一种风力发电机的分布式状态融合估计方法
阅读说明:本技术 一种风力发电机的分布式状态融合估计方法 (Distributed state fusion estimation method of wind driven generator ) 是由 陈博 杨盛伟 王如生 于 2020-06-30 设计创作,主要内容包括:一种针对噪声统计特性未知情况下风力发电机的分布式状态融合估计方法,提出双馈感应发电机的数学模型;建立发电机的状态空间模型;设计噪声统计特性未知的分布式融合估计方法;设置电机参数,求解两个优化问题得到局部最优增益以及分布式加权融合矩阵;迭代更新得到发电机状态的融合估计。本发明针对噪声统计特性无法准确获取时,提出了一种新的分布式融合估计方法来处理风力发电机的状态估计问题,且具有较高的估计精度。(A distributed state fusion estimation method for a wind driven generator under the condition of unknown noise statistical characteristics provides a mathematical model of a doubly-fed induction generator; establishing a state space model of the generator; designing a distributed fusion estimation method with unknown noise statistical characteristics; setting motor parameters, and solving two optimization problems to obtain local optimal gain and a distributed weighted fusion matrix; and carrying out iterative updating to obtain a fusion estimation of the generator state. The invention provides a novel distributed fusion estimation method for solving the problem of state estimation of a wind driven generator when the noise statistical characteristics cannot be accurately obtained, and the method has high estimation precision.)
技术领域
本发明主要针对风力发电机的状态监测,通过多传感器融合技术对风力发电机的状态进行估计。
背景技术
随着世界环境问题的日益严峻,国际社会对能源安全、生态污染、气候异常等问题越来越重视,减少化石能源的使用,加快开发和利用可再生能源已成为世界各国的共识。其中风力发电在可再生能源发展中占据着重要地位,已在全球范围内实现大规模应用。风力发电是一种利用风动能转换为机械动能,再向电能转换的过程,其工作原理是借助风的动力来推动风车叶片旋转,再通过增速机加快风车叶片旋转的速度,带动发电机发电。通常,出于监控和维护目的,在风力发电机内会嵌入多种传感器用以测量电机的状态。
目前,已有不少研究工作提出了多种估计算法和模型来估计发电机的状态。其中基于卡尔曼滤波的动态状态估计方法,解决了在未知风速条件下风力发电机模型状态估计问题。而扩展卡尔曼滤波器调整前馈反馈最优控制器,用于多风速干扰下的永磁同步发电机功率点跟踪。值得注意的是卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器等方法多用于处理协方差已知的白噪声。然而在实际风力发电系统中,发电机可能遭受多种未知干扰,导致噪声的统计特性不容易精确获得。同时,上述估计方法只考虑了单传感器的情况,但是随着信息技术的发展,单传感器的估计精度已无法满足对系统的估计精度要求。因此,本技术提出了一种噪声统计特性未知的多传感器分布式融合估计方法,用于估计风力发电机的状态。
发明内容
为了解决噪声统计特性已知的问题,以及提高状态估计精度,本发明提出了一种噪声统计特性未知的分布式融合估计方法。
本发明为了实现上述目的,提出了如下的技术方案:
一种风力发电机的分布式状态融合估计方法,包括以下步骤:
步骤一:建立双馈感应发电机的数学模型,过程如下:
双馈感应发电机的数学模型是一个高阶、非线性、强耦合的多变量系统,为了建立数学模型,作如下假设:1.1.忽略空间谐波,磁势沿气隙圆周按正弦分布;1.2.忽略磁路饱和,各绕组的自感和互感都是线性的;1.3.不考虑频率和温度变化对绕组电阻的影响;1.4.定子电流流向电机时,电流值为负值;1.5.使用同步旋转两相dq坐标系推导方程,d轴与q轴相差90°,在上述假设下,推出双馈感应电机数学模型,其表达式为:
ψds=-Lsids+Lmidr
ψqs=-Lsiqs+Lmiqr
ψdr=-Lsidr-Lmids
ψqr=-Lsiqr-Lmiqs
其中ids和idr是定子电流和转子电流在d轴上的分量;iqs和iqr是定子电流和转子电流在q轴上的分量;vds和vdr是定子电压和转子电压在d轴上的分量;vqs和vqr是定子电压和转子电压在q轴上的分量;ωb,ωs,ωr分别为基级、定子、转子的角速度;Lm为定子和转子在发电机同一相绕组轴线之间的等值互感系数;Ls,Lr分别为定子,转子在dq旋转坐标系的等效电感;Rs,Rr分别为定子、转子的电阻;ψds,ψqs,ψdr,ψqr分别为定子和转子在dq坐标系下的磁链;
步骤二:建立发电机的状态空间模型,过程如下:
选取发电机的电流x=[ids iqs idr iqr]T作为状态变量,电压u=[vds vqs vdr vqr]T作为输入变量,得到线性状态空间模型,其表达式为
其中γ是过程噪声的系数矩阵;w(t)是未知有界过程噪声,wT(t)w(t)<δ,δ是未知的,根据双馈感应发电机的数学模型,A和B为
其中s=(ωs-ωr)/ωb;
将线性状态空间模型(1)离散化得
x(t+1)=Adx(t)+Bdu(t)+γw(t) (2)
其中T为采样周期;
此外,传感器量测信息包括定子电压以及转子电压等,令yi(t)为第i个传感器的测量输出,定义观测方程为
yi(t)=Cix(t)+γivi(t)(i=1,2,...,L) (3)
其中Ci为第i个传感器的测量矩阵,γi为传感器i的测量噪声的系数矩阵,vi(t)为传感器i的未知有界过程噪声,κ是未知的;各个传感器会将测量到的数据实时发送到控制中心,以便维护人员远程监控发电机状态;
步骤三:分布式融合估计方法,过程如下:
针对(2)-(3),设计了一种噪声统计特性未知的分布式融合估计方法分为如下步骤:
3.1、预测:设为第i个传感器的状态预测
3.2、估计:设为第i个传感器的状态估计
3.3、融合:设
为融合状态估计
其中(5)中的最优增益和(6)中分布式加权融合矩阵Ωi(t)(i=1,2,...,L)由求解以下两个凸优化问题得到,首先定义
最优增益由求解下面凸优化问题得到:
加权融合矩阵Ωi(t)(i=1,2,...,L)由求解下面凸优化问题得到:
其中
本发明的有益效果主要表现在:针对风力发电机的状态模型,提出一种未知噪声统计信息的分布式融合估计方法。通过求解两个凸优化问题,可以得到最优增益和加权融合矩阵,相比于现有的估计方法,该方法在噪声统计信息无法准确获取的情况下,仍能较好的估计出风力发电机的状态,以便工作人员可以准确监控和维护发电机。
附图说明
图1为本发明方法的具体实施流程图。
图2为分布式融合结构框图。
图3为风力发电机的真实状态轨迹与融合估计状态轨迹。
图4为分布式融合估计误差。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图4,一种风力发电机的分布式状态融合估计方法,所述方法包括以下步骤:
步骤一:建立双馈感应发电机的数学模型,过程如下:
双馈感应发电机的数学模型是一个高阶、非线性、强耦合的多变量系统,为了建立数学模型,作如下假设:1.1.忽略空间谐波,磁势沿气隙圆周按正弦分布;1.2.忽略磁路饱和,各绕组的自感和互感都是线性的;1.3.不考虑频率和温度变化对绕组电阻的影响;1.4.定子电流流向电机时,电流值为负值;1.5.使用同步旋转两相dq坐标系推导方程,d轴与q轴相差90°。在上述假设下,推出双馈感应电机数学模型,其表达式为:
ψds=-Lsids+Lmidr
ψqs=-Lsiqs+Lmiqr
ψdr=-Lsidr-Lmids
ψqr=-Lsiqr-Lmiqs
其中ids和idr是定子电流和转子电流在d轴上的分量;iqs和iqr是定子电流和转子电流在q轴上的分量;vds和vdr是定子电压和转子电压在d轴上的分量;vqs和vqr是定子电压和转子电压在q轴上的分量;ωb,ωs,ωr分别为基级、定子、转子的角速度;Lm为定子和转子在发电机同一相绕组轴线之间的等值互感系数;Ls,Lr分别为定子,转子在dq旋转坐标系的等效电感;Rs,Rr分别为定子、转子的电阻;ψds,ψqs,ψdr,ψqr分别为定子和转子在dq坐标系下的磁链;
步骤二:建立发电机的状态空间模型,过程如下:
选取发电机的电流x=[ids iqs idr iqr]T作为状态变量,电压u=[vds vqs vdr vqr]T作为输入变量,得到线性状态空间模型,其表达式为
其中γ是过程噪声的系数矩阵;w(t)是未知有界过程噪声,wT(t)w(t)<δ,δ是未知的,根据双馈感应发电机的数学模型,A和B为
其中s=(ωs-ωr)/ωb;
将线性状态空间模型(1)离散化得
x(t+1)=Adx(t)+Bdu(t)+γw(t) (2)
其中Ad=eAT,
T为采样周期;此外,传感器量测信息包括定子电压以及转子电压等,令yi(t)为第i个传感器的测量输出,定义观测方程为
yi(t)=Cix(t)+γivi(t)(i=1,2,...,L) (3)
其中Ci为第i个传感器的测量矩阵,γi为传感器i的测量噪声的系数矩阵,vi(t)为传感器i的未知有界过程噪声,
κ是未知的;各个传感器会将测量到的数据实时发送到控制中心,以便维护人员远程监控发电机状态;步骤三:分布式融合估计方法,过程如下:
针对(2)-(3),设计了一种噪声统计特性未知的分布式融合估计方法分为如下步骤:
3.1、预测:设为第i个传感器的状态预测
3.2、估计:设
为第i个传感器的状态估计
3.3、融合:设为融合状态估计
其中(5)中的最优增益
和(6)中分布式加权融合矩阵Ωi(t)(i=1,2,...,L)由求解以下两个凸优化问题得到,首先定义
最优增益由求解下面凸优化问题得到:
加权融合矩阵Ωi(t)(i=1,2,...,L)由求解下面凸优化问题得到:
其中
为验证本发明所设计方法的有效性,采用以下实例来进行验证。
设置电机的基本参数:fb=50Hz,fs=50Hz,fr=40Hz,Rs=0.004Ω,Rr=0.005Ω,Ls=0.09Ω,Lr=0.08Ω,Lb=3.95Ω代入风力发电机的状态空间模型。输入参数设定如下:定子d轴电压vds=0.02V,q轴电压vqs=0.99V;转子d轴电压vdr=0.02V,q轴电压vdr=0.206V。采用四个传感器测量发电机的四个电流分量,测量矩阵分别为C1=[1 0 0 0]、C2=[0 1 0 0]、C3=[0 0 1 0]、C4=[0 0 0 1]。过程噪声与观测噪声的系数矩阵皆为单位矩阵,假设有界噪声为
其中p1(t)∈[0,1],p2(t)∈[0,1],p3(t)∈[0,1],p4(t)∈[0,1],pv1(t)∈[0,1],pv2(t)∈[0,1],pv3(t)∈[0,1],pv4(t)∈[0,1]
通过LMI工具箱求解(8)得到最优增益求解(9)得到加权融合矩阵Ωi(t)(i=1,2,...,L),根据求解的和Ωi(t)(i=1,2,...,L),结合式(5)和(6)可计算出局部状态估计值与融合估计值
绘制系统真实轨迹与分布式融合估计轨迹如图3所示,从图中可以看出本发明所提出的融合估计方法可以较好的估计出发电机的状态。此外,计算实际状态与融合估计状态的误差,如图4所示,从图中可以看出估计误差较小,这表明了本发明的融合估计算法具有较高的估计精度。实验结果表明在噪声的统计特性无法精准获取时,此方法仍可以较为准确的估计出风力发电机的状态。因此,本发明设计的分布式融合估计方法更加适用于实际的风力发电系统。