(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111388588.9 (22)申请日 2021.11.22 (71)申请人 华能新能源股份有限公司 地址 100036 北京市海淀区复兴 路甲23号 10、 11层 申请人 北京华能新锐控制技 术有限公司 (72)发明人 王森　王雅宾　张琪　吴伯双　 王建国　刘有金　蒋贲　张俊东　 宋海松　单大勇　吴磊　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 代理人 李明　赵吉阳 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种风电机组的控制方法和装置 (57)摘要 本发明提供一种风电机组的控制方法和装 置。 方法包括： 获取影响风电机组风机功率的至 少一个影 响因子； 将所获取到的影 响因子作为预 先训练好的M ‑LS‑SVR预测模型的输入， 获取M ‑ LS‑SVR预测模型输出的最优控制率； 其中M ‑LS‑ SVR预测模型是采用M ‑LS‑SVR算法建立非线 性预 测控制模型后， 利用粒子群优化算法PSO对所述 M‑LS‑SVR算法参数寻优后得到的； 依据最优控制 率对当前风电机组的风机功率进行预测， 得到预 测结果， 以依据预测结果控制风电机组的运行， 保证了风机功率预测准确性， 提高了风电机组的 控制可靠性。 权利要求书4页 说明书14页 附图3页 CN 114298143 A 2022.04.08 CN 114298143 A 1.一种风电机组的控制方法， 其特 征在于， 包括： 获取影响风电机组风机功率的至少一个 影响因子； 将所获取到的影响因子作为预先训练好的多输出最小二乘支持向量回归M ‑LS‑SVR预 测模型的输入， 获取所述M ‑LS‑SVR预测模型输出的最优控制率； 其中所述M ‑LS‑SVR预测模 型是采用M ‑LS‑SVR算法建立非线性预测控制模型后， 利用粒子群优化算法PSO对所述M ‑LS‑ SVR算法参数寻优后得到的； 依据所述最优控制率对当前风电机组的风机功率进行预测， 得到预测结果， 并依据所 述预测结果控制所述 风电机组的运行。 2.根据权利 要求1所述的风电机组的控制方法， 其特征在于， 所述M ‑LS‑SVR预测模型采 用自适应非线性模型 预测控制NMPC策略， 所述自适应非线性模型 预测控制NMPC策略包括： 根据所述M ‑LS‑SVR预测模型输出的预测输出值和实际系统的实际输出值， 自适应调 节 所述M‑LS‑SVR预测模型的参数； 采用序列二次规划法SQP算法求得最优 控制率。 3.根据权利 要求2所述的风电机组的控制方法， 其特征在于， 所述根据所述M ‑LS‑SVR预 测模型输出的预测输出值和实际系统的实际输出值， 自适应调节所述M ‑LS‑SVR预测模 型的 参数包括： 获取所述M ‑LS‑SVR预测模型输出的预测输出值Ym(k)， 所述Ym(k)＝{ym1， ym2，…， ymn}， Ym (k)为所述M ‑LS‑SVR预测模型的n维预测输出值， n 为正整数； 获取实际系统的实际输出值Y(k)； 依据设定值Ysp， 利用公式 计算参考 轨迹输出值Yr(k+j)； 其中 μ为 柔化系数； 利用公式E(k)＝Y(k) ‑Ym(k)， 计算所述预测输出值Ym(k)与所述实际输出值Y(k)的误差 值； 利用公式Yp(k+j)＝Ym(k+j)+hE(k)， 计算所述M ‑LS‑SVR预测模型的校正后预测输出值 Yp(k+j)； 其中Ym(k)为当前时刻输出值， 则Ym(k+j)为未来时刻输出值； 求解下述公式的非线性优化问题， 得到参数最优集， 并利用所述参数最优集更新所述 M‑LS‑SVR预测模型的参数； 其中θ为所述M ‑LS‑SVR预测模型的参数{ri， j， bj}， yj|k表示k时刻过程的第j维输出， 表示k时刻所述M ‑LS‑SVR预测模型的第j维输出， N 为输出量维数， nθ为模型参数个数。 4.根据权利要求2所述的风电机组的控制方法， 其特征在于， 所述采用序列二 次规划法权　利　要　求　书 1/4 页 2 CN 114298143 A 2SQP算法求得最优 控制率包括： 引入拉格朗日乘子 λi得到拉格朗日函数 在迭代点Uk处得到二次规划问题 Hk为在U＝Uk处的Hessian矩阵； 求解所述二次规划问题 得到下一 搜索方向dk， 利用公式Uk+1＝Uk+εkdk更新下一迭代点， 其中标量步长参数 εk通过合适的线性搜索过程 来确定， εk的每次取值需保证公式 有足够的减小量， 其中me为等式 约束的个数， m为 不等式约束的个数， ri为惩罚系数； 利用BFGS算法更新拉格朗日函数的Hes sian矩阵： 将满足终止条件| UK+1‑UK|≤ δ 时的UK+1， 确定为最优控制率。 5.根据权利要求1 ‑4任一项所述的风电机组的控制方法， 其特征在于， 所述影响因子至 少包括风速、 风轮转速、 桨距角中的一项。 6.一种风电机组的控制装置， 其特 征在于， 包括： 第一获取模块， 用于获取影响风电机组风机功率的至少一个 影响因子； 第二获取模块， 用于将所述第 一获取模块获取到的影响因子作为预先训练好的多输出 最小二乘支持向量回归M ‑LS‑SVR预测模型的输入， 获取所述M ‑LS‑SVR预测模 型输出的最优 控制率； 其中所述M ‑LS‑SVR预测模型是采用M ‑LS‑SVR算法建立非线性预测 控制模型后， 利 用粒子群优化 算法PSO对所述M ‑LS‑SVR算法参数寻优后得到的； 预测控制模块， 用于依据所述最优控制率对当前风电机组的风机功率进行预测， 得到 预测结果， 并依据所述预测结果控制所述 风电机组的运行。 7.根据权利 要求6所述的风电机组的控制装置， 其特征在于， 所述M ‑LS‑SVR预测模型采 用自适应非线性模型 预测控制NMPC策略， 所述 风电机组的控制装置还 包括： 第一处理模块， 用于根据所述M ‑LS‑SVR预测模型输出的预测输出值和实际系统的实际 输出值， 自适应调节所述M ‑LS‑SVR预测模型的参数； 第二处理模块， 用于采用序列二次规划法SQP算法求得最优 控制率。 8.根据权利要求7 所述的风电机组的控制装置， 其特 征在于， 所述第一处 理模块包括： 第一获取子模块， 用于获取所述M ‑LS‑SVR预测模型输出的预测输出值Ym(k)， 所述Ym(k) ＝{ym1， ym2，…， ymn}， Ym(k)为所述M ‑LS‑SVR预测模型的n维预测输出值， n 为正整数； 第二获取子模块， 用于获取实际系统的实际输出值Y(k)； 第一计算子模块， 用于依据设定值Ysp， 利用公式权　利　要　求　书 2/4 页 3 CN 114298143 A 3