Ước lượng trạng thái sử dụng bộ lọc Kalman mở rộng cho các tuabin gió sử dụng máy phát đồng bộ nam châm vĩnh cửu
và
*
Article Sidebar
Full Text: 
PDF
Abstract
Wind turbines are complicated, nonlinear, and time-varying dynamical systems. Therefore, the supervision and control of wind turbines require the measurement of a wide range of sensors, which are expensive in investment and maintenance. As a result, numerous estimation approaches have been proposed for wind turbine control systems in order to reduce the use of physical sensors. This paper presents a study of state estimation for Permanent Magnet Synchronous Generator (PMSG)-based wind turbines. The state estimator has been developed based on the Extended Kalman Filter (EKF) principles applied to nonlinear systems. The constructed state estimator has been applied and simulated in two operation scenarios of wind turbines: fixed and variable system parameters. The simulation results show that the estimator is able to converge for both scenarios.
Tóm tắt
Các tuabin gió là các hệ thống có động học phức tạp, phi tuyến và thay đổi theo thời gian. Do vậy, việc giám sát và điều khiển tuabin gió cần phải đo lường nhiều biến vật lý bằng các cảm biến khác nhau, dẫn tới tốn nhiều chi phí đầu tư hoặc bảo trì. Vì vậy nhiều phương pháp ước lượng dùng Matlab mô phỏng đã được đề xuất để hạn chế sử dụng các cảm biến trong hệ thống điều khiển tuabin gió. Trong bài báo này, kết quả nghiên cứu thiết kế bộ ước lượng các biến trạng thái cho các tuabin gió sử dụng máy phát điện đồng bộ nam châm vĩnh cửu đã được trình bày. Bộ ước lượng được xây dựng dựa trên nguyên lý của bộ lọc Kalman mở rộng dùng cho các hệ thống phi tuyến. Bộ ước lượng sau khi thiết kế được áp dụng và mô phỏng trong hai kịch bản vận hành tuabin gió, với các thông số hệ thống không đổi và thay đổi. Kết quả cho thấy giá trị ước lượng bám sát giá trị thực, và bộ ước lượng đều hội tụ trong cả hai trường hợp mô phỏng.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Aly, H. H. H. (2020). An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting. Sustainable Energy Technologies and Assessments, 41, 100802.
https://doi.org/10.1016/j.seta.2020.100802
Berrada, Y., & Boumhidi, I. (2020). New structure of sliding mode control for variable speed wind turbine. IFAC Journal of Systems and Control, 14, 100113.
https://doi.org/10.1016/j.seta.2020.100802
Bianchi, F. D., Battista, H. D., & Mantz, R. J. (2007). Wind Turbine Control Systems: Principles, Modelling and Gain Scheduling Design. Springer.
https://doi.org/10.1007/1-84628-493-7
Cassola, F., & Burlando, M. (2012). Wind speed and wind energy forecast through Kalman filtering of Numerical Weather Prediction model output. Applied Energy, 99, 154-166. https://doi.org/10.1016/j.apenergy.2012.03.054
Hussain, J., & Mishra, M. K. (2016). Adaptive Maximum Power Point Tracking Control Algorithm for Wind Energy Conversion Systems. IEEE Transactions on Energy Conversion, 31(2), 697-705. https://doi.org/10.1109/TEC.2016.2520460
Hur, S. (2019). Estimation of Useful Variables in Wind Turbines and Farms Using Neural Networks and Extended Kalman Filter. IEEE Access, 7, 24017-24028. https://doi.org/10.1109/ACCESS.2019.2900079
Hur, S. (2021). Short-term wind speed prediction using Extended Kalman filter and machine learning. Energy Reports, 7, 1046-1054. https://doi.org/10.1016/j.egyr.2020.12.020
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82, 35-45. https://doi.org/10.1115/1.3662552
Kalman, R.E., & Bucy, R.S. (1961). New results in linear filtering and prediction theory. Journal of Basic Engineering, 83(1), 95–108. https://doi.org/10.1115/1.3658902
Mousa, H. H. H., Youssef, A. R., & Mohamed, E. E. M. (2019). Variable step size P&O MPPT algorithm for optimal power extraction of multi-phase PMSG based wind generation system. International Journal of Electrical Power & Energy Systems, 108, 218-231.
https://doi.org/10.1016/j.ijepes.2018.12.044
Munteanu, I., Bratcu, A. I., Cutululis, N. A., & Ceangă, E. (2008). Optimal Control of Wind Energy Systems: Towards a Global Approach. Springer.
Nguyen, H. M., & Naidu, D. S. (2011). Advanced control strategies for wind energy control systems: an overview. 2011 IEEE PES Power Systems Conference & Exposition (PSCE), 1-8.
https://doi.org/10.1109/PSCE.2011.5772514
Nguyen, H. M., & Naidu, D. S. (2014). Fuzzy adaptive output feedback control strategy for standalone wind energy conversion systems. 11th IEEE International Conference on Control & Automation (ICCA), 1007-1012.
https://doi.org/10.1109/ICCA.2014.6871058
Simon, D. (2006). Optimal State Estimation: Kalman, , and Nonlinear Approaches (1st ed). John Wiley & Sons, U.S. https://doi.org/10.1002/0470045345
Smith, G. L., Schmidt, S. F., & McGee, L. A. (1962). Application of statistical filter theory to the optimal estimation of position and velocity on board a circumlunar vehicle. National Aeronautics and Space Administration.
Song, D., Yang, J., Cai, Z., Dong, M., Su, M., & Wang, Y. (2017). Wind estimation with a non-standard extended Kalman filter and its application on maximum power extraction for variable speed wind turbines. Applied Energy, 190, 670-685.
https://doi.org/10.1016/j.apenergy.2016.12.132
Yu, S., Fernando, T., Emami, K., & Iu, H. H. C. (2016). Dynamic State Estimation Based Control Strategy for DFIG Wind Turbine Connected to Complex Power Systems. IEEE Transactions on Power Systems, 32(2), 1272-1281. https://doi.org/10.1109/TPWRS.2016.2590951
Zuluaga, C. D., Alvarez, M. A., & Giraldo, E. (2015). Short-term wind speed prediction based on robust Kalman filtering: An experimental comparison. Applied Energy, 156, 321-330. https://doi.org/10.1016/j.apenergy.2015.07.043