CN105545595B - 基于径向基神经网络的风力机反馈线性化功率控制方法 - Google Patents
基于径向基神经网络的风力机反馈线性化功率控制方法 Download PDFInfo
- Publication number
- CN105545595B CN105545595B CN201510920427.8A CN201510920427A CN105545595B CN 105545595 B CN105545595 B CN 105545595B CN 201510920427 A CN201510920427 A CN 201510920427A CN 105545595 B CN105545595 B CN 105545595B
- Authority
- CN
- China
- Prior art keywords
- control
- wind
- msub
- energy conversion
- conversion system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000001537 neural effect Effects 0.000 title claims description 13
- 230000008859 change Effects 0.000 claims abstract description 24
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/0272—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor by measures acting on the electrical generator
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/70—Adjusting of angle of incidence or attack of rotating blades
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/328—Blade pitch angle
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明请求保护一种基于RBF径向基神经网络的大型风力机反馈线性化功率控制方法,涉及风力机功率控制领域。首先,本发明在建立风力机状态空间的基础上,提出变桨控制器的仿射非线性模型,再设计了反馈线性化控制律。然后,建立了转矩控制器的仿射非线性模型并设计了反馈控制律。接着,在分析叶片受力振动和塔架振动的基础上,提出了双环控制器的阀值定义,作为控制器转换的依据。最后,设计了以RBF径向基神经网络作为控制误差的补偿控制方法。本发明提出的基于反馈线性化的双环控制器能够实现超过额定风速后,风速变化较大和风速变化较小且较快的恒功率控制问题,通过误差补偿,也提高了控制精度,改善了系统的鲁棒性能。
Description
技术领域
本发明属于风力机恒功率控制技术领域,具体涉及一种基于RBF径向基神经网络的反馈线性化恒功率控制方法,,
背景技术
当风速超过额定值以后,需要对风力机输出功率进行控制,常采用叶片自身的空气动力学特性进行失速控制或调节叶片桨距角的方式进行。随着变速技术的发展,对于大型风力机,不仅可以通过改变桨距角的方式进行功率调节,还可以通过调节电磁转矩的方式改变功率输出。
由于风力机系统复杂,具有时滞、非线性的特点,因此,基于风力机系统建模及其控制算法是一个研究热点问题。反馈线性化控制结构简单,易于理解且控制性能良好,得到广泛应用。在额定风速以下,文献[1-2]在最大风能追踪控制研究中建立了反馈线性化模型,提高了控制系统鲁棒性和抗干扰能力,实现了最大风能捕获。在额定风速以上,包能胜等[3]针对恒速风力机,以仿射非线性技术将非线性的风力机系统映射为线性系统,再设计其反馈控制律,通过调节变桨角度实现功率恒定输出,整个系统抗干扰能力较好。陈思哲等[4]以电磁转矩为控制输入,采用反馈线性化技术实现变速风力机的恒功率控制。杨俊华等[5]以变桨角度为控制输入,采用反馈线性化技术进行系统线性化,实现变速风力机的恒功率控制。崔双喜等[6]以输出功率建立输出方程,设计了最优调节问题的控制律,再以期望功率和实际功率误差为跟踪目标,设计了最优跟踪问题的控制律,实现了基于反馈线性化的风力机变桨最优跟踪控制。在上述针对变速风力机的恒功率控制中,要么控制转矩,要么控制变桨角度,缺乏对转矩控制和变桨控制具体适用场合的研究。再者,风力机工作环境复杂,自身结构和参数存在不确定性,对控制结果产生影响,如何克服这个问题,上述文献没有进行这方面的研究。
大型风力机叶片长达数十米,重达数吨,受物理结构限制,变桨角度和变桨速率都有一定要求。当风速超过额定值后,如果变化幅度很大,仅通过直接控制电磁转矩的方式调节转速,进而实现恒功率控制有一定困难。当风速超过额定值后的幅度不大且变化很快时,变桨距控制的实时性和精确性难以达到系统要求。另外,由于风力机系统结构及参数难以精确确定,模型会产生偏差,对系统误差进行补偿也是值得研究的问题。针对基于反馈线性化进行恒功率控制中存在的不足,需要采用一种合理的控制策略,以期实现超过额定风速后风速大幅变化和快速小幅波动时的有效控制。
发明内容
针对以下现有的不足,提出了一种实现对风速变化很大和风速变化较小且很快时的灵活控制、并提高控制精度的基于径向基神经网络的风力机反馈线性化功率控制方法。本发明的技术方案如下:一种基于径向基神经网络的风力机反馈线性化功率控制方法,所述风力机的功率控制系统包括风轮,风速传感器,转速传感器,转矩传感器,变桨控制器,变桨执行器,位置传感器,传动链及电机,控制方法包括以下步骤:
101、获取风力机的系统参数,并建立变桨控制器的仿射非线性模型及转矩控制器的仿射非线性模型;
102、再基于变桨控制器的仿射非线性模型及转矩控制器的仿射非线性模型进行极点配置,得到变桨控制器的反馈控制律和转矩控制器的反馈控制律;
103、将并列设置的变桨控制器和转矩控制器形成双环控制,得到双环控制器的阀值,并形成双环控制器的切换逻辑;
104、风速高于风轮转速额定值时,当由风速引起的功率变化低于最小精度变桨角度时功率的变化时,采用转矩控制器;当风速变化速率超过变桨速率时,采用转矩控制器;当由风速产生的轴向作用力大于最大轴向力时,采用转矩控制器进行控制;否则,采用变桨控制器进行控制;
105、对步骤104采用双环控制的系统进行RBF径向基神经网络进行误差补偿。
进一步的,所述变桨控制器的仿射非线性模型为x为n维状态向量,f1(x)和g1(x)表示光滑向量场,h1(x)表示充分光滑的非线性函数,u1∈R,y1∈R。
进一步的,步骤102得如下反馈表达式:
v1=-k1h1(x),k1为反馈系数。
进一步的,所述RBF径向基神经网络隐含层的激活函数选择高斯函数或格林函数作为RBF的基函数。
进一步的,当选择高斯函数时,表示为:
式中,hi为高斯基函数,由它构成的径向基向量为H=[h1,h2,…hn]';bi为节点i的基宽度参数;X=[x1,x2,…,xm]'为网络的输入向量;Ci为第i个节点的中心矢量,表示为[ci1,ci2,…cim]'。
进一步的,基于RBF径向基神经网络的动态误差补偿器如下:
式中,n11为系统决定的系数;为的估计值,即为误差估计值,其值由RBF神经网络输出决定;是最佳误差逼近;ζ11为补偿加权值。
本发明的优点及有益效果如下:
本发明以反馈线性化理论为基础,分别建立了控制转矩和变桨角度的仿射非线性模型,构成额定风速以上的双环控制器。结合风力机物理结构特点,引入控制器切换阀值。由于风力机是复杂的机电耦合系统,并且工作环境复杂多变,其结构和参数的不确定性会影响控制结果。因此,以RBF径向基神经网络控制器对结构和参数不确定性引起的误差进行补偿控制。
附图说明
图1是本发明提供优选实施例风力机恒功率控制结构图;
图2为风力机恒功率控制策略图;
图3为RBF径向基神经网络结构图;
图4为本发明控制性能仿真图。
具体实施方式
以下结合附图,对本发明作进一步说明:
如图1所示,1)基于反馈线性化的变桨控制律设计
风力机功率控制系统主要是由风轮,风速传感器,转速传感器,转矩传感器,变桨控制器,变桨执行器,位置传感器,传动链,电机等组成,结构参见附图1。
来流风速使风轮转动,通过传动链增速机构带动电机(通常情况下,大型风力机需要增速机构),可以将风能转换为电能。根据Betz理论,可得风力机输出轴功率为[7]:
其中:
式中,Pr为风轮输出轴功率,ρ为空气密度,R为风轮半径,V为来流风速,CP为风能转换系数,λ为叶尖速比,β为变桨角度,ωr为风轮转动角速度。
由功率、转矩和角速度关系可得[8]:
Pr=Trωr (3)
式中,Tr为风轮转矩。
由式(3),可得转矩为:
对于大型风力机,风轮侧转速较低,常被称为低速侧;经过增速机构后的电机侧转速较高,常被称为高速侧。
低速侧传动模型为[5]:
式中,Jr为风轮转动惯量(和风轮转动惯量相比,主传动轴转动惯量很小,常忽略),Tls为主传动轴转矩。
高速侧传动模型为:
式中,Jg为电机转动惯量与次传动轴转动惯量之和,为高速轴转速加速度。
假设齿轮传动系统为刚性,传动比为:
其中,n为齿轮传动比。
由式(5)、(6)、(7),可得如下式子:
大型风力机叶片半径长,质量大。因此,变桨机构通常被作为一阶惯性环节处理,表达式如下[5]:
式中,t1为时间常数,β为实测桨距角,βr为控制桨距角。
电机输出功率由电磁转矩和转速确定,电磁转矩大小可以通过控制电机实现,电机转速由风轮转速经传动轴传递。来流风速使风轮转动,改变桨距角使叶片受力发生改变,风轮转速由此改变,电机转速也随之发生变化。如果将电磁转矩限定在一定值,可以通过改变转速实现恒功率输出。
以桨距角β和风轮转速ωr为状态变量,桨距角βr为输入控制量,电机角速度额定值和实际值ωe之差为输出量,不考虑系统柔性,ωe=ωg。状态方程可表达为:
其中,x1为β,x2为ωr。
系统非线性仿射模型可用下式表达[9]:
由式(10)和(11),得如下对应变量关系:
反馈线性化的实质是对输出进行求导,使输入出现在输出表达式中,设计合适的输入控制律,使系统为线性化形式。因此,对y1进行求导:
由于
并结合式(10)、(11)及其对应关系,可得:
那么:
由于Lgh1(x)=0,需要继续对输出求导.
又由于:
可得:
到此,输入变量系数不为0,输入变量出现在输出表达式中,可以进行线性化控制律设计。
有如下反馈表达式:
v1=-k1h1(x) (20)
式中,k1为反馈系数。
由式(16)、(20),设虚拟控制律为:
将式(10)、(11)得到的对应关系并结合式(13)、(18)、(19)、(21),可得控制律为:
2)基于反馈线性化的转矩控制律设计
变桨控制可以实现恒功率输出,但是,大型风力机叶片长,质量重,当风速变化幅度较小且很快时,变桨角度精度控制不易,变桨速率存在难以达到要求的问题。另外一个问题是,如果控制不当,在变桨过程中引起的振动对系统安全有潜在威胁。
电磁转矩为影响电机输出功率的要素之一,控制电磁转矩可以达到控制功率的目的。并且,电磁转矩的适时性和精度容易控制[10]。因此,在风速变化很大时采用变桨控制,在风速快速变化且变化幅度较小时采用转矩控制。这种双环控制方式能够满足风力机实际运行中恒功率输出的要求,控制策略框图见附图2。
以风轮转动角速度ωr为状态变量,电磁转矩Te为输入控制量,额定功率Pe *和实际功率Pe之差为输出量。由前面对风力机系统的分析,可得此处状态方程的形式为:
注:此处x2与变桨控制器中x2含义相同。
系统非线性仿射模型为:
为使输入出现在输出表达式中,对y2进行求导:
由于
因此
由式(23)、(24)可得出:
将式(29)、(30)分别带入式(27)、(28),然后将式(27)、(28)代入(25),可得:
从式(31)可知,此时,输入变量u2出现在输出表达式中,可以设计输入控制律。
有如下反馈环节:
v2=-k2h2(x2) (32)
式中,k2为反馈系数。
设虚拟控制律为:
将式(27)、(28)、(29)、(30)、(32)代入式(33),并结合式(26)可得控制律为:
3)控制器切换阀值定义
由式(1)可知,改变桨距角度将使风能利用系数发生变化,也就可以调节风力机输出功率。要通过控制变桨角度有效调节输出功率,必须使变桨速率跟得上风速的变化速率,林勇刚等[11]已经证明了这一点。但是,变桨不仅需要考虑功率方面的问题,还应从受力方面进行考虑。
某叶片所受轴向力为[12]:
式中,α为攻角,l为翼型弦长,Cl为升力系数,Cd为阻力系数,式子表明,变桨角度改变,叶片轴向作用力会发生改变,并且,变桨角度变化越快,轴向作用力变化也越快,使得叶片的拍打振动频率也越快。
塔架单自由度随机振动模型为:
Mx(t)+Cx(t)+Kx(t)=F(t) (36)
式中,M为质量,C为黏性系数,K为刚性系数,x(t)为水平位移,F(t)为作用在塔架上的外力。由于风直接作用于塔架上的力较小,因此,由叶片轴向力作用于塔架的力占主导地位。那么,变桨调节不仅会使叶片产生振动,也会使塔架发生振动。综上所述,对变桨控制应该有一定的限制要求,才能使其对功率控制、速率跟随和振动影响协调统一。
做出如下定义:
式中,PC1为比例系数,P1为风力机最小精度变桨角度时功率的变化值。
式中,PC2为比例系数,β1为变桨速率值,βM为最大变桨角度值。
式中,PC3为比例系数,Fr为轴向力适时值,FrM为最大轴向力。
定义如下逻辑判断公式:
QH=PC1&PC2&PC3 (40)
式中,QH为逻辑判断值。
如果QH值为1,则转矩控制器进行工作;如果QH值为0,则变桨控制器进行工作。进一步解释,当由风速引起的功率变化低于最小精度变桨角度时功率的变化时,采用转矩控制器;当风速变化速率超过变桨速率时,采用转矩控制器;当由风速产生的轴向作用力大于最大轴向力时,采用转矩控制器;否则,采用变桨控制器。需要指出,此处均讨论的是风速高于额定值的情形。
4)基于反馈线性化的RBF径向基神经网络补偿控制
由于风力机系统存在不确定参数,在跟踪输出控制过程中会产生跟踪误差。神经网络不依赖精确的数学模型,能够辨识系统结构,对系统不确定性有较好的估计。RBF径向基网络能够以任意精度逼近模型,因此,采用此网络对系统不确定性造成的控制误差进行动态补偿,并直接作为控制对象的一部份输入,和非线性控制器输出量一起,对风力机产生作用,减小控制误差。RBF径向基网络结构见附图3。
在RBF径向基神经网络中,与网络输出相连的权值为线性,隐含层单元的激活函数为非线性,它们的更新速度不同。进一步解释为,当隐含层的激活函数(格林函数或高斯函数,一般取高斯函数)根据非线性最优控制策略以较慢的速度进行更新时,输出权值根据线性最优控制策略以较快的速度变化。这表明隐含层和输出层可采用不同的最优控制策略。
此处选择高斯函数作为RBF的基函数,因此,RBF径向基函数的激活函数可表示为[13]:
式中,hi为高斯基函数,由它构成的径向基向量为H=[h1,h2,…hn]';bi为节点i的基宽度参数;X=[x1,x2,…,xm]'为网络的输入向量;Ci为第i个节点的中心矢量,可表示为[ci1,ci2,…cim]'。
径向基函数第k时刻网络的输出表达式为:
式中,n为隐含层神经元个数,wi为第i个隐含层神经元与输出之间的权系数。
设辨识器的性能指标函数为:
选择梯度下降法对输出权值、节点中心和节点基宽参数进行求解:
wi(k)=wi(k-1)+ξ(yro(k)-yn(k))hi+α(wi(k-1)-wi(k-2)) (44)
bi(k)=bij(k-1)+ξΔbi+α(bi(k-1)-bi(k-2)) (44)
cij(k)=cij(k-1)+ξΔcij+α(cij(k-1)-cij(k-2)) (48)
式中,ξ为学习速率,α为动量因子。
基于RBF径向基神经网络的动态误差补偿器如下:
式中,n11为系统决定的系数;为的估计值,即为误差估计值,其值由RBF神经网络输出决定;是最佳误差逼近;ζ11为补偿加权值。
逼近误差估计值由下式决定:
式中,γ11为设计参数,其值大于0,err为偏差,δ11为修正系数,为逼近误差初值,可由经验决定。
需要指出的是,变桨控制器和转矩控制器的神经网络误差补偿控制器的设计方法相同。
图4为对功率输出控制的仿真图。风力机系统参数为:风轮半径38m,空气密度1.225kg/m3,风轮转动惯量12300kgm2,电机转动惯量61kgm2,额定风速为12m/s,最大风速23m/s。图中的功率输出表示,当t=6秒时,风速开始增大,并迅速超过额定风速,由于风力机额定功率为2000000W,因此,需要对输出功率进行控制。此时的风速变化大,采用变桨控制器,经过调整,功率快速向额定值靠近。当t=12秒时,风速变化幅度减小,但变化较快,此时,采用转矩控制器,能够较好地控制输出功率;受变桨机构速率和精度影响,此阶段采用转矩控制效果更好。当t=26秒时,风速幅度变大,再次采用变桨控制器。当t=32秒时,随着风速频率和幅度的变化变小,采用转矩控制器;受变桨机构速率和精度影响,此阶段采用转矩控制效果更好。在整个控制阶段,由于采用补偿控制,控制结果得到进一步改善。从有效实现控制可以看出,定义的控制器转换逻辑是有效的。仿真结果表明本发明提出的基于RBF径向基神经网络的反馈线性化方法能够很好地实现额定风速以上的恒功率控制。
参考文献
[1]BOUKHEZZAR B,SIGUERDIDJANE H,HAND M M.Nonlinear Control ofvariable-speed wind turbines for generator torque limiting and poweroptimization[J].Transactions of the ASME,2006,128(11):516-530.
[2]F.Valenciaga,P.F.Puleston,P.E.Battaiotto R.J.Mantz.An adaptivefeedback linearization strategy for variable speed wind energy conversionsystems[J].International Journal of Energy Research,2000,24:151-161.
[3]包能胜,姜桐.微分几何在水平轴恒速风力发电机系统的应用[J].太阳能学报,1999,20(2):130-134.
[4]陈思哲,吴捷,姚国兴,杨金明.基于微分几何的风力发电机组恒功率控制[J].控制理论与应用,2008,25(2):336-340.
[5]杨俊华,郑俭华,杨梦丽,吴捷.变桨距风力发电机组恒功率反馈线性化控制[J].控制理论与应用,2012,29(10):1365-1370.
[6]崔双喜,王维庆,张新燕.基于反馈线性化的风力机变桨距最优跟踪控制[J].中国电力,2013,46(2),:93-97.
[7]A.H.M.A.Rahim,M.Ahsanul Alam,M.F.Kandlawala.Dynamic performanceimprovement of an isolated wind turbine induction generator[J].Computers andElectrical Engineering,35(4),2009:594-607.
[8]Lotfi Krichen,Bruno Francois,Abderrazak Ouali.A fuzzy logicsupervisor for active and reactive power control of a fixed speed wind energyconversion system[J].Electric Power Systems Research,2008,78(3):418-424.
[9]JEAN-JACQUES E S.Applied Nonlinear Control[M].Beijing:MachinePress,2004:246-248.
[10]B.Boukhezzar,L.Lupu,H.Siguerdidjane,M.Hand.Multivariable controlstrategy for variable speed,variable pitch wind turbines[J].Renewable Energy,2007,32(8):1273-1287.
[11]林勇刚,李伟,崔宝玲,刘宏伟,电液比例变桨距风力机节距角变化率研究[J].浙江大学学报(共学版),2008,42(2):193-196
[12]BADREDDINE K.DAVID A,MAKEK A.The inverse design of the windturbine blade sections by the singularities method[J].Renewable Energy,2006,24(1):1-17.
[13]刘金琨.先进PID控制MATLAB仿真(第二版)[M].北京:电子工业出版社,2004:170-171.
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于径向基神经网络的风力机反馈线性化功率控制方法,所述风力机的功率控制系统包括风轮,风速传感器,转速传感器,转矩传感器,变桨控制器,变桨执行器,位置传感器,传动链及电机,其特征在于,控制方法包括以下步骤:
101、获取风力机的系统参数,并建立变桨控制器的仿射非线性模型及转矩控制器的仿射非线性模型;
102、再基于变桨控制器的仿射非线性模型及转矩控制器的仿射非线性模型进行极点配置,从而得到变桨控制器的反馈控制律和转矩控制器的反馈控制律;
103、将并列设置的变桨控制器和转矩控制器形成双环控制,得到双环控制器的阀值,并形成双环控制器的切换逻辑;
104、风速高于风轮转速额定值时,当由风速引起的功率变化低于最小精度变桨角度时功率的变化时,采用转矩控制器;当风速变化速率超过变桨速率时,采用转矩控制器;当由风速产生的轴向作用力大于最大轴向力时,采用转矩控制器进行控制;否则,采用变桨控制器进行控制;
105、对步骤104采用双环控制的系统进行RBF径向基神经网络进行误差补偿。
2.根据权利要求1所述的基于径向基神经网络的风力机反馈线性化功率控制方法,所述变桨控制器的仿射非线性模型为x为n维状态向量,f1(x)和g1(x)表示光滑向量场,h1(x)表示充分光滑的非线性函数,
u1∈R,y1∈R。
3.根据权利要求1所述的基于径向基神经网络的风力机反馈线性化功率控制方法,步骤102可得反馈表达式:
v1=-k1h1(x),k1为反馈系数。
4.根据权利要求1或2或3所述的基于径向基神经网络的风力机反馈线性化功率控制方法,所述RBF径向基神经网络隐含层的激活函数选择高斯函数或格林函数作为RBF的基函数。
5.根据权利要求4所述的基于径向基神经网络的风力机反馈线性化功率控制方法,当选择高斯函数时,表示为:
<mrow>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
式中,hi为高斯基函数,由它构成的径向基向量为H=[h1,h2,…hn]';bi为节点i的基宽度参数;X=[x1,x2,…,xm]'为网络的输入向量;Ci为第i个节点的中心矢量,表示为[ci1,ci2,…cim]'。
6.根据权利要求4所述的基于径向基神经网络的风力机反馈线性化功率控制方法,基于RBF径向基神经网络的动态误差补偿器如下:
<mrow>
<msub>
<mi>u</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>11</mn>
</msub>
</mfrac>
<mover>
<msub>
<mi>e</mi>
<mn>11</mn>
</msub>
<mo>^</mo>
</mover>
<msub>
<mi>&zeta;</mi>
<mn>11</mn>
</msub>
</mrow>
式中,n11为系统决定的系数;为的估计值,即为误差估计值,其值由RBF神经网络输出决定;是最佳误差逼近;ζ11为补偿加权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510920427.8A CN105545595B (zh) | 2015-12-11 | 2015-12-11 | 基于径向基神经网络的风力机反馈线性化功率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510920427.8A CN105545595B (zh) | 2015-12-11 | 2015-12-11 | 基于径向基神经网络的风力机反馈线性化功率控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105545595A CN105545595A (zh) | 2016-05-04 |
CN105545595B true CN105545595B (zh) | 2018-02-27 |
Family
ID=55825050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510920427.8A Active CN105545595B (zh) | 2015-12-11 | 2015-12-11 | 基于径向基神经网络的风力机反馈线性化功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105545595B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106499583B (zh) * | 2016-10-13 | 2019-03-05 | 浙江运达风电股份有限公司 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
CN106505639B (zh) * | 2016-11-30 | 2019-08-16 | 华南理工大学 | 一种增强系统同步稳定性的风电场功率鲁棒最速调制方法 |
EP3619427A1 (en) * | 2017-07-07 | 2020-03-11 | Siemens Gamesa Renewable Energy A/S | Determining a wind speed value |
CN109779844B (zh) * | 2017-11-13 | 2020-06-09 | 北京普华亿能风电技术有限公司 | 风机叶片角度测量误差影响关系的获取方法及系统 |
CN108223274B (zh) * | 2017-12-04 | 2019-11-12 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108196444A (zh) * | 2017-12-08 | 2018-06-22 | 重庆邮电大学 | 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法 |
CN108334672B (zh) * | 2018-01-14 | 2019-12-24 | 浙江大学 | 基于有效风速估计的变速风力发电机组最大风能捕获方法 |
CN109026526B (zh) * | 2018-06-28 | 2019-09-24 | 山东科技大学 | 基于全分布式光纤传感差压反馈的液压气弹变桨系统及控制方法和控制参数的计算方法 |
CN110566406B (zh) * | 2019-10-16 | 2020-08-04 | 上海海事大学 | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 |
CN111091236B (zh) * | 2019-11-27 | 2023-06-20 | 长春吉电能源科技有限公司 | 一种按桨距角分类的多分类深度学习短期风功率预测方法 |
CN111188732B (zh) * | 2020-01-17 | 2022-05-13 | 湖南工业大学 | 一种风力发电变桨鲁棒容错控制方法 |
CN111456898A (zh) * | 2020-04-13 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电机组的发电功率的调节方法、系统、介质及电子设备 |
CN112523945B (zh) * | 2020-12-29 | 2021-11-30 | 重庆邮电大学 | 一种双馈风力机最大风能捕获自抗扰非线性控制方法 |
CN113031440B (zh) * | 2021-03-02 | 2022-04-29 | 中南大学 | 基于反馈线性化与预测控制的风力机变桨距控制方法 |
CN114396877B (zh) * | 2021-11-19 | 2023-09-26 | 重庆邮电大学 | 面向材料力学性能的智能三维位移场及应变场测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101245765A (zh) * | 2008-03-21 | 2008-08-20 | 清华大学 | 变桨距风力发电系统的逆系统鲁棒控制方法 |
CN102900605A (zh) * | 2012-09-19 | 2013-01-30 | 河北工业大学 | 基于有限时间稳定的风电机组变桨距控制器设计方法 |
CN104595106A (zh) * | 2014-05-19 | 2015-05-06 | 湖南工业大学 | 基于强化学习补偿的风力发电变桨距控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2192456B1 (en) * | 2008-11-26 | 2017-11-01 | Siemens Aktiengesellschaft | Estimation an achievable power production of a wind turbine by means of a neural network |
-
2015
- 2015-12-11 CN CN201510920427.8A patent/CN105545595B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101245765A (zh) * | 2008-03-21 | 2008-08-20 | 清华大学 | 变桨距风力发电系统的逆系统鲁棒控制方法 |
CN102900605A (zh) * | 2012-09-19 | 2013-01-30 | 河北工业大学 | 基于有限时间稳定的风电机组变桨距控制器设计方法 |
CN104595106A (zh) * | 2014-05-19 | 2015-05-06 | 湖南工业大学 | 基于强化学习补偿的风力发电变桨距控制方法 |
Non-Patent Citations (1)
Title |
---|
基于RBF网络的风电机组变桨距滑模控制;秦斌等;《电工技术学报》;20130526;第28卷(第5期);第38-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105545595A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105545595B (zh) | 基于径向基神经网络的风力机反馈线性化功率控制方法 | |
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
Meng et al. | Guaranteed performance control of DFIG variable-speed wind turbines | |
CN105179164B (zh) | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 | |
Van der Hooft et al. | Wind turbine control algorithms | |
CN109296500B (zh) | 基于鲁棒控制理论的最大风能捕获方法 | |
Jiao et al. | Adaptive continuous neural pitch angle control for variable‐speed wind turbines | |
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
CN103758699B (zh) | 一种风力发电机组的桨距角控制方法及桨距角控制器 | |
CN110145436A (zh) | 应用于风机的非线性经济模型预测控制方法 | |
Barrera-Cardenas et al. | Optimal LQG controller for variable speed wind turbine based on genetic algorithms | |
CN107975457A (zh) | 一种抑制风速波动干扰的风电机组变桨控制方法 | |
CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
Dhar et al. | Study on pitch angle control of a variable speed wind turbine using different control strategies | |
CN102900603B (zh) | 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法 | |
CN112523944A (zh) | 一种风力发电机变桨系统自适应动态面控制方法 | |
Golnary et al. | Novel sensorless fault-tolerant pitch control of a horizontal axis wind turbine with a new hybrid approach for effective wind velocity estimation | |
Yin et al. | Modeling and loading compensation of a rotary valve-controlled pitch system for wind turbines | |
Escobar Aquino et al. | H∞ position transfer and regulation for floating offshore wind turbines | |
Yao et al. | RBF neural network based self-tuning PID pitch control strategy for wind power generation system | |
Coronado et al. | Adaptive control of variable-speed variable-pitch wind turbines for power regulation | |
Zhou et al. | A combined control strategy of wind energy conversion system with direct-driven PMSG | |
Magar et al. | Direct adaptive torque control for maximizing the power captured by wind turbine in partial loading condition | |
Meng et al. | Adaptive power acquisition control of variable-speed wind energy conversion systems under inaccurate wind speed measurement | |
Kong et al. | Modelling and analysing the hydraulic variable-pitch mechanism for a variable-speed wind turbine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |