为所研究变桨系统的非线性映射函数；
[0053]
当|δu(k)|≠0时，存在时变的待估参数矩阵伪偏导数使式(10)写为如 式(11)的形式：
[0054]
[0055]
根据式(11)得到功率的紧格式动态线性化n步超前预测模型如式(12)所示：
[0056][0057][0058][0059]
式中：n为功率预测步长，取n＝4。
[0060]
步骤5中，mfapc控制律的推导步骤包括：
[0061]
为获得期望的功率输出p
*
(k+i)，引入最小化一步超前加权准则函数式(13)：
[0062][0063]
将式(12)代入式(13)并对δu(k)求导可得mfapc控制律，如式(14)所示：
[0064][0065]
式中：λ是权重因子，限制δu(k)的变化，避免控制律算法中分母为零的奇异情况。
[0066]
步骤6中，未知参数伪偏导数的估计步骤包括：
[0067]
变桨系统的时变特性使得伪偏导数的信息更多地存在于新观测数据中，而与之前 数据的关系逐渐减弱，因此采用带遗忘因子的渐消记忆递推最小二乘法在线估计引 入准则函数式：
[0068][0069]
进行极小化程序，得到伪偏导数估计算法为：
[0070][0071]
式中：μ是ppd估计值变化量的惩罚因子；η为步长。
[0072]
步骤7中，伪偏导数的n步超前预测包括以下步骤：
[0073]
mfapc控制律式(14)中的风电机功率超前n步预测模型，需要由未来时刻的伪偏 导数预测值来表达；ppd的预测利用已有的ppd估计值，采用多层递 阶预报算法实现；利用二层递阶预报算法，的自回归ar模型如式(17)所示：
[0074]
[0075]
其中，定义并由式(18)确定：
[0076][0077]
式中：n
p
为输出功率p的时域常数，取n
p
＝4；δ∈(0,1]为正整数；将θ(k)代入式(17) 即得到ppd的一步超前预测值，进而完成mfapc控制器的设计。
[0078]
步骤8中，利用风速预测数据对控制器进行前馈校正的步骤包括：通过前馈模块，利 用采集到的天气预报数据和神经网络预测模型，如小世界预测算法(swbp算法)，进行风 速预测，以此实施前馈控制，结合滚动优化结果，实现在变工况条件下风电机组功率的最 优控制。
[0079]
一种风电机组变工况最优有功功率控制系统，采用如上所述的一种风电机组变工况最 优有功功率控制方法进行控制，该系统包括前馈模块、ppd估计模块、预测模型及滚动优 化模块，通过ppd估计模块在线估计和预测伪偏导数ppd，通过滚动优化模块对全风速范 围内最优功率点追踪及最小控制变化量的多目标函数进行在线滚动优化，通过前馈模块利 用采集到的天气预报数据和神经网络预测模型进行风速预测，对快速变化的风速扰动进行 超前补偿，实现在变工况条件下风电机组功率的最优控制。
[0080]
与现有技术相比，本发明的有益效果为：
[0081]
1)通过设计不显含受控对象任何模型信息的数据驱动控制律，得到仅利用对象在线 i/o数据的mfapc算法，可保证全风速范围内输出功率和控制变化量的多目标滚动优化目 标，实现在功率平稳变化的同时减少桨距角的载荷不均的目标。
[0082]
2)基于风速滚动预测值构造前馈控制器。通过对风速随机扰动的超前补偿控制，并 与mfapc算法构成前馈-反馈复合控制系统，可有效缩短调节时间、减小变桨机械振荡， 提高风功率的输出品质。
[0083]
3)用户可将本发明应用于变速变桨系统风力发电机的控制系统中，通过采集风速信 号(风速用于输入神经网络进行风速预测)、风电机组转速信号等，利用步骤1和步骤2 提到的最优指标和约束条件，构建步骤3中的多目标优化模型，利用构建的最优目标函数 和控制策略，共同完成本发明提到的mfapc多目标优化控制方法，实现在不依赖任何模 型信息条件下的风电机变速变桨系统最优控制。
附图说明
[0084]
图1为本发明的流程图。
具体实施方式
[0085]
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员 理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0086]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所 有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非 试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面
的 一些概念以为稍后给出的更加详细的描述之序。
[0087]
风电机组，简称风机，运行工况通常分为4个：
[0088]
第1工况即小于切入风速时，需要顺桨停机；第2工况，即大于启动风速小于额定风 速时，此时的控制目标为风机的最大功率点跟踪；第3工况，即风速大于额定风速小于切 出风速，此时需要进行变桨控制，限制风能捕获；第4工况，即大于切出风速，风速过 大，考虑到风机运行安全，需要顺桨停机。
[0089]
变工况：即上述工况发生变化时。
[0090]
mfapc：英文全称为model-free adaptive predictive control，中文全称为无模型自适应 预测控制。
[0091]
一种风电机组变工况最优有功功率控制方法，其根据风电机组第2工况和第3工况的 运行目标，设计以控制量最小和功率最优为目标的多目标优化函数，利用无模型自适应 预测控制，结合多目标优化函数，构建全风速下变工况最优功率控制算法，将最优控制 变量值输送给风电机组。
[0092]
为了对快速变化的风速进行超前预测与控制，通过前馈模块，利用采集到的天气预 报数据和神经网络预测模型，如小世界预测算法(swbp算法)，进行风速预测，以此实 施前馈控制，结合滚动优化结果，实现在变工况条件下风电机组功率的最优控制。
[0093]
本发明提供的风电机组变工况最优有功功率控制方法，具体包括以下步骤：
[0094]
步骤1：构建目标函数
[0095]
1)输出功率最优
[0096]
针对风电机组额定风速以下最大风能捕获，额定风速以上额定功率输出的控制目 标，全风速范围内的期望输出功率可表示为min{pe,pm}，其中，pm为风电机组从风能中 捕获的功率理论值，pe为额定功率，故建立全风速范围内实际功率输出追踪期望功率输出 的目标函数：
[0097]jp
＝ω
p
|p
k-min{pe,pm}|+(1-ω
p
)|p
k+1-min{pe,pm}|
ꢀꢀꢀ
(1)
[0098]
式中：ω
p
∈(0,1)为权重系数；pk为k时刻的输出功率；p
k+1
为k+1时刻的预测功率。
[0099]
2)控制变化量最小
[0100]
建立以桨距角β和转速ω为控制变量的最小变化量目标函数：
[0101][0102]
式中：ωk、ω
k+1
分别为k时刻和k+1时刻的发电机组的发电机转速；βk、β
k+1
分别为k 时刻和k+1时刻的发电机桨距角；分别为计算得到k+1时刻的发电机转速和桨 距角；α
ω
、α
β
为最小化权系数，且α
ω
+α
β
＝1；n为优化进程，取n＝150。
[0103]
步骤2：设置约束条件
[0104]
1)气动功率平衡约束
[0105]
[0106][0107]
式中：ρ为空气密度，kg/m3，一般为1.25～1.29；r为风轮半径，m；ν为风速，m/s；
[0108]
2)输出功率上下限约束为：
[0109]
0≤p
k+1
≤min{pe,pm}
ꢀꢀꢀ
(5)
[0110]
3)参数可行性范围约束为：
[0111][0112][0113]
式中：β
+
、β-分别为桨距角的变化范围上下限；ω
+
、ω-分别为转速的变化范围上下限。
[0114]
步骤3：构建多目标优化模型
[0115]
综合考虑上述两个目标函数式(1)和(2)，得到风电机组输出功率最优、控制变化 量最小的多目标函数式t，如式(8)所示：
[0116][0117]
因此，风电机组最优功率点跟踪的多目标优化模型可描述为：
[0118][0119]
式中：wi∈(0,1)为权重系数；x为优化所得决策向量；hj(x)、gk(x)分别为等式、不等式 约束函数。
[0120]
步骤4：构建输出功率预测模型
[0121]
变桨系统输出功率p和输入桨距角βk及电机转速ωk的关系表示为式(10)所示：
[0122]
p(k+1)＝f(p(k),
…
,p(k-n
p
),u(k),
…
,u(k-nu))
ꢀꢀꢀ
(10)
[0123]
式中：u(k)＝[ωk,βk]
t
；n
p
、nu是输出功率p和控制作用u的模型阶数，为正整数； f(
…
):为所研究变桨系统的非线性映射函数。
[0124]
由于该系统满足广义lipschitz条件，当|δu(k)|≠0时，存在时变的待估参数矩阵伪偏导 数使式(10)写为如式(11)的形式：
[0125][0126]
根据式(11)得到功率的紧格式动态线性化n步超前预测模型如式(12)所示：
[0127][0128][0129]
式中：n为功率预测步长，取n＝4。
[0130]
步骤5：mfapc控制律的推导：
[0131]
为获得期望的功率输出p
*
(k+i)，引入最小化一步超前加权准则函数式(13)：
[0132][0133]
将式(12)代入式(13)并对δu(k)求导可得mfapc控制律，如式(14)所示：
[0134][0135]
式中：λ是权重因子，限制δu(k)的变化，避免控制律算法中分母为零的奇异情况。
[0136]
从式(14)可以看出，本发明提出的mfapc控制律与变桨距系统的数学模型结构和 模型阶数均无关，为不显含受控对象任何模型信息的数据驱动控制律。
[0137]
步骤6：未知参数伪偏导数的估计
[0138]
变桨距系统的时变特性使得伪偏导数的信息更多地存在于新观测数据中，而与之 前数据的关系逐渐减弱，因此采用带遗忘因子的渐消记忆递推最小二乘法在线估计引入准则函数式：
[0139][0140]
进行极小化程序，得到伪偏导数估计算法为：
[0141][0142]
式中：μ是ppd估计值变化量的惩罚因子；η为步长。
[0143]
步骤7：伪偏导数的n步超前预测
[0144]
mfapc控制律式(14)中的风电机组的发电机功率超前n步预测模型，需要由未来 时刻的伪偏导数预测值来表达。ppd的预测利用已有的ppd估计值， 采用多层递阶预报算法实现。以二层递阶预报算法为例，的自回归ar模型如式(17) 所示：
[0145][0146]
其中，定义并由式(18)确定：
[0147][0148]
式中：n
p
为输出功率p的时域常数，取n
p
＝4；δ∈(0,1]为正整数；将θ(k)代入式(17) 即得到ppd的一步超前预测值，进而完成mfapc控制器的设计。
[0149]
步骤8：利用风速预测数据对控制器进行前馈校正。
[0150]
该步骤中，通过前馈模块，利用采集到的天气预报数据和神经网络预测模型，如小世 界预测算法(swbp算法)，进行风速预测，以此实施前馈控制，结合滚动优化结果，实现 在变工况条件下风电机组功率的最优控制。
[0151]
一种风电机组变工况最优有功功率控制系统，包括前馈模块1、ppd估计模块2、 预测模型3及滚动优化模块4，通过ppd估计模块2在线估计和预测伪偏导数ppd，通 过滚动优化模块4对全风速范围内最优功率点追踪及最小控制变化量的多目标函数进行 在线滚动优化，通过前馈模块1利用采集到的天气预报数据和神经网络预测模型，如小 世界预测算法(swbp算法)，进行风速预测。该系统的工作流程为：
[0152]
首先，通过ppd估计模块2在线估计和预测伪偏导数ppd，基于紧格式动态线性化 技术得到含ppd的输出功率预测模型3，然后，通过最小化一步超前加权准则函数式(13) 获得广义最小方差mfapc算法式(14)。同时，通过滚动优化模块4对全风速范围内最 优功率点追踪及最小控制变化量的多目标函数进行在线滚动优化，也即通过公式(1)和 公式(2)两个优化指标函数，根据被控系统的反馈输出，不断优化控制器输出，实现功 率的无模型自适应预测反馈优化控制，并将最优控制变量值输送给风电机组执行器。为 了对快速变化的风速进行超前预测与控制，通过前馈模块1，利用采集到的天气预报数 据和神经网络预测模型，如小世界预测算法(swbp算法)，进行风速预测，以此实施前 馈控制，结合滚动优化结果，实现在变工况条件下风电机组功率的最优控制。
[0153]
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
[0154]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明 说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域， 均同理包括在本发明的专利保护范围内。
技术特征：1.一种风电机组变工况最优有功功率控制方法，其特征在于，包括以下步骤：根据风电机组第2工况和第3工况的运行目标，设计以输出功率最优和控制变化量最小为目标的多目标优化函数，获得风电机组最优功率点跟踪的多目标优化模型，利用无模型自适应预测控制，结合多目标优化函数，构建全风速下变工况最优功率控制算法，将最优控制变量值输送给风电机组；进行风速预测，实施前馈控制，结合优化结果实现在变工况条件下风电机组功率的最优控制。2.根据权利要求1所述的一种风电机组变工况最优有功功率控制方法，其特征在于，包括以下步骤：步骤1：构建目标函数1)输出功率最优建立全风速范围内实际功率输出追踪期望功率输出的目标函数；2)控制变化量最小建立以桨距角和转速为控制变量的最小变化量目标函数；步骤2：设置约束条件，包括气动功率平衡约束条件、输出功率上下限约束条件和参数可行性范围约束条件；步骤3：构建多目标优化模型基于全风速范围内实际功率输出追踪期望功率输出的目标函数和以桨距角和转速为控制变量的最小变化量目标函数构建风电机组输出功率最优、控制变化量最小的多目标函数，最终获得风电机组最优功率点跟踪的多目标优化模型；步骤4：构建输出功率预测模型步骤5：mfapc控制律的推导步骤6：未知参数伪偏导数的估计步骤7：伪偏导数的n步超前预测。步骤8：利用风速预测数据对控制器进行前馈校正。3.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤1中，目标函数的构建步骤包括：1)输出功率最优针对风电机组额定风速以下最大风能捕获，额定风速以上额定功率输出的控制目标，将全风速范围内的期望输出功率表示为min{p
e
,p
m
}，其中，p
m
为风电机组从风能中捕获的功率理论值，p
e
为额定功率，故建立全风速范围内实际功率输出追踪期望功率输出的目标函数：j
p
＝ω
p
|p
k-min{p
e
,p
m
}|+(1-ω
p
)|p
k+1-min{p
e
,p
m
}|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中：ω
p
∈(0,1)为权重系数；p
k
为k时刻的输出功率；p
k+1
为k+1时刻的预测功率；2)控制变化量最小以桨距角β和转速ω为控制变量的最小变化量目标函数表示为：式中：ω
k
、ω
k+1
分别为k时刻和k+1时刻的发电机组的发电机转速；β
k
、β
k+1
分别为k时刻
和k+1时刻的发电机桨距角；分别为计算得到k+1时刻的发电机转速和桨距角；α
ω
、α
β
为最小化权系数，且α
ω
+α
β
＝1；n为优化进程，取n＝150；步骤2中，气动功率平衡约束为：步骤2中，气动功率平衡约束为：式中：ρ为空气密度，kg/m3，一般为1.25～1.29；r为风轮半径，m；ν为风速，m/s；输出功率上下限约束为：0≤p
k+1
≤min{p
e
,p
m
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)参数可行性范围约束为：参数可行性范围约束为：式中：β
+
、β-分别为桨距角的变化范围上下限；ω
+
、ω-分别为转速的变化范围上下限。4.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤3中，多目标优化模型的构建步骤包括：基于全风速范围内实际功率输出追踪期望功率输出的目标函数和以桨距角和转速为控制变量的最小变化量目标函数，得到风电机组输出功率最优、控制变化量最小的多目标函数式t：因此，风电机组最优功率点跟踪的多目标优化模型描述为：式中：w
i
∈(0,1)为权重系数；x为优化所得决策向量；h
j
(x)、g
k
(x)分别为等式、不等式约束函数。5.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤4中，输出功率预测模型的构建步骤包括：变桨系统输出功率p和输入桨距角β
k
及电机转速ω
k
的关系表示为式(10)所示：p(k+1)＝f(p(k),
…
,p(k-n
p
),u(k),
…
,u(k-n
u
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)式中：u(k)＝[ω
k
,β
k
]
t
；n
p
、n
u
是输出功率p和控制作用u的模型阶数，为正整数；为所研究变桨系统的非线性映射函数；当|δu(k)|≠0时，存在时变的待估参数矩阵伪偏导数使式(10)写为如式(11)的形式：
根据式(11)得到功率的紧格式动态线性化n步超前预测模型如式(12)所示：式中：n为功率预测步长，取n＝4。6.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤5中，mfapc控制律的推导步骤包括：为获得期望的功率输出p
*
(k+i)，引入最小化一步超前加权准则函数式(13)：将式(12)代入式(13)并对δu(k)求导可得mfapc控制律，如式(14)所示：式中：λ是权重因子，限制δu(k)的变化，避免控制律算法中分母为零的奇异情况。7.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤6中，未知参数伪偏导数的估计步骤包括：变桨系统的时变特性使得伪偏导数的信息更多地存在于新观测数据中，而与之前数据的关系逐渐减弱，因此采用带遗忘因子的渐消记忆递推最小二乘法在线估计引入准则函数式：进行极小化程序，得到伪偏导数估计算法为：式中：μ是ppd估计值变化量的惩罚因子；η为步长。8.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤7中，伪偏导数的n步超前预测包括以下步骤：mfapc控制律式(14)中的风电机功率超前n步预测模型，需要由未来时刻的伪偏导数预测值来表达；ppd的预测利用已有的ppd估计值，采用多层递阶预报算法实现；利用二层递阶预报算法，的自回归ar模型如式(17)所示：
其中，定义并由式(18)确定：式中：n
p
为输出功率p的时域常数，取n
p
＝4；δ∈(0,1]为正整数；将θ(k)代入式(17)即得到ppd的一步超前预测值，进而完成mfapc控制器的设计。9.根据权利要求2所述的一种风电机组变工况最优有功功率控制方法，其特征在于，步骤8中，利用风速预测数据对控制器进行前馈校正的步骤包括：通过前馈模块利用采集到的天气预报数据和神经网络预测模型，进行风速预测，以此实施前馈控制，结合滚动优化结果，实现在变工况条件下风电机组功率的最优控制。10.一种风电机组变工况最优有功功率控制系统，其特征在于，采用权利要求1-9任一所述的一种风电机组变工况最优有功功率控制方法进行控制，该系统包括前馈模块、ppd估计模块、预测模型及滚动优化模块，通过ppd估计模块在线估计和预测伪偏导数ppd，通过滚动优化模块对全风速范围内最优功率点追踪及最小控制变化量的多目标函数进行在线滚动优化，通过前馈模块利用采集到的天气预报数据和神经网络预测模型进行风速预测，实现在变工况条件下风电机组功率的最优控制。
技术总结本发明公开一种风电机组变工况最优有功功率控制方法及系统，该方法包括以下步骤：设计多目标优化函数，获得风电机组最优功率点跟踪的多目标优化模型，利用无模型自适应预测控制，结合多目标优化函数，构建全风速下变工况最优功率控制算法，将最优控制变量值输送给风电机组；进行风速预测，实施前馈控制，结合优化结果实现在变工况条件下风电机组功率的最优控制。本发明通过设计不显含受控对象任何模型信息的数据驱动控制律，得到仅利用对象在线I/O数据的MFAPC算法，可保证全风速范围内输出功率和控制变化量的多目标滚动优化目标，实现在功率平稳变化的同时减少桨距角的载荷不均的目标，能够应用于变速变桨系统风力发电机组的控制系统中。控制系统中。控制系统中。
技术研发人员：麻红波 杨继明 李丹阳 高岳 曹利蒲 陈岩磊
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2022.06.09
技术公布日：2022/11/1
