当前位置：首页 > news >正文

5MW 风电机组 LQR 功率调节：带状态观测器的探索之旅

news 2026/6/5 20:33:13

5MW风电机组LQR功率调节，带状态观测器包含一个4状态的线性化模型，状态量分别是扭转角，转子转速，发电机转速和变桨角，模型可扩展用来做其他应用！有参考文献，代码有注释

在风电领域，5MW 风电机组的高效运行至关重要，而功率调节是其中关键一环。今天咱们就来聊聊基于线性二次型调节器（LQR）并带有状态观测器的功率调节，还涉及一个 4 状态的线性化模型哦。

4 状态线性化模型

这个模型包含扭转角（假设用 $\theta$ 表示）、转子转速（$\omegar$）、发电机转速（$\omegag$）和变桨角（$\beta$）这 4 个状态量。这个模型非常有趣，它可不单单局限于 5MW 风电机组的功率调节，还具有很强的扩展性，能用于其他相关应用场景。就好比搭积木，这个模型是其中很关键且灵活的一块，能跟其他模块组合出不同的“建筑”。

代码实现这个模型部分示例（Python 语言，简单示意状态方程）

import numpy as np # 定义系统矩阵 A，B（根据实际物理模型确定具体数值，这里仅示意结构） A = np.array([[0, 1, 0, 0], [0, -1, 1, 0], [0, 0, -2, 0], [0, 0, 0, -3]]) B = np.array([[0], [0], [1], [0]]) # 定义初始状态 x0 x0 = np.array([[0], [0], [0], [0]]) # 定义时间步长 dt 和总时间 T dt = 0.01 T = 10 # 模拟系统状态随时间变化 time_points = np.arange(0, T, dt) num_points = len(time_points) states = np.zeros((4, num_points)) states[:, 0] = x0.flatten() for k in range(1, num_points): x_k = states[:, k - 1].reshape(-1, 1) u_k = 0 # 这里先假设控制输入 u 为 0，实际需要根据控制策略确定 states[:, k] = (np.eye(4) + A * dt).dot(x_k) + B * dt * u_k

在这段代码里，我们先定义了系统矩阵A和输入矩阵B，它们的具体数值得依据真实的物理模型来确定，这里只是给出一个结构示例。然后设定了初始状态x0，以及时间步长dt和总时间T。通过循环模拟系统状态随时间的变化，每一步都根据离散化的状态方程更新状态。这里简单假设控制输入u为 0，实际应用中u得根据具体的控制策略来确定。

LQR 功率调节

LQR 是一种经典的最优控制策略，目标是寻找一个控制律，使得性能指标函数最小化。对于我们的风电机组系统，通过合适地选择 Q 和 R 矩阵（Q 是状态权重矩阵，R 是控制输入权重矩阵），能让系统在调节功率时达到较好的性能。

LQR 控制律代码实现示例（Python，基于之前定义的模型部分）

import control as ct # 计算 LQR 增益矩阵 K Q = np.diag([1, 1, 1, 1]) R = np.array([[1]]) K, S, E = ct.lqr(A, B, Q, R) # 使用 LQR 增益矩阵 K 来更新控制输入 for k in range(1, num_points): x_k = states[:, k - 1].reshape(-1, 1) u_k = -K.dot(x_k) states[:, k] = (np.eye(4) + A * dt).dot(x_k) + B * dt * u_k

在这段代码里，我们先定义了状态权重矩阵Q和控制输入权重矩阵R，然后调用control库中的lqr函数来计算 LQR 增益矩阵K。之后在模拟循环中，根据当前状态xk和增益矩阵K来计算控制输入uk，进而更新系统状态。

状态观测器

由于在实际情况中，并非所有状态量都能直接测量得到，这时候状态观测器就派上用场啦。它可以根据可测量的输出和输入信息，估计出系统的不可测状态。

状态观测器代码示例（Python，基于前面内容）

# 定义输出矩阵 C（假设输出为发电机转速，仅示意） C = np.array([[0, 0, 1, 0]]) # 计算观测器增益矩阵 L P = np.array([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0], [0, 0, 0, 1]]) Q_obs = np.diag([1, 1, 1, 1]) R_obs = np.array([[1]]) L = np.linalg.inv(P).dot(C.T).dot(np.linalg.inv(R_obs)) # 模拟带有观测器的系统 estimated_states = np.zeros((4, num_points)) estimated_states[:, 0] = x0.flatten() for k in range(1, num_points): x_k = estimated_states[:, k - 1].reshape(-1, 1) u_k = -K.dot(x_k) y_k = C.dot(x_k) estimated_states[:, k] = (np.eye(4) + A * dt).dot(x_k) + B * dt * u_k + L * (y_k - C.dot((np.eye(4) + A * dt).dot(x_k) + B * dt * u_k))

这里我们先定义了输出矩阵C，假设输出为发电机转速。然后通过 Riccati 方程相关的计算得到观测器增益矩阵L。在模拟过程中，我们不仅根据控制律更新状态，还利用观测器增益矩阵L和输出信息y_k来修正估计的状态，让估计状态尽可能接近真实状态。

总的来说，通过这个 4 状态的线性化模型，结合 LQR 功率调节和状态观测器，能为 5MW 风电机组的功率调节提供一个较为有效的方案，而且这个模型的扩展性也为其他相关应用带来了更多可能。感兴趣的小伙伴可以深入研究研究，说不定能在这个基础上开发出更厉害的东西呢！