CN105626378A - 基于rbf神经网络的大型风电机组独立变桨控制方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的大型风电机组独立变桨控制方法，步骤如下：通过采集风轮转速信号得到统一桨距角和电磁转矩；计算风电机组三个桨叶根部弯矩及桨叶方位角；对三个桨叶根部弯矩进行Coleman坐标变换，得到俯仰弯矩和偏航弯矩；通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；将统一桨距角和优化桨距角相加，得到独立变桨控制桨距角，优化桨距角送入变桨执行单元，完成独立变桨。本发明能够快速地实现独立变桨控制，提高变桨伺服系统的工作效率，控制成本低，提高了风电机组的使用寿命。

Description

基于RBF神经网络的大型风电机组独立变桨控制方法

技术领域

本发明涉及大型风电机组控制领域，特别涉及一种基于RBF神经网络的大型风电机组独立变桨控制方法。

背景技术

近年来，自然资源日渐枯竭，加之受日益严峻的环境影响，能源危机已经显现。而无论是从技术的成熟度、市场规模，还是从价格成本的角度，风力发电都是目前最有应用前景的新能源技术之一。采用变桨控制的风电机组以其风能利用系数高、结构灵活、风速运行区域广等优势成为大型风电机组的主要研究方向。

风电机组的变桨控制广泛采用简单且性能可靠的常规PID控制方法，但PID控制的参数恒定，对于复杂非线性时变的变桨控制系统有着较大的不确定性，不能获得理想的变桨反馈控制目标。为解决常规PID变桨控制系统存在的相关缺陷，国内外学者尝试着将各种先进的控制方法使用到大型风电机组变桨控制系统中，如鲁棒控制、最优化控制、滑模控制、模糊控制和自适应控制等。

目前，已有风电机组的各种先进变桨控制方式和策略都有其针对性，但同时也存在一定程度的局限性或不足。已有众多研究者通过在变桨系统中加注一阶传动链阻尼来进行最优化控制，但最优控制方法的实现都是以建立精确的数学模型为基础进行的，而实际风电机组变桨系统是复杂时变的非线性系统，是很难建立精确的控制系统模型。也有研究者通过对风电机组的动态载荷进行分析，在此基础上提出一种多自由度独立变桨控制系统，建立多自由度的线性化模型来完成风电机组的独立变桨控制，但是没有充分考虑到风电传动系统非线性的耦合相关性。还有研究者通过分析风电机组变桨系统多输入多输出变量之间的相关联系，利用线性二次高斯函数估计风机状态反馈给控制器，来设计多变量最优化独立变桨控制器，并通过仿真证明其控制策略的良好性能，但是没有考虑因风剪切、塔影效应和湍流等产生不平衡载荷对风电机组受力情况的影响。因而，有必要分析风电机组运行过程中的综合受力情况，改善风电机组变桨控制系统的动态性能，以此来稳定风电机组的输出功率，降低桨叶、机舱、塔架等风电机组关键部件的疲劳载荷。

发明内容

为了解决上述技术问题，本发明提供一种基于RBF神经网络的大型风电机组独立变桨控制方法，利用RBF神经网络优化作用，逼近变桨系统未知的非线性函数，通过Lyapunov方法导出神经网络自适应率，在线调整神经网络权值来改善独立变桨控制系统的动态性能。

本发明解决上述问题的技术方案是：一种基于RBF神经网络的大型风电机组独立变桨控制方法，包括以下步骤：

步骤一：采集风轮转速信号，功率控制器根据风轮转速进行变桨控制和发电机电磁转矩控制的计算，得到风电机组的统一桨距角和发电机的电磁转矩，然后将电磁转矩信号送入风力发电机组的转矩伺服系统，平衡风力发电机的电磁转矩；

步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；

步骤三：对三个桨叶根部弯矩进行Coleman坐标变换，得到固定坐标系下的风力发电机组俯仰弯矩和偏航弯矩；

步骤四：以俯仰弯矩和偏航弯矩作为RBF神经网络的输入变量，通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值来改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；

步骤五：将步骤一得到的统一桨距角和步骤四得到的优化桨距角相加，得到独立变桨控制桨距角，之后将优化桨距角送入变桨执行单元，完成风电机组独立变桨的执行动作。

上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤一中，风轮的模型的运动方程为：

$J\×\frac{d\left({\mathrm{\Ω}}_r\right)}{dt}=M_r$

其中，J为风轮转动惯量，M_r为风轮转矩，Ω_r为风轮转速；

统一桨距角的表达式如下所示：

$\stackrel{\·\·}{\mathrm{\θ}}+2\mathrm{\ξ}\mathrm{\ω}\stackrel{\·}{\mathrm{\θ}}+{\mathrm{\ω}}^2(\mathrm{\θ}-{\mathrm{\θ}}_r)=0$

其中：θ为桨距角，ξ为变桨执行系统的阻尼系数，θ_r桨距角的设定值,ω为无阻尼自然频率。

上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤二中，三个桨叶根部弯矩M_z1、M_z2、M_z3的计算公式如下：

$M_{z1}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_1+h_{M_z}{v}_1$

$M_{z2}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_2+h_{M_z}{v}_2$

$M_{z3}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_3+h_{M_z}{v}_3$

其中，h_Mz为挥舞弯矩对风速的导数，k_Mz为挥舞弯矩对桨距角的导数，v_fa为风轮挥舞速度，{θ_i∣i＝1,2,3}为三个桨叶给定桨距角，{v_i∣i＝1,2,3}为风轮面上的有效风速；

桨叶方位角ψ的计算公式如下：{ψ_i∣i＝1,2,3}为：

${\mathrm{\ψ}}_1\left(t\right)={\∫}_{-\mathrm{\∞}}^t\mathrm{\Ω}\left(\mathrm{\τ}\right)d\mathrm{\τ}$

${\mathrm{\ψ}}_2\left(t\right)={\mathrm{\ψ}}_1\left(t\right)+\frac{2}{3}\mathrm{\π}$

${\mathrm{\ψ}}_3\left(t\right)={\mathrm{\ψ}}_1\left(t\right)+\frac{4}{3}\mathrm{\π}.$

上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤三中，机舱的运动方程为：

$M\×\frac{d^2\left(s_{nod}\right)}{{\mathrm{dt}}^2}+D\×\frac{d\left(s_{nod}\right)}{dt}+{\mathrm{Ss}}_{nod}=F_{ax}-\frac{3}{2H}\×M_{pitch}$

$M\×\frac{d^2\left(s_{nay}\right)}{{\mathrm{dt}}^2}+D\×\frac{d\left(s_{nay}\right)}{dt}+{\mathrm{Ss}}_{nay}=F_{sd}-\frac{3}{2H}\×M_r$

俯仰弯矩M_pitch和偏航弯矩M_yaw的关系式为：

$M_{pitch}=\underset{i=1}{\overset{3}{\Σ}}\[{\mathrm{sin\ψ}}_i\×(-k_{M_z}{\mathrm{\θ}}_i-h_{M_x}{v}_i+h_{M_x}\×\frac{d\left(s_{nod}\right)}{dt})\]$

$M_{yaw}=\underset{i=1}{\overset{3}{\Σ}}\[{\mathrm{cos\ψ}}_i\×(-k_{M_z}{\mathrm{\θ}}_i-h_{M_x}{v}_i+h_{M_x}\×\frac{d\left(s_{nod}\right)}{dt})\]$

其中，h_Mx为气动转矩对风速的导数，F_ax为轴向力，F_sd为侧向力，H为机舱中心的高度，M为风轮总质量，S为塔架刚度，s_nod为塔基前后扰度，s_nay为塔基左右扰度，D为阻尼系数；

独立变桨控制单元中风电机组的叶根弯矩信号M_z1、M_z2、M_z3，通过Coleman坐标变换为固定坐标轴下的俯仰弯矩M_pitch和偏航弯矩M_yaw，具体如下所示：

$\left[\begin{array}{c}{M}_{pitch}\\ M_{yaw}\end{array}\right]=\left[\begin{array}{ccc}\sin \mathrm{\ψ}& \sin (\mathrm{\ψ}+2\mathrm{\π}/3)& \sin (\mathrm{\ψ}+4\mathrm{\π}/3)\\ \cos \mathrm{\ψ}& \cos (\mathrm{\ψ}+2\mathrm{\π}/3)& \cos (\mathrm{\ψ}+4\mathrm{\π}/3)\end{array}\right]\left[\begin{array}{c}{M}_{z1}\\ M_{z2}\\ M_{z3}\end{array}\right]$

其中：ψ为风轮方位角；

经过Coleman逆变换变换成三个不同桨叶的优化桨距角θ_i′，公式如下所示：

$\left[\begin{array}{c}{{\mathrm{\θ}}_1}^{\′}\\ {{\mathrm{\θ}}_2}^{\′}\\ {{\mathrm{\θ}}_3}^{\′}\end{array}\right]=\left[\begin{array}{cc}\sin \mathrm{\ψ}& \cos \mathrm{\ψ}\\ \sin (\mathrm{\ψ}+2\mathrm{\π}/3)& \cos (\mathrm{\ψ}+2\mathrm{\π}/3)\\ \sin (\mathrm{\ψ}+4\mathrm{\π}/3)& \cos (\mathrm{\ψ}+4\mathrm{\π}/3)\end{array}\right]\left[\begin{array}{c}{\mathrm{\θ}}_1^{cm}\\ {\mathrm{\θ}}_2^{cm}\end{array}\right].$

上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤四中：假定RBF神经网络自适应控制的径向基函数为h＝[h₁,h₂,…,h_m]^T，那么高斯函数h_j为：

$h_j=\exp (-\frac{\left|\right|x_j-c_j\left|\right|}{b_j^2}),j=1,2,...,m$

其中，x_j为神经网络的输入变量，m为神经网络隐含层节点个数，b_j、c_j分别为第j个神经单元的基宽向量和中心矢量，c_j＝[c₁₁,c₁₂,......c_1m]，b_j＝[b₁,b₂,……b_m]；

则RBF神经网络自适应控制输出变量为：

$u_k=\underset{k=1}{\overset{m}{\Σ}}\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})$

其中，b_k、c_k分别为第k个神经单元的基宽向量和中心矢量；

RBF神经网络权值的在线调整方式为：

$V=s\left(x\right)\stackrel{\·}{s}\left(x\right)$

${\mathrm{d\θ}}_k=-\mathrm{\η}\frac{\∂V}{\∂{\mathrm{\θ}}_k}=-\mathrm{\η}\frac{\∂\left(s\stackrel{\·}{s}\right)}{\∂{\mathrm{\θ}}_k}=-\mathrm{\η}\frac{\∂\left(s\stackrel{\·}{s}\right)}{\∂u}\frac{\∂u}{\∂{\mathrm{\θ}}_k}$

其中，η≥0，V表示李雅普洛夫函数，dθ为神经网络的自适应率，s(x)为切换函数，为切换函数的导数；

$\frac{\∂\left(s\stackrel{\·}{s}\right)}{\∂u}=s\frac{\∂\stackrel{\·}{s}}{\∂u}=-b_{k}s,\frac{\∂u}{\∂{\mathrm{\θ}}_k}=\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})$

因此，神经网络的自适应率dθ为：

${\mathrm{d\θ}}_k=\mathrm{\γ}s\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})={\mathrm{\γsh}}_k\left(s\right)$

其中：h_k(s)为高斯函数，γ为RBF神经网络自适应参数。

本发明的有益效果在于：本发明依据风电机组空气动力学原理、风剪切特性和塔影效应，利用RBF神经网络优化作用，逼近变桨系统未知的非线性函数，通过Lyapunov方法导出神经网络自适应率，在线调整神经网络权值来改善独立变桨控制系统的动态性能，以此来稳定风电机组的输出功率，采用智能化控制方法，能够快速地实现独立变桨控制，提高变桨伺服系统的工作效率，神经网络的自学习功能提高风电机组独立变桨控制系统的自适应性能；此控制方法应用广泛且不需要增加风电机组的硬件条件，控制成本低，并且降低了桨叶、机舱、塔架等风电机组关键部件的疲劳载荷，提高了大型风电机组的使用寿命。

附图说明

图1为本发明的控制原理图。

图2为本发明的RBF神经网络结构图。

图3为本发明的RBF神经网络自适应控制框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，图1为本发明的控制原理图，图1中可以发现整个控制分为上半部分的传统功率控制和下半部分的独立变桨控制，控制方法步骤如下：

首先是传统功率控制部分，即步骤一：选择的控制对象是发电机输出功率、风轮转矩、风轮转速，其风轮的模型的运动方程为：

$J\×\frac{d\left({\mathrm{\Ω}}_r\right)}{dt}=M_r$

其中，J为风轮转动惯量，M_r为风轮转矩，Ω_r为风轮转速。

统一桨距角的表达式如下所示：

$\stackrel{\·\·}{\mathrm{\θ}}+2\mathrm{\ξ}\mathrm{\ω}\stackrel{\·}{\mathrm{\θ}}+{\mathrm{\ω}}^2(\mathrm{\θ}-{\mathrm{\θ}}_r)=0$

其中：θ为桨距角，ξ为变桨执行系统的阻尼系数，θ_r桨距角的设定值,ω为无阻尼自然频率。

通过采集风电机组的风轮转速Ω_r，将采集到的风轮转速信号Ω_r送入到传统功率控制单元，功率控制器进行传统的变桨控制和发电机电磁转矩控制的计算，得到风电机组的统一桨距角θ和发电机的电磁转矩T_g，之后将电磁转矩信号送入风力发电机组的转矩伺服系统，用来平衡风力发电机的电磁转矩。

然后是独立变桨控制部分，即步骤二至步骤五，步骤二：计算风电机组三个桨叶根部弯矩M_z1、M_z2、M_z3及桨叶方位角ψ。

三个桨叶根部弯矩M_z1、M_z2、M_z3的计算公式如下：

$M_{z1}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_1+h_{M_z}{v}_1$

$M_{z2}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_2+h_{M_z}{v}_2$

$M_{z3}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\θ}}_3+h_{M_z}{v}_3$

其中，h_Mz为挥舞弯矩对风速的导数，k_Mz为挥舞弯矩对桨距角的导数，v_fa为风轮挥舞速度，{θ_i∣i＝1,2,3}为三个桨叶给定桨距角，{v_i∣i＝1,2,3}为风轮面上的有效风速；

桨叶方位角ψ的计算公式如下：{ψ_i∣i＝1,2,3}为：

${\mathrm{\ψ}}_1\left(t\right)={\∫}_{-\mathrm{\∞}}^t\mathrm{\Ω}\left(\mathrm{\τ}\right)d\mathrm{\τ}$

${\mathrm{\ψ}}_2\left(t\right)={\mathrm{\ψ}}_1\left(t\right)+\frac{2}{3}\mathrm{\π}$

${\mathrm{\ψ}}_3\left(t\right)={\mathrm{\ψ}}_1\left(t\right)+\frac{4}{3}\mathrm{\π}.$

步骤三：对三个桨叶根部弯矩进行Coleman坐标变换，得到固定坐标系下的风力发电机组俯仰弯矩M_pitch和偏航弯矩M_yaw；

机舱的运动方程为：

$M\×\frac{d^2\left(s_{nod}\right)}{{\mathrm{dt}}^2}+D\×\frac{d\left(s_{nod}\right)}{dt}+{\mathrm{Ss}}_{nod}=F_{ax}-\frac{3}{2H}\×M_{pitch}$

$M\×\frac{d^2\left(s_{nay}\right)}{{\mathrm{dt}}^2}+D\×\frac{d\left(s_{nay}\right)}{dt}+{\mathrm{Ss}}_{nay}=F_{sd}-\frac{3}{2H}\×M_r$

俯仰弯矩M_pitch和偏航弯矩M_yaw的关系式为：

$M_{pitch}=\underset{i=1}{\overset{3}{\Σ}}\[{\mathrm{sin\ψ}}_i\×(-k_{M_z}{\mathrm{\θ}}_i-h_{M_x}{v}_i+h_{M_x}\×\frac{d\left(s_{nod}\right)}{dt})\]$

$M_{yaw}=\underset{i=1}{\overset{3}{\Σ}}\[{\mathrm{cos\ψ}}_i\×(-k_{M_z}{\mathrm{\θ}}_i-h_{M_x}{v}_i+h_{M_x}\×\frac{d\left(s_{nod}\right)}{dt})\]$

其中，h_Mx为气动转矩对风速的导数，F_ax为轴向力，F_sd为侧向力，H为机舱中心的高度，M为风轮总质量，S为塔架刚度，s_nod为塔基前后扰度，s_nay为塔基左右扰度，D为阻尼系数。

独立变桨控制单元中风电机组的叶根弯矩信号M_z1、M_z2、M_z3，通过Coleman坐标变换为固定坐标轴下的俯仰弯矩M_pitch和偏航弯矩M_yaw，具体如下所示：

$\left[\begin{array}{c}{M}_{pitch}\\ M_{yaw}\end{array}\right]=\left[\begin{array}{ccc}\sin \mathrm{\ψ}& \sin (\mathrm{\ψ}+2\mathrm{\π}/3)& \sin (\mathrm{\ψ}+4\mathrm{\π}/3)\\ \cos \mathrm{\ψ}& \cos (\mathrm{\ψ}+2\mathrm{\π}/3)& \cos (\mathrm{\ψ}+4\mathrm{\π}/3)\end{array}\right]\left[\begin{array}{c}{M}_{z1}\\ M_{z2}\\ M_{z3}\end{array}\right]$

其中：ψ为风轮方位角。

经过Coleman逆变换变换成三个不同桨叶的优化桨距角θ_i′，公式如下所示：

$\left[\begin{array}{c}{{\mathrm{\θ}}_1}^{\′}\\ {{\mathrm{\θ}}_2}^{\′}\\ {{\mathrm{\θ}}_3}^{\′}\end{array}\right]=\left[\begin{array}{cc}\sin \mathrm{\ψ}& \cos \mathrm{\ψ}\\ \sin (\mathrm{\ψ}+2\mathrm{\π}/3)& \cos (\mathrm{\ψ}+2\mathrm{\π}/3)\\ \sin (\mathrm{\ψ}+4\mathrm{\π}/3)& \cos (\mathrm{\ψ}+4\mathrm{\π}/3)\end{array}\right]\left[\begin{array}{c}{\mathrm{\θ}}_1^{cm}\\ {\mathrm{\θ}}_2^{cm}\end{array}\right].$

步骤四：以俯仰弯矩M_pitch和偏航弯矩M_yaw作为RBF神经网络的输入变量，通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值来改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角θ_i ^cm；

图2为本发明的RBF神经网络结构图，采用简单网络结构，即三层前馈网络：输入层、隐含层和输出层。当风电机组运行在额度风速以上的运行区域时，本发明的变桨控制系统采用独立变桨调节，同时协调控制发电机输出功率和转矩。

RBF神经网络输入层的输入变量为x_k，而隐含层通过假定RBF神经网络自适应控制的径向基函数为h＝[h₁,h₂,…,h_m]^T，那么高斯函数h_j为：

$h_j=\exp (-\frac{\left|\right|x_j-c_j\left|\right|}{b_j^2}),j=1,2,...,m$

其中，x_j为神经网络的输入变量，m为神经网络隐含层节点个数，b_j、c_j分别为第j个神经单元的基宽向量和中心矢量，c_j＝[c₁₁,c₁₂,......c_1m]，b_j＝[b₁,b₂,……b_m]；

则RBF神经网络自适应控制输出变量为：

$u_k=\underset{k=1}{\overset{m}{\Σ}}\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})$

其中，b_k、c_k分别为第k个神经单元的基宽向量和中心矢量。

图3为本发明RBF神经网络自适应控制框图，选取系统的跟踪对象为风电机组的俯仰弯矩M_pitch和偏航弯矩M_yaw，设定风轮转速为恒定值C，其中e(t)为

e(t)＝θ-θ_r

其中：θ_r为参考桨距角。

设计的独立变桨控制系统需达到Lyapunov理论稳定性的要求，即

$s\left(x\right)\stackrel{\&CenterDot;}{s}\left(x\right)<0$

利用RBF神经网络逼近方法与输出控制量之间的非线性映射，将切换函数s及其导数s作为RBF神经网络的稳定性函数，由Lyapunov理论设计合适的控制器，使独立变桨控制系统将会按已经设计好的轨迹运行，最终达到收敛。

其中RBF神经网络自适应控制采用两个输入两个输出的RBF神经元网络来进行拟合，RBF神经网络控制输入变量M为俯仰弯矩M_pitch和偏航弯矩M_yaw，利用神经网络的自学习功能在线调整神经网络权值，使独立变桨控制系统收敛。

RBF神经网络权值的在线调整方式为：

$V=s\left(x\right)\stackrel{\&CenterDot;}{s}\left(x\right)$

${\mathrm{d\&theta;}}_k=-\mathrm{\&eta;}\frac{\&part;V}{\&part;{\mathrm{\&theta;}}_k}=-\mathrm{\&eta;}\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;{\mathrm{\&theta;}}_k}=-\mathrm{\&eta;}\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;u}\frac{\&part;u}{\&part;{\mathrm{\&theta;}}_k}$

其中，η≥0，V表示李雅普洛夫函数，dθ为神经网络的自适应率，s(x)为切换函数，为切换函数的导数；

$\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;u}=s\frac{\&part;\stackrel{\&CenterDot;}{s}}{\&part;u}=-bs,\frac{\&part;u}{\&part;{\mathrm{\&theta;}}_k}=\exp (-\frac{\left|\right|s-C_k|{|}^2}{b_k^2})$

因此，神经网络的自适应率dθ为：其中：h_k(s)为高斯函数，γ为RBF神经网络自适应参数。

步骤五：将步骤一得到的统一桨距角θ和步骤四得到的优化桨距角相加，得到独立变桨控制桨距角θ_i，之后将优化桨距角θ_i送入变桨执行单元，完成风电机组独立变桨的执行动作，这样来改善独立变桨控制系统的动态性能，以此来稳定风电机组的输出功率，降低桨叶、机舱、塔架等风电机组关键部件的疲劳载荷。

Claims (5)

1.一种基于RBF神经网络的大型风电机组独立变桨控制方法，包括以下步骤：

步骤一：采集风轮转速信号，功率控制器根据风轮转速进行变桨控制和发电机电磁转矩控制的计算，得到风电机组的统一桨距角和发电机的电磁转矩，然后将电磁转矩信号送入风力发电机组的转矩伺服系统，平衡风力发电机的电磁转矩；

步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；

步骤三：对三个桨叶根部弯矩进行Coleman坐标变换，得到固定坐标系下的风力发电机组俯仰弯矩和偏航弯矩；

步骤四：以俯仰弯矩和偏航弯矩作为RBF神经网络的输入变量，通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值来改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；

步骤五：将步骤一得到的统一桨距角和步骤四得到的优化桨距角相加，得到独立变桨控制桨距角，之后将优化桨距角送入变桨执行单元，完成风电机组独立变桨的执行动作。

2.根据权利要求1所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤一中，风轮的模型的运动方程为：

$J\&times;\frac{d\left({\mathrm{\&Omega;}}_r\right)}{dt}=M_r$

其中，J为风轮转动惯量，M_r为风轮转矩，Ω_r为风轮转速；

统一桨距角的表达式如下所示：

$\stackrel{\&CenterDot;\&CenterDot;}{\mathrm{\&theta;}}+2\mathrm{\&xi;}\mathrm{\&omega;}\stackrel{\&CenterDot;}{\mathrm{\&theta;}}+{\mathrm{\&omega;}}^2(\mathrm{\&theta;}-{\mathrm{\&theta;}}_r)=0$

其中：θ为桨距角，ξ为变桨执行系统的阻尼系数，θ_r桨距角的设定值,ω为无阻尼自然频率。

3.根据权利要求1所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤二中，三个桨叶根部弯矩M_z1、M_z2、M_z3的计算公式如下：

$M_{z1}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\&theta;}}_1+h_{M_z}{v}_1$

$M_{z2}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\&theta;}}_2+h_{M_z}{v}_2$

$M_{z3}=-h_{M_z}{v}_{fa}+k_{M_z}{\mathrm{\&theta;}}_3+h_{M_z}{v}_3$

其中，h_Mz为挥舞弯矩对风速的导数，k_Mz为挥舞弯矩对桨距角的导数，v_fa为风轮挥舞速度，{θ_i∣i＝1,2,3}为三个桨叶给定桨距角，{v_i∣i＝1,2,3}为风轮面上的有效风速；

桨叶方位角ψ的计算公式如下：{ψ_i∣i＝1,2,3}为：

${\mathrm{\&psi;}}_1\left(t\right)={\&Integral;}_{-\mathrm{\&infin;}}^t\mathrm{\&Omega;}\left(\mathrm{\&tau;}\right)d\mathrm{\&tau;}$

${\mathrm{\&psi;}}_2\left(t\right)={\mathrm{\&psi;}}_1\left(t\right)+\frac{2}{3}\mathrm{\&pi;}$

${\mathrm{\&psi;}}_3\left(t\right)={\mathrm{\&psi;}}_1\left(t\right)+\frac{4}{3}\mathrm{\&pi;}.$

4.根据权利要求3所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤三中，机舱的运动方程为：

$M\&times;\frac{d^2\left(s_{nod}\right)}{{\mathrm{dt}}^2}+D\&times;\frac{d\left(s_{nod}\right)}{dt}+{\mathrm{Ss}}_{nod}=F_{ax}-\frac{3}{2H}\&times;M_{pitch}$

$M\&times;\frac{d^2\left(s_{nay}\right)}{{\mathrm{dt}}^2}+D\&times;\frac{d\left(s_{nay}\right)}{dt}+{\mathrm{Ss}}_{nay}=F_{sd}-\frac{3}{2H}\&times;M_r$

俯仰弯矩M_pitch和偏航弯矩M_yaw的关系式为：

$M_{pitch}=\underset{i=1}{\overset{3}{\&Sigma;}}\&lsqb;{\mathrm{sin\&psi;}}_i\&times;(-k_{M_z}{\mathrm{\&theta;}}_i-h_{M_x}{v}_i+h_{M_x}\&times;\frac{d\left(s_{nod}\right)}{dt})\&rsqb;$

$M_{yaw}=\underset{i=1}{\overset{3}{\&Sigma;}}\&lsqb;{\mathrm{cos\&psi;}}_i\&times;(-k_{M_z}{\mathrm{\&theta;}}_i-h_{M_x}{v}_i+h_{M_x}\&times;\frac{d\left(s_{nod}\right)}{dt})\&rsqb;$

其中，h_Mx为气动转矩对风速的导数，F_ax为轴向力，F_sd为侧向力，H为机舱中心的高度，M为风轮总质量，S为塔架刚度，s_nod为塔基前后扰度，s_nay为塔基左右扰度，D为阻尼系数；

独立变桨控制单元中风电机组的叶根弯矩信号M_z1、M_z2、M_z3，通过Coleman坐标变换为固定坐标轴下的俯仰弯矩M_pitch和偏航弯矩M_yaw，具体如下所示：

$\left[\begin{array}{c}{M}_{pitch}\\ M_{yaw}\end{array}\right]=\left[\begin{array}{ccc}sin\mathrm{\&psi;}& sin(\mathrm{\&psi;}+2\mathrm{\&pi;}/3)& sin(\mathrm{\&psi;}+4\mathrm{\&pi;}/3)\\ cos\mathrm{\&psi;}& cos(\mathrm{\&psi;}+2\mathrm{\&pi;}/3)& cos(\mathrm{\&psi;}+4\mathrm{\&pi;}/3)\end{array}\right]\left[\begin{array}{c}{M}_{z1}\\ M_{z2}\\ M_{z3}\end{array}\right]$

其中：ψ为风轮方位角；

经过Coleman逆变换变换成三个不同桨叶的优化桨距角θ′_i，公式如下所示：

$\left[\begin{array}{c}{{\mathrm{\&theta;}}_1}^{\&prime;}\\ {{\mathrm{\&theta;}}_2}^{\&prime;}\\ {{\mathrm{\&theta;}}_3}^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}\sin \mathrm{\&psi;}& \cos \mathrm{\&psi;}\\ \sin \left(\mathrm{\&psi;}+2\mathrm{\&pi;}/3\right)& \cos \left(\mathrm{\&psi;}+2\mathrm{\&pi;}/3\right)\\ \sin \left(\mathrm{\&psi;}+4\mathrm{\&pi;}/3\right)& \cos \left(\mathrm{\&psi;}+4\mathrm{\&pi;}/3\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&theta;}}_1^{cm}\\ {\mathrm{\&theta;}}_2^{cm}\end{array}\right].$

5.根据权利要求4所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤四中：假定RBF神经网络自适应控制的径向基函数为h＝[h₁,h₂,…,h_m]^T，那么高斯函数h_j为：

$h_j=\exp (-\frac{\left|\right|x_j-c_j\left|\right|}{b_j^2}),j=1,2,...,m$

其中，x_j为神经网络的输入变量，m为神经网络隐含层节点个数，b_j、c_j分别为第j个神经单元的基宽向量和中心矢量，c_j＝[c₁₁,c₁₂,......c_1m]，b_j＝[b₁,b₂,……b_m]；

则RBF神经网络自适应控制输出变量为：

$u_k=\underset{k=1}{\overset{m}{\&Sigma;}}\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})$

其中，b_k、c_k分别为第k个神经单元的基宽向量和中心矢量；

RBF神经网络权值的在线调整方式为：

$V=s\left(x\right)\stackrel{\&CenterDot;}{s}\left(x\right)$

${\mathrm{d\&theta;}}_k=-\mathrm{\&eta;}\frac{\&part;V}{\&part;{\mathrm{\&theta;}}_k}=-\mathrm{\&eta;}\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;{\mathrm{\&theta;}}_k}=-\mathrm{\&eta;}\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;u}\frac{\&part;u}{\&part;{\mathrm{\&theta;}}_k}$

其中，η≥0，V表示李雅普洛夫函数，dθ为神经网络的自适应率，s(x)为切换函数，为切换函数的导数；

$\frac{\&part;\left(s\stackrel{\&CenterDot;}{s}\right)}{\&part;u}=s\frac{\&part;\stackrel{\&CenterDot;}{s}}{\&part;u}=-b_{k}s,\frac{\&part;u}{\&part;{\mathrm{\&theta;}}_k}=\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})$

因此，神经网络的自适应率dθ为：

${\mathrm{d\&theta;}}_k=\mathrm{\&gamma;}s\exp (-\frac{\left|\right|x_k-c_k|{|}^2}{b_k^2})={\mathrm{\&gamma;sh}}_k\left(s\right)$

其中：h_k(s)为高斯函数，γ为RBF神经网络自适应参数。