CN105673325A - 基于rbf神经网络pid的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PID的大型风电机组独立变桨控制方法，步骤如下：建立风电机组数学模型，计算风电机组桨叶的挥舞力矩；通过park变换，把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩；把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器，得出PID控制器参数调节变化量，PID控制器输出静止坐标系下的桨距角；经过park逆变换把得到的桨距角变换成三个叶片的桨距角，再与同步变桨桨距角进行叠加，得出风电机组每个叶片的变桨桨距角，实现对风电机组的独立变桨控制，从而实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善，稳定风电机组输出功率。

Description

基于RBF神经网络PID的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变桨控制领域，特别涉及基于RBF神经网络PID的风电机组独立变桨控制方法。

背景技术

当今社会，人类社会对能源的需求与日俱增，能源的浪费、低效率和不可持续利用造成了整个社会的能源危机。在可再生能源中，风能因其无污染、零排放和可再生等优点，成为了国内外新能源研究的重要对象，因此风能发电技术在开发利用新能源技术中是最成熟的。风电机组变桨控制系统分统一变桨控制系统和独立变桨控制系统，因为在风电机组运行中独立变桨控制系统相对统一变桨控制系统能提高风能利用系数，使风电机组输出最佳风能。

采用常规PID控制的独立变桨控制系统在风电机组中得到了普及，然而，由于PID控制不能很好地处理时变、非线性和强耦合的风力发电系统，因而为了解决PID变桨控制系统的控制缺点，国内外科研工作者在独立变桨控制系统中提出了各种先进的控制方法，如滑模变结构变桨距控制、H∞鲁棒控制、自适应控制、模糊控制等。但是上面提到的各种先进变桨控制方法都不能有效解决运行于额定风速以上由风切变、风剪切和塔影效应在塔架和桨叶上产生的不平衡载荷，不能有效稳定风电机组的输出功率。

为了解决不平衡载荷和稳定风电机组输出功率的问题，需要对风电机组进行综合分析，以此来改善风电机组运行的动态性能，从而降低对风切变、风剪切和塔影效应在塔架和桨叶等关键部件上产生的不平衡载荷，使风电机组输出功率稳定。

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PID的大型风电机组独立变桨控制方法，通过RBF神经网络在线自学习能力，得出PID控制器参数调节变化量，从而优化大型风电机组独立变桨控制系统的动态性能，实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善，稳定风电机组输出功率。

本发明解决上述问题的技术方案是：

一种基于RBF神经网络PID的大型风电机组独立变桨控制方法，包括以下步骤：

1)建立风电机组的数学模型，计算风电机组桨叶的挥舞力矩；

2)通过park变换，把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩；

3)把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器，通过RBF神经网络在线自学习能力，由梯度下降法得出PID控制器参数调节变化量，PID控制器输出静止坐标系下的桨距角；

4)经过park逆变换把步骤3)得到的桨距角变换成三个叶片的桨距角，再把三个叶片桨距角与同步变桨桨距角进行叠加，得出风电机组每个叶片的变桨桨距角，实现对风电机组的独立变桨控制。

上述基于RBF神经网络PID的大型风电机组独立变桨控制方法，所述步骤1)中，建立的风电机组数学模型为：

$J\·\stackrel{\·}{\mathrm{\Ω}}=-3h_{M_x}\stackrel{\·}{x_{fa}}+3k_{M_z}{\mathrm{\θ}}_1^{cm}+3h_{M_x}{\tilde{u}}_1^{cm}-T_g$

$m_{tw}\stackrel{\·\·}{x_{fa}}=-s_{tw}{x}_{fa}-(d_{tw}+3h_{F_x}-\frac{81R}{32H^2}{h}_{M_z})\stackrel{\·}{x_{fa}}+3k_{F_x}{\mathrm{\θ}}_1^{cm}+\frac{9}{4H}{k}_{M_z}{\mathrm{\θ}}_2^{cm}+3h_{F_x}{\tilde{u}}_1^{cm}+\frac{9}{4H}{h}_{M_z}{\tilde{u}}_2^{cm}$

$m_{tw}\stackrel{\·\·}{x_{sd}}=\frac{3}{2H}{T}_g-\frac{27R}{16H}{h}_{F_z}\stackrel{\·}{x_{fa}}-\frac{3}{2}{k}_{F_z}{\mathrm{\θ}}_2^{cm}-3h_{F_z}{\tilde{u}}_2^{cm}/2+s_{tw}{x}_{sd}+d_{tw}\stackrel{\·}{x_{sd}}$

$M_{z1}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_1+h_{M_z}{u}_1^{cm}$

$M_{z2}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_2+h_{M_z}{u}_2^{cm}$

$M_{z3}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_3+h_{M_z}{u}_1^{cm}$

其中，J是风轮的转动惯量，Ω是叶片的转速，是Ω的导数，x_fa是塔架在俯仰方向的位移，是x_fa的一阶导数和二阶导数，x_sd是塔架侧向方向的位移，是x_sd的一阶导数和二阶导数，是叶片1和叶片2处的有效风速，T_g是电机电磁转矩，m_tw是塔架等效质量，H是风机塔架高度，R是风电机组叶片半径，s_tw是塔架的刚度，d_tw是塔架的阻尼系数，是风轮转矩对风速的导数，是风轮转矩对桨距角的导数。

上述基于RBF神经网络PID的大型风电机组独立变桨控制方法，所述步骤2)中，叶片i的挥舞力矩M_zi，则偏航力矩和俯仰力矩为

$\left\{\begin{array}{c}{M}_{yaw}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{sin\φ}}_i\\ M_{tilt}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{cos\φ}}_i\end{array}\right..$

上述基于RBF神经网络PID的大型风电机组独立变桨控制方法，所述步骤3)中，通过跟踪系统的俯仰力矩M_tilt和偏航力矩M_yaw来调节风轮转速、转矩和叶片载荷，设RBF神经网络的输入量为

X＝[u(k),u(k-1),y(k-1)]^T

式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号；k表示神经网络计算次数；

设控制系统的输入为r(k)，则控制系统的误差为

e(k)＝r(k)-y(k)

由梯度下降法得PID参数调节量为

${\mathrm{\Δk}}_p=-{\mathrm{\η}}_P\frac{\∂e\left(k\right)}{\∂k_p}={\mathrm{\η}}_{P}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_1\left(k\right)$

${\mathrm{\Δk}}_i=-{\mathrm{\η}}_I\frac{\∂e\left(k\right)}{\∂k_i}={\mathrm{\η}}_{I}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_2\left(k\right)$

${\mathrm{\Δk}}_d=-{\mathrm{\η}}_D\frac{\∂e\left(k\right)}{\∂k_d}={\mathrm{\η}}_{D}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_3\left(k\right)$

式中，η_P表示比例学习速率，η_I表示积分学习速率，η_D表示微分学习速率，e(k)表示误差，y(k)表示控制目标的输出量，x_i(k)为RBF神经网络PID控制器的输入量；

RBF神经网络的径向基向量为φ＝[φ₁,φ₂,...,φ_n]，φ_i的高斯表示形式为

${\mathrm{\φ}}_i=\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2),i=1,2...,m$

式中，M表示中心数；d_m表示中心之间的最大距离，X表示RBF神经网络输入向量，t_i表示第i个神经网络结点的中心矢量，m表示RBF神经网络神经元个数；

设置PID控制器为RBF神经网络的输出端，输出量为

$u\left(k\right)=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2)$

式中ω_i为第i个RBF神经网络隐含层与输出层之间权值。

本发明的有益效果在于：

1、本发明通过RBF神经网络在线自学习能力，对RBF神经网络的权值进行在线调整，得出PID控制器参数调节变化量来优化大型风电机组独立变桨控制系统的动态性能，从而实现风切变、风剪切和塔影效应在桨叶叶片、塔架等关键部件上产生不平衡载荷的有效改善，稳定风电机组输出功率，提高了风机的性能、效率和使用寿命；

2、本发明提高了独立变桨控制系统对运行在额定风速以上的动态性能，风电机组位于强湍流风速下的性能得到明显提高，适用于复杂的风力发电系统运行环境，而且不会增加控制系统的硬件设备的复杂度；

3、本发明采用RBF神经网络来调节PID参数，通过采用智能优化控制算法，提高了控制系统的性能和效率，有效减小了系统变量相互耦合的影响，提高了系统的稳定性。

附图说明

图1为本发明的控制原理图。

图2为本发明RBF神经网络PID控制框图。

图3为本发明RBF神经网络的结构示意图。

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。

图1所示为本发明的控制原理图，本控制方法包括以下步骤：

1)建立风电机组的数学模型，计算风电机组桨叶的挥舞力矩M_z1、M_z2、M_z3；

为了提高风电机组运行的动态性能，本发明的控制对象选择为风轮转矩、风轮转速、叶片载荷和风电机组输出功率，建立的风电机组数学模型为：

$J\·\stackrel{\·}{\mathrm{\Ω}}=-3h_{M_x}\stackrel{\·}{x_{fa}}+3k_{M_z}{\mathrm{\θ}}_1^{cm}+3h_{M_x}{\tilde{u}}_1^{cm}-T_g$

$m_{tw}\stackrel{\·\·}{x_{fa}}=-s_{tw}{x}_{fa}-(d_{tw}+3h_{F_x}-\frac{81R_b}{32H^2}{h}_{M_z})\stackrel{\·}{x_{fa}}+3k_{F_x}{\mathrm{\θ}}_1^{cm}+\frac{9}{4H}{k}_{M_z}{\mathrm{\θ}}_2^{cm}+3h_{F_x}{\tilde{u}}_1^{cm}+\frac{9}{4H}{h}_{M_z}{\tilde{u}}_2^{cm}$

$m_{tw}\stackrel{\·\·}{x_{sd}}=\frac{3}{2H}{T}_g-\frac{27B_b}{16H}{h}_{F_z}\stackrel{\·}{x_{fa}}-\frac{3}{2}{k}_{F_z}{\mathrm{\θ}}_2^{cm}-3h_{F_z}{\tilde{u}}_2^{cm}/2+s_{tw}{x}_{sd}+d_{tw}\stackrel{\·}{x_{sd}}$

$M_{z1}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_1+h_{M_z}{u}_1^{cm}$

$M_{z2}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_2+h_{M_z}{u}_2^{cm}$

$M_{z3}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_3+h_{M_z}{u}_1^{cm}$

其中，J是风轮的转动惯量，Ω是叶片的转速，是Ω的导数，x_fa是塔架在俯仰方向的位移，是x_fa的一阶导数和二阶导数，x_sd是塔架侧向方向的位移，是x_sd的一阶导数和二阶导数，是叶片1和叶片2处的有效风速，T_g是电机电磁转矩，m_tw是塔架等效质量，H是风机塔架高度，R是风电机组叶片半径，s_tw是塔架的刚度，d_tw是塔架的阻尼系数，是风轮转矩对风速的导数，是风轮转矩对桨距角的导数。

2)通过park变换，把挥舞力矩M_z1、M_z2、M_z3变换为固定坐标系下的偏航力矩M_tilt与俯仰力矩M_yaw；

$\left\{\begin{array}{c}{M}_{yaw}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{sin\φ}}_i\\ M_{tilt}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{cos\φ}}_i\end{array}\right.$

3)把偏航力矩M_tilt与俯仰力矩M_yaw输入到RBF神经网络PID控制器，通过RBF神经网络在线自学习能力，由梯度下降法得出PID控制器参数调节变化量，PID控制器输出静止坐标系下的桨距角θ_α、θ_β；

通过跟踪系统的俯仰力矩M_tilt和偏航力矩M_yaw来调节风轮转速、转矩和叶片载荷，图2为RBF神经网络PID控制框图，图中r为输入量，e为PID控制器输入量，u为PID控制器输出量，y为控制目标输出量，y_m为RBF神经网络输出量，设RBF神经网络的输入量为

X＝[u(k),u(k-1),y(k-1)]^T

式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号；k表示神经网络计算次数；

设控制系统的输入为r(k)，则控制系统的误差为

e(k)＝r(k)-y(k)

由梯度下降法得PID参数调节量为

${\mathrm{\Δk}}_p=-{\mathrm{\η}}_P\frac{\∂e\left(k\right)}{\∂k_p}={\mathrm{\η}}_{P}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_1\left(k\right)$

${\mathrm{\Δk}}_i=-{\mathrm{\η}}_I\frac{\∂e\left(k\right)}{\∂k_i}={\mathrm{\η}}_{I}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_2\left(k\right)$

${\mathrm{\Δk}}_d=-{\mathrm{\η}}_D\frac{\∂e\left(k\right)}{\∂k_d}={\mathrm{\η}}_{D}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_3\left(k\right)$

式中，η_P表示比例学习速率，η_I表示积分学习速率，η_D表示微分学习速率，e(k)表示误差，y(k)表示控制目标的输出量，x_i(k)为RBF神经网络PID控制器的输入量；

RBF神经网络结构包括输入层、隐含层和输出层，如图3所示，输入层传输输入信号到隐含层，隐含层由高斯函数构成，输出层为线性函数，在输入信号位于高斯函数中间范围时，此时隐含层产生较大的输出，可以得出RBF神经网络具有局部逼近特性。设RBF神经网络的径向基向量为φ＝[φ₁,φ₂,...,φ_n]，φ_i的高斯表示形式为

${\mathrm{\φ}}_i=\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2),i=1,2...,m$

式中，M表示中心数；d_m表示中心之间的最大距离，X表示样本输入向量，t_i表示第i个神经网络结点的中心矢量，m表示RBF神经网络神经元个数；

设置PID控制器为RBF神经网络的输出端，输出量为

$u\left(k\right)=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2)$

式中ω_i为第i个RBF神经网络隐含层与输出层之间权值。

4)经过park逆变换把步骤3)得到的桨距角θ_α、θ_β变换成三个叶片的桨距角θ_i ^cm，再把三个叶片桨距角θ_i ^cm与同步变桨桨距角θ进行叠加，得出风电机组每个叶片的变桨桨距角，实现对风电机组的独立变桨控制。

Claims (4)

1.一种基于RBF神经网络PID的大型风电机组独立变桨控制方法，包括以下步骤：

1)建立风电机组的数学模型，计算风电机组桨叶的挥舞力矩；

2)通过park变换，把挥舞力矩变换为固定坐标系下的偏航力矩与俯仰力矩；

3)把偏航力矩和俯仰力矩输入到RBF神经网络PID控制器，通过RBF神经网络在线自学习能力，由梯度下降法得出PID控制器参数调节变化量，PID控制器输出静止坐标系下的桨距角；

4)经过park逆变换把步骤3)得到的桨距角变换成三个叶片的桨距角，再把三个叶片桨距角与同步变桨桨距角进行叠加，得出风电机组每个叶片的变桨桨距角，实现对风电机组的独立变桨控制。

2.根据权利要求1所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法，其特征在于：所述步骤1)中，建立的风电机组数学模型为：

$J\·\stackrel{\·}{\mathrm{\Ω}}=-3h_{M_x}\stackrel{\·}{x_{fa}}+3k_{M_z}{\mathrm{\θ}}_1^{cm}+3h_{M_x}{\tilde{u}}_1^{cm}-T_g$

$m_{tw}\stackrel{\·\·}{x_{fa}}=-s_{tw}{x}_{fa}-(d_{tw}+3h_{F_x}-\frac{81R}{32H^2}{h}_{M_z})\stackrel{\·}{x_{fa}}+3k_{F_x}{\mathrm{\θ}}_1^{cm}+\frac{9}{4H}{k}_{M_z}{\mathrm{\θ}}_2^{cm}+3h_{F_x}{\tilde{u}}_1^{cm}+\frac{9}{4H}{h}_{M_z}{\tilde{u}}_2^{cm}$

$m_{tw}\stackrel{\·\·}{x_{sd}}=\frac{3}{2H}{T}_g-\frac{27R}{16H}{h}_{F_z}\stackrel{\·}{x_{fa}}-\frac{3}{2}{k}_{F_z}{\mathrm{\θ}}_2^{cm}-3h_{F_z}{\tilde{u}}_2^{cm}/2+s_{tw}{x}_{sd}+d_{tw}\stackrel{\·}{x_{sd}}$

$M_{z1}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_1+h_{M_z}{u}_1^{cm}$

$M_{z2}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_2+h_{M_z}{u}_2^{cm}$

$M_{z3}=-h_{M_z}\stackrel{\·}{x_{fa}}+k_{M_z}{\mathrm{\θ}}_3+h_{M_z}{u}_1^{cm}$

其中，J是风轮的转动惯量，Ω是叶片的转速，是Ω的导数，x_fa是塔架在俯仰方向的位移，是x_fa的一阶导数和二阶导数，x_sd是塔架侧向方向的位移，是x_sd的一阶导数和二阶导数，是叶片1和叶片2处的有效风速，T_g是电机电磁转矩，m_tw是塔架等效质量，H是风机塔架高度，R是风电机组叶片半径，s_tw是塔架的刚度，d_tw是塔架的阻尼系数，是风轮转矩对风速的导数，是风轮转矩对桨距角的导数。

3.根据权利要求2所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法，其特征在于：所述步骤2)中，叶片i的挥舞力矩M_zi，则偏航力矩和俯仰力矩为

$\left\{\begin{array}{c}{M}_{yaw}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{sin\φ}}_i\\ M_{tilt}=\underset{i=1}{\overset{3}{\Σ}}{M}_{zi}{\mathrm{cos\φ}}_i\end{array}\right..$

4.根据权利要求3所述的基于RBF神经网络PID的大型风电机组独立变桨控制方法，其特征在于：所述步骤3)中，通过跟踪系统的俯仰力矩M_tilt和偏航力矩M_yaw来调节风轮转速、转矩和叶片载荷，设RBF神经网络的输入量为

X＝[u(k),u(k-1),y(k-1)]^T

式中u(k)、y(k)为控制对象的控制信号和桨距角反馈信号；k表示神经网络计算次数；

设控制系统的输入为r(k)，则控制系统的误差为

e(k)＝r(k)-y(k)

由梯度下降法得PID参数调节量为

${\mathrm{\Δk}}_p=-{\mathrm{\η}}_P\frac{\∂e\left(k\right)}{\∂k_p}={\mathrm{\η}}_{P}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_1\left(k\right)$

${\mathrm{\Δk}}_i=-{\mathrm{\η}}_I\frac{\∂e\left(k\right)}{\∂k_i}={\mathrm{\η}}_{I}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_2\left(k\right)$

${\mathrm{\Δk}}_d=-{\mathrm{\η}}_D\frac{\∂e\left(k\right)}{\∂k_d}={\mathrm{\η}}_{D}e\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}{x}_3\left(k\right)$

式中，η_P表示比例学习速率，η_I表示积分学习速率，η_D表示微分学习速率，e(k)表示误差，y(k)表示控制目标的输出量，x_i(k)为RBF神经网络PID控制器的输入量；

RBF神经网络的径向基向量为φ＝[φ₁,φ₂,...,φ_n]，φ_i的高斯表示形式为

${\mathrm{\φ}}_i=\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2),i=1,2...,m$

式中，M表示中心数；d_m表示中心之间的最大距离，X表示RBF神经网络输入向量，t_i表示第i个神经网络结点的中心矢量，m表示RBF神经网络神经元个数；

设置PID控制器为RBF神经网络的输出端，输出量为

$u\left(k\right)=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_i\exp (-\frac{M}{d_m^2}||X-t_i|{|}^2)$

式中ω_i为第i个RBF神经网络隐含层与输出层之间权值。