CN105649877A - 一种大型风电机组的蚁群pid独立变桨控制方法 - Google Patents

Abstract

本发明公开了一种大型风电机组的蚁群PID独立变桨控制方法，包括以下步骤：建立风电机组的载荷模型，计算风电机组桨叶旋转坐标系下的拍打力矩，对拍打力矩进行科尔曼坐标变换，变换成d、q坐标轴下的偏航弯矩和俯仰弯矩；通过蚁群PID控制器得到d、q坐标轴下的独立变桨桨距角，再经过科尔曼逆变换变换成不同桨叶的优化桨距角，将优化桨距角与统一变桨桨距角进行比较分析，得到桨距角控制信号，完成风电机组独立变桨的执行动作。本控制方法采用智能算法结合传统PID控制器的方法，具有自适应性，静态性能良好，提高了风电机组变桨控制系统的动态性能，并且降低了风电机组关键部件的不平衡载荷，提高了风机寿命。

Description

一种大型风电机组的蚁群PID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，特别涉及一种大型风电机组的蚁群PID独立变桨控制方法。

背景技术

随着常规能源的弊端显现，可再生能源越来越受到人类的重视，风力发电由于其技术成熟、灵活性强的优点，成为发展最快的可再生能源之一。近年以来风力发电机朝着大型化的方向发展，叶轮的直径不断增大，叶轮上不平衡载荷引起的风力机疲劳失效成为风电运行维护成本的主要来源。独立变桨控制方法通过分别对风机桨叶进行单独微调，在保证发电机输出额定功率的情况下，能够减小减小因风速的湍流特性、风剪切和塔影效应所造成的风机不平衡载荷。

PID控制器静态性能好，并且结构简单容易应用，广泛应用于风电变桨控制中，但是对于风力发电机这种大惯性、非线性时变系统来说，因为PID控制器的参数往往不变，所以其动态性能并不能令人满意。

为了改善PID控制器的这类缺陷，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，如神经网络控制、模糊控制和自适应控制，这些智能算法很多都不需风机精确的数学模型，在仿真中的动态性能良好，但是往往这些先进算法的结构很复杂，在实际工程应用中难以实现，所以现在基本上没有这类变桨控制系统投入应用。另外，因为风机的控制参数会因为外界环境或内部因素而发生改变，研究者们尝试建立更为精确的风力发电机载荷控制模型，有的采用滑模变系统，充分利用变结构控制对被控对象的模型误差、对象参数的变化以及外部干扰有极佳的不敏感性的优点；有的分析风机变桨系统多输入多输出变量之间的关系，设计多变量独立变桨控制器。这些研究大多都处于理论方针阶段，且针对性强，对风机的非线性因素并未考虑完全，并不成熟。因而有必要找出一种同时具有PID控制器结构简单、控制精确特点并且有着智能算法的良好动态性能的控制方式，缓解风电机组的振动状态，使其功率输出更为平滑。

发明内容

为了解决上述技术问题，本发明提供一种具有智能算法、控制精确的大型风电机组的蚁群PID独立变桨控制方法。

本发明解决上述问题的技术方案是：一种大型风电机组的蚁群PID独立变桨控制方法，包括以下步骤：

1)建立风电机组的载荷模型，计算风电机组桨叶旋转坐标系下的拍打力矩；

2)对拍打力矩进行科尔曼坐标变换，变换成d、q坐标轴下的偏航弯矩和俯仰弯矩；

3)通过蚁群PID控制器得到d、q坐标轴下的独立变桨桨距角；

4)独立变桨桨距角经过科尔曼逆变换变换成不同桨叶的优化桨距角，将优化桨距角与统一变桨桨距角进行比较分析，得到桨距角控制信号，完成风电机组独立变桨的执行动作。

上述大型风电机组的蚁群PID独立变桨控制方法，所述步骤1)中，叶根弯矩变化量的线性模型为：

ΔM₁＝kβ₁+hw₁

ΔM₂＝kβ₂+hw₂

ΔM₃＝kβ₃+hw₃

其中，ΔM₁、ΔM₂、ΔM₃是叶根弯矩的变化量；β₁、β₂、β₃为别为三个桨叶的桨距角；系数k、h是风机处于某个稳定运行点时，叶根弯矩对桨距角、瞬时风速的导数；w₁、w₂、w₃是3个桨叶的相对风速变化量，其计算公式如下：

w_i＝v_i-X

其中，X是轮毂中心的轴向位移，i为风电机组的叶片数，w_i为第i片桨叶的相对风速变化量，v_i为第i片桨叶上的绝对风速。

上述大型风电机组的蚁群PID独立变桨控制方法，所述步骤2)中，根据空气动力学原理，风电机组的偏航弯矩M_d和俯仰弯矩M_q分别为：

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\[({\mathrm{k\β}}_i+{\mathrm{hv}}_i)-h\frac{dx}{dt}\]\end{array}$

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\[({\mathrm{k\β}}_i+{\mathrm{hv}}_i)-h\frac{dx}{dt}\]\end{array}$

其中，表示轮毂轴向位移的速度，定义第一个桨叶的方位角为θ，当其转置水平位置时θ＝0°，θ_i为第i个桨叶的方位角：

${\mathrm{\θ}}_i=\mathrm{\θ}+\frac{2}{3}\mathrm{\π}(i-1)$

将桨距角和叶根载荷进行变换，其简化模型为：

$\left[\begin{array}{c}\mathrm{\Δ}{M_d}^T\\ {{\mathrm{\ΔM}}_q}^T\end{array}\right]=\frac{2}{3}\left[\begin{array}{ccc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{sin\θ}}_3\left(t\right)\\ {\mathrm{cos\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}{M}_1\left(t\right)\\ \mathrm{\Δ}{M}_2\left(t\right)\\ \mathrm{\Δ}{M}_3\left(t\right)\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\β}}_x\left(t\right)\\ {\mathrm{\β}}_y\left(t\right)\\ {\mathrm{\β}}_z\left(t\right)\end{array}\right]=\left[\begin{array}{cc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_1\left(t\right)\\ {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)\\ {\mathrm{sin\θ}}_3\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}{{\mathrm{\β}}_d}^T\\ {{\mathrm{\β}}_q}^T\end{array}\right]$

β_x(t)、β_y(t)、β_z(t)为不同桨叶的优化桨距角，β_d ^T、β_q ^T表示d、q坐标轴下的桨距角大小，ΔM_d ^T、ΔM_q ^T表示偏航弯矩M_d与俯仰弯矩M_q的大小，它们之间的关系为：

${{\mathrm{\ΔM}}_d}^T\left(t\right)=\frac{2}{3}{M}_d$

${{\mathrm{\ΔM}}_q}^T\left(t\right)=\frac{2}{3}{M}_q.$

上述大型风电机组的蚁群PID独立变桨控制方法，所述步骤3)中，将PID控制器的三个参数比例系数K_p、积分时间系数T_I、微分时间系数T_D的值用一个二维坐标系来代替，以便蚁群算法来寻优，其中(0，0)为起点或终点，横坐标1～5代表K_p，6～10代表T_I，11～15代表T_D，纵坐标值代表K_p、T_I、T_D的值，横坐标从小到大依次为个位、十分位、百分位、千分位、万分位，寻优的具体步骤如下：

①、设置参数m，α，γ，ρ，N，D；定义节点；给定初始解；初始化参数t＝0，N_c＝0；

②、将m个蚂蚁置于各自的初始化邻域，蚂蚁按照下式所给转移概率移动

其中，n为节点总数；s为已经过的节点数；i，j表示节点i与节点j连接而成的支路，n-s表示为经过的节点，[]^α、[]^γ为幂函数，α，γ是可访问度启发式因子；τ_ij(t)为支路(i，j)上的信息素浓度；η_ij为支路(i，j)的可访问度，如下式所示：

${\mathrm{\η}}_{ij}=\frac{10-\left|y_k-y_{k-1}\right|}{10},$ k∈N且k＞1

其中，y_k-1为节点j上次循环产生的最优路径对应的PID参数在二维坐标系中的纵坐标值；N为仿真计算的总点数；

③、计算各蚂蚁的目标函数值L_k，并记录PID控制器当前最优解，目标函数如下式：

$L=h_1{t}_u+\underset{i=0}{\overset{N}{\Σ}}\left(h_2\right|e\left(i\right)|+h_3{u}^2\left(i\right)+h_4|ey\left(i\right)\left|\right)$

其中，t_u为上升时间；e(i)为桨距角响应误差；y(i)表桨距角响应；ey(i)＝y(i)-y(i-1)；h₁、h₂、h₃、h₄为权值且h₄≥h₂；L_k表示蚂蚁k周游所确定的目标函数值；

④、算法每迭代n次，即蚂蚁完成一次周游，每条支路上的信息素浓度将根据下列式子进行整体更新；

τ_ij(t+n)＝ρτ_ij(t)+Δτ_ij

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k$

其中，ρ为信息素残留系数；m为蚂蚁总数；为第k只蚂蚁在t时刻与t+n时刻之间留在支路(i，j)上的信息素浓度，按下式计算：

其中，D为蚂蚁释放的信息素浓度；

本发明使用的蚁群算法采用一种局部信息素浓度更新策略，如下式所示

⑤、循环次数N_c＝N_c+1，判断N_c是否小于N，若是，则转至第2步继续循环，若否，则输出PID控制器最优解。

上述大型风电机组的蚁群PID独立变桨控制方法，所述步骤4)中，独立变桨桨距角β_d和β_q经过科尔曼逆变换变换成不同桨叶的优化桨距角β_x、β_y、β_z，将优化桨距角β_x、β_y、β_z与统一变桨桨距角β₀进行比较分析，即β₁＝β_x+β₀，β₂＝β_y+β₀，β₃＝β_z+β₀，从而得到桨距角控制信号β₁、β₂、β₃，完成风电机组独立变桨的执行动作。

本发明的有益效果在于：本发明采用二维坐标系初始化PID参数节点，通过设定目标函数令蚁群算法搜寻最优路径，自适应调整传统PID独立变桨控制器的参数，来改善其输出的d、q坐标系下的独立变桨桨距角给定值，经过科尔曼逆变换变换成不同桨叶的优化桨距角给定，然后与统一变桨桨距角给定进行比较分析，得到桨距角控制信号，完成风电机组独立变桨的执行动作，整个控制过程中采用智能算法结合传统PID控制器的方法，既具有自适应性，并且静态性能良好；采用的控制器结构简单，容易应用于实际中，适用范围广；采用此控制方法提高大型风电机组变桨控制系统的动态性能，能更好的应对阵风的影响，并且降低了桨叶、机舱、塔架等风电机组关键部件的不平衡载荷，使风电机组的功率输出更为平滑，提高了风机寿命。

附图说明

图1为本发明的控制原理图。

图2为本发明的蚁群算法流程图。

图3为本发明的蚁群算法寻优PID参数的过程图。

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，本发明包括以下步骤：

1)建立风电机组的载荷模型，计算风电机组桨叶旋转坐标系下的拍打力矩M₁、M₂、M₃；

为了更好地控制风电机组的载荷进而稳定其振动状态即功率，选择的控制对象是发电机输出功率、风轮转矩、转速和载荷，首先建立风电机组的载荷模型，叶根弯矩变化量的线性模型为：

ΔM₁＝kβ₁+hw₁

ΔM₂＝kβ₂+hw₂

ΔM₃＝kβ₃+hw₃

其中，ΔM₁、ΔM₂、ΔM₃是叶根弯矩的变化量；β₁、β₂、β₃为别为三个桨叶的桨距角；系数k、h是风机处于某个稳定运行点时，叶根弯矩对桨距角、瞬时风速的导数；w₁、w₂、w₃是3个桨叶的相对风速变化量，其计算公式如下：

w_i＝v_i-X

其中，X是轮毂中心的轴向位移，i为风电机组的叶片数，w_i为第i片桨叶的相对风速变化量，v_i为第i片桨叶上的绝对风速。

2)对拍打力矩M₁、M₂、M₃进行科尔曼坐标变换，变换成d、q坐标轴下的偏航弯矩M_d和俯仰弯矩M_q；

根据空气动力学原理，风电机组的偏航弯矩M_d和俯仰弯矩M_q分别为：

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\[({\mathrm{k\β}}_i+{\mathrm{hv}}_i)-h\frac{dx}{dt}\]\end{array}$

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\[({\mathrm{k\β}}_i+{\mathrm{hv}}_i)-h\frac{dx}{dt}\]\end{array}$

其中，表示轮毂轴向位移的速度，定义第一个桨叶的方位角为θ，当其转置水平位置时θ＝0°，θ_i为第i个桨叶的方位角：

${\mathrm{\θ}}_i=\mathrm{\θ}+\frac{2}{3}\mathrm{\π}(i-1)$

将桨距角和叶根载荷进行变换，其简化模型为：

$\left[\begin{array}{c}\mathrm{\Δ}{M_d}^T\\ {{\mathrm{\ΔM}}_q}^T\end{array}\right]=\frac{2}{3}\left[\begin{array}{ccc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{sin\θ}}_3\left(t\right)\\ {\mathrm{cos\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}{M}_1\left(t\right)\\ \mathrm{\Δ}{M}_2\left(t\right)\\ \mathrm{\Δ}{M}_3\left(t\right)\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\β}}_x\left(t\right)\\ {\mathrm{\β}}_y\left(t\right)\\ {\mathrm{\β}}_z\left(t\right)\end{array}\right]=\left[\begin{array}{cc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_1\left(t\right)\\ {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)\\ {\mathrm{sin\θ}}_3\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}{{\mathrm{\β}}_d}^T\\ {{\mathrm{\β}}_q}^T\end{array}\right]$

其中β_x(t)、β_y(t)、β_z(t)为不同桨叶的优化桨距角，β_d ^T、β_q ^T表示d、q坐标轴下的桨距角大小，ΔM_d ^T、ΔM_q ^T表示偏航弯矩M_d与俯仰弯矩M_q的大小，它们之间的关系为：

${{\mathrm{\ΔM}}_d}^T\left(t\right)=\frac{2}{3}{M}_d$

${{\mathrm{\ΔM}}_q}^T\left(t\right)=\frac{2}{3}{M}_q$

3)将偏航弯矩M_d和俯仰弯矩M_q输入蚁群PID控制器得到d、q坐标轴下的独立变桨桨距角β_d和β_q；

如图2所示，图中r(t)为输入量(对应d、q轴弯矩)；y(t)为输出量(对应独立变桨控制信号β_d、β_q)；控制对象为不平衡载荷；u(k)为控制量，e(k)为偏差量。在变桨系统传递函数确定的情况下采用的蚁群算法使用了局部自适应调整信息素浓度分布结合整体信息素浓度调整规则的方式并结合二维坐标系初始化节点，输入量d、q轴弯矩是通过变桨控制系统的传递函数(即PID控制器)变为变桨控制信号β_d、β_q的，由于其动态性能需改进，引进蚁群算法，其中蚁群算法的目标函数与此变化过程相关联，该目标函数考虑了输出变桨控制信号的超调量、响应时间、调整时间、静态性能等参数，以此为目标，来优化调整PID控制器的三个参数，达到改善变桨系统的动态性能的目的。

如图3所示为蚁群算法寻优PID参数过程图，本发明将PID控制器的三个参数，比例系数K_p、积分时间系数T_I、微分时间系数T_D的值用一个二维坐标系来代替，以便蚁群算法来寻优，其中(0，0)为起点或终点，横坐标1～5代表K_p，6～10代表T_I，11～15代表T_D，纵坐标值用来表示K_p、T_I、T_D，横坐标从小到大依次为个位、十分位、百分位、千分位、万分位，如图3中K_p＝6.2756，T_I＝4.8351，T_D＝6.8953，寻优的具体步骤如下：

①、设置参数m，α，γ，ρ，N，D；定义节点；给定初始解；初始化参数t＝0，N_c＝0；

②、将m个蚂蚁置于各自的初始化邻域，蚂蚁按照下式所给转移概率移动

其中，n为节点总数；s为第s个节点；i，j表示节点i与节点j连接而成的支路，n-s表示为经过的节点，[]^α、[]^γ为幂函数，α，γ是可访问度启发式因子；τ_ij(t)为支路(i，j)上的信息素浓度；η_ij为支路(i，j)的可访问度，如下式所示：

${\mathrm{\η}}_{ij}=\frac{10-\left|y_k-y_{k-1}\right|}{10},$ k∈N且k>1

其中，y_k-1为节点j上次循环产生的最优路径对应的PID参数在二维坐标系中的纵坐标值；N为仿真计算的总点数；

③、计算各蚂蚁的目标函数值L_k，并记录PID控制器当前最优解，目标函数如下式：

$L=h_1{t}_u+\underset{i=0}{\overset{N}{\Σ}}\left(h_2\right|e\left(i\right)|+h_3{u}^2\left(i\right)+h_4|ey\left(i\right)\left|\right)$

其中，t_u为上升时间；e(i)为桨距角响应误差；y(i)表桨距角响应；ey(i)＝y(i)-y(i-1)；h₁、h₂、h₃、h₄为权值且h₄≥h₂；L_k表示蚂蚁k周游所确定的目标函数值；

④、算法每迭代n次，即蚂蚁完成一次周游，每条支路上的信息素浓度将根据下列式子进行整体更新；

τ_ij(t+n)＝ρτ_ij(t)+Δτ_ij

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k$

其中，ρ为信息素残留系数；m为蚂蚁总数；为第k只蚂蚁在t时刻与t+n时刻之间留在支路(i，j)上的信息素浓度，按下式计算：

其中，D为蚂蚁释放的信息素浓度；

本发明使用的蚁群算法采用一种局部信息素浓度更新策略，如下式所示

限定条件以外，信息量增幅过大会容易使更多的蚂蚁集中到1条路径上来，所以选取1/η_ij为增量；限定条件内(即选择该路径的蚂蚁达到一定数量，或者多数蚂蚁选择该支路后，当前目标函数值大于上一次的目标函数值，此处分别为m/3与m/5)，选择10/η_ij为削弱量，大幅削减其信息素浓度，使其值趋于各条支路的平均值，从而使得蚂蚁选择其他支路的概率增加，在加速收敛的同时避免早熟。

⑤、循环次数N_c＝N_c+1，判断N_c是否小于N，若是，则转至第2步继续循环，若否，则输出PID控制器最优解。

4)独立变桨桨距角β_d和β_q经过科尔曼逆变换变换成不同桨叶的优化桨距角β_x、β_y、β_z，将优化桨距角β_x、β_y、β_z与统一变桨桨距角β₀进行比较分析，即β₁＝β_x+β₀，β₂＝β_y+β₀，β₃＝β_z+β₀，其中统一变桨桨距角β₀由传统PID控制得到，从而得到桨距角控制信号β₁、β₂、β₃，完成风电机组独立变桨的执行动作。

Claims (5)

1.一种大型风电机组的蚁群PID独立变桨控制方法，包括以下步骤：

1)建立风电机组的载荷模型，计算风电机组桨叶旋转坐标系下的拍打力矩；

2)对拍打力矩进行科尔曼坐标变换，变换成d、q坐标轴下的偏航弯矩和俯仰弯矩；

3)通过蚁群PID控制器得到d、q坐标轴下的独立变桨桨距角；

4)独立变桨桨距角经过科尔曼逆变换变换成不同桨叶的优化桨距角，将优化桨距角与统一变桨桨距角进行比较分析，得到桨距角控制信号，完成风电机组独立变桨的执行动作。

2.根据权利要求1所述的大型风电机组的蚁群PID独立变桨控制方法，其特征在于：所述步骤1)中，叶根弯矩变化量的线性模型为：

ΔM₁＝kβ₁+hw₁

ΔM₂＝kβ₂+hw₂

ΔM₃＝kβ₃+hw₃

其中，ΔM₁、ΔM₂、ΔM₃是叶根弯矩的变化量；β₁、β₂、β₃为别为三个桨叶的桨距角；系数k、h是风机处于某个稳定运行点时，叶根弯矩对桨距角、瞬时风速的导数；w₁、w₂、w₃是3个桨叶的相对风速变化量，其计算公式如下：

w_i＝v_i-X

其中，X是轮毂中心的轴向位移，i为风电机组的叶片数，w_i为第i片桨叶的相对风速变化量，v_i为第i片桨叶上的绝对风速。

3.根据权利要求2所述的大型风电机组的蚁群PID独立变桨控制方法，其特征在于：所述步骤2)中，根据空气动力学原理，风电机组的偏航弯矩M_d和俯仰弯矩M_q分别为：

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{sin\θ}}_i\[\left({\mathrm{k\β}}_i+{\mathrm{hv}}_i\right)-h\frac{dx}{dt}\]\end{array}$

$\begin{array}{c}{M}_d=\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\left({\mathrm{\ΔM}}_i\right)\\ =\underset{i=1}{\overset{3}{\Σ}}{\mathrm{cos\θ}}_i\[\left({\mathrm{k\β}}_i+{\mathrm{hv}}_i\right)-h\frac{dx}{dt}\]\end{array}$

其中，表示轮毂轴向位移的速度，定义第一个桨叶的方位角为θ，当其转置水平位置时θ＝0°，θ_i为第i个桨叶的方位角：

${\mathrm{\θ}}_i=\mathrm{\θ}+\frac{2}{3}\mathrm{\π}(i-1)$

将桨距角和叶根载荷进行变换，其简化模型为：

$\left[\begin{array}{c}{{\mathrm{\ΔM}}_d}^T\\ {{\mathrm{\ΔM}}_q}^T\end{array}\right]=\frac{2}{3}\left[\begin{array}{ccc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{sin\θ}}_3\left(t\right)\\ {\mathrm{cos\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\ΔM}}_1\left(t\right)\\ {\mathrm{\ΔM}}_2\left(t\right)\\ {\mathrm{\ΔM}}_3\left(t\right)\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\β}}_x\left(t\right)\\ {\mathrm{\β}}_y\left(t\right)\\ {\mathrm{\β}}_z\left(t\right)\end{array}\right]=\left[\begin{array}{cc}{\mathrm{sin\θ}}_1\left(t\right)& {\mathrm{cos\θ}}_1\left(t\right)\\ {\mathrm{sin\θ}}_2\left(t\right)& {\mathrm{cos\θ}}_2\left(t\right)\\ {\mathrm{sin\θ}}_3\left(t\right)& {\mathrm{cos\θ}}_3\left(t\right)\end{array}\right]\left[\begin{array}{c}{{\mathrm{\β}}_d}^T\\ {{\mathrm{\β}}_q}^T\end{array}\right]$

β_x(t)、β_y(t)、β_z(t)为不同桨叶的优化桨距角，β_d ^T、β_q ^T表示d、q坐标轴下的桨距角大小，ΔM_d ^T、ΔM_q ^T表示偏航弯矩M_d与俯仰弯矩M_q的大小，它们之间的关系为：

${{\mathrm{\ΔM}}_d}^T\left(t\right)=\frac{2}{3}{M}_d$

${{\mathrm{\ΔM}}_q}^T\left(t\right)=\frac{2}{3}{M}_q.$

4.根据权利要求3所述的大型风电机组的蚁群PID独立变桨控制方法，其特征在于：所述步骤3)中，将PID控制器的三个参数比例系数K_p、积分时间系数T_I、微分时间系数T_D的值用一个二维坐标系来代替，以便蚁群算法来寻优，其中(0，0)为起点或终点，横坐标1～5代表K_p，6～10代表T_I，11～15代表T_D，纵坐标值代表K_p、T_I、T_D的值，横坐标从小到大依次为个位、十分位、百分位、千分位、万分位，寻优的具体步骤如下：

①、设置参数m，α，γ，ρ，N，D；定义节点；给定初始解；初始化参数t＝0，N_c＝0；

②、将m个蚂蚁置于各自的初始化邻域，蚂蚁按照下式所给转移概率移动

其中，n为节点总数；s为已经过的节点数；i，j表示节点i与节点j连接而成的支路，n-s表示为经过的节点，[]^α、[]^γ为幂函数，α，γ是可访问度启发式因子；τ_ij(t)为支路(i，j)上的信息素浓度；η_ij为支路(i，j)的可访问度，如下式所示：

${\mathrm{\η}}_{ij}=\frac{10-|y_k-y_{k-1}|}{10},$ k∈N且k>1

其中，y_k-1为节点j上次循环产生的最优路径对应的PID参数在二维坐标系中的纵坐标值；N为仿真计算的总点数；

③、计算各蚂蚁的目标函数值L_k，并记录PID控制器当前最优解，目标函数如下式：

$L=h_1{t}_u+\underset{i=0}{\overset{N}{\Σ}}\left(h_2\right|e\left(i\right)|+h_3{u}^2(i)+h_4|ey\left(i\right)\left|\right)$

其中，t_u为上升时间；e(i)为桨距角响应误差；y(i)表桨距角响应；ey(i)＝y(i)-y(i-1)；h₁、h₂、h₃、h₄为权值且h₄≥h₂；L_k表示蚂蚁k周游所确定的目标函数值；

④、算法每迭代n次，即蚂蚁完成一次周游，每条支路上的信息素浓度将根据下列式子进行整体更新；

τ_ij(t+n)＝ρτ_ij(t)+Δτ_ij

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k$

其中，ρ为信息素残留系数；m为蚂蚁总数；为第k只蚂蚁在t时刻与t+n时刻之间留在支路(i，j)上的信息素浓度，按下式计算：

其中，D为蚂蚁释放的信息素浓度；

本发明使用的蚁群算法采用一种局部信息素浓度更新策略，如下式所示

⑤、循环次数N_c＝N_c+1，判断N_c是否小于N，若是，则转至第2步继续循环，若否，则输出PID控制器最优解。

5.根据权利要求4所述的大型风电机组的蚁群PID独立变桨控制方法，其特征在于：所述步骤4)中，独立变桨桨距角β_d和β_q经过科尔曼逆变换变换成不同桨叶的优化桨距角β_x、β_y、β_z，将优化桨距角β_x、β_y、β_z与统一变桨桨距角β₀进行比较分析，即β₁＝β_x+β₀，β₂＝β_y+β₀，β₃＝β_z+β₀，从而得到桨距角控制信号β₁、β₂、β₃，完成风电机组独立变桨的执行动作。