CN105134482B - 大型智能风机叶片系统灰色组合建模与优化振动控制的方法 - Google Patents

Abstract

本发明公开了一种大型智能风机叶片灰色组合建模与优化振动控制的方法。该方法的步骤如下：（1）风洞试验数据采集：通过设计叶片翼型的气动试验，采集获得叶片气动特性数据；选择合适的智能驱动器，通过设计叶片智能驱动器的气动试验，采集获得驱动器的输入输出信号；(2)建立基于实验数据的叶片气动失速模型；(3)建立智能驱动器灰色模型；(4)建立大型智能风机叶片系统灰色组合模型；(5)根据第(4)步中建立的大型智能风机叶片系统灰色组合模型，基于模型预测控制方法设计控制器，实现抑制不确定干扰的大型智能风机叶片优化振动控制。本发明的方法先进科学，保证了大型风机叶片的安全稳定运行，具有提高大型风机发电质量等效果。

Description

大型智能风机叶片系统灰色组合建模与优化振动控制的方法

技术领域

本发明涉及一种大型智能风机叶片灰色组合建模与优化振动控制的方法,属于风力发电技术领域。

背景技术

随着科学技术的发展和能源需求的增加，风力机的大型化成为增加风电机组装机容量的必然趋势。今近年来，全球风机装机容量不断攀升，我国风电的发展尤为迅速，大型风力机以及发电技术对于我国的可再生能源发展战略，国民经济的可持续性增加具有非常重要的位置。

风机叶片的展向长度随着机型的增大也在不断增长，在惯性力、弹性力和复杂气动负载力耦合作用下，叶片会出现失速颤振现象并造成叶片损坏，影响大型风机的安全运行和叶片的使用寿命，并造成严重的经济损失。

大型风机叶片的失速颤振需要得到有效地控制。在传统风机叶片变桨控制的基础上，智能叶片是指叶片翼型尾端安装有智能驱动器的叶片，通过控制驱动装置来改变叶片周围的流场特性，达到抑制叶片振动的目的。智能驱动器需要有效地受控于控制器，能够根据复杂的风机叶片动态特性变化和风力机运行工况做出准确的反应。

风向和风速的时刻变化使叶片的流场具有不确定性。柔性叶片与流场的流固耦合，系统结构与惯性、控制等非结构因素耦合，驱动执行器与流场耦合等使得叶片具有多场耦合不确定性。因此，大型智能风机叶片系统是一个复杂的时变强耦合非线性系统，不确定因素较多。

风机长期运行在恶劣与复杂的环境中，阵风、执行器动作与风机偏航等都会给系统带来不同程度的扰动，同时这些扰动也具有不确定性。

但是目前针对大型智能风机叶片系统的建模与控制技术的研究方法，未考虑实际中存在的多种不确定因素，同时忽略了风机叶片工作环境中存在的多种干扰因素，影响了大型风机叶片系统模型精确度与叶片控制效果的提高，不利于进一步提高大型风机的安全稳定运行与风力发电效率。

发明内容

本发明的目的在于针对有限技术的不足，提供一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法。

为了实现本发明的目的，本发明采用的技术方案是，一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是，该方法的步骤如下：

(1)风洞试验数据采集：通过设计叶片翼型的气动试验，采集获得叶片气动特性数据，以用于叶片气动失速模型建模；选择合适的智能驱动器，通过设计叶片智能驱动器的气动试验，采集获得驱动器的输入输出信号，以用于智能驱动器灰色模型建模；

(2)建立基于实验数据的叶片气动失速模型：利用第(1)步中采集的风洞实验数据，即叶片气动特性数据，计算得到叶片气动失速特性的重要参数，应用Beddoes-Leishman(B-L)动态气动失速建模方法，获得叶片气动失速模型；

(3)建立智能驱动器灰色模型：利用第(1)步中采集的智能驱动器的输入输出信号作为原始数据，应用灰色理论建模方法，辨识得到智能驱动器灰色模型；

(4)建立大型智能风机叶片系统灰色组合模型：将叶片结构模型与第(2)步中得到的叶片气动失速模型结合得到叶片失速颤振模型，叶片失速颤振模型和第(3)步中得到的智能驱动器灰色模型进行融合，得到克服系统不确定性的大型智能风机叶片系统灰色组合模型；

(5)大型智能风机叶片优化振动控制：根据第(4)步中建立的大型智能风机叶片系统灰色组合模型，基于模型预测控制(MPC,Model Predictive Control)方法设计控制器，实现抑制不确定干扰的大型智能风机叶片优化振动控制。

风洞试验数据采集中，根据风电场大型风机叶片材质和翼型的实际情况，设计叶片试验翼型进行风洞实验，采集该风机叶片的气动特性实验数据，用于计算叶片气动失速系统的参数；根据所采用的智能驱动器，设计实验输入信号，加入叶片智能驱动器的风洞实验得到相应的输出信号，用于智能驱动器的灰色系统辨识。

所述的智能驱动器为尾缘襟翼或微型小插片。

第(4)步中所述的大型智能风机叶片系统灰色组合模型，由叶片失速颤振模型和智能驱动器灰色模型线性化组合后的模型规范形式如下：

状态变量：x为振动结构模型的状态变量，z为气动失速模型的状态变量；

输出变量：为振动位移量；

输入变量：为智能驱动器的驱动展开控制量；

上述方程中：系数矩阵A_s，B_s代表叶片截面结构特性，系数矩阵A_a，B_a，C_a，D_a代表叶片截面气动失速特性，C_s用来选取系统输出信号，B_g为智能驱动器气动驱动的偏导数，n_x，n_z，n_y，n_u代表变量的维数。

所述的第(5)步中的控制器在每一个时刻，通过建立包含系统的预测值与期望值之间的误差以及控制量增量的目标函数，在线求解目标函数的优化问题，得到未来时刻的最优控制律，并将最优控制量的第一个分量作用到系统对象，在下一个时刻重复上述过程；基于模型预测控制的控制器包括了三个部分：灰色模型预测、滚动优化、反馈校正；采用灰色组合模型预测系统输出值，利用滚动优化的目标函数使大型智能风机叶片系统的实际输出跟踪理想的参考轨迹，从而控制叶片振动的同时抑制不确定干扰，实现系统的优化振动控制。

本发明的有益效果是:该方法通过风洞实验获得叶片翼型气动数据，建立基于实验数据的叶片气动失速模型，利用灰色理论建立智能驱动器灰色模型，将叶片结构模型与叶片气动失速模型结合得到叶片失速颤振模型，然后将叶片失速颤振模型与智能驱动器灰色模型进行融合建立系统灰色组合模型来克服建模过程中系统的不确定性，最后利用模型预测控制设计优化振动控制方法，有效降低风机叶片运行环境中不确定因素的干扰影响。本发明所采用的灰色预测所需的原始数据较少，大大减小了计算量，可以极大提高系统辨识与振动控制的实时性；具有更加符合大型风机新型叶片的实际情况，更加完善风机叶片复杂系统的不确定性建模，更加有效地克服叶片振动控制中的不确定性干扰，自适应性强等显著优点，对于保证大型风机叶片的安全稳定运行，提高大型风机发电质量等方面有良好的效果，有着较高的经济效益和社会效益。

附图说明

图1是本发明采用的方法流程图。

图2是叶片气动失速系统和智能驱动器输入输出信号示意图。

图3是智能驱动器灰色建模流程图。

图4是大型智能风机叶片灰色组合建模的结构示意图。

图5是大型智能风机叶片的优化振动控制方法的结构示意图。

具体实施方式

下面将结合附图对本发明作进一步的说明。

参见图1，本发明的方法顺序包括以下步骤：(1)风洞实验数据采集；(2)分别建立智能驱动器灰色模型和叶片气动失速模型；(3)建立大型智能风机叶片灰色组合模型；(4)大型智能风机叶片优化振动控制。

各步骤具体阐述如下：

一、风洞实验数据采集

风力机叶片的气动失速原理虽然基本相同，但是随着风力机的大型化，由于叶片材料的发展以及叶片翼型的多样化，基于不同材料和不同翼型的风机叶片具有不一样的气动特性和弹性特性。针对特定叶片的大型智能风机叶片系统建模需要通过风洞试验得到能够精确反映该叶片气动特性和驱动特性的实验数据。

大型智能风机叶片系统包含两大部分：分为智能驱动器系统和叶片失速颤振系统。叶片失速颤振系统主要受到叶片气动失速特性的影响，当风速达到颤振速度时，导致叶片发生失速颤振，使得叶片捕获风能的能力大大降低。风洞实验主要涉及两个部分：叶片气动失速特性，智能驱动器的驱动特性。

叶片气动失速特性:叶片的气动特性在较小的攻角范围内呈线性特性，即作用于叶片的气动升力随着攻角的增大而增大；当叶片截面攻角增大至失速攻角时，作用于叶片气动升力随着攻角的增大而急速降低，产生气动失速现象。

智能驱动器的驱动特性:智能驱动器安装在叶片尾缘，通过驱动展开量的变化来影响叶片周围的流场，从而改变作用于叶片的气动力，避免叶片发生颤振。

参见图2，叶片气动失速系统的输入信号为叶片攻角，输出信号为叶片的气动升力、气动阻力和气动力矩，叶片的气动失速特性可以通过输入信号与输出信号之间的关系来体现。通过采集的叶片气动失速特性实验数据，可以直接计算气动失速模型的系统相关参数。

参见图2，智能驱动器的输入信号为叶片攻角和驱动展开量，输出信号为驱动升力、驱动阻力和驱动力矩。通过适当的采样频率，等间距选取输入信号和输出信号的数据，可以作为原始数据用于智能驱动器的灰色预测建模。

二、分别建立智能驱动器灰色模型和叶片气动失速模型

(1)建立基于风洞实验的叶片气动失速模型：在这里使用Beddoes-Leshiman气动失速建模理论对叶片气动失速模型进行建模，包括以下步骤：

步骤1-1：通过风洞实验得到叶片失速特性实验数据,利用实验数据，通过曲线拟合，分别建立叶片气动升力气动阻力气动力矩与攻角的函数关系表达式：

其中，c_j为拟合系数，α为攻角。

步骤1-2：基于步骤1-1的表达式，根据B-L理论计算得到叶片的定常分离点：

其中，C_L，a为线性区最大斜率，a_o为零升力点对应的攻角。

步骤1-3：利用攻角和相对风速，根据B-L理论计算得到叶片表面附着流的状态量，同时计算得到有效攻角α_E，附着流升力以及等效攻角α_f:

α_E＝α_s/4(1-A₁-A₂)+z₁(t)+z₂(t)

其中，α_3/4为弦长四分之三处等效攻角，Λ₁,Λ₂为常量系数，U为相对风速，为扭转加速度，z₁,z₂为附着流状态量，z₃为分离流状态量。

步骤1-4：利用步骤1-3的等效攻角和步骤1-2的定常分离点，根据B-L理论计算叶片准定常分离点f′，同时利用步骤1-3的附着流升力进一步计算叶片表面分离流的状态量f″:

其中，为常量，z₄＝f″决定动态分离流特性。

步骤1-5：利用步骤1-1的函数表达式和步骤1-2的定常分离点，根据B-L理论计算得到完全分离流升力:

步骤1-6：利用步骤1-1的函数表达式、步骤1-3的附着流状态量、步骤1-4的分离流状态量以及步骤1-5的分离流升力，根据B-L理论分别计算叶片的动态气动升力C_l、动态气动阻力C_d和动态气动力矩C_m:

其中，T_u为常量，为气动升力引起的气动阻力变化量，为压力阻尼的动态变化量，为分离流引起的气动力矩变化量。

(2)建立智能驱动器灰色模型:由于智能驱动器对于叶片周围流场的影响较为复杂，传统的机理建模很难精确描述智能驱动器对于叶片气动力的影响。参见图3，将智能驱动器系统视为信息不完整的灰箱，利用灰色理论进行建模，灰色建模方法包括以下步骤：

步骤2-1：利用智能驱动器的驱动特性实验数据，拟合特性曲线，等间距采样拟合曲线，得到灰色建模的原始数据；

设置输入量α⁽⁰⁾＝(α⁽⁰⁾(1)，α⁽⁰⁾(2)，……，α⁽⁰⁾(n))和g⁽⁰⁾＝(g⁽⁰⁾(1)，g⁽⁰⁾(2)，……，g⁽⁰⁾(n))为相关因素序列，设置输出量ΔC_t ⁽⁰⁾＝(ΔC_t ⁽⁰⁾(1)，ΔC_t ⁽⁰⁾(2)，……，ΔC_t ⁽⁰⁾(n))为系统特征数据序列；

其中，α⁽⁰⁾为攻角原始序列，g⁽⁰⁾为驱动展开量原始序列，为驱动力原始序列，具体可为驱动升力序列ΔC_l ⁽⁰⁾、驱动阻力序列ΔC_d ⁽⁰⁾、驱动力矩序列ΔC_m ⁽⁰⁾；

步骤2-2：根据相关因素序列和系统特征数据序列，利用最小二乘法辨识参数，建立灰色G(1,3)模型；

步骤2-3：检验所建灰色模型是否满足拟合精度要求，若检验合格，则可作为智能驱动器灰色模型对驱动力进行预测；若检验不合格，则检验所建灰色模型是否满足残差修正条件，定义如下：

ε⁽⁰⁾(k)＝ΔC_t ⁽⁰⁾(k)-ΔC_t ⁽⁰⁾(k)为ΔC_t ⁽¹⁾的残差序列。存在k₀，满足

其中，为灰色模型的拟合序列；

步骤2-4：若灰色G(1,3)模型满足残差修正条件，则利用ε⁽⁰⁾对进行修正，得到修正后的时间响应式，如下：

其中，a，b₁，b₂为原灰色模型参数，为残差修正参数,为驱动力拟合序列的1-AGO序列，a⁽¹⁾(k)为攻角原始序列的1-AGO序列，g⁽¹⁾(k)为驱动展开量原始序列的1-AGO序列，s⁽⁰⁾(k)为可建模残差尾端序列。

步骤2-5：检验所建灰色残差修正模型是否满足拟合精度要求，若检验合格，则可作为智能驱动器灰色模型对驱动力进行预测；若检验不合格，对采样的原始数据做更新处理,如下：

步骤2-6：置入最新信息α⁽⁰⁾(n+1),g⁽⁰⁾(n-1),ΔC_t ⁽⁰⁾(n+1)，去掉最老信息α⁽⁰⁾(1),g⁽⁰⁾(1),ΔC_t ⁽⁰⁾(1)，利用更新的原始数据重新辨识G(1,3)模型，即新陈代谢G(1,3)模型；

步骤2-7：检验所建新陈代谢G(1,3)模型是否满足拟合精度要求，若检验合格，则可作为智能驱动器灰色模型对驱动力进行预测；若检验不合格，则改变建模维数重新进行建模，直至满足拟合精度要求。

三、建立大型智能风机叶片灰色组合模型

如图4所示大型智能风机叶片系统由叶片振动结构系统、叶片气动系统和智能驱动器系统耦合而成，内部多场耦合较为复杂使系统具有不确定性。因此在叶片失速颤振机理模型的基础上，通过智能驱动器灰色模型引入灰色预测量，形成灰色组合模型来克服系统内部的不确定性因素，是一种高效又准确的建模方法。

智能驱动器通过作用于叶片结构系统来影响叶片气动力的变化，因此大型智能风机叶片灰色组合模型的建立包括基于智能驱动器的叶片振动结构状态空间模型、叶片气动失速状态空间模型两部分，具体步骤如下:

(1)叶片结构状态空间模型

根据叶片振动运动的动能E_K和势能E_p，构建拉格朗日公式。叶片截面的结构模型可描述为：

其中，m翼型截面质量，ζ_x，ζ_y，ζ_e为摆振/挥舞/扭转阻尼系数，ω_x，ω_y，ω_e为摆振/挥舞/扭转固有频率，l_CG为截面弹性轴心与质心的距离，r_EA为截面回转半径，l_AC为截面气动中心与弹性轴心的距离，I_EA为截面相对于弹性轴的转动惯量。ψ为风速的方向角，β为叶片截面桨距角，α为叶片截面攻角。L_AC，D_AC，M_AC为作用在叶片截面上的气动升力、气动阻力和气动力矩。此模型中气动力由两部分组成，一部分来自叶片的气动失速效应(C_l，C_d，C_m)，另一部分来自于智能驱动器的驱动力(ΔC_l，ΔC_d，ΔC_m)，即L_AC＝L_AC(C_l，ΔC_l),D_AC＝D_AC(C_d，ΔC_d),M_AC＝M_AC(C_m，ΔC_m)。

因此，上式线性化后，可以构建叶片振动结构模型的状态空间方程如下：

上式中，v代表叶片多个自由度的振动位移量，为振动加速度，为智能驱动器驱动展开控制量；

(2)叶片气动失速状态空间模型

通过Beddoes-Leishman气动失速理论建立的叶片气动失速模型为：

上式中，c为叶片截面弦长，l_EA为气弹轴心与截面叶尖的距离，T_u，T_p，T_f为时间常数，b₁，b₂，A₁，A₂为相关常数，为有效攻角，α⁰为零升力是对应的攻角,C_L，α为静升力曲线的线性斜率，为气流分流点，U为相对风速。

由叶片气动失速引起的气动力(C_l，C_d，C_m)为：

根据以上叶片气动失速模型的方程和气动力(C_l，C_d，C_m)的方程，叶片气动失速状态空间模型可表示为：

上式中，Z＝[z₁ z₂ z₃ z₄]^T为气动失速模型的状态变量，Y_a＝[C_l C_d C_d C_m]^T为气动失速引起的气动力，为振动结构模型的状态变量；

(3)大型智能风机叶片灰色组合状态空间模型

利用叶片振动结构状态空间模型和叶片气动失速状态空间模型，大型智能风机叶片灰色组合状态空间模型可表示为如下形式：

上式中，q＝[X Z]^T，X为振动结构模型的状态变量，z为气动失速模型的状态变量,u＝g为智能驱动器的驱动展开控制量，y＝Y_s＝ν为振动位移量；为自智能驱动器灰色预测量的偏导数；

四、大型智能风机叶片优化振动控制

参见图5，图中所示为大型智能风机叶片优化振动控制示意图，从图中可以看出，优化振动控制是基于预测控制的思想，包含灰色预测模型、反馈校正、参考轨迹和滚动优化四个部分。下面针对每个部分进行说明：

(a)灰色预测模型

预测控制中，预测模型根据系统对象的历史信息以及未来的输入量预测未来的输出量，为控制器提供了先验知识，来计算控制策略以达到更好的控制效果。本控制方案中应用之前建立的大型智能风机叶片灰色组合模型作为预测模型；

控制输入u(k)经过灰色组合模型后得到系统的预测输出

设置预测时域长度为P，则得到预测输出序列为：

(b)反馈校正

反馈校正为了克服系统中存在的时变、干扰等因素，根据预测输出与实际输出的偏差对预测输出进行修正，再用于新的滚动优化；

k时刻的预测误差为其中y(k)为实际输出，为预测输出。反馈校正矩阵H＝[h₁ h₂ … h_g]^T,其中P为预测时域长度，校正后得到的预测输出为：

(c)参考轨迹

预测控制的参考轨迹要求系统响应沿着一条指定的、平滑的曲线到达新的稳定值。参考轨迹可表示为：

y_r(k+j)＝(1-aj)y₀+a^jy(k)

上式中，a为柔性系数，y_o为设定值，y(k)为系统实际输出；

在预测时域内的参考轨迹序列为：

Y_r(k+1)＝[y_r(k+1) y_r(k+2)…y_r(k+P)]^T

(d)滚动优化

滚动优化通过某一性能指标，采用有限时段滚动优化的策略，确定未来控制量的最优解。在本方法中，在线滚动的性能优化目标函数采用输出预测误差和控制量加权的二次型性能指标：

上式中，s_i，λ_i为加权系数，y_p为校正后的预测输出，M为控制时域长度，P为预测时域长度；性能指标的向量形式可表达为：

J＝[Y_P(k+1)-Y_r(k+1)]^TS[Y_P(k+1)-Y_r(k+1)]+[ΔU(k)]^TΛ[ΔU(k)]

求解得最优控制律为：

ΔU(k)＝[G^TSG+Λ]^-1GTS[Y_r(k+1)-hY_P(k-1)]

上式中，S，Λ为输出预测误差和控制增量加权的权系数向量，G，h为灰色模型参数矩阵，Y_r参考轨迹向量，Y_P校正后的预测输出向量。

采用第一个分量Δu(k)加入实际控制输入u(k)＝u(k-1)+Δu(k)。在下一个时刻得到系统新的实际输出和灰色预测输出，重新计算性能优化指标得到Δu(k+1)，以此进行滚动优化。

简言之，本发明首先利用风洞试验数据，建立大型风机叶片气动失速模型，叶片结构模型与叶片气动失速模型结合得到叶片失速颤振模型，同时应用灰色建模方法，得到叶片尾缘的智能驱动器模型。然后将叶片失速颤振模型与智能驱动器灰色模型有机结合，得到大型智能风机叶片的灰色组合模型。最后利用针对灰色组合模型的预测控制实现风机叶片的优化振动控制。本发明具有更加符合大型风机新型叶片的实际情况，更加完善风机叶片复杂系统的不确定性建模，更加有效地克服叶片振动控制中的不确定性干扰，具有适应性强，实时性好等显著优点，对于保证大型风机叶片的安全稳定运行，提高大型风机发电质量等方面有良好的效果，有着较高的经济效益和社会效益。

灰色预测理论已在多种工业生产过程建模与控制中有了较好的应用，因此本发明的针对大型智能风机叶片系统的灰色组合建模与优化振动控制方法在实际中具有可实施性；本发明提供的叶片优化振动控制方法可克服大型风机叶片恶劣工作环境中的不确定性干扰，可进一步提高发电效率与风机运行的安全，对于大型风机技术以及大规模风力发电具有良好的经济效益。

Claims (5)

1.一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是，该方法的步骤如下：

(1)风洞试验数据采集：通过设计叶片翼型的气动试验，采集获得叶片气动特性数据，以用于叶片气动失速模型建模；选择合适的智能驱动器，通过设计叶片智能驱动器的气动试验，采集获得驱动器的输入输出信号，以用于智能驱动器灰色模型建模；

(2)建立基于实验数据的叶片气动失速模型：利用第(1)步中采集的风洞实验数据，即叶片气动特性数据，计算得到叶片气动失速特性的重要参数，应用Beddoes-Leishman(B-L)动态气动失速建模方法，获得叶片气动失速模型；

(3)建立智能驱动器灰色模型：利用第(1)步中采集的智能驱动器的输入输出信号作为原始数据，应用灰色理论建模方法，辨识得到智能驱动器灰色模型；

(4)建立大型智能风机叶片系统灰色组合模型：将叶片结构模型与第(2)步中得到的叶片气动失速模型结合得到叶片失速颤振模型，叶片失速颤振模型和第(3)步中得到的智能驱动器灰色模型进行融合，得到克服系统不确定性的大型智能风机叶片系统灰色组合模型；

(5)大型智能风机叶片优化振动控制：根据第(4)步中建立的大型智能风机叶片系统灰色组合模型，基于模型预测控制(MPC,Model Predictive Control)方法设计控制器，实现抑制不确定干扰的大型智能风机叶片优化振动控制。

2.根据权利要求1所述的一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是：风洞试验数据采集中，根据风电场大型风机叶片材质和翼型的实际情况，设计叶片试验翼型进行风洞实验，采集该风机叶片的气动特性实验数据，用于计算叶片气动失速系统的参数；根据所采用的智能驱动器，设计实验输入信号，加入叶片智能驱动器的风洞实验得到相应的输出信号，用于智能驱动器的灰色系统辨识。

3.根据权利要求2所述的一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是：所述的智能驱动器为尾缘襟翼或微型小插片。

4.根据权利要求1所述的一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是：第(4)步中所述的大型智能风机叶片系统灰色组合模型，由叶片失速颤振模型和智能驱动器灰色模型线性化组合后的模型规范形式如下：

状态变量：x为振动结构模型的状态变量，z为气动失速模型的状态变量；

输出变量：为振动位移量；

输入变量：为智能驱动器的驱动展开控制量；

上述方程中：系数矩阵A_s，B_s代表叶片截面结构特性，系数矩阵A_a，B_a，C_a，D_a代表叶片截面气动失速特性，C_s用来选取系统输出信号，B_g为智能驱动器气动驱动的偏导数，n_x，n_z，n_y，n_u代表变量的维数。

5.根据权利要求1所述的一种大型智能风机叶片系统灰色组合建模与优化振动控制的方法，其特征是：所述的第(5)步中的控制器在每一个时刻，通过建立包含系统的预测值与期望值之间的误差以及控制量增量的目标函数，在线求解目标函数的优化问题，得到未来时刻的最优控制律，并将最优控制量的第一个分量作用到系统对象，在下一个时刻重复上述过程；基于模型预测控制的控制器包括了三个部分：灰色模型预测、滚动优化、反馈校正；采用灰色组合模型预测系统输出值，利用滚动优化的目标函数使大型智能风机叶片系统的实际输出跟踪理想的参考轨迹，从而控制叶片振动的同时抑制不确定干扰，实现系统的优化振动控制。