大型变速风力发电机组的风速软测量
第２７卷第４期２００６年４月太阳能学报
Ａ（ｊＩＡＥＮＥＲＧＩＡＥＳＯＬＡＲＩＳＳＩＮＩＣＡ
Ｖ０１．２７。Ｎｏ．４
Ａｐｒ．，２００６
文章编号：吆５４－加％（２０嘶）呻０３２１．惦
大型变速风力发电机组的风速软测量
张新房，徐大平，柳亦兵，杨锡运
（华北电力大学自动化系，北京１０２２０６）
摘要：将风力机有效风速的估计作为软测量问题，提出了基于支持向量机的有效风速软测量模型。仿真结果表明，支持向量机是软测量建模的有效方法，有效风速的估计能较好地跟踪有效风速的变化趋势，并具有较高的泛化能力和估计精度。
关键词：支持向量机；风力发电机组；变桨距；有效风速；软测量
中图分类号：ｒＩＭ３１５；’Ⅸ２７４文献标识码：Ａ
Ｏ引言
风力发电机组是一个连续随机的非线性多变量系统。控制技术是大型并网风力发电机组安全高效运行的关键ｕＪ。目前许多风力发电机组控制系统中，根据位于机舱顶部的风速计测得的风速信号调节风力发电机组的转速和输出功率。由于风力机处于三维时变的风场环境中，风速在整个风力机旋转平面上分布不同，而且受湍流、塔架、风剪差、地表粗糙度等因素的影响，基于风速计测量得到的风速调节转速和功率是不精确的。即使风速计测得的风速是准确的，也只是一点的风速，和整个风力机旋转平面所受到的有效风速有很大差别，因此有效风速是不能直接测量的。
估计风速可以用于低于额定风速和高于额定风速时变速风力发电机组的控制，提高控制系统的性能怛。Ｊ。低于额定风速时，估计风速用于确定电力电子装置的最优控制动作，风速的精确估计成为控制系统设计的前提条件。高于额定风速时，风速估计用于确定系统运行点，补偿风力机空气动力学的非线性，增强控制系统的鲁棒性［５］。文献［２］介绍了在直接转速控制策略中利用风速测量导出风力机的最佳转速，文献［３，４］建议用测量风速来改善变桨距控制系统的动态响应。
为了解决无法或难以直接测量变量的检测问题，软测量技术得到了很大的发展。软测量技术就是建立待测变量与可测或易测的过程变量之间的非线性函数关系，它通过对可测变量的变换计算，间接地得到待测变量的估计值。软测量技术的核心问题是建立软测量的数学模型，以实现辅助变量对主导变量的最优估计。文献［３，５］采用Ｋａ】ｍａｎ滤波器进
收稿日期：２００４．０６一１１行风速估计，虽然该方法可以得到风速预测，但是当风速大范围变化时，ｌ（ａ】ｌＩｌａｎ滤波器很难进行实时工作，因为Ｋａ】ｍａｎ滤波器基于非线性系统在运行点处的线性化模型进行状态估计，线性化模型在每一时间都要更新，会造成很大的计算量。本文利用支持向量机进行有效风速的软测量建模。支持向量机（Ｓｕｐｐ吼ＶｅｃｔｏｒＭａｃｈｉｎｅ）是由Ｖ印ｎｉｋ在上世纪９０年代中期提出的以统计学习理论为基础的一种新型机器学习方法№Ｊ。与基于经验风险最小化原理的神经网络不同，支持向量机基于Ｖｃ维（Ｖａｐｎｉｋ－ｃｈｅｒｖｏｎｅｎ—ｋｉｓＤｉｍｅ璐ｉｏｎ）理论和结构风险最小化原理，较好地解决了小样本、非线性、高维数、局部极小点等实际问题，具有很强的泛化能力。
本文将风力发电机组有效风速的估计作为软测量问题，提出了基于支持向量机的有效风速软测量模型。与Ｋａ】ｍａｎ滤波器有效风速估计方法作对比仿真，结果表明基于支持向量机的软测量模型能较好地跟踪有效风速的变化趋势，具有较高的泛化能力和估计精度。
１有效风速软测量基本原理
风力发电机组向大容量、优良的发电质量、减少噪音、降低成本、提高效率的方向发展。大型水平轴变速变桨距风力机发电机组是２０世纪最后几年加入到大型风力发电机组主流机型的行列中。与恒速风力发电机组相比，其优越性在于：低风速时能够根据风速变化调节风轮转速，在运行中保持最佳叶尖速比以获得最大风能；高风速时利用风力机转速的变化，储存或释放部分能量提高传动系统的柔性，使功率输出更加平稳。
风力发电机组的输出功率主要受３个因素的影
万方数据万方数据
３２２
太阳能学报２７卷
响：可利用的风能、发电机的功率曲线和发电机对变化风速的响应能力［１］。风力机从风能中捕获的功率和发电机输出功率为：
Ｐ。＝告ｃ，（卢，Ａ）ｌＤ兀尺２皖
（１）Ａ：笋
（２）ｙ”
Ｐ＝矿，
（３）
式中，Ｐ，——风轮吸收功率，ｗ；Ｐ——发电机功率，ｗ；ｐ——空气密度，ｋｇ／ｍ３；Ｒ——风轮半径，ｍ；Ａ——叶尖速比；力——风轮转速，瑚ｄ／ｓ；ｎ——有效
风速；卜桨距角；叩——传动链和发电机的总效
率；ｃ。（ｐ，Ａ）——风能利用系数，最大值是贝兹极限５９．３％，ｃ。［９１曲线如图１。根据图１，只要使得风轮
的叶尖速比Ａ＝Ａ哪，就可维持机组在Ｃｍ一下运行。
籁惴旺熏箍匿
Ｏ
５．Ｏ
６．５
ｌＯ．Ｏ
１５．Ｏ
叶尖速比
图ｌ
Ｃ。（卢，Ａ）曲线
Ｆｉｇ．１
ｃｕｒｖｅｓｏｆ
ｃ。（Ｊ９，Ａ）
有效风速软测量的基本思想是把风力发电机组
当作风速仪对有效风速进行估计，因此需要建立有
效风速预测模型。由于风力机转速力、发电机功率Ｐ和桨距角口是容易测量得到的风力发电机组输入
输出变量，因此有效风速ｎ的模型可以表示为Ｑ、
Ｐ和口的非线性函数：
ｎ＝，（ｎ，Ｐ，卢）
（４）
２基于支持向量机的风速软测量建模
２．１支持向量机估计算法
给定ｚ个样本数据（‰，儿）！：。，其中钆∈彤为
疗维软测量样本输入，饥∈冠为样本输出，软测量建模问题就是要找出一个函数．厂，使之通过样本训练后，对于样本以外的戈，通过．厂找出对应的ｙ。利用非线性映射９（?）将训练数据集非线性地映射到一
个高维特征空间（ｍｌｂｅｎ空间），将非线性函数估计问题转化为高维特征空间中的线性函数估计问题。
设函数具有如下形式：
以算）＝础７ｐ（戈々）＋６
∞∈月”，６∈只（５）
式中非线性函数妒（?）：彤一尺曲将输入空间映射到
一个高维特征空间，特征空间的维数不固定，６为偏
置量。根据ｖ即ｎｉｋ的结构风险最小化原理，软测量建模问题就是寻找使下面风险函数最小的．厂（茗）：
Ｒ噼＝吉０ｃｃ，１１２＋Ｇ?Ｒ￡唧，
（６）
其中ＪＪ叫ＪＪ２——描述模型．厂（省）复杂度；ｃ——调节常数，能够使训练误差和模型复杂度之间取一个折衷，以便使所求得的软测量模型具有较好的泛化能
力。经验风险：
Ｒ；＝专∑Ｉ），一／（菇）Ｉ。
（７）
式中不灵敏损失函数（‰ｉｔｉｖｅ
ＬＤｓｓ
Ｆｕｎｃｔｉｏｎ）的定
义如下：
ｙ一以菇）Ｉ。＝Ⅱ】ａｘ｛ｏ，Ｉｙ一八髫）ｌ—ｅ｝
（８）
（５）式的风险函数最小等价于求解下面的优化
问题。目标函数：
ｍｉｎ。歹＝专ＩＩ∞ＩＩ２＋ｃ∑（毫＋手？）（９）。．６。｝。ｅ‘
二
酉
约束条件：
ｒｙｉ一∞’垆（筇。）一６≤￡＋￡
｛叫７９（筏）＋６一孔≤￡＋ｅ？
ｏ毫，亭？≤０，￡≤０，
江１，…，Ｚ
利用对偶原理（Ｄｕａｌｉ哆吐ｌｅｏｆｙ）、拉格朗日乘子法
（啪ｇｅ）和核函数得到优化问题的对偶形式为：
ｍａ圣．，＝专∑（口ｉ一口ｊ）（哟一口ｊ）七（筏，≈）＋
口，ａ
—ｉ，』＝１
ｅ∑（口ｉ＋ａ；）＋∑儿（口ｉ一口ｊ）
（１０）
约束条件：
ｆ∑（口ｉ—ａ？）＝ｏ
｛扛１
【ｄｉ，口？∈［０，Ｃ］
支持向量机的输出为：
ｆ∞＝∑（口ｉ—ａ？）９（茗ｉ）｛”１，
（１１）
【，（ｘ）＝∑（口一：）ｌｊ｝（拍石）＋６
５４３
２１Ｏ１
２
ＯＯＯＯＯＯ０
Ｏ 万方数据万方数据
４期张新房等：大型变速风力发电机组的风速软测量３２３
式中，（口ｉ—ａｊ）≠０对应的戈ｉ为支持向量；核函数后（辑，戈ｆ）＝９（省ｉ）７妒（ｚｆ），它是满足Ｍｅｒｃｅｒ条件的任意对称函数。常用的核函数有：①多项式核｜｜｝（石ｉ，菇ｆ）＝（＜筏，戈ｆ＞＋ｐ）。，ｐ≥０，ｄ为阶数；②高斯型径
１１Ｊ｜２
向核后（规，搿，）：ｅｘｐ［一卫兰≯］；③感知器核Ｊ｜｝
厶Ｄ
（髫ｉ，戈ｆ）＝协＾（卢＜石ｉ，戈ｆ＞＋６）。
偏置６可以通过ＫＫＴ（Ｋ棚ｓｈ．Ｋｕｈｎ—Ｔｕｃｋｅｒ）条件计算：
？
６＝），ｉ一≥：（ａｉ—ａｊ）晟（石；，舅）一ｅ，ａｉ∈（ｏ，ｃ）ｉ＝ｌ
ｆ
６＝），。一≥：（ａ。一ａ；）七（石ｉ，戈）＋￡，ｄｉ∈（ｏ，ｃ）ｉ＝ｌ
（１２）利用一般的二次型规划方法通过解上述的对偶问题，可以求得参数口；，ａｊ，利用Ｋ研条件可以求得参数６，这样便可以求出函数厂：
ｆ
八ｘ）＝芝：（ａｉ—ａ？）．｜｝（％菇）＋６（１３）
墨ｉ
２．２有效风速软测量建模
软测量就是根据某种最优准则，选择一组与被估计变量（主导变量）相关的一组可测变量（二次变量），构造某种以可测变量为输人、被估计变量为输出的数学模型，用计算机软件实现重要过程变量的估计。软测量器的估计值作为控制系统的被控变量或反映过程特征的工艺参数，为优化控制与决策提供重要信息。有效风速软测量的二次变量为风力机转速力、发电机功率Ｐ和桨距角口，主导变量为有效风速¨。目前软测量建模的主要方法ｎ’８１有：①机理建模；②基于状态估计的模型；③回归分析建模；
④基于人工神经网络的建模；⑤模糊建模；⑥混合建模。基于支持向量机的软测量建模属于黑盒子模型，只关心对象的输入与输出，而不必关心对象的具体结构，输入输出之间的映射关系由支持向量机完成。支持向量机软测器的基本结构如图２，其中ｘ’为可能有的离线分析计算值或大采样间隔的测量值（如分析仪输出），一般用于离线辨识模型的参数，也用于软测量模型的在线自校正。在软测量器中，可测变量ｘ、控制输入Ｍ、可测输出变量ｙ作为软测量器的输入变量，被估计变量的最优估计名为输出，用支持向量机实现输入输出的非线性函数关系。在进行支持向量机建模时，模型参数的选择非常重要，也是支持向量机研究领域的一个重要课题。本文采用交叉验证的方法进行支持向量机参数的选取。首先确定调节参数集｛Ｇｌ，．一，ｃⅣ｝和核参数集｛仃ｌ＇．一，ｄⅣ｝，然后从参数集中选取参数分别进行组合，对支持向量机进行训练。用确认集检验，选出最优组合参数作为模型的最终参数。
硐掣隔
可测变量ｘｌ发
被估计变量ｙ
鼍坠坠
图２支持向量机软测量器的基本结构
Ｆｉｇ，２ＢａｓｉｃｓｍｌｃｔｕｒｅｏｆＳｖＭｓｏｍｓｅｎ∞ｒ
基于支持向量机的软测量建模步骤概括如下：
１）确定输入输出变量：包括变量类型、变量数量和检测点的选择；
２）采集样本数据，对样本数据进行校正和标准化变换；
３）支持向量机软测量模型的建立：确定支持向量机模型参数集，从参数集中选取参数分别进行组合，利用所选参数进行支持向量机的训练；
４）用确认集进行检验，返回３）直至组合结束；
５）选出最优组合参数，建立支持向量机模型并进行预测。
３仿真实例
３。１风力发电仿真系统及样本采集
基于支持向量机软测量模型的实验确定方法，需要在所有运行风况下风力机的风洞实验结果，该方法虽然能给出一个尽可能真实的物理模型，但很难实现。另外，训练样本也可以从并网运行的风力发电机组控制系统的数据库中采集并加以处理后获得，但这种方法不但需要已经并网运行的变速变桨距机组，而且还需要在风轮扫风面的多个点进行风速测量，目前风电场的运行机组尚不能提供这种实验方案。由于以上原因，本文采用额定功率为１Ｍｗ的变速变桨距风力发电机组仿真系统获得样本数据，仿真系统的建模过程参考文献［５］。虽然风力发电仿真系统与真实的物理模型有一定差别，但这并不影响证明本文提出方法的有效性。
变速风力发电机组的运行根据不同的风况可分为３个阶段，见图３。第一阶段是起动阶段，发电机
万方数据万方数据
３２４太阳能学报２７卷
转速从静止上升到切人速度。在切人速度以下，发
电机并没有功率输出，风力机在风力作用下作机械
转动，该阶段我们不作讨论；第二阶段是风力发电机
组切入电网后运行在额定风速以下的区域。此时，
桨距角保持最优值不变，通过电力电子装置控制发
电机的电磁响应转矩，实现风力机转速随风速变化
而变化，跟踪最佳功率曲线，使风力发电机组具有最
大风能转换效率；第三阶段是高于额定风速时，由于
风力发电机组的机械强度和电气极限的限制，要求
转速和输出功率维持在限定值以下，该阶段称为功
率恒定区。机组控制系统调节风力机的桨距角将多
余的风能除去，保持额定功率输出，同时控制发电机
的电磁转矩减少传动链的转矩脉动，增加传动系统
的柔性，延长机组寿命并使功率输出更加稳定。风
力发电机组在平均风速为３“ｓ时开始启动，风速接
近１２“ｓ时达到额定功率，风速高于２５“ｓ时发电
机组制动刹车，机组参数见附录。
瓣髁额定
功率
（切入风速）（额定风速）（切出风逯）
风速
图３风力发电机组的运行区域Ｆｉｇ．３Ｗｏｒｋｉｎｇｄ０Ⅱ１ａｉｎｏｆｗｉｎｄｔｕｒｂｉｎｅｓ
仿真系统的输人为有效风速Ｋ、桨距角ｐ，输出为风轮转速ｎ和发电机输出功率Ｐ。风力发电机组仿真实验时，假定风力机的偏航系统已经将风力发电机组的主轴调整到与风向垂直的方向，自然风速采用下式模拟：
ｙ。ｉＩｌｄ＝ｙｂ日ｓｅ＋Ａｓｉｎ（“）＋Ｋ商ｓｅ（１４）式中，‰——输入到仿真系统中的风速；‰——平均风速；４——正弦波调制振幅；ｙ戚。——白噪声，其均值为ｏ，方差为ｌ。在风力发电机组仿真系统中，‰经空间滤波器日（ｓ）得到有效风速Ｋｂ。。
日（ｓ）２面ｉ葫研（１５）
式中，后、ｐ。、ｐ：——分别为与平均风速有关的参数。
平均风速‰的变化范围为５ＩＩｌ／ｓ一２０ＩＩｌ／ｓ，采样周期为１ｓ，平均风速每隔１００ｓ增加１“ｓ，这样得到１５００个样本数据对。样本数据几乎包含了风力发电机组在所有运行风况下的有效风速、风力机转速、发电机功率和桨距角采样值。
３．２仿真结果
巍兹‰／＼柑删蓁鞑：鬟孙趔州州二
忙Ｊ６５００１０００１５００Ｏ
渊
嬖。
坦
一Ｏ
Ｏ５００１０００
时间／ｓ１５００
图４ＳⅦ江训练样本
Ｆｉｇ．４
７Ｉ协ＩｌｉｎｇｓａⅡＩｐｌｅｏｆＳ、Ｍ
椭
１
嬖。
超一１
０５０１００１５０２００
时间／ｓ
图５Ｓ、ｍ测试样本
Ｆｉｇ．５ＴｅｓｔｓａＩＩｌｐｌｅｏｆＳｖＭ
支持向量机的核函数取为径向基函数，对采样值进行校正和标准化变换以后进行建模。采用２００个样本测试训练好的支持向量机的泛化性能。图４、图５为支持向量机软测量模型的有效风速估计值与样本值的比较曲线。由仿真结果可知，支持向量机软测量模型的估计值与有效风速的样本值吻合得非常好，估计结果精度很高，较好地跟踪了有效风速的变化趋势。最大训练误差为０．５７２“ｓ，最大测试误差为０．７４４ＩＩｌ，ｓ。在相同的有效风速测试样本下，使用ＫａｌＩＩｌａｎ滤波器进行有效风速估计，结果见图６。
由于Ｋａ】ｍａｒ】滤波器基于线性化模型，当风速变化较大时，机组偏离线性化运行点，有效风速估计误差较大。由测试样本可知，当有效风速从１９ｓ时的１３．２５“ｓ，陕速增加到４５ｓ时的２７．３７“ｓ时，Ｉ（ａ】ｍ粕滤波器有效风速估计的最大误差为２．０３ＩＩｌ／ｓ，而支持向量机则跟踪得很好。仿真结果表明基于支持向量
万方数据万方数据
４期张新房等：大型变速风力发电机组的风速软测量
３２５
机的软测量具有很好的泛化能力，能够高精度地估
风轮额定转速计出风力发电机组的有效风速。
空气密度
０
●
星＼
制匿骚忙
躺嗤士控
时间／８
图６Ｋａ】ｍａｎ滤波器有效风速估计
Ｆｉｇ．６陆ｃｔｉｖｅ
ｗｉｎｄｓｐｅｅｄｅｓｔｉｍａｔｉｏｎｏｆ
ｋｄｒ啪ｆｉｈｅｒ
４结
论
由于大型变速变桨距风力发电机组的有效风速不能直接测量得到，本文将有效风速的估计作为软测量问题，提出了基于支持向量机的有效风速软测量模型。仿真结果表明，支持向量机算法具有学习能力强，泛化能力好等优点，即使在风速大范围变化
时，也能较好地跟踪有效风速的变化趋势。
附录：应用于仿真的风力发电机组参数风轮半径２６ｍ；桨叶数目３；
风轮转动惯量１．０２９×１旷ｋ∥矗；
齿轮箱增速比１：５８；
发电机转动惯量４２ｋ∥矗；
发电机极数４；
额定风速１２．５ｄｓ；
额定功率
１．０ＭＷ；
２．７２３豫ｄ／ｓ：
１．２２５ｌ【ｇ，矗
［参考文献］
ＳｏｎｇＹＤ，Ｈｉｎａｋａ瑚Ｂ
Ｄ，ＢａｏＸ．ＣｏｎⅡＤｌｏｆＷｉｎｄｔｕｒｂｉｎｅｓ
商ｎｇ
ｎｏｌｌｌｉＩｌｅａｒ
ａｄａ砸ｖｅ
ｆｉｅｌｄ
ｅｘｃｉ枷ｏｎ
ａｌｇ谢ｔｌｌＩｎｓ［ＡＪ．Ｐｆｏ—
ｃ
ｅｅｌｄｉｎ黟ｏｆｔｌｌｅＡｍ缸ｃａＩｌＣｏｎｎＤｌｃｏｌ】ｆｈｅｎｃｅ［ｃ］，ｃｌｌｉｃａ９０。
２０００，３：１５５１—１５５５．
Ｉ（ｐ）ａｌ
ＭＴ，ＣｏｏｎｉｃｋＡ，ＥｒｅｄｓＬＬ．ＤｙＩｌａｌｌ】ｉｃｃｏｎ时ｏｌ
ｏｐｔｉｏ璐
ｆｏｒ谢枷ｅ哪州埘ｎｄ
ｔｕ出ｎｅｓ［Ｊ］．ｗｉｎｄＥｎ舀ｎｅｅｒｉｎｇ，
１９９４，１８（１）：１—１２．Ｂｏｓｓａ岫ｙｉ
Ｅ
Ａ．Ａｄ印ｃｉｖｅｐｉｔｃｈｃｏｎｎｄ
ｆｏｒ
ａ
２５０ｋＷｗｉｎｄｔＬ肿
ｂｉｎｅ［Ａ］．ＰｒｏｃＢＩｉｔｉｓｈ
ＷｉｎｄＥｎｅｒｇｙｃｏｎｆｂｒｅｎｃｅ［ｃ］，１９８６：
８５—９２．ＩＪｅｉｄｌＤＪ，ｋｉ山ｅａｄｗＥ．Ａｐｐｌｉｃ撕ｏｎ０ｆ肿ｔｌｌｉｒｌｅａｒｃｏｎⅡＤｌ
ｔｏ
ａ
ＨＡｗＴ［Ａ］．３“ＩＥＥＥ
ｃｏｎｆｊｒｅｎｃｅ
ｏｎ
ｃｏｒｌｔｍｌ
ＡｐＦｄｉｃ撕ｏＩｌ８
［ｃ］，１９９４，２４５—２５０．
Ｍａ）（ｉｎ．Ａ（ｋ叫ｖｅｅｘ吣ｎ哪ｃｏｎｔｒ０ＩａｎｄｗｉｎｄｔｕＩｂｉｎｅｃｏｎⅡｏｌ
［Ｄ］．‰ｈ１１ｉｃａｌｕＩｌｉｖ喇ｔｙｏｆＤｅｎ瑚ｒｋ，１９９ｒ７．
ｖａｐｎｉｋＶ
Ｎ，Ｓｅｃ咖ｄＥｄｉｔｉｏｎ．Ｔｈｅ
ｎａ“ＵｎｅｏｆＳｔａｊｊｓｔｉｃａｌｌｅａｒｎ－
ｉ唱ｔｈ唧［Ｍ］．ＮｅｗＹｏｒｋ：驯嘴ｒ．Ｖｅｄａｇ，１９９９．
徐敏，俞金寿．软测量技术［Ｊ］．石油化工自动化，
１９９８，１６２（２）：１—３．
ＸｕＭｉｎ，ＹｕＪｉｎｓｈｏｌｌ．Ｓ靠ｓｅ璐ｉｎｇｔｅｃｈＩｌｉｑｕｅ…．ＡｕｔｏｒＩ觚ｏｎ
ｉｎ
Ｐｅ吐伊Ｃ｝ｌｅＩＩｌｉｃａｌＩｎｄｕｓ时，１９９８，１６２（２）：ｌ一３．
ＧｏｎｚａｌｅｚＧＤ，ＲｅｄａＩｄＪＰ，ＢａｒｒｅｍＲ，ｅｔａ１．Ｉｓｓｕｅｓｉｎｓｍ—
ｓｅｎｓｏｒ
ａｐｐｌｉｃ撕ｏｎｓ
ｉｎｉｎｄｕｓ丽ａｌ
ｐｌ删ｓ［Ａ］．Ｐｒｏｃｅｅｄｉｎ铲ｏｆ
ⅢＥＥＩＩｌｔｅｍａｔｉｏｒｌａｌ
Ｓｙｒｎｐｏｓｉ唧ｏｎ
Ｉｎｄｕｓ嘶ａｌＥｌｅｃ劬ｎｉｃｓｌＣＪ，
１９９１４．３８ｍ一３８５．
ＳＩｏｏｈ忧ｇ
Ｊ
Ｇ，硒ｆｌｇＷ
Ｌ，Ｐｏｌｉｒｌｄｅｒ
Ｈ．聊ｌｌａＩｌｌｉｃ咖ｄｅｍｒ嗨ｏｆ
ａ
ｗｉｎｄｔＬｌｒｂｉｎｅｗｉｍｄｏｕｂｌｙ｛甜ｉｎｄｕｃｔｉｏｎ
ｇｅｎｅｍｔｏｒ［Ａｊ．Ｐｂｗｅｒ
Ｅ画ｎｅｅｒｉＩｌｇ
ｓｏｃｉｅｔｙＳｌ朋ｍｅｒＭｅｅｔｉｎｇ［ｃ］，２００１，ＩＥＥＥ，１：
６４４——６４９．
Ⅵ７］Ｄｉ］Ｄｓ】Ｐｌ￡ＥＤＳＯＦＴＳＥＮｓｏＲＦＯＲＬＡＲＧＥ—ＳＣＡＬＥ
ＶＡＲＩＡＢＬＥＳ】阿强明ＤⅥ刀Ｄ玎ＤＴＵＲＢＩＮＥＳ
ＺｈａＩｌｇ
ＸｉＩｌｆ她，ＸｕＤ印ｉｎｇ，“ｕＹｉｂｉｎｇ，Ｙａｎｇ）【ｉｙｌＪｎ
（啦阻胁ｅ耐矿Ａ呦眦斑ｃ０眦ｄ，Ⅳｏ砌蕊打ｍ
Ｅ妇廊Ｐｏ札盯№睁，＆季她ｔ０２２０６，饶矗础）
Ａｂｓ蛔ｃｔ：Ｔｈｅ
ｅ任＆ｔｉｖｅｗｉｎｄｓｐｅｅｄｅｓｔｉｍａｔｉｏｎ
ｗａｓ
ｃｏＩｌｓｉｄｅ”ｅｄａｓ
ｓｏｆｔ
ｓｅｎｓｏｒ．鼬ｓ朗ｓｏｒｍｏｄｅｌｉｎｇｆ矗ｅｆｆｅｃｔｉｖｅｗｉｎｄｓｐｅｅｄ
ｗａｓ
ｐｍｐｏｓｅｄｂａｓｅｄ
ｏｎ
ｓｕＨ）ｏｒｔ
ｖｅｃｔｏｒ
ｍａｃｈｉｎｅ．Ｓｉ砌ｌａｔｉｏｎ
ｒｅＳｕｌｔｓｓｈｏｗｓｕ弭＇０ｎｖｅｃｔｏｒｍａｃｈｉｎｅｉｓ
ａｎ
ｅｆｋｃｔｉｖｅｍｅ山０ｄｆ矗
ｓ硪ｓｅｎｓｏｒｍｏｄｅｌｉｎｇ．Ｅｆｆ＆ｔｉｖｅ谢ｎｄ
ｓｐｅｅｄｅｓｔｉＩＩ｜ａｔｉｏｎｃａｎ
ｅｘａｃｔｌｙｔＥａｃｋｔｈｅｔｒｅｎｄ０ｆｗｉｎｄｓｐｅｅｄａｎｄｈａｓｈｉ曲ｅｓｔｉｍａ矗ｏｎ
ｐｌ℃ｃｉｓｉｏｎ．
Ｋ∞ｍｒｏＩ也：ｓｕｐｐｏｎ
ｖｅｃｔｏｒ
ｍａｃｈｉｎｅ；埘ｎｄｔｕ小ｉｎｅｓ；ｖａｄａｂｌｅｐｉｔｃｈ；ｅ￡ｆ＆ｔｉｖｅ埘ｎｄｓｐｅｅｄ；ｓｏｎ
ｓｅｎｓｏｒ
联系人Ｂｍａｉｌ：ｍｏｕｓｅｚｘｆ＠ｓｉｎａ．ｃｏｍ
１ｊ
１Ｊ
１Ｊ
１Ｊ
１Ｊ
ｎ眩ｂ心ｂ
瞄ｎ
一
随
陟 万方数据万方数据
大型变速风力发电机组的风速软测量
作者：张新房， 徐大平， 柳亦兵， 杨锡运， Zhang Xinfang， Xu Daping， Liu Yibing，Yang Xiyun
作者单位：华北电力大学自动化系,北京,102206
刊名：
太阳能学报
英文刊名：ACTA ENERGIAE SOLARIS SINICA
年，卷(期)：2006,27(4)
被引用次数：9次
参考文献(10条)
1.Song Y D.Hinakaran B D.Bao X Control of wind turbines using nonlinear adaptive field excitation algorithms[外文会议] 2000
2.Iqbal M T.Coonick A.Ereris L L Dynamic control options for variable speed wind turbines 1994(01)
3.Bossanyi E A Adaptive pitch control for a 250 kW wind turbine 1986
4.Leith D J.Leithead W E Application of nonlinear control to a HAWT[外文会议] 1994
5.Ma Xin Adaptive extremum control and wind turbine control 1997
6.Vapnik V N The nature of statistical learning theory 1999
7.徐敏.俞金寿软测量技术 1998(02)
8.Xu Min.Yu Jiushou Soft-sensing technique 1998(02)
9.Gonzalez G D.Redard J P.Barrera R Issues in softsensor applicatious in industrial plants[外文会议] 1994
10.Slootweg J G.Kling W L.Polinder H Dynamic modelling of a wind turbine with doubly fed induction generator[外文会议] 2001
本文读者也读过(4条)
1.何玉林.刘军.李俊.任海军.HE Yu-lin.LIU Jun.LI Jun.REN Hai-jun变速变桨距风力发电机组控制策略优化[期刊论文]-电力系统保护与控制2011,39(12)
2.纪国瑞.董泽.韩璞.徐大平.JI Guo-rui.DONG Ze.BAN Pu.XU Da-ping基于最小二乘支持向量机的风力发电机组风速软测量[期刊论文]-中国电力2009,42(2)
3.刘震.汪令祥.LIU Zhen.WANG Ling-xiang基于神经网络的风力发电系统风速软测量[期刊论文]-中国电力2010,43(11)
4.张新房.徐大平.吕跃刚.柳亦兵大型变速风力发电机组的自适应模糊控制[期刊论文]-系统仿真学报2004,16(3)
引证文献(9条)
1.纪国瑞.董泽.韩璞.徐大平基于最小二乘支持向量机的风力发电机组风速软测量[期刊论文]-中国电力 2009(2)
2.董海鹰.魏占宏.杨玺.李晓青基于自适应模糊神经网络的风速软测量[期刊论文]-电力系统及其自动化学报2013(1)
3.刘震.汪令祥基于神经网络的风力发电系统风速软测量[期刊论文]-中国电力 2010(11)
4.张华.曾杰基于支持向量机的风速预测模型研究[期刊论文]-太阳能学报 2010(7)
5.杨绍辉.何宏舟.邓捷基于水平轴海流能发电系统的海流流速神经网络软测量[期刊论文]-海洋技术 2012(3)
6.傅洁.张慧玲.何斌.范钦珊变桨距风力机分段控制策略[期刊论文]-南京工业大学学报（自然科学版） 2011(2)
7.付伟.杨先一.冯伟.陈然遗传神经网络在风电场风速估计中的应用[期刊论文]-现代科学仪器 2009(6)
8.瞿龙祥兆瓦级风力发电机组核心控制器设计[期刊论文]-上海海事大学学报 2008(4)
9.程启明.程尹曼.汪明媚.王映斐风力发电中风速测量技术的发展[期刊论文]-自动化仪表 2010(7)本文链接：https://www.wendangku.net/doc/9a12562000.html,/Periodical_tynxb200604001.aspx