CN103953503B - 风力发电机组偏航制动力矩控制装置及其方法 - Google Patents

Abstract

本发明公开了一种风力发电机组偏航制动力矩控制装置及其方法，装置包括：信号分离单元，从风速仪的风速和风向测量信号中提取出风向数据；偏航角度计算单元，根据风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；偏航制动力矩预测单元，根据偏航角度计算单元输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统。本发明能够自动适应风向变化，在非制动状态下，采用偏航制动力矩预测与优化，提供与偏航角度相匹配的偏航制动力矩，使偏航系统以最优功率运行，实现了节能及提高偏航制动系统寿命。

Description

风力发电机组偏航制动力矩控制装置及其方法

技术领域

本发明涉及风力发电领域，尤其是涉及一种应用于风力发电机组的偏航制动力矩控制装置及其方法。

背景技术

偏航制动组件是风力发电机组偏航系统的重要组成部分，由制动盘、液压制动钳、摩擦制动衬垫和液压站组成。在发电机组偏航过程中，制动组件提供的阻尼力应保持平稳，制动过程不允许有异常振动和噪声，保证制动摩擦衬垫的正常使用寿命。现有的大型风机偏航制动时液压系统提供的压力值为一设定的恒定值，偏航速度也为恒定值，当偏航系统收到偏航指令时，偏航驱动以恒定功率开始动作，驱动包括机舱在内的回转体大齿轮，从而带动风电机组偏航对风。整个偏航过程不根据风向和偏航角度的大小对偏航驱动功率和液压系统压力值进行调整。

目前同类型偏航制动方面的研究热点之一集中在制动摩擦衬垫及与摩擦副的接触方面，以实现制动力矩均匀分布。其二是集中式液压控制系统，以保证各个摩擦制动衬垫上所受压力大小相等。这些方面的研究都在一定程度上改善了偏航系统的性能，但整个偏航控制系统没有形成一闭合的回路，只是实现了偏航和解缆功能，没有考虑节能及各个部件的最优配合，致使偏航系统运行的稳定性和可靠性得不到保证。

现有偏航控制策略技术方面的研究实现了风力发电机组偏航系统的偏航和解缆功能，但在不同风向变化下采用同样的制动力矩不能实现智能高效偏航，也对能源的使用造成很大的浪费，在一定程度上降低机组的效率。而针对不同风向变化采用同样的偏航速度，使得风向变化比较大时偏航耗时很长，这势必会影响风机发电量，偏航系统运行的稳定性和安全性也得不到保障。此外，集中液压控制系统，虽然改善了各个摩擦制动衬垫上所受压力的均匀分布，尽可能避免了系统偏载现象，但没有考虑制动压力的大小选取是否最优的问题。

在现有技术中，与本发明申请最为相近的技术方案为本申请人南车株洲电力机车研究所有限公司于2012年10月23日申请，并于2013年01月09日公布，公布号为CN102865191A的中国发明专利申请《一种新型风力发电机组偏航系统实时阻尼控制方法》。该发明申请控制方法在风电机组正常运行的过程中，如果需要进行偏航运动，则先由风向仪接收当前状况下的风向和风速的数据。风向数据获取之后，将送入偏航系统，系统会根据风向的数据和当前风电机组的状况，计算出所需要转过的偏航角度，然后系统利用该偏航角度，从偏航角度与偏航速度的关系计算得到当前状况下最佳的偏航速度。同时，获取风速数据之后，系统根据经验积累和理论分析得到的风速数据与偏航驱动功率关系数据库，得到相应风速下的偏航驱动功率，并且将这个功率的大小传递给偏航驱动电机，偏航驱动电机得到信号之后开始工作。

但是CN102865191A号发明专利申请通过风速数据与偏航驱动功率关系数据库得到相应风速下的偏航驱动功率，通过监测实际偏航转速与根据风向确定的偏航转速来调整液压制动力，只是实现了对风力发电机组偏航驱动力矩和制动力矩的简单控制，而没有实现偏航制动力矩的预测与优化，对偏航制动控制的实时性和准确性都还存在技术缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种风力发电机组偏航制动力矩控制装置及其方法，能够自动适应风向变化，在非制动状态下，通过采用偏航制动力矩预测与优化，提供与偏航角度相匹配的偏航制动力矩，使偏航系统以最优功率运行，实现了节能及提高偏航制动系统寿命

为了实现上述发明目的，本发明具体提供了一种风力发电机组偏航制动力矩控制装置的技术实现方案，一种风力发电机组偏航阻尼控制装置，包括：

信号分离单元，从风速仪的风速和风向测量信号中提取出风向数据；

偏航角度计算单元，根据所述风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

偏航制动力矩预测单元，根据所述偏航角度计算单元输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统，其中，n＝i＝k。

优选的，所述偏航制动力矩预测单元的网络进一步包括输入层、第一隐含层、第二隐含层和输出层，所述输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接；所述输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，所述第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，所述第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，所述输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行学习训练，每一轮学习训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至所述第一隐含层、第二隐含层和输出层，进行所述单元之间各个链接的加权系数调整；反复对网络进行学习训练，直到训练的误差小于设定的误差，完成学习训练后将该网络用于偏航制动力矩的预测，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值，其中，m＝n＝i＝k。

本发明还另外具体提供了一种风力发电机组偏航制动力矩控制方法的技术实现方案，一种风力发电机组偏航阻尼控制方法，包括以下步骤：

S10：信号分离单元从风速仪的风速和风向测量信号中提取出风向数据；

S11：偏航角度计算单元根据所述风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

S12：偏航制动力矩预测单元根据所述偏航角度计算单元输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统，其中，n＝i＝k。

优选的，偏航制动力矩预测单元的网络包括输入层、第一隐含层、第二隐含层和输出层，所述输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接，上述步骤S12进一步包括以下过程：

A：在训练阶段，将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行训练，所述输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，所述第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，所述第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，所述输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；每一轮训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至所述第一隐含层、第二隐含层和输出层，进行所述单元之间各个链接的加权系数调整，其中，m＝n＝i＝k；

B：反复执行步骤A，直到训练的误差小于设定的误差，完成训练后将该网络用于偏航制动力矩的预测；

C：在应用阶段，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值。

优选的，上述步骤S12进一步包括以下过程：

S100：开始所述网络的初始化；

S101：将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次输入所述网络的输入层；

S102：进行所述第一隐含层的输出信号y_i和第二隐含层的输出信号z_k的计算，所述第一隐含层的输出信号i＝1,2,…,p，j＝1,2,…,n；所述第二隐含层的输出信号k＝1,2,…,q，其中，上述函数和为网络传递函数，分别为所述第一隐含层、第二隐含层的加权系数，分别为所述第一隐含层、第二隐含层的阈值向量；

S103：根据所述第一隐含层和第二隐含层的误差函数值调整所述第一隐含层和第二隐含层的学习率；所述第一隐含层的误差函数值为上述第一隐含层输出信号与所述实际偏航角度的差值，所述第二隐含层的误差函数值为上述第二隐含层输出信号与所述偏航角度对应的实际偏航制动力矩的差值；

S104：计算所述输出层、第一隐含层和第二隐含层的反传误差；

S105：通过所述反传误差判断所述训练样本是否学习完毕，如果否，则执行步骤S101，如果是，则执行步骤S106；

S106：计算所述网络的误差函数，并估算网络误差；

S107：根据所述网络误差判断所述网络是否陷入局部最小，如果是，则执行步骤S109，如果否，则执行步骤S108；

S108：判断所述网络是否陷入全局最小，如果是，则执行步骤S101，如果否，则完成训练，同时继续执行步骤S101；

S109：修正所述网络传递函数即人工调整所述第一隐含层输出信号y_i的值，继续进行网络学习训练；

S110：开始新的网络学习训练，执行步骤S101至步骤S107；

S111：判断制动力矩输出值o₁,o₂,…,o_m与期望输出值d₁,d₂,…,d_n的误差值是否小于预期的设定误差值，如果否，则继续执行步骤S110，如果是，则执行步骤S112；

S112：计算所述单元之间各个链接新的加权系数，并执行继续步骤S101。

优选的，上述步骤S100进一步包括以下过程：初始化所述单元之间各个链接的加权系数和阈值向量，将各个加权系数和阈值向量的值均设置为[-1，1]之内的随机值。

通过实施上述本发明提供的风力发电机组偏航制动力矩控制装置及其方法，具有如下技术效果：

(1)本发明自动适应风向的变化，在非制动状态下，提供与偏航角度相匹配的合适的偏航制动力矩，使偏航制动系统以最优功率运行，以实现节能及提高偏航制动系统寿命；

(2)本发明能够根据风向变化计算所需要的偏航角度，再根据偏航角度预测出最优制动力矩，保证风机以最优的制动力矩实现快速偏航，保证风机以最快最平稳的速度对风，提高风能利用效率；

(3)本发明能够解决现有技术存在的运行效率低下、能源耗费大、针对不同风向变化采用同样的偏航速度，使得风向变化比较大时，偏航耗时很长，从而影响风机的发电量，偏航系统运行的稳定性和安全性也得不到保障的技术问题，实现了偏航制动力矩预测与优化，能够根据风向使偏航系统以最优功率运行，同时通过实时预测调节偏航制动系统的制动力矩以获取合适的阻尼使偏航系统以最佳的工况工作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明风力发电机组偏航制动力矩控制装置一种具体实施方式的结构原理框图；

图2是本发明风力发电机组偏航制动力矩控制装置一种具体实施方式的系统结构框图；

图3是本发明风力发电机组偏航制动力矩控制装置一种具体实施方式中偏航制动力矩计算单元的控制网络框图；

图4是本发明风力发电机组偏航制动力矩控制方法一种具体实施方式的程序流程图；

图5是本发明风力发电机组偏航制动力矩控制方法一种具体实施方式中制动系统偏航制动力矩控制的程序流程图；

图中：1-风速仪，2-控制装置，3-偏航制动系统，4-信号分离单元，5-偏航角度计算单元，6-偏航制动力矩预测单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1至附图5所示，给出了本发明风力发电机组偏航制动力矩控制装置及其方法的具体实施例，下面结合附图和具体实施例对本发明作进一步说明。

如附图1和附图2所示，一种风力发电机组偏航制动力矩控制装置的具体实施例，包括：

信号分离单元4，从风速仪1的风速和风向测量信号中提取出风向数据；

偏航角度计算单元5，根据风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

偏航制动力矩预测单元6，根据偏航角度计算单元5输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统3，其中，n＝i＝k。

本发明具体实施例描述的风力发电机组偏航制动力矩控制装置利用信号提取、分析反馈和智能控制策略，通过对偏航制动力矩的预测实现了控制的优化，使得风力发电机组的偏航系统达到最佳的性能优化。

如附图3所示，偏航制动力矩预测单元6的网络进一步包括输入层、第一隐含层、第二隐含层和输出层，输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接；输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行学习训练，每一轮学习训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至第一隐含层、第二隐含层和输出层，进行单元之间各个链接的加权系数调整；反复对网络进行学习训练，直到训练的误差小于设定的误差，完成学习训练后将该网络用于偏航制动力矩的预测，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值，其中，m＝n＝i＝k。

如附图4所示，一种风力发电机组偏航制动力矩控制方法的具体实施例，包括以下步骤：

S10：信号分离单元4从风速仪1的风速和风向测量信号中提取出风向数据；

S11：偏航角度计算单元5根据风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

S12：偏航制动力矩预测单元6根据偏航角度计算单元5输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值，并将预测的偏航制动力矩值输出至偏航制动系统3，其中，n＝i＝k。

偏航制动力矩预测单元6的网络进一步包括输入层、第一隐含层、第二隐含层和输出层，输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接，上述步骤S12进一步包括以下过程：

A：在训练阶段，将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行训练，输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；每一轮训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至第一隐含层、第二隐含层和输出层，进行单元之间各个链接的加权系数调整，其中，m＝n＝i＝k；

B：反复执行步骤A，直到训练的误差小于设定的误差，完成训练后将该网络用于偏航制动力矩的预测；

C：在应用阶段，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值。

为了确保偏航制动力矩预测的准确性，在每次进行网络的学习训练时，计算前面所有样本的误差函数值，每次训练过程中都依据误差函数进行自适应调整学习以加快计算的收敛及误差估算。为避免陷入局部极小，在进行若干次学习训练后，本发明偏航制动力矩控制方法采取修复异常样本的处理方法，具体如附图3所示。

如附图3所示，下面将图中的具体参数解释如下：

网络的输入层输入信号：

X^T＝[x₁,x₂,…,x_n]

网络的输出层输出信号：

O^T＝[o₁,o₂,…,o_m]

其中，n为输入偏航角度样本值的个数，也为输入层的变量个数，m为制动力矩输出值的个数，也为输出层的输出信号个数，对于本发明具体实施例：m＝n。

期望输出：

D^T＝[d₁,d₂,…,d_m]

第一隐含层的输出信号：

Y^T＝[y₁,y₂,…,y_p]

第二隐含层的输出信号：

Z^T＝[z₁,z₂,…,z_q]

加权系数矩阵：

${\left\{w_{ij}^1\right\}}_{p\×n},{\left\{w_{ki}^2\right\}}_{q\×p},{\left\{w_{lk}^3\right\}}_{m\×q}$

阈值向量矩阵：

${\left\{{\mathrm{\θ}}_i^1\right\}}_{p\×1},{\left\{{\mathrm{\θ}}_k^2\right\}}_{q\×1},{\left\{{\mathrm{\θ}}_l^3\right\}}_{m\×1}$

对应于第一隐含层的输出信号计算：

$y_i=f(\underset{j=1}{\overset{n}{\Σ}}{w}_{ij}^1\·x_j+{\mathrm{\θ}}_i^1)$

j＝1,2,…,n；i＝1,2,…,p；

其中，p为第一隐含层的变量个数。

对应于第二隐含层的输出信号计算：

$z_k=f(\underset{i=1}{\overset{p}{\Σ}}{w}_{ki}^2\·y_i+{\mathrm{\θ}}_k^2)$

k＝1,2,…,q

其中，q为第二隐含层的变量个数。

输出层的输出信号为：

$o_l=f(\underset{k=1}{\overset{q}{\Σ}}{w}_{lk}^3\·z_k+{\mathrm{\θ}}_l^3)$

l＝1,2,…,m

其中，l为输出层的变量个数。

误差函数为：

$E=\frac{1}{2}\underset{j}{\Σ}{(d_j-y_j)}^2$

j＝1,2,…,n，d_j为期望输出值，y_j为实际输出值。

在本发明具体实施例当中，n＝p＝q＝m＝l。

如附图5所示，上述步骤S12进一步包括以下过程：

S100：开始网络的初始化；

作为本发明一种较佳的具体实施例，上述步骤S100进一步包括以下过程：初始化单元之间各个链接的加权系数和阈值向量，将各个加权系数和阈值向量的值均设置为[-1，1]之内的随机值，作为下一步骤的初始输入值；

S101：将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次输入网络的输入层；

S102：进行第一隐含层的输出信号y_i和第二隐含层的输出信号z_k的计算，第一隐含层的输出信号i＝1,2,…,p，j＝1,2,…,n；第二隐含层的输出信号k＝1,2,…,q，其中，上述函数和为网络传递函数，分别为第一隐含层、第二隐含层的加权系数， 分别为第一隐含层、第二隐含层的阈值向量；

S103：根据第一隐含层和第二隐含层的误差函数值调整第一隐含层和第二隐含层的学习率；第一隐含层的误差函数值为上述第一隐含层输出信号与实际偏航角度的差值，第二隐含层的误差函数值为上述第二隐含层输出信号与偏航角度对应的实际偏航制动力矩的差值；

$\begin{array}{cc}\mathrm{\η}\left(q\right)=\frac{E\left(q\right)}{E(q-1)}\mathrm{\η}(q-1)& E\left(q\right)\≠E(q-1)\end{array}$

η(q)＝θη(q-1) E(q)＝E(q-1)

其中，E(q)为第q层的误差函数值，在本发明具体实施例中，q＝1,2，η(q)为第q层的学习率，θ为学习率调整的比例，当E(q)＝E(q-1)，即前后两层的误差函数没有变化时，依据经验给θ赋值，此时θ的值将取大于1的值，当E(q)≠E(q-1)时，如果误差函数值增大，参数θ的选取为大于1的值，因为此时的学习率相对较小，需要将其增大，如果误差函数值缩少，参数θ的选取为小于1的值，因为此时的学习率相对较大，需要将其减少；

S104：计算输出层、第一隐含层和第二隐含层的反传误差；

输出层的反传误差：

δ_k＝(d_k-y_k)f'(x)

f'(x)＝f(x)[1-f(x)]，即f'(x)＝y_k(1-y_k)

第一隐含层和第二隐含层的反传误差：

${\mathrm{\δ}}_j=h_j(1-h_j)\underset{k=0}{\overset{m-1}{\Σ}}{\mathrm{\δ}}_k{W}_{jk}$

W_jk为隐含层的加权系数，h_j为隐含层的输出变量。

S105：通过反传误差判断训练样本是否学习完毕，如果否，则执行步骤S101，如果是，则执行步骤S106；

该步骤判断是否对样本进行学习的依据是反传递误差δ，即δ≈0，如果δ≈0，则说明计算达到全局最小或局部极小，当d_k-y_k≈0或y_k(1-y_k)≈0时，δ≈0；

S106：计算网络的误差函数：

$E_p=\frac{1}{2}\underset{k}{\Σ}{(t_k^p-o_k^p)}^2$

其中，为期望输出值，为实际输出值。

并估算网络误差：

$E=\frac{1}{2p}\underset{p=1}{\overset{q}{\Σ}}\underset{k}{\Σ}{(t_k^p-o_k^p)}^2=\frac{1}{p}\underset{p}{\Σ}{E}_p;$

S107：根据网络误差判断网络是否陷入局部最小，如果是，则执行步骤S109，如果否，则执行步骤S108；

该步骤判断计算是否陷入局部最小，即判断哪个样本对产生了y_k≈0或y_k≈1的情况，如果多次学习训练后的某样本对具有最大的收敛值，则记录该样本值，若再经历多次学习训练后改样本对仍然保持较大值，则陷入了局部最小；

S108：判断网络是否陷入全局最小，如果是，则执行步骤S101，如果否，则完成训练，同时继续执行步骤S101；

当d_k-y_k≈0，取得全局最小；

S109：修正网络传递函数即人工调整第一隐含层输出信号y_i的值，继续进行网络学习训练；

S110：开始新的网络学习训练，执行步骤S101至步骤S107；

S111：判断制动力矩输出值o₁,o₂,…,o_m与期望输出值d₁,d₂,…,d_n的误差值是否小于预期的设定误差值，如果否，则继续执行步骤S110，如果是，则执行步骤S112；设定误差值依据经验和实验得到；

S112：计算单元之间各个链接新的加权系数，并执行继续步骤S101；

加权系数的调整量：

ΔW_jk(t)＝ηδ_kh_j

ΔW_ij(t)＝ηδ_jx_i

其中，η为学习率，δ_k、δ_j为反传误差，h_j为隐含层的输出变量，x_i为隐含层的输入变量。

调整后的加权系数：

W_jk(t+1)＝W_jk(t)+ΔW_jk(t)+μΔW_jk(t-1)

W_ij(t+1)＝W_ij(t)+ΔW_ij(t)+μΔW_ij(t-1)

其中，t为训练的次数，W_jk(t+1)、W_ij(t+1)为第t+1次训练的加权系数，W_jk(t)、W_ij(t)为第t次训练的加权系数，ΔW_jk(t-1)、ΔW_ij(t-1)为第t-1次训练的加权系数调整量，μ为惯性系数。

本发明具体实施例描述的风力发电机组偏航制动力矩控制装置及其方法技术方案实现了对风力发电机组偏航制动力矩进行预测与优化，对不同偏航角度值下的制动力矩进行预测，在现有恒定液压制动力技术条件下实现可变液压制动力矩预测与控制，在现有固定偏航转速的技术条件下实现了实时可变偏航转速。本发明具体实施例根据兆瓦级风机偏航系统结构特点、风资源情况及已有的大量偏航数据，结合偏航驱动功率、偏航系统受载及转速限制等要求，对已有的样本利用本发明偏航制动力矩控制装置及其方法进行反复训练与调试，得出偏航角度值输入与偏航制动力矩值输出之间的最优传递函数，对偏航制动力矩进行实时预测，最终实现偏航系统性能的最优化。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (4)

1.一种风力发电机组偏航制动力矩控制装置，其特征在于，包括：

信号分离单元(4)，从风速仪(1)的风速和风向测量信号中提取出风向数据；

偏航角度计算单元(5)，根据所述风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

偏航制动力矩预测单元(6)，根据所述偏航角度计算单元(5)输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统(3)，其中，n＝i＝k；

所述偏航制动力矩预测单元(6)的网络包括输入层、第一隐含层、第二隐含层和输出层，所述输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接；所述输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，所述第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，所述第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，所述输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行学习训练，每一轮学习训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至所述第一隐含层、第二隐含层和输出层，进行所述单元之间各个链接的加权系数调整；反复对网络进行学习训练，直到训练的误差小于设定的误差，完成学习训练后将该网络用于偏航制动力矩的预测，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值，其中，m＝n＝i＝k。

2.一种风力发电机组偏航制动力矩控制方法，其特征在于，包括以下步骤：

S10：信号分离单元(4)从风速仪(1)的风速和风向测量信号中提取出风向数据；

S11：偏航角度计算单元(5)根据所述风向数据对实际需要的偏航角度进行计算，并输出偏航角度值；

S12：偏航制动力矩预测单元(6)根据所述偏航角度计算单元(5)输出的本次偏航角度值、前n次输入的偏航角度样本值、前i次的实际偏航角度、前k次偏航角度对应的实际偏航制动力矩得出本次预测的偏航制动力矩，并将预测的偏航制动力矩值输出至偏航制动系统(3)，其中，n＝i＝k；

偏航制动力矩预测单元(6)的网络包括输入层、第一隐含层、第二隐含层和输出层，所述输入层、第一隐含层、第二隐含层和输出层均包括若干单元，在相邻两层的任意两个单元之间形成链接，所述步骤S12进一步包括以下过程：

A：在训练阶段，将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次送入网络进行训练，所述输入层的输入信号x₁,x₂,…,x_n为n次输入的偏航角度，所述第一隐含层的输出信号y₁，y₂，y₃，……，y_i为i次的实际偏航角度，所述第二隐含层的输出信号z₁，z₂，z₃，……，z_k为k次的偏航角度对应的实际偏航制动力矩，所述输出层的输出信号为制动力矩输出值o₁,o₂,…,o_m；每一轮训练得到的m个制动力矩输出值o₁,o₂,…,o_m，与期望输出值d₁,d₂,…,d_n进行比较形成训练误差，再反向传播该误差至所述第一隐含层、第二隐含层和输出层，进行所述单元之间各个链接的加权系数调整，其中，m＝n＝i＝k；

B：反复执行步骤A，直到训练的误差小于设定的误差，完成训练后将该网络用于偏航制动力矩的预测；

C：在应用阶段，将某次需要的偏航角度值x_i替代x₁,x₂,…,x_n中任一值，对应的制动力矩输出值o_i即为该次预测的偏航制动力矩值。

3.根据权利要求2所述的一种风力发电机组偏航制动力矩控制方法，其特征在于，所述步骤S12进一步包括以下过程：

S100：开始所述网络的初始化；

S101：将前n次输入的偏航角度值x₁,x₂,…,x_n作为训练样本依次输入所述网络的输入层；

S102：进行所述第一隐含层的输出信号y_i和第二隐含层的输出信号z_k的计算，所述第一隐含层的输出信号所述第二隐含层的输出信号其中，上述函数和为网络传递函数，分别为所述第一隐含层、第二隐含层的加权系数，分别为所述第一隐含层、第二隐含层的阈值向量；

S103：根据所述第一隐含层和第二隐含层的误差函数值调整所述第一隐含层和第二隐含层的学习率；所述第一隐含层的误差函数值为上述第一隐含层输出信号与所述实际偏航角度的差值，所述第二隐含层的误差函数值为上述第二隐含层输出信号与所述偏航角度对应的实际偏航制动力矩的差值；

S104：计算所述输出层、第一隐含层和第二隐含层的反传误差；

S105：通过所述反传误差判断所述训练样本是否学习完毕，如果否，则执行步骤S101，如果是，则执行步骤S106；

S106：计算所述网络的误差函数，并估算网络误差；

S107：根据所述网络误差判断所述网络是否陷入局部最小，如果是，则执行步骤S109，如果否，则执行步骤S108；

S108：判断所述网络是否陷入全局最小，如果是，则执行步骤S101，如果否，则完成训练，同时继续执行步骤S101；

S109：修正所述网络传递函数即人工调整所述第一隐含层输出信号y_i的值，继续进行网络学习训练；

S110：开始新的网络学习训练，执行步骤S101至步骤S107；

S111：判断制动力矩输出值o₁,o₂,…,o_m与期望输出值d₁,d₂,…,d_n的误差值是否小于预期的设定误差值，如果否，则继续执行步骤S110，如果是，则执行步骤S112；

S112：计算所述单元之间各个链接新的加权系数，并执行继续步骤S101。

4.根据权利要求3所述的一种风力发电机组偏航制动力矩控制方法，其特征在于，所述步骤S100进一步包括以下过程：初始化所述单元之间各个链接的加权系数和阈值向量，将各个加权系数和阈值向量的值均设置为[-1，1]之内的随机值。