1.一种风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，包括以下步骤：(1)采用脉冲激光雷达测量风轮不同高度不同位置处的风速；

(2)对测量的风速采用自适应卡尔曼滤波算法对所测量的风速信号进行滤波处理；

(3)根据脉冲激光雷达所测量和滤波处理后的风速信号，计算风轮转速的参考值；

(4)建立风力发电机组的空气动力系统模型；

(5)建立风力发电机组的传动系统模型；

(6)建立风力发电机模型；

(7)定义滑模面s；

(8)控制器设计；

(9)采用改进粒子群算法对控制器参数进行迭代寻优；

所述脉冲激光雷达测量风速：脉冲激光雷达在风轮转子前发送三个激光脉冲，提供三个75％叶片跨度位置的预览风速测量值，通过脉冲激光雷达的距离门距，获得风轮转子前方一定距离的预览风，风速矢量包含三个维度‑水平分量u、轴向分量v和垂直分量w，由于水平分量和垂直分量较小，故可忽略不计，激光测量点几乎沿轴向，轴向分量v可近似用下式表示：其中：θ为激光束的圆锥角，vL为风速；

平均风速vp可以通过激光雷达的最后扫描圆测量，其表达式为：其中：T为脉冲激光雷达的扫描周期。

2.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述风速信号的滤波处理，采用Sage‑Husa自适应卡尔曼滤波器对风轮转子预览中的风速信号进行滤波处理，利用观测输出对系统噪声和观测噪声的统计特性进行实时动态估计，估计的噪声参数用于状态估算，从而重建模型的缺失状态，状态和估计误差方差预测公式为：其中：Pk，k‑1为估计风速误差的协方差， 为零均值、协方差为Qk‑1的高斯白噪声序列,协方差自适应调整机制为：k+1

dk＝(l‑b)(1‑b )

其中：Φk为系统状态转移矩阵，H为观测矩阵，zk为系统的观测值，Vk为系统的观测噪声，0＜b＜1为遗忘因子,将估计误差用于补偿激光雷达预览，从而获得更实时、准确的优化风速。

3.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述风轮转速的参考值的计算，计算公式为：其中：v为激光雷达测量并经滤波处理后的轴向风速，R为风轮半径，λopt为最佳叶尖速比。

4.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述空气动力系统模型：空气动力系统的核心设备是风轮，当外部风速为v时，风轮捕获的有效功率为：其中：ρ为空气密度；R为风轮的半径；v为风速，Cp与叶尖速比λ、桨距角β成非线性关系；

叶尖速比λ的定义为：

其中：ωr为风轮角速度；

风轮所获得的气动转矩为：

其中：

5.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述风力发电机组的传动系统模型：传动系统由高速轴和低速轴通过齿轮箱相互连接而组成，在忽略轴系刚度和阻尼系数情况下，可用如下单质量块模型加以描述：2

B＝Br+ngBg

2

J＝Jr+ngJg

其中，Br和Bg分别为低速轴和高速轴的阻尼系数，Jr和Jg分别为低速轴和高速轴的转动惯量，ng为齿轮箱的传动比，Tg为发电机转矩。

6.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述风力发电机模型：采用双馈异步发电机，为方便起见，可将其电磁部分简化为一个一阶线性模型：其中：τg中为转矩系数，Tg，ref为发电机转矩的参考值；

发电机输出功率可表示为：

Pe＝Tgωg

其中：ωg为发电机角速度；

由于控制器设计以发电机转矩参考值Tg，ref为主要控制量，故可将发电机电磁动态的影响作为扰动ψ加到风机模型，即Tg＝Tg，ref+ψ。

7.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述滑模面的定义：要实现风电机组在低风速区的控制目标，必须使风轮角速度ωr(t)实时跟踪参考角速度ωref(t)，为了使风轮角速度与参考角速度的误差以及误差的变化率在有限时间内收敛到0，可定义滑模面为：其中：c＞0，e(t)为风轮角速度与参考角速度的误差。

8.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，所述控制器的设计：采用最佳转矩控制实现对发电机角速度的闭环反馈调节，使发电机角速度自行趋近最佳角速度，为了提高响应速度，考虑引入滑模变结构控制的思想，因高阶滑模控制既保留了常规滑模控制的优点又能有效抑制常规滑模控制普遍具有的抖振现象，其中的超扭曲算法更是得到了广泛应用，为此，在最佳转矩控制的基础上引入超扭曲算法，得到改进最佳转矩控制的控制律：u＝Tg，ref＝ueq+usw

其中：ueq为等效控制，对应于最佳转矩控制，usw为切换控制，对应于超扭曲高阶滑模算法，γ1和γ2为控制器参数，0＜d＜1；当d接近0时，控制器的滑模效果会增强，相当于常规的滑模控制器，虽能提高转速跟踪性能，但抖振比较明显；当d接近1时，控制器接近PI控制器，虽能消除抖振但超调会产生得更加频繁，影响转速跟踪效果；为了在提高转速跟踪性能的T同时有效抑制发电机转矩抖振，选取d＝1/2，选取Lyapunov函数V(s，y)＝ηMη，其中：选取合适的参数，使Lyapunov函数的导数小于0，即可保证系统在有限时间内收敛到滑模面，从而可得收敛域：只要控制器参数γ1和γ2处于上述范围，即可保证整个风机控制系统的稳定性和基本的控制性能。

9.根据权利要求1所述的风力发电机组低风速区最大功率跟踪优化控制方法，其特征在于，采用改进粒子群算法对控制器参数进行迭代寻优：为了在实际应用中获得最优的控制性能，采用改进粒子群算法在上式给出的范围内依据工程要求对参数γ1和γ2进行进一步优化；定义如下目标函数作为粒子群算法的适应度函数：其中：t1为完成单次仿真的时间，Pe为发电机输出功率，e(t)为风轮角速度跟踪误差，std(Tg)为发电机转矩的标准差，w1～w3为加权系数，可根据实际情况进行相应调整；

在基本粒子群优化算法的基础上，引入惯性权重因子w，得到修正之后的粒子速度更新公式：vid(t+1)＝wvid(t)+c1r1(pid(t)‑xid(t))+c2r2(pgd(t)‑xid(t))；

粒子位置更新方程为：

xid(t+1)＝xid(t)+vid(t+1)

其中：vid(t)、xid(t)为t时刻粒子i第d维的速度和位置；vid(t+1)、xid(t+1)为t+1时刻粒子i第d维的速度和位置；w称为惯性权重因子；c1和c2分别称为认知学习因子和社会学习因子，一般取值为0.5；r1和r2为相互独立的随机数，它们在[0，1]区间内服从均匀分布；

由于较大的权重因子有利于跳出局部最小点，便于全局搜索，而较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索，以利于算法收敛，因此，针对常规粒子群算法容易早熟收敛以及算法后期易在全局最优解附近产生振荡的现象，采用线性变化的权重，让惯性权重从最大值ωmax线性减小到最小值ωmin，随算法迭代次数的公式为：其中：ωmax，ωmin分别为ω的最大值和最小值，t为当前迭代步数，tmax为最大迭代步数，通常取ωmax＝0.9，ωmin＝0.4。