基于迭代学习的误差增强型主动干扰抑制控制，用于海上风力涡轮机的功率调节

《Electric Power Systems Research》：Iterative-learning enhanced error-based active disturbance rejection control for power regulation of offshore wind turbines

海上风电功率波动抑制策略研究。提出误差基主动干扰抑制控制与迭代学习融合的EADRC-IL方法，通过迭代学习补偿周期性扰动，结合EADRC实时抑制随机扰动，降低扩展状态观测器估计负担。采用混沌正弦余弦辅助山水优化算法优化参数，确保收敛速度和调节性能。仿真表明在阶跃风和湍流风下，EADRC-IL较基线降低超调20.1%，MAE减少36.63%。

　　

侯国联|李清伟|于琪|黄婷

华北电力大学控制与计算机工程学院，中国北京102206

摘要

海上风电已成为全球清洁能源转型的关键驱动力。然而，风场的固有随机性导致电力波动明显，传统控制器无法有效缓解这一问题，特别是在周期性干扰下。为了解决这些问题，本文提出了一种基于误差的主动干扰抑制控制策略（EADRC-IL），并结合迭代学习技术，用于海上风力涡轮机（OWTs），以抑制电力波动。迭代学习的引入使得可重复成分的前馈补偿成为可能，减轻了扩展状态观测器的估计负担，并在保持EADRC对随机干扰的鲁棒性的同时增强了干扰抑制能力。此外，使用奇异摄动理论对EADRC-IL进行了稳定性分析，以确保其理论上的合理性。此外，还设计了混沌正弦-余弦辅助的山羚优化器来高效调整控制器参数，确保了收敛速度和调节性能。在5兆瓦OWT上的高保真OpenFAST仿真显示，EADRC-IL的表现始终优于基线方法，在阶跃风条件下可减少20.1%的超调，在湍流风条件下可减少36.63%的平均绝对误差（MAE）。

引言

随着全球能源系统向清洁和低碳发展迈进，可再生能源发挥着越来越重要的作用，其中风电成为主要选择[1]。得益于更强更稳定的风资源以及最小的土地占用，海上风力涡轮机（OWTs）在欧洲、中国和其他沿海地区迅速扩展[2,3]。然而，风电发电比例的增加引入了显著的变异性和不确定性，挑战了现代电力系统的频率和电压稳定性[4]。特别是在高风速下，如果控制不当，OWTs可能会超过其额定输出，导致机械应力和电网不稳定[5,6]。这些问题突显了需要适合强风运行环境的鲁棒恒功率控制策略。

在上述额定运行区域内，叶片俯仰控制是维持恒功率控制的主要手段。近年来，已有大量研究致力于OWTs的俯仰控制策略[[7], [8], [9]]。Wan等人[8]开发了一种具有两自由度的鲁棒俯仰控制框架，结合了环路整形技术来同时提高功率调节能力。尽管在各种俯仰角控制策略方面取得了显著进展，但许多现有方法仍然依赖于精确的系统模型或扰动估计。然而，由于OWT运行的高度非线性空气动力学特性、时变运行条件以及不可测量的风扰动，实际中实现精确建模往往并不容易。

主动干扰抑制控制（ADRC）由Han提出，作为一种比PID控制更鲁棒的替代方案而受到越来越多的关注[9]，因为它对精确的植物模型的依赖性较低[10]。ADRC将内部动态和外部扰动视为“总扰动”，并使用扩展状态观测器（ESO）实时估计和补偿这些效应[11]。这些特性使ADRC非常适合高风速下的恒功率控制，其中快速响应和强大的干扰抑制能力至关重要[12]。

最近在可再生能源系统中对ADRC的改进得到了越来越多的研究[13,14]。增强干扰抑制能力和进一步简化ADRC结构仍然是重要的研究方向[15,16]。Fan等人[15]将前馈与ADRC结合，通过将多种理论融合到ADRC框架中来保持植物稳定性并提高扰动估计能力。Zhou等人[16]证明任何线性有限维控制器都可以在线性ADRC框架内等效实现，证明了其作为通用控制结构的普遍性。作为ADRC的核心组件，ESO在多项工作中得到了修改[17,18]。Al-Saggaf等人[19]提出了一种分数阶ADRC，并结合了相应的分数阶ESO以提高鲁棒性和性能。Zhao等人[20]提出了一种基于模型依赖的扩展状态观测器的ADRC，用于在风浪干扰下控制浮动OWTs的俯仰。通过将部分模型信息纳入ESO设计并通过多宇宙优化器优化控制器参数，他们的方法实现了改进的干扰抑制效果。其他研究将各种控制策略与ESO结合使用。例如，Zhang等人[21]设计了一种基于广义ESO的复合干扰抑制方法，在仿真中证明了其有效性，而Tian等人[22]提出了一种自适应ADRC，用于估计周期性和非周期性扰动。这些研究通过整合先进理论技术增强了ADRC框架，同时保持了其核心结构；然而，它们仍然难以准确识别关键过程参数。

相比之下，为了提高实际可行性并降低调整复杂性，基于误差的ADRC（EADRC）已被应用于风力涡轮机的俯仰角控制，证明了其在实际风能系统中的工程适用性[23,24]。EADRC提供了有效的实时干扰抑制，并由于其参数维度的降低而受益于简化的调整过程。然而，它对实时反馈控制的依赖性限制了其利用重复运行周期的历史数据的能力。在OWT俯仰控制中，来自塔架阴影、风切变和旋转采样的扰动在转子旋转过程中表现出显著的周期性。这些重复模式表明存在一种结构化、可重复的不确定性成分，而传统的EADRC将其视为集总和时变的扰动，未能解决这一问题。

作为一种代表性的数据驱动控制方法，迭代学习控制（ILC）在理论和实践上取得了实质性进展[25,26]。Zhou等人[27]研究了使用压电驱动微定位平台数据的滑模迭代学习跟踪控制，Dai等人[28]将ILC应用于空调系统。然而，标准ILC严重依赖于系统运行条件的重复性。在OWT俯仰控制中，随机或突然的扰动会显著降低控制性能。因此，我们有必要利用迭代学习和基于误差的主动干扰抑制控制的互补优势。结合这两种控制方法，ILC可以首先学习和补偿周期性扰动，同时使EADRC能够快速观察和实时抑制非周期性扰动。这种耦合有效地减轻了ESO的估计负担，从而显著提高了整体干扰抑制性能。此外，参数优化是一个广泛研究的课题。为了提高控制器性能，已将各种元启发式算法应用于风力涡轮机系统，包括鲸鱼优化算法[29]、灰狼优化算法[30]、山羚优化算法[31]和雪蚀算法[14]。

基于上述文献分析，现有研究缺乏能够同时处理周期性和随机扰动的统一控制策略。此外，参数调整效率低下，缺乏全局收敛的保证，因为许多元启发式算法过早收敛，无法提供真正最优的控制器设置。为了克服这些限制，本文提出了一种基于迭代学习的增强型基于误差的主动干扰抑制控制（EADRC-IL）策略，用于OWTs的功率调节。主要贡献如下：

·

提出了一种基于迭代学习的EADRC策略，用于功率调节。它将迭代学习与EADRC结合，以预先补偿周期性扰动并抑制随机湍流，从而减轻ESO的估计负担。

·

基于奇异摄动理论提出了所提出的EADRC-IL控制方法的稳定性分析。该定理将EADRC-IL的不同情况分为几类，以验证其指数稳定性和均匀渐近稳定性。

·

开发了混合混沌正弦-余弦辅助的山羚优化器，以高效解决性能优化问题。

本文的其余部分结构如下。第2节介绍系统模型和控制目标，第3节介绍所提出的方法，第4节提供实验验证，第5节总结研究。

部分摘录

风力涡轮机的简化模型和控制目标

风力涡轮机的简化模型如图1所示。

风力涡轮机的数学公式如下：$\{\begin{array}{c}\dot{x}=F\left(x\right)+Gu\\ y=Px\end{array}.$

通过分析OWT的运行机制，其中u是控制律，$y={\omega }_r$

然后x被定义为风力涡轮机的状态向量，其中$x=x_1{x}_2{x}_3{x}_4]={\left[{\omega }_r{\omega }_g{T}_l\beta \right]}^T$, ${\omega }_r$, ${\omega }_g$, $T_l$, ${\omega }_g$, $T_l$, $\beta$分别代表转子速度、发电机速度、低速轴扭矩和俯仰角。方程（1）中OWT的状态空间矩阵参数F(x）、G和P分别为

提出的方法设计和稳定性分析

在本节中，我们为OWTs的恒功率运行开发了EADRC-IL。控制器结合了一个迭代学习循环，用于预先补偿可重复的周期性成分，并通过扩展状态观测器（ESO）抑制随机湍流，从而得到一个紧凑的俯仰执行律。然后，基于奇异摄动理论对所提出的方法进行了稳定性分析。为了获得更好的最优参数结果，使用了CSC-MGO优化算法

案例研究

在本节中，通过仿真实验验证了所提出的算法和控制策略的有效性和优越性。首先在CEC 2017测试套件的代表性基准函数上评估了CSC-MGO算法，如表1所示。

在以下基准函数测试中，选择了三种算法与所提出的CSC-MGO算法进行比较，分别是粒子群优化（PSO）、灰狼优化（GWO）

结论

为了提高高风速下风能转换系统的俯仰控制系统性能，本文描述了EADRC-IL。该方法的主要目的是减轻ESO的观测压力，而ESO是EADRC的核心。所提出的EADRC-IL方法在干扰抑制方面具有优势。该方法具有以下优点：（1）在确保控制器有效性的同时

CRediT作者贡献声明

侯国联：撰写——原始草稿，监督，资源提供。李清伟：撰写——审阅与编辑，撰写——原始草稿，监督，软件开发，调查，概念化。于琪：软件开发，方法论，数据整理。黄婷：监督，形式分析。