Page 76 - 新能源风力发电技术及其发展研究

第三章 风力发电系统的自动化控制

在线估计：利用递归最小二乘法（RLS）、卡尔曼滤波（KF）等技术，在运
行过程中持续收集新数据，实时修正模型参数，确保其始终反映最新的系统特性。
预测与优化：类似于 MPC，但在每次迭代前先进行参数更新，再进行预测

和优化步骤。
反馈调节：引入闭环反馈回路，监测执行效果，一旦发现偏差超出允许范围，
则迅速做出调整，直至达到预期目标。
（3）优点

提高了系统的自适应能力和抗干扰能力，减少了对外部模型精度的依赖；适
合处理未知或快速变化的工作条件。
（4）缺点
算法复杂度较高，设计难度大；可能面临过拟合风险，导致泛化能力不足。

3. 数据驱动预测控制（Data-Driven Predictive Control, DDPC）
（1）基本概念
DDPC 不依赖于显式的物理模型，而是直接从海量的历史数据中挖掘潜在规
律，建立起输入输出之间的映射关系，进而实现预测控制。

（2）操作流程
数据采集与预处理：广泛收集来自传感器网络的各种信号，经过清洗、降噪、
特征提取等处理后形成训练样本库。
机器学习建模：选择适当的机器学习算法（如支持向量机、随机森林、深度

神经网络等），对样本库进行训练，得到一个能够表征系统行为的黑箱模型。
在线预测：当有新的输入数据到来时，使用已训练好的模型进行快速推理，
得出对应的输出预测值。
优化决策：结合成本函数和其他约束条件，寻找最优控制策略，并将其应用

于实际系统中。
（3）优点
无需深入了解内部机理，降低了建模难度；可以充分利用大数据资源，提高
预测准确性；易于扩展到其他类似应用场景。

（4）缺点
模型解释性较差，难以理解内部运作机制；可能存在过拟合现象，影响泛化
性能；训练过程耗时较长，对计算资源要求高。

63