面向模型预测控制的风电机组深度Koopman全局线性建模方法

摘要

针对风电机组复杂的非线性动态特性阻碍了面向模型预测控制的机组建模，以及现有非线性和局部线性建模方法在模型复杂度和精度方面存在局限性等问题，提出了一种风电机组全局线性建模方法。基于Koopman算子理论和深度学习技术，设计了状态空间映射神经网络；建立了该网络的训练策略，其特点在于包含一个基于Frobenius范数的正则化项，用以提升所得模型的长期预测精度；通过数据驱动的方式训练所提网络，从而建立起风电机组的高维全局线性动态模型。仿真验证结果表明：所提方法下，风轮转速和桨距角的预测误差分别为0.869%和0.026%,远低于3种对比方法；与局部线性动态模型相比，基于所建高维全局线性动态模型的风电场模型预测控制策略使机组风轮转速跟踪误差和越限程度分别降低了92.58%和95.85%。研究结果可为面向模型预测控制的风电机组动态建模提供理论参考。

关键词

风电机组 / Koopman算子理论 / 深度学习 / 全局线性建模 / 模型预测控制

基金资助

国家自然科学基金资助项目(52077165)