基于Kalman滤波算法的状态估计及风电机组可靠性建模与优化研究

本研究由两部分组成。一方面从状态估计的重要性出发研究了基于Kalman滤波(KF)算法的几种状态估计方法。从最基本的Kalman滤波算法出发,研究了扩展Kalman滤波(EKF)算法,基于Unscented变换的Kalman滤波算法(UKF),及其带约束条件的UKF算法,并提出了一种改进型扩展卡尔曼滤波—抗衰减因子扩展Kalman滤波算法。并将这些算法进行了应用研究。另一方面以风力发电为背景,研究了复杂系统的可靠性建模与优化的问题。风力发电是目前最有发展前景的新能源之一,研究了风力发电装置运行可靠性的计算方法,建立了基于马尔可夫过程的风力发电系统整机的可靠性模型,并在此基础提出了一种新的风电装置的维修策略的优化方法。主要研究内容及成果如下：
　　 ⑴研究了几种基于KF算法的状态估计算法,主要包括KF算法、EKF算法、UKF算法和约束UKF算法。通过三相异步电机控制系统中重要变量的状态估计,进行了EKF算法和UKF算法性能的对比研究。
　　 ⑵将Kalman滤波器用于电机控制系统中。基于实验室风力发电半物理实验装置,根据现场采集的数据对发电机进行建模和控制。研究表明,带有Kalman滤波器的内模PID(IMC-PID)控制方法取得较好的控制效果。
　　 ⑶针对系统噪声统计特性不准确时会导致滤波器滤波发散的问题,提出了一种新的抗衰减因子扩展卡尔曼滤波算法,通过仿真验证了新算法的有效性。
　　 ⑷鉴于UKF算法优越的性能,以及发酵过程复杂、高度非线性和难于在线测量重要反应物变量等特点,本文提出一应用创新—将UKF算法用在酿酒酵母发酵过程中进行重要状态变量的状态估计,仿真结果表明了这一应用的有效性。
　　 ⑸以目前世界各国使用较多的水平轴双馈型风力发电机组为例进行可靠性建模与维修策略的优化研究。首先建立了基于马尔可夫转移过程理论的可靠性数学模型,然后构造了包含机组老化、故障和维修等环节的马尔可夫过程模型,以维修间隔为优化变量,对机组可靠性实施优化。在此基础上,确定一个优化后的维修间隔,应用马尔可夫决策方法对风电机组进行维修策略的优化。