CN116816597A - 风电机组的控制方法、系统、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种风电机组的控制方法、系统、电子设备及存储介质。该控制方法包括：在当前控制周期内获取风电机组在至少一个预测控制周期内的来流风速；基于来流风速获取风电机组分别在预测控制周期内的运行状态数据；基于运行状态数据和发电机的预设成本函数，生成目标控制序列；响应于进入下一控制周期，根据目标控制序列中的目标转矩值控制发电机转矩。本公开基于帕累托理论，提出了一种预设成本函数，可以协同优化风电机组的塔架载荷和风能捕获功率，能够有效地对降低风电机组的塔架的侧向结构载荷，提升发电机应用在大型风电机组中的功率输出质量，提高风电机组运行的可靠性和高能效具有重要的工程应用价值。

Description

风电机组的控制方法、系统、电子设备及存储介质

技术领域

本公开涉及风电机组控制技术领域，特别涉及一种风电机组的控制方法、系统、电子设备及存储介质。

背景技术

风电机组是一种利用风能转换为电能的设备，由多个组件组成。主要包括风轮(叶片)、发电机、变流器、塔架和控制系统等部分。风轮通过受风驱动旋转，激活发电机产生电能，并通过输电系统将电能输送到电网或其他用电设备。

随着对风能的需求日益增加，风电机组的额定功率和关键支持结构的尺寸均进行了大型化设计，导致了风电机组结构的柔性特征明显。

并且，大型的风电机组复杂气动载荷的影响，容易发生弹性变形，从而导致塔架的载荷增加，进而影响风电机组运行的稳定性和使用寿命。

目前，可以通过控制叶片桨距角和发电机转矩来调节塔架的结构阻尼，例如在对叶片桨距角的控制过程中，加入主动阻尼控制回路以降低振荡，实现在不增加额外的结构的情况下，降低塔架的载荷。但此方法降低的主要是塔架前后方向的载荷，无法有效地优化塔架侧向的载荷。

还可以在发电机转矩的控制过程中，通过抑制塔架侧向的变形加速度降低塔架的载荷。但塔架侧向的变形加速度主要通过传感器进行实时测量，具有明显的非线性特征，难以被直接预测。

或者是采用多变量控制策略，抑制功率输出质量和塔架的侧向振荡，以实现降低塔架侧向的载荷。但非线性变量组成的多目标成本函数难以被求解，导致多变量控制策略难以实现。

发明内容

本公开为了解决上述技术问题，提供一种风电机组的控制方法、系统、电子设备及存储介质。

本公开是通过下述技术方案来解决上述技术问题：

第一方面，本公开提供一种风电机组的控制方法。所述风电机组包括发电机和塔架。

所述控制方法的步骤包括：

在当前控制周期内获取所述风电机组在至少一个预测控制周期内的来流风速；

基于所述来流风速获取所述风电机组分别在所述预测控制周期内的运行状态数据；其中，所述运行状态数据包括预测风能捕获功率、理想风能捕获功率以及所述塔架侧向的形变加速度；

基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列；其中，所述目标控制序列包括分别与所述预测控制周期对应的发电机转矩的目标转矩值；

响应于进入下一控制周期，根据所述目标控制序列中的所述目标转矩值控制所述发电机转矩。

可选地，所述预设成本函数表示为：

其中，用于表征从第1个所述预测控制周期至第n个所述预测控制周期分别对应的所述发电机转矩，F₁用于表征第一权重因子，F₂用于表征第二权重因子，n用于表征所述预测控制周期的数量，T_s用于表征所述预测控制周期的时长，P_i用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的所述形变加速度，用于表征预设最大形变加速度记录值；

所述测风能捕获功率、所述理想风能捕获功率以及所述形变加速度均基于所述发电机转矩进行表示。

可选地，所述基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列的步骤包括：

使用粒子群算法分别在多个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，直到所述迭代计算的次数达到预设迭代次数，获取所述目标控制序列；

其中，所述目标控制序列为在所有所述求解方向中所述预设成本函数取全局最小值时对应的所述转矩控制序列。

可选地，所述迭代计算的公式为：

其中，用于表征第j次进行迭代计算得到的所述转矩控制序列，/>用于表征第j次进行迭代计算得到的所述迭代变化率，/>用于表征在所述求解方向的前j次迭代计算中所述预设成本函数取最小值时对应的所述转矩控制序列，/>用于表征在所有所述求解方向的前j次迭代计算中所述预设成本函数取全局最小值时对应的所述转矩控制序列，c₁和c₂分别用于表征学习因子，r₁和r₂分别用于表征预设参数，/>用于表征惯性权重。

可选地，所述风电机组还包括风轮；

所述基于所述来流风速获取所述风电机组在所述预测控制周期内的运行状态数据的步骤包括：

根据在所述当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率和实际转矩值，以及在每个所述预测控制周期内的所述来流风速，利用风能捕获预测模型获取所述风轮在所述预测控制周期内的转子转速，以及所述风电机组在所述预测控制周期内的所述预测风能捕获功率、所述理想风能捕获功率。

可选地，所述基于所述来流风速获取所述风电机组在所述预测控制周期内的运行状态数据的步骤还包括：

根据所述当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及在每个所述预测控制周期内的来流风速和运行状态数据，利用形变加速度预测模型依次预测得到在预测控制周期内的形变加速度。

可选地，所述风能捕获预测模型表示为：

其中，用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的能量转化效率，/>用于表征所述能量转化效率的预设最大值，/>用于表征在第i个所述预测控制周期内的所述来流风速，/>为在第i个所述预测控制周期内的所述来流风速对应的桨距角理论值，λ_i用于表征在第i个所述预测控制周期内的叶尖速比值，/>用于表征在第i个所述预测控制周期内所述风轮的转子转速，N_gear用于表征所述风电机组的齿轮箱变比，J_rotor用于表征所述风轮的转动惯量，ω₀用于表征在所述当前控制周期内所述风轮的实际转子转速，a₁、a₂、a₃、a₄、a₅、a₆、b₁、b₂分别用于表征预设参数。

可选地，所述形变加速度预测模型表示为：

其中，F用于表征形变加速度预测模型，用于表征在第i个所述预测控制周期内的所述形变加速度，x_i用于表征在第i个所述预测控制周期内的所述运行状态数据，用于表征第i个所述预测控制周期对应的所述发电机转矩，/>用于表征在第i个所述预测控制周期内的所述来流风速。

可选地，所述形变加速度预测模型为支持向量机，所述形变加速度预测模型中的核函数采用高斯核函数；其中，所述形变加速度预测模型根据所述风电机组的历史运行状态数据、历史转矩数据以及历史来流风速数据训练得到。

第二方面，本公开提供一种风电机组的控制系统。所述风电机组包括发电机和塔架。

所述控制系统包括：

风速获取模块，用于在当前控制周期内获取所述风电机组在至少一个预测控制周期内的来流风速；

状态数据预测模块，用于基于所述来流风速获取所述风电机组分别在所述预测控制周期内的运行状态数据；其中，所述运行状态数据包括预测风能捕获功率、理想风能捕获功率以及所述塔架侧向的形变加速度；

解算模块，用于基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列；其中，所述目标控制序列包括分别与所述预测控制周期对应的发电机转矩的目标转矩值；

控制模块，用于响应于进入下一控制周期，根据所述目标控制序列中的所述目标转矩值控制所述发电机转矩。

可选地，所述预设成本函数表示为：

其中，用于表征从第1个所述预测控制周期至第n个所述预测控制周期分别对应的所述发电机转矩，F₁用于表征第一权重因子，F₂用于表征第二权重因子，n用于表征所述预测控制周期的数量，T_s用于表征所述预测控制周期的时长，P_i用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的所述形变加速度，用于表征预设最大形变加速度记录值；

所述测风能捕获功率、所述理想风能捕获功率以及所述形变加速度均基于所述发电机转矩进行表示。

可选地，所述解算模块具体用于使用粒子群算法分别在多个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，直到所述迭代计算的次数达到预设迭代次数，获取所述目标控制序列；

其中，所述目标控制序列为在所有所述求解方向中所述预设成本函数取全局最小值时对应的所述转矩控制序列。

可选地，所述迭代计算的公式为：

其中，用于表征第j次进行迭代计算得到的所述转矩控制序列，/>用于表征第j次进行迭代计算得到的所述迭代变化率，/>用于表征在所述求解方向的前j次迭代计算中所述预设成本函数取最小值时对应的所述转矩控制序列，/>用于表征在所有所述求解方向的前j次迭代计算中所述预设成本函数取全局最小值时对应的所述转矩控制序列，c₁和c₂分别用于表征学习因子，r₁和r₂分别用于表征预设参数，/>用于表征惯性权重。

可选地，所述风电机组还包括风轮；

所述状态数据预测模块包括：

风能捕获预测单元，用于根据在所述当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率和实际转矩值，以及在每个所述预测控制周期内的所述来流风速，利用风能捕获预测模型获取所述风轮在所述预测控制周期内的转子转速，以及所述风电机组在所述预测控制周期内的所述预测风能捕获功率、所述理想风能捕获功率。

可选地，所述状态数据预测模块包括：

形变加速度预测单元，用于根根据所述当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及在每个所述预测控制周期内的来流风速和运行状态数据，利用形变加速度预测模型依次预测得到在预测控制周期内的形变加速度。

可选地，所述风能捕获预测模型表示为：

其中，用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的能量转化效率，/>用于表征所述能量转化效率的预设最大值，用于表征在第i个所述预测控制周期内的所述来流风速，/>为在第i个所述预测控制周期内的所述来流风速对应的桨距角理论值，λ_i用于表征在第i个所述预测控制周期内的叶尖速比值，/>用于表征在第i个所述预测控制周期内所述风轮的转子转速，N_gear用于表征所述风电机组的齿轮箱变比，J_rotor用于表征所述风轮的转动惯量，ω₀用于表征在所述当前控制周期内所述风轮的实际转子转速，a₁、a₂、a₃、a₄、a₅、a₆、b₁、b₂分别用于表征预设参数。

可选地，所述形变加速度预测模型表示为：

其中，F用于表征形变加速度预测模型，用于表征在第i个所述预测控制周期内的所述形变加速度，x_i用于表征在第i个所述预测控制周期内的所述运行状态数据，用于表征第i个所述预测控制周期对应的所述发电机转矩，/>用于表征在第i个所述预测控制周期内的所述来流风速。

可选地，所述形变加速度预测模型为支持向量机，所述形变加速度预测模型中的核函数采用高斯核函数；其中，所述形变加速度预测模型根据所述风电机组的历史运行状态数据、历史转矩数据以及历史来流风速数据训练得到。

第三方面，本公开提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现第一方面所述的控制方法。

第四方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述的控制方法。

本公开的积极进步效果在于：基于帕累托理论，提出了一种预设成本函数，可以协同优化风电机组的塔架载荷和风能捕获功率，能够有效地对降低风电机组的塔架的侧向结构载荷，提升发电机应用在大型风电机组中的功率输出质量，提高风电机组运行的可靠性和高能效具有重要的工程应用价值。

并且，结合建立的风能捕获预测模型以及用于获取塔架侧向的形变加速度的形变加速度预测模型，采用粒子群算法，实时求解上述非线性的预设成本函数，以得到包括每个预测控制周期对应的目标转矩值的目标控制序列，进而使用目标控制序列中的目标转矩值对下一个控制周期中的发电机转矩进行控制。

附图说明

图1为本公开实施例1提供的一种控制方法的流程示意图；

图2为本公开实施例1提供的一种粒子群算法的流程示意图；

图3为本公开实施例2提供的一种控制系统的模块示意图；

图4为本公开实施例3提供的一种风电机组的结构示意图；

图5为本公开实施例4提供的一种电子设备的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本公开，但并不因此将本公开限制在所述的实施例范围之中。

需要说明，若本公开实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本公开要求的保护范围之内。

实施例1

本实施例提供一种如图1所示的风电机组的控制方法。其中，风电机组主要包括风轮(叶片)、发电机和塔架等部分。

该控制方法包括如下步骤：

S101、在当前控制周期内获取风电机组在至少一个预测控制周期内的来流风速；

S102、基于来流风速获取风电机组分别在预测控制周期内的运行状态数据；其中，运行状态数据包括预测风能捕获功率、理想风能捕获功率以及塔架侧向的形变加速度；

S103、基于运行状态数据和发电机的预设成本函数，生成目标控制序列；其中，目标控制序列包括分别与预测控制周期对应的发电机转矩的目标转矩值，目标转矩值的数量对应预测步长；

S104、响应于进入下一控制周期，根据目标控制序列中的目标转矩值控制发电机转矩。

本实施例通过获取到的在预测控制周期内的来流风速，预测出风电机组在预测控制周期内的运行状态数据。其中，运行状态数据包括运行状态数据包括预测风能捕获功率、理想风能捕获功率以及塔架侧向的形变加速度。

并基于运行状态数据求解预设成本函数，以得到目标控制序列。其中，目标控制序列包括每个在预测控制周期内的目标转矩值。

进入下一控制周期后，根据目标控制序列中的目标转矩值控制发电机转矩。即可实现风电机组的塔架载荷和风能捕获功率的协同优化，能够有效地对降低风电机组的塔架的侧向结构载荷，提升发电机应用在大型风电机组中的功率输出质量。

并且进入下一控制周期后，将其作为当前控制周期重复上述过程，以再次得到用于目标控制序列。

在步骤S101中，预测控制周期可以有一个或多个，预测控制周期的数量表征预测步长。即预测步长可以控制目标控制序列的长度，目标控制序列包含的目标转矩值的数量与预测控制周期的数量相同，并且目标转矩值与预测控制周期一一对应。

示例性的，先确定预测步长为n，即确定预测控制周期的数量为n。每个预测控制周期的时长为T_s。考虑到风速变化和测风装置的准确性，预测步长n和预测控制周期的时长T_s不宜过大。

因此，通过测风装置测量得到风电机组从第1个预测控制周期至第n个预测控制周期的来流风速依次为

其中，测风装置可以为一种激光雷达探测装置。激光雷达探测装置可以通过发送激光脉冲并测量其返回时间来计算物体的距离。在风速探测中，激光雷达探测装置可以测量从风电机组的位置到空气中颗粒物(如尘埃、气溶胶等)的距离，进而判断出即将到达风电机组的来流风速。

激光雷达探测装置通过连续测量可以获得来流风速的时间序列数据，以表示在一段时间内连续测量的来流风速。从这段时间中确定多个离散的预测控制周期，即可分别得到在每个预测控制周期内的来流风速。

基于步骤S101得到从第1个预测控制周期至第n个预测控制周期的来流风速步骤S102可以分别获取风电机组在每个预测控制周期内的运行状态数据。

步骤S102包括：根据在当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率和实际转矩值，以及在每个预测控制周期内的来流风速，利用风能捕获预测模型获取风轮在预测控制周期内的转子转速，以及风电机组在预测控制周期内的预测风能捕获功率、理想风能捕获功率。

示例性的，风能捕获预测模型可以表示为：

其中，用于表征在第i个预测控制周期内预测风能捕获功率，P_i ^idea用于表征在第i个预测控制周期内理想风能捕获功率，/>用于表征在第i个预测控制周期内的能量转化效率，/>用于表征能量转化效率的预设最大值，/>用于表征在第i个预测控制周期内的来流风速，/>为在第i个预测控制周期内的来流风速对应的桨距角理论值，λ_i用于表征在第i个预测控制周期内的叶尖速比值，/>用于表征在第i个预测控制周期内风轮的转子转速，N_gear用于表征风电机组的齿轮箱变比，J_rotor用于表征风轮的转动惯量，ω₀用于表征在当前控制周期内风轮的实际转子转速，a₁、a₂、a₃、a₄、a₅、a₆、b₁、b₂分别用于表征预设参数。

桨距角理论值β_i可以通过最优风-功率曲线来确定，最优风是指在低风速区所能达到的最大风能捕获功率，该曲线是在风电机组的设计阶段确定。

示例性的，根据风轮在当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率、实际转矩值，计算得到风轮在第1个预测控制周期内的转子转速，以及风电机组在第1个预测控制周期内的风能转化效率；

利用上述风能捕获预测模型，基于来流风速、在第1个预测控制周期内的转子转速和在第1个预测控制周期内的风能转化效率，依次计算得到风轮在每个预测控制周期内的转子转速，风电机组在每个预测控制周期内的预测风能捕获功率，以及风电机组在每个预测控制周期内的理想风能捕获功率。

也就是说，基于第1个预测控制周期至第n个预测控制周期的来流风速和上述风能捕获预测模型，可以对预测风能捕获功率分别表示为以及对理想风能捕获功率分别表示为/>

步骤S102还包括：

根据当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及在每个预测控制周期内的来流风速和运行状态数据，利用形变加速度预测模型依次预测得到在预测控制周期内的形变加速度。

由于风电机组的动态行为可以表示为一种二阶模型，因此，可以通过至少两个已预测的预测控制周期来获取待预测的预测控制周期的第二来流风速。

示例性的，形变加速度预测模型表示为：

其中，F用于表征形变加速度预测模型，用于表征在第i个预测控制周期内的形变加速度，x_i用于表征在第i个预测控制周期内的运行状态数据，/>用于表征第i个预测控制周期对应的发电机转矩，/>用于表征在第i个预测控制周期内的来流风速。

具体地，对第1个预测控制周期的形变加速度进行预测时，可以将当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及第1个预测控制周期的第一来流风速，代入上述形变加速度预测模型，预测得到第1个预测控制周期的第一形变加速度。

同理的，对第2个预测控制周期的形变加速度进行预测时，可以第1个预测控制周期的第一来流风速、第一运行状态数据、第一目标转矩值，以及当前控制周期的实际来流风速、实际运行状态数据、实际目标转矩值，代入上述形变加速度预测模型，预测得到第2个预测控制周期的第二形变加速度。

对第3个其之后的预测控制周期的形变加速度进行预测时，将两个第一预测控制周期的第二来流风速、第二运行状态数据、第二目标转矩值，以及第二预测控制周期的第三来流风速，代入上述形变加速度预测模型，预测得到第二预测控制周期的第三形变加速度。

其中，两个第一预测控制周期为已预测的两个相邻的预存控制周期，第二预测控制周期与两个第一预测控制周期中的后一个相邻。

示例性的，对第1个预测控制周期的形变加速度进行预测时：

例性的，对第1个预测控制周期的形变加速度进行预测时：

其中，x_k0、x_k-1分别用于表征在当前控制周期和上一个控制周期内的实际运行状态数据，分别用于表征在当前控制周期和上一个控制周期内的实际转矩值，分别用于表征在当前控制周期和上一个控制周期内的实际来流风速。

对第2个预测控制周期的形变加速度进行预测时：

并且，形变加速度预测模型具体可以为支持向量机，形变加速度预测模型中的核函数采用高斯核函数。

支持向量回归是一种机器学习算法，用于进行模式分类和回归分析。它可以有效地处理线性和非线性的数据分类问题。

SVR的基本思想是找到一个最优的超平面，能够将不同类别的数据样本分隔开来，并且在超平面两侧的边界上找到一组支持向量(支持样本)，用于定义决策边界。这个最优的超平面被称为最大间隔超平面，其目标是使边界上的支持向量到决策边界的距离最大化。

其中，形变加速度预测模型根据风电机组的历史运行状态数据、历史转矩数据以及历史来流风速数据训练得到。

示例性的，上述形变加速度预测模型可以具体表示为：

其中，F(y)用于表征塔架侧向的形变加速度，W用于表征多维权重因子，b用于表征可调节因子，用于表征回归方程，以表达输入y与输出F(y)的映射关系。

将拉格朗日乘数ξ_i,ξ_i ^*代入，采用二次规划方法进行求解，最终塔架侧向的形变加速度预测模型可以表示为：

其中，K(y_i-y)为高斯核函数。

在步骤S103中，预设成本函数可以表示为：

预设成本函数表示为：

其中，用于表征从第1个预测控制周期至第n个预测控制周期分别对应的发电机转矩，F₁用于表征第一权重因子，F₂用于表征第二权重因子，n用于表征预测控制周期的数量，T_s用于表征预测控制周期的时长，P_i用于表征在第i个预测控制周期内预测风能捕获功率，P_i ^idea用于表征在第i个预测控制周期内理想风能捕获功率，/>用于表征在第i个预测控制周期内的形变加速度，/>用于表征预设最大形变加速度记录值。

上述测风能捕获功率、理想风能捕获功率以及形变加速度均基于发电机转矩进行表示。

为了生成目标控制序列，需要对上述非线性的预设成本函数进行求解。步骤S103具体包括：

根据运行状态数据，使用粒子群算法分别在多个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，直到迭代计算的次数达到预设迭代次数，获取目标控制序列；

其中，目标控制序列为在所有求解方向中预设成本函数取全局最小值时对应的转矩控制序列。

示例性的，参见图2，基于粒子群算法，从m个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，相当于在有m个粒子组成的群体在空间中进行搜索。

对于任一粒子，需要算法中使用到的各种参数进行初始化，例如学习因子和预设参数进行初始化。即对于不同的求解方向，初始化得到的学习因子和预设参数的数值不同。基于初始化的算法参数，计算每个粒子的预设成本函数的值，更新每个粒子的迭代变化率和转矩控制序列，基于目前计算得到的预设成本函数取最小宅时对应的转矩控制序列，更新局部最优的转矩控制序列以及全局最优的转矩控制序列。然后判断迭代计算的次数是否小于预设迭代次数，若小于，继续迭代计算以更新局部最优的转矩控制序列以及全局最优的转矩控制序列，否则，则输出全局最优的转矩控制序列作为目标控制序列。

然后在不同的求解方向对预设成本函数进行迭代计算，得到预设成本函数的值。

迭代计算的公式为：

其中，用于表征第j次进行迭代计算得到的转矩控制序列，/>用于表征第j次进行迭代计算得到的迭代变化率，/>用于表征在求解方向的前j次迭代计算中预设成本函数取最小值时对应的转矩控制序列，/>用于表征在所有求解方向的前j次迭代计算中预设成本函数取全局最小值时对应的转矩控制序列，c₁和c₂分别用于表征学习因子，r₁和r₂分别用于表征预设参数，/>用于表征惯性权重。

最终，得到目标控制序列

需要说明的是，迭代变化率包括与对应转矩控制序列中的每n个转矩值相对应的变化值。即，第j次迭代计算得到转矩控制序列所包含的n个转矩值，先获取第j+1次迭代计算得到的迭代变化率，将迭代变化率中的每个变化值与转矩值一一对应相加，即可实现第j+1次对转矩控制序列迭代计算。

在步骤S104中，响应于进入下一控制周期，将目标控制序列中的第一个目标转矩值作为发电机的控制器的输出，以实现对发电机转矩进行控制。

另外，在求解上述预设成本函数之前，还可以对风电机组的发电机转矩的目标转矩值、风轮的转子转速进行约束：

|ω^ref-ω_i|≤σ_ωω^ref，

其中，用于表征转矩参考值，ω^ref用于表征转子转速参考值，σ_T用于表征转矩允许偏差范围，σ_ω用于表征转速允许偏差范围。

实施例2

本实施例提供一种如图3所示的风电机组的控制系统。其中，风电机组主要包括风轮(叶片)、发电机和塔架等部分。

该控制系统包括：

风速获取模块301，用于在当前控制周期内获取所述风电机组在至少一个预测控制周期内的来流风速；

状态数据预测模块302，用于基于所述来流风速获取所述风电机组分别在所述预测控制周期内的运行状态数据；其中，所述运行状态数据包括预测风能捕获功率、理想风能捕获功率以及所述塔架侧向的形变加速度；

解算模块303，用于基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列；其中，所述目标控制序列包括分别与所述预测控制周期对应的发电机转矩的目标转矩值；

控制模块304，用于响应于进入下一控制周期，根据目标控制序列中的转矩值控制发电机转矩。

本实施例通过获取到的在预测控制周期内的来流风速，预测出风电机组在预测控制周期内的运行状态数据。其中，运行状态数据包括运行状态数据包括预测风能捕获功率、理想风能捕获功率以及塔架侧向的形变加速度。

并基于运行状态数据求解预设成本函数，以得到目标控制序列。其中，目标控制序列包括每个在预测控制周期内的目标转矩值。

进入下一控制周期后，根据目标控制序列中的目标转矩值控制发电机转矩。即可实现风电机组的塔架载荷和风能捕获功率的协同优化，能够有效地对降低风电机组的塔架的侧向结构载荷，提升发电机应用在大型风电机组中的功率输出质量。

并且进入下一控制周期后，将其作为当前控制周期重复上述过程，以再次得到用于目标控制序列。

对于风速获取模块301，预测控制周期可以有一个或多个，预测控制周期的数量表征预测步长。即预测步长可以控制目标控制序列的长度，目标控制序列包含的目标转矩值的数量与预测控制周期的数量相同，并且目标转矩值与预测控制周期一一对应。

示例性的，先确定预测步长为n，即确定预测控制周期的数量为n。每个预测控制周期的时长为T_s。考虑到风速变化和测风装置的准确性，预测步长n和预测控制周期的时长T_s不宜过大。

因此，通过测风装置测量得到风电机组从第1个预测控制周期至第n个预测控制周期的来流风速依次为

其中，测风装置可以为一种激光雷达探测装置。激光雷达探测装置可以通过发送激光脉冲并测量其返回时间来计算物体的距离。在风速探测中，激光雷达探测装置可以测量从风电机组的位置到空气中颗粒物(如尘埃、气溶胶等)的距离，进而判断出即将到达风电机组的来流风速。

激光雷达探测装置通过连续测量可以获得来流风速的时间序列数据，以表示在一段时间内连续测量的来流风速。从这段时间中确定多个离散的预测控制周期，即可分别得到在每个预测控制周期内的来流风速。

基于风速获取模块301得到从第1个预测控制周期至第n个预测控制周期的来流风速状态数据预测模块302可以分别获取风电机组在每个预测控制周期内的运行状态数据。

状态数据预测模块302包括：

风能捕获预测单元，用于根据在当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率和实际转矩值，以及在每个预测控制周期内的来流风速，利用风能捕获预测模型获取风轮在预测控制周期内的转子转速，以及风电机组在预测控制周期内的预测风能捕获功率、理想风能捕获功率。

示例性的，风能捕获预测模型可以表示为：

其中，用于表征在第i个预测控制周期内预测风能捕获功率，P_i ^idea用于表征在第i个预测控制周期内理想风能捕获功率，/>用于表征在第i个预测控制周期内的能量转化效率，/>用于表征能量转化效率的预设最大值，/>用于表征在第i个预测控制周期内的来流风速，/>为在第i个预测控制周期内的来流风速对应的桨距角理论值，λ_i用于表征在第i个预测控制周期内的叶尖速比值，/>用于表征在第i个预测控制周期内风轮的转子转速，N_gear用于表征风电机组的齿轮箱变比，J_rotor用于表征风轮的转动惯量，ω₀用于表征在当前控制周期内风轮的实际转子转速，a₁、a₂、a₃、a₄、a₅、a₆、b₁、b₂分别用于表征预设参数。

桨距角理论值β_i可以通过最优风-功率曲线来确定，最优风是指在低风速区所能达到的最大风能捕获功率，该曲线是在风电机组的设计阶段确定。

示例性的，根据风轮在当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率、实际转矩值，计算得到风轮在第1个预测控制周期内的转子转速，以及风电机组在第1个预测控制周期内的风能转化效率；

利用上述风能捕获预测模型，基于来流风速、在第1个预测控制周期内的转子转速和在第1个预测控制周期内的风能转化效率，依次计算得到风轮在每个预测控制周期内的转子转速，风电机组在每个预测控制周期内的预测风能捕获功率，以及风电机组在每个预测控制周期内的理想风能捕获功率。

也就是说，基于第1个预测控制周期至第n个预测控制周期的来流风速和上述风能捕获预测模型，可以对预测风能捕获功率分别表示为以及对理想风能捕获功率分别表示为/>

状态数据预测模块302还包括：

形变加速度预测单元，用于根据当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及在每个预测控制周期内的来流风速和运行状态数据，利用形变加速度预测模型依次预测得到在预测控制周期内的形变加速度。

由于风电机组的动态行为可以表示为一种二阶模型，因此，可以通过至少两个已预测的预测控制周期来获取待预测的预测控制周期的第二来流风速。

示例性的，形变加速度预测模型表示为：

其中，F用于表征形变加速度预测模型，用于表征在第i个预测控制周期内的形变加速度，x_i用于表征在第i个预测控制周期内的运行状态数据，/>用于表征第i个预测控制周期对应的发电机转矩，/>用于表征在第i个预测控制周期内的来流风速。

具体地，对第1个预测控制周期的形变加速度进行预测时，可以将当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及第1个预测控制周期的第一来流风速，代入上述形变加速度预测模型，预测得到第1个预测控制周期的第一形变加速度。

同理的，对第2个预测控制周期的形变加速度进行预测时，可以第1个预测控制周期的第一来流风速、第一运行状态数据、第一目标转矩值，以及当前控制周期的实际来流风速、实际运行状态数据、实际目标转矩值，代入上述形变加速度预测模型，预测得到第2个预测控制周期的第二形变加速度。

对第3个其之后的预测控制周期的形变加速度进行预测时，将两个第一预测控制周期的第二来流风速、第二运行状态数据、第二目标转矩值，以及第二预测控制周期的第三来流风速，代入上述形变加速度预测模型，预测得到第二预测控制周期的第三形变加速度。

其中，两个第一预测控制周期为已预测的两个相邻的预存控制周期，第二预测控制周期与两个第一预测控制周期中的后一个相邻。

示例性的，对第1个预测控制周期的形变加速度进行预测时：

其中，x_k0、x_k-1分别用于表征在当前控制周期和上一个控制周期内的实际运行状态数据，分别用于表征在当前控制周期和上一个控制周期内的实际转矩值，分别用于表征在当前控制周期和上一个控制周期内的实际来流风速。

对第2个预测控制周期的形变加速度进行预测时：

并且，形变加速度预测模型具体可以为支持向量机，形变加速度预测模型中的核函数采用高斯核函数。

支持向量回归(Support Vector Regression，SVR)是一种机器学习算法，用于进行模式分类和回归分析。它可以有效地处理线性和非线性的数据分类问题。

SVR的基本思想是找到一个最优的超平面，能够将不同类别的数据样本分隔开来，并且在超平面两侧的边界上找到一组支持向量(支持样本)，用于定义决策边界。这个最优的超平面被称为最大间隔超平面，其目标是使边界上的支持向量到决策边界的距离最大化。

其中，形变加速度预测模型根据风电机组的历史运行状态数据、历史转矩数据以及历史来流风速数据训练得到。

示例性的，上述形变加速度预测模型可以具体表示为：

其中，F(y)用于表征塔架侧向的形变加速度，W用于表征多维权重因子，b用于表征可调节因子，用于表征回归方程，以表达输入y与输出F(y)的映射关系。

将拉格朗日乘数ξ_i,ξ_i ^*代入，采用二次规划方法进行求解，最终塔架侧向的形变加速度预测模型可以表示为：

其中，K(y_i-y)为高斯核函数。

预设成本函数表示为：

其中，用于表征从第1个预测控制周期至第n个预测控制周期分别对应的发电机转矩，F₁用于表征第一权重因子，F₂用于表征第二权重因子，n用于表征预测控制周期的数量，T_s用于表征预测控制周期的时长，P_i用于表征在第i个预测控制周期内预测风能捕获功率，P_i ^idea用于表征在第i个预测控制周期内理想风能捕获功率，/>用于表征在第i个预测控制周期内的形变加速度，/>用于表征预设最大形变加速度记录值。

上述测风能捕获功率、理想风能捕获功率以及形变加速度均基于发电机转矩进行表示。

为了生成目标控制序列，需要对上述非线性的预设成本函数进行求解。解算模块303具体用于根据运行状态数据，使用粒子群算法分别在多个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，直到迭代计算的次数达到预设迭代次数，获取目标控制序列。

其中，目标控制序列为在所有求解方向中预设成本函数取全局最小值时对应的转矩控制序列。

示例性的，参见图2，基于粒子群算法，从m个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，相当于在有m个粒子组成的群体在空间中进行搜索。

对于任一粒子，需要算法中使用到的各种参数进行初始化，例如学习因子和预设参数进行初始化。即对于不同的求解方向，初始化得到的学习因子和预设参数的数值不同。基于初始化的算法参数，计算每个粒子的预设成本函数的值，更新每个粒子的迭代变化率和转矩控制序列，基于目前计算得到的预设成本函数取最小宅时对应的转矩控制序列，更新局部最优的转矩控制序列以及全局最优的转矩控制序列。然后判断迭代计算的次数是否小于预设迭代次数，若小于，继续迭代计算以更新局部最优的转矩控制序列以及全局最优的转矩控制序列，否则，则输出全局最优的转矩控制序列作为目标控制序列。

然后在不同的求解方向对预设成本函数进行迭代计算，得到预设成本函数的值。

迭代计算的公式为：

其中，用于表征第j次进行迭代计算得到的转矩控制序列，/>用于表征第j次进行迭代计算得到的迭代变化率，/>用于表征在求解方向的前j次迭代计算中预设成本函数取最小值时对应的转矩控制序列，/>用于表征在所有求解方向的前j次迭代计算中预设成本函数取全局最小值时对应的转矩控制序列，c₁和c₂分别用于表征学习因子，r₁和r₂分别用于表征预设参数，/>用于表征惯性权重。

最终，得到目标控制序列

需要说明的是，迭代变化率包括与对应转矩控制序列中的每n个转矩值相对应的变化值。即，第j次迭代计算得到转矩控制序列所包含的n个转矩值，先获取第j+1次迭代计算得到的迭代变化率，将迭代变化率中的每个变化值与转矩值一一对应相加，即可实现第j+1次对转矩控制序列迭代计算。

在步骤S104中，响应于进入下一控制周期，将目标控制序列中的第一个目标转矩值作为发电机的控制器的输出，以实现对发电机转矩进行控制。

另外，在求解上述预设成本函数之前，还可以对风电机组的发电机转矩的目标转矩值、风轮的转子转速进行约束：

|ω^ref-ω_i|≤σ_ωω^ref，

其中，用于表征转矩参考值，ω^ref用于表征转子转速参考值，σ_T用于表征转矩允许偏差范围，σ_ω用于表征转速允许偏差范围。

实施例3

本实施例提供一种风电机组，包括实施例2中的控制系统。

示例性的，参见图4。超大型风电机组雷达获取到的在预测控制周期内的来流风速，通过使用风能捕获预测模型和形变加速度预测模型根据来流风速，预测出风电机组在预测控制周期内的运行状态数据。其中，运行状态数据包括运行状态数据包括预测风能捕获功率、理想风能捕获功率以及塔架侧向的形变加速度。并使用粒子群算法基于运行状态数据求解预设成本函数，以得到目标控制序列。其中，目标控制序列包括每个在预测控制周期内的目标转矩值。

进入下一控制周期后，根据目标控制序列中的目标转矩值控制发电机转矩。即可实现风电机组的塔架载荷和风能捕获功率的协同优化，能够有效地对降低风电机组的塔架的侧向结构载荷，提升发电机应用在大型风电机组中的功率输出质量。并且进入下一控制周期后，将其作为当前控制周期重复上述过程，以再次得到用于目标控制序列。

实施例4

图5示出了本公开其中一种电子设备的结构。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述控制方法。图5显示的电子设备50仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备50也可以通用计算设备的形式表现，例如其可以为服务器设备。电子设备50的组件可以包括但不限于：上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。

总线53包括数据总线、地址总线和控制总线。

存储器52可以包括易失性存储器，例如随机存取存储器(RAM)521和/或高速缓存存储器522，还可以进一步包括只读存储器(ROM)523。

存储器52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器51通过运行存储在存储器52中的计算机程序，从而执行各种功能应用以及数据处理，例如本公开上述控制方法。

电子设备50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且，模型生成的设备50还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器56通过总线53与模型生成的设备50的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时，实现上述控制方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本公开还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行时，实现上述控制方法。

其中，可以一种或多种程序设计语言的任意组合来编写用于执行本公开的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本公开的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本公开的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本公开的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本公开的保护范围。

Claims (10)

1.一种风电机组的控制方法，其特征在于，所述风电机组包括发电机和塔架；

所述控制方法的步骤包括：

在当前控制周期内获取所述风电机组在至少一个预测控制周期内的来流风速；

基于所述来流风速获取所述风电机组分别在所述预测控制周期内的运行状态数据；其中，所述运行状态数据包括预测风能捕获功率、理想风能捕获功率以及所述塔架侧向的形变加速度；

基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列；其中，所述目标控制序列包括分别与所述预测控制周期对应的发电机转矩的目标转矩值；

响应于进入下一控制周期，根据所述目标控制序列中的所述目标转矩值控制所述发电机转矩。

2.根据权利要求1所述的控制方法，其特征在于，所述预设成本函数表示为：

其中，用于表征从第1个所述预测控制周期至第n个所述预测控制周期分别对应的所述发电机转矩，F₁用于表征第一权重因子，F₂用于表征第二权重因子，n用于表征所述预测控制周期的数量，T_s用于表征所述预测控制周期的时长，P_i用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的所述形变加速度，用于表征预设最大形变加速度记录值；

所述测风能捕获功率、所述理想风能捕获功率以及所述形变加速度均基于所述发电机转矩进行表示。

3.根据权利要求2所述的控制方法，其特征在于，所述基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列的步骤包括：

使用粒子群算法分别在多个不同的求解方向对转矩控制序列和迭代变化率进行迭代计算，直到所述迭代计算的次数达到预设迭代次数，获取所述目标控制序列；

其中，所述目标控制序列为在所有所述求解方向中所述预设成本函数取全局最小值时对应的所述转矩控制序列。

4.根据权利要求3所述的控制方法，其特征在于，所述迭代计算的公式为：

其中，用于表征第j次进行迭代计算得到的所述转矩控制序列，/>用于表征第j次进行迭代计算得到的所述迭代变化率，/>用于表征在所述求解方向的前j次迭代计算中所述预设成本函数取最小值时对应的所述转矩控制序列，/>用于表征在所有所述求解方向的前j次迭代计算中所述预设成本函数取全局最小值时对应的所述转矩控制序列，c₁和c₂分别用于表征学习因子，r₁和r₂分别用于表征预设参数，/>用于表征惯性权重。

5.根据权利要求1-4中任一项所述的控制方法，其特征在于，所述风电机组还包括风轮；

所述基于所述来流风速获取所述风电机组在所述预测控制周期内的运行状态数据的步骤包括：

根据在所述当前控制周期的上一控制周期内的实际转子转速、实际来流风速、实际能量转化效率和实际转矩值，以及在每个所述预测控制周期内的所述来流风速，利用风能捕获预测模型获取所述风轮在所述预测控制周期内的转子转速，以及所述风电机组在所述预测控制周期内的所述预测风能捕获功率、所述理想风能捕获功率；

和/或，

根据所述当前控制周期和上一控制周期各自的实际来流风速、实际运行状态数据、实际目标转矩值，以及在每个所述预测控制周期内的来流风速和运行状态数据，利用形变加速度预测模型依次预测得到在预测控制周期内的形变加速度。

6.根据权利要求5所述的控制方法，其特征在于，所述风能捕获预测模型表示为：

其中，用于表征在第i个所述预测控制周期内所述预测风能捕获功率，/>用于表征在第i个所述预测控制周期内所述理想风能捕获功率，/>用于表征在第i个所述预测控制周期内的能量转化效率，/>用于表征所述能量转化效率的预设最大值，/>用于表征在第i个所述预测控制周期内的所述来流风速，/>为在第i个所述预测控制周期内的所述来流风速对应的桨距角理论值，λ_i用于表征在第i个所述预测控制周期内的叶尖速比值，用于表征在第i个所述预测控制周期内所述风轮的转子转速，N_gear用于表征所述风电机组的齿轮箱变比，J_rotor用于表征所述风轮的转动惯量，ω₀用于表征在所述当前控制周期内所述风轮的实际转子转速，a₁、a₂、a₃、a₄、a₅、a₆、b₁、b₂分别用于表征预设参数；

和/或，

所述形变加速度预测模型表示为：

其中，F用于表征形变加速度预测模型，用于表征在第i个所述预测控制周期内的所述形变加速度，x_i用于表征在第i个所述预测控制周期内的所述运行状态数据，/>用于表征第i个所述预测控制周期对应的所述发电机转矩，/>用于表征在第i个所述预测控制周期内的所述来流风速。

7.根据权利要求6所述的控制方法，其特征在于，所述形变加速度预测模型为支持向量机，所述形变加速度预测模型中的核函数采用高斯核函数；其中，所述形变加速度预测模型根据所述风电机组的历史运行状态数据、历史转矩数据以及历史来流风速数据训练得到。

8.一种风电机组的控制系统，其特征在于，所述风电机组包括发电机和塔架；

所述控制系统包括：

风速获取模块，用于在当前控制周期内获取所述风电机组在至少一个预测控制周期内的来流风速；

状态数据预测模块，用于基于所述来流风速获取所述风电机组分别在所述预测控制周期内的运行状态数据；其中，所述运行状态数据包括预测风能捕获功率、理想风能捕获功率以及所述塔架侧向的形变加速度；

解算模块，用于基于所述运行状态数据和所述发电机的预设成本函数，生成目标控制序列；其中，所述目标控制序列包括分别与所述预测控制周期对应的发电机转矩的目标转矩值；

控制模块，用于响应于进入下一控制周期，根据所述目标控制序列中的所述目标转矩值控制所述发电机转矩。

9.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1-7中任一项所述的控制方法。

10.一种可读计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的控制方法。