CN105888970B - 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 - Google Patents
智能风机叶片基于灰色信息优化的自适应内模振动控制方法 Download PDFInfo
- Publication number
- CN105888970B CN105888970B CN201610324398.3A CN201610324398A CN105888970B CN 105888970 B CN105888970 B CN 105888970B CN 201610324398 A CN201610324398 A CN 201610324398A CN 105888970 B CN105888970 B CN 105888970B
- Authority
- CN
- China
- Prior art keywords
- adaptive
- blade
- uncertain
- vibration
- optimal
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 231100000219 mutagenic Toxicity 0.000 claims description 8
- 230000003505 mutagenic effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Feedback Control In General (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种智能风机叶片基于灰色信息优化的自适应内模振动控制方法，该方法针对复杂运行环境下智能风机叶片振动系统中存在的多种不确定因素，采用基于灰色信息理论优化的自适应内模振动控制方法，即利用灰关联优化的差分进化辨识方式对不确定影响下的叶片振动系统进行精确辨识，使得内模振动过程辨识更加理想精确；利用灰色规划理论对叶片自适应内模振动控制器的参数进行自适应优化调节，有利于提高控制系统的动态特性和鲁棒性，使得闭环系统在克服不确定因素影响的同时能够取得高性能的智能风机叶片自适应振动控制效果。通过本发明，提供的灰色优化自适应内模振动控制方法可克服智能风机叶片在复杂工作环境中的多种不确定性因素影响。
Description
技术领域
本发明属于风力机叶片高效安全运行控制技术领域，尤其涉及一种智能风机叶片基于灰色信息优化的自适应内模振动控制方法。
背景技术
风力机的大型化成为增加风电机组装机容量的必然趋势，风机叶片的展向长度随着机型增大也不断增大，叶片作为风力发电系统捕获风能的关键部分，直接影响整个风力发电系统的发电效率和性能。然而，在惯性力、弹性力和复杂气动负载力耦合作用下，叶片会出现颤振现象并造成叶片损坏，严重时会产生裂纹、甚至断裂破坏。由于叶片成本较高，体积沉重且处于高空不便维护和更换等原因，风机叶片运行的安全性和经济性将很大程度上依赖于叶片控制技术的发展，使得大型风机叶片的控制研究问题刻不容缓且意义重大。
因此在传统风机叶片变桨控制的基础上，智能叶片的控制概念应运而生,智能叶片是指翼型尾端安装有智能驱动器的叶片，通过控制智能驱动装置来改变叶片周围流场特性,达到抑制叶片振动的目的。然而，被控对象大型智能风机叶片长期运行在风机系统复杂环境中，叶片振动控制还面临外部环境变化，运行工况改变和驱动器动态变化等多种复杂不确定因素的影响，如风速大小和方向的不确定变化、风机偏航、变桨执行器动作等都会给叶片系统带来不确定摄动。
因此如何设计自适应振动控制器，使大型智能风机叶片系统在复杂运行环境下，并能够保持高效的风机发电效率，克服系统内外不确定因素的影响，拥有较强的鲁棒性和优良的动态性能是具有挑战和研究意义的控制问题。
传统的控制器和现有先进控制器大多局限于叶片本身的气动负载控制和简单自适应振动控制研究。然而，这些针对风机叶片的控制研究均未考虑不确定性影响因素。实际大型智能风机叶片长期运行在风机系统复杂环境中，受到环境变化、工况改变和叶片动作等多种内外不确性因素的影响，因此只单独依靠以上针对确定系统设计的振动控制器无法克服系统不确定性，满足复杂环境下叶片自适应振动控制的需要。
而实际智能风机振动系统为包含复杂不确定因素的高阶、非线性、时变系统，考虑如何设计新型自适应振动控制器，有效克服叶片振动系统中存在的多种不确定影响，提高叶片控制系统的鲁棒性和动态特性，保证智能风机叶片的安全高效运行，是非常迫切需要解决的问题。
发明内容
本发明的目的在于针对复杂运行环境下智能风机叶片振动系统中存在的多种不确定影响因素问题，提供一种智能风机叶片基于灰色信息优化的自适应内模振动控制方法，本发明通过复杂运行环境下，对多种不确定因素影响下的叶片振动过程进行灰色优化辨识，提过系统过程辨识精度；对内模振动控制器进行在线自适应修正来降低不确定因素对控制效果的影响，提高自适应内模振动控制器的鲁棒性和动态性能；利用灰色理论对自适应内模控制器进行优化调节，找到针对不同运行环境下的叶片最优自适应内模振动控制方法。
实现本发明的目的是通过以下技术方案实现的，一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，所述方法是针对复杂运行环境下智能风机叶片振动系统中存在的多种不确定因素，采用基于灰色信息理论优化的自适应内模振动控制方法。
所述自适应内模振动控制方法的步骤如下：
(1)首先针对复杂运行环境下智能风机叶片振动系统存在的复杂不确定摄动，利用差分进化算法对智能风机叶片系统的动态等效模型进行非线性辨识，相对于传统辨识方法，。通过差分进化辨识中变异因子F和交叉因子CR的优化选取，来控制辨识算法的收敛性、全局与局部搜索能力，并最终影响振动系统辨识的准确性和辨识效率；
(2)针对步骤(1)中变异因子F和交叉因子CR的选取问题，利用灰关联决策理论优化变异因子F和交叉因子CR，通过寻找最优变异因子Fopt和最优交叉因子CRopt获得不确定影响下的最优系统辨识结果，提高叶片振动系统的过程辨识精度；
(3)根据不确定摄动下的叶片振动系统辨识模型，设计自适应内模振动控制器。自适应内模振动控制器中的自适应低通滤波器适用于高阶系统的内模控制，并且根据系统的动态误差，系统不确定摄动以及系统时变特性的影响，在线自适应调节滤波器的多个参数，提高复杂运行环境下智能叶片的自适应振动控制性能；
(4)针对步骤(3)中自适应滤波器的多参数自适应调节问题，采用灰色规划思想在线求解最优滤波器不确定多参数，即满足系统鲁棒性和动态响应速度之间的最佳折衷方案。灰色非线性规划的引入使得这种最佳控制方案根据风机叶片复杂运行环境的改变在线进行自适应调整，并在当前不确定环境影响下获得最优控制效果，同时也使得自适应内模振动控制器参数整定的计算量减小、控制实时性增强；
(5)最后利用双口双回路结构设计叶片自适应内模控制系统。利用双回路自适应内模控制结构，使控制器能够随着叶片系统不确定参数的辨识更新，及时补充新信息调整不确定滤波器参数，使得复杂不确定叶片系统的内模振动控制具有较强的自适应性和鲁棒性；同时利用双口内模控制结构，解决控制量饱和问题，增强叶片振动系统的稳定性和鲁棒性。
步骤(1)中的智能风机叶片采用尾缘襟翼智能驱动器进行振动控制，通过相应的系统输出信号，完成自适应内模振动控制系统的设计。
步骤(1)中所述的智能风机叶片系统的动态等效模型表示为如下形式：
其中，Gm为智能风机叶片系统等效模型的传递函数，，n为传递函数分母阶数，m为传递函数分子阶数，e-τs为迟延部分，τ为迟延时间，a0(k),…,an(k),b0(k),…,bm(k)为系统参数受复杂运行环境下的不确定摄动和系统时变特性影响而变化。动态等效模型对应的系统输出信号为叶片振动位移信号，系统输入信号为智能驱动器控制信号。
步骤(2)中的最优变异因子、最优交叉因子即k时刻下，最优变异因子Fopt(k)和最优交叉因子CRopt(k)根据辨识目标指标下的最优灰色绝对关联度ε(k)决定，i表示变异因子个数，j表示交叉因子个数。
步骤(3)中的自适应内模振动控制器为其中，为最佳辨识模型最小相位的逆，fB,(ωc,n,θ)为改进型Butterworth(BW)低通滤波器,ωc为滤波器截止频率，n为滤波器阶次,θ为滤波器夹角。
步骤(4)中自适应滤波器的多参数自适应调节律为：首先在k时刻下根据误差积分(ISE)准则，利用跟踪误差和模型误差来自适应调节ωc，保证系统的闭环稳定性；在灰色约束条件下，通过求解自适应灰色非线性规划问题来整定不确定参数X＝(n,θ)，其中S为灰色规划指标函数，为自适应变化的截止频率灰参数，为性能目标灰向量，f,g为控制性能指标函数。在下一个时刻,更新灰色差分进化辨识模型，自适应调节得到新的截止频率参数ωc(k+1)，重新计算性能指标下的灰色规划最优解n(k+1),θ(k+1)，实现改进型BW滤波器不确定多参数的自适应调节，得到灰色信息优化的自适应内模振动控制器。
本发明公开了一种智能风机叶片基于灰色信息优化的自适应内模振动控制方法，该方法针对复杂运行环境下智能风机叶片振动系统中存在的多种不确定因素，采用基于灰色信息理论优化的自适应内模振动控制方法，即利用灰关联优化的差分进化辨识方式对不确定影响下的叶片振动系统进行精确辨识，使得内模振动过程辨识更加理想精确；利用灰色规划理论对叶片自适应内模振动控制器的参数进行自适应优化调节，有利于提高控制系统的动态特性和鲁棒性，使得闭环系统在克服不确定因素影响的同时能够取得高性能的智能风机叶片自适应振动控制效果。
自适应内模控制理论已在多种工业生产过程控制中有了较好的应用，同时灰色理论在多种不确定系统的控制应用中也取得了良好的效果，因此本发明针对智能风机叶片基于灰色优化的自适应内模振动控制方法在实际中具有可实施性；本发明提供的灰色优化自适应内模振动控制方法可克服智能风机叶片在复杂工作环境中的多种不确定性因素影响，可进一步提高风力机的发电效率与风机运行的安全，具有良好的经济效益。
传统的风机叶片控制技术方法较为简单，未同时考虑叶片振动控制的鲁棒性和动态特性问题。而实际中智能风机叶片长期运行在复杂的风力机工作环境中，系统中存在多种不确定因素将极大影响叶片振动控制效果，不利于智能风机的安全稳定运行与风力发电效率。采用本发明的技术方案，本发明的有益效果是:
(1)针对高阶非线性智能风机叶片振动系统的过程辨识，差分进化辨识算法具有较好地全局快速收敛能力、较强的鲁棒性和实时性，可以克服传统非线性辨识方法求解过程繁琐、实时性较差和计算成本较高的问题。
(2)基于灰色决策优化的差分进化辨识方法可以有效针对叶片振动系统中复杂摄动的多样性和时变性，通过灰关决策理论方法自适应优化辨识算法关键参数，提高复杂不确定影响下的叶片振动过程辨识精度和辨识性能，减小模型匹配误差，改善内模振动控制性能。
(3)基于改进型BW低通滤波器的内模控制器具有多个可调节参数，使得内模控制器设计更具灵活性，同时随着滤波器阶次的增加，其超调量不会出现恶化，针对叶片高阶能够系统具有优越性。
(4)将灰色非线性规划引入改进型BW低通滤波器的自适应调节中，这样自适应内模控制器就能在不确定因素变化的情况下更加准确、快速地求解控制性能指标下的最优控制器参数，进一步提高不确定风机叶片系统振动控制的鲁棒性和自适应性。
(5)双口双回路的内模控制结构不仅可以解决控制量饱和的问题，还能同时实现过程辨识的灰色优化和自适应振动控制器的灰色优化，改善系统的动态响应和鲁棒性，最终实现基于灰色信息优化的叶片自适应振动控制。
(6)本发明可用于复杂运行环境下的智能风机叶片高效振动控制，不仅在实际风力发电控制系统中具有很高的应用价值，而且在其他复杂不确定系统的控制中，应用前景也非常广阔。
附图说明
图1是本发明中基于灰色优化差分进化算法的智能风机叶片振动系统辨识原理图；
图2是本发明中基于灰色规划优化的自适应滤波器原理图；
图3是本发明中基于灰色信息优化的智能风机叶片自适应内模振动控制原理图；
图4是本发明中基于灰色信息优化的智能风机叶片自适应内模振动控制流程图；
具体实施方式
下面将结合附图对本发明作进一步的说明。
1)基于灰色优化差分进化算法的不确定叶片振动系统辨识：由于复杂运行环境下的智能风机叶片振动系统是一个参数时变、多变量、不确定影响因素较多的非线性系统，风机叶片在振动过程中系统参数和不确定摄动影响在不断变化状态，这就增加了系统过程辨识的难度，从而直接影响风机叶片自适应振动控制的性能。针对这种情况，如果能通过灰色理论对先进辨识方法进行优化，从而提高不确定影响下的系统参数辨识精度，将有利于提高振动控制的动态性能和稳定性。智能风机叶片非线性高阶振动系统可等效为如下高阶迟延模型
其中，Gm为智能风机叶片系统等效模型的传递函数，n为传递函数分母阶数，m为传递函数分子阶数，τ为迟延时间，a0(k),…,an(k),b0(k),…,bm(k)为系统参数受复杂运行环境下的不确定摄动和系统时变特性影响而变化，k为当前时刻。动态等效模型的系统输出信号y为叶片振动位移信号，系统输入信号u为智能驱动器控制信号。
利用差分进化辨识算法，首先设置数据数量、种群个数和最大迭代次数这些初始值，以及待辨识参数的搜索范围，其次设置辨识误差指标为
其中，J为辨识误差指标函数，N为测试数据的数量，yq为振动等效模型第q个测试样本的输出。同时对于变异因子F和交叉因子CR进行初始化，在规定范围内随机产生一群初始值(Fi,CRj)。利用灰关联决策理论，将(Fi,CRj)的自适应寻优问题转换为辨识误差指标下的(Fi,CRj)灰关联决策问题，建立(F,CR)的灰色决策方案集为
S＝{sp＝(a1,bp)|bp＝(Wi,CRj),p＝1,…,ij} (3)
其中，S为决策方案集，sp为第p个决策方案，a1为自适应差分进化辨识事件，bp为变异因子与交叉因子的选取方案。确定2个目标，记辨识误差指标Ep为目标1，记迭代次数Gp为目标2。根据目标求解当前时刻下决策方案sp的效果向量up(k)＝(Ep(k),Gp(k))和理想最优效果向量为up0(k)＝(Ep0(k),Gp0(k))，计算up(k)与up0(k)的灰色绝对关联度ε(k)。通过最优灰色关联度，判断出针对当前摄动系统具有最佳辨识效果的最优组合因子
利用最优变异因子Fopt(k)和最优交叉因子CRopt(k)，完成差分进化辨识中的变异、交叉、选择操作，得到最优振动系统辨识结果，即最优系统等效辨识模型。于是得到基于灰色优化差分进化算法的系统辨识原理图如图2所示。
2)基于灰色规划优化的自适应滤波器设计：智能风机叶片自适应内模振动控制的另一个核心问题在于设计自适应内模振动控制器中的自适应滤波器。传统的滤波器主要针对低阶系统且只有一个可调节参数，同时滤波器参数的调节往往需要考虑在系统鲁棒性和动态响应速度之间折衷，调节难度较大。
本发明采用改进型Butterworth(BW)低通滤波器，此滤波器具有三个可调节参数，针对叶片高阶系统的控制超调量不会出现恶化。在滤波器的自适应律设计方面采用系统动态误差准则和灰色非线性规划理论，分别设计滤波器截止频率ωc的自适应律和滤波器阶次n，夹角θ的自适应律，既保证了不确定影响下振动闭环控制系统的稳定性，自适应地寻找当前系统环境下的最优滤波器参数，使得智能叶片的自适应振动控制能够适应复杂运行环境下的各种不确定变化影响。这种基于灰色规划优化的自适应滤波器原理图如图2所示。根据积分平方误差(ISE)准则，截止频率ωc的自适应律为
其中，e(t)为跟踪误差，为模型相对误差，ω0为截止频率初值。将自适应变化的ωc视为灰参数，即截止频率灰参数同时考虑系统不确定摄动和时变特性影响下，满足控制要求的动态性能指标往往为一个变化区间而非固定值，将具有变化范围的性能指标参数也视为灰参数，滤波器不确定参数X＝(n,θ)通过灰色非线性规划来求解。
灰色目标函数为
灰色约束条件为
其中，ff为稳定时间函数，即灰色目标泛函，f1为峰值时间函数，f2为超调量函数；分别为期望峰值时间灰参数,期望超调量灰参数和期望稳定时间灰参数。通过求解灰色非线性规划问题可以得到当前时刻下满足控制性能指标的最优滤波器参数(n,θ)。
3)基于灰色信息优化的智能风机叶片自适应内模振动控制系统
参见图3，图中所示为智能风机叶片灰色信息优化自适应内模振动控制原理图，从图中看出，灰色优化振动控制是基于自适应内模控制的思想，包含灰色优化系统辨识和灰色优化自适应滤波器两个部分。结合式(5)和式(6)中计算得到的滤波器参数，组成了灰色优化的自适应内模振动控制器
其中，为叶片振动系统过程辨识模型中最小相位部分的逆，fBW为改进型BW低通滤波器。通过双口内模结构中的反馈控制器GAC获得跟踪误差、不确定摄动影响和控制量输出饱和的信息，解决控制量饱和问题。通过双回路内模结构，实现智能风机叶片的间接自适应内模振动控制，辨识回路和内模控制回路中灰色优化理论的引入有效克服复杂运行环境下的不确定因素对振动控制的不良影响，提高闭环系统的鲁棒性和动态性能。
本控制方法的流程图如图4所示，在灰色优化的叶片自适应内模振动控制系统中，利用灰关联理论在线优化差分进化辨识算法的最优变异因子Fopt(k)和最优交叉因子CRopt(k))，得出k时刻下的系统最优非线性辨识模型Gm(k)，通过灰色非线性理论计算得到最优自适应滤波器fB,(k)，从而得到最优自适应内模振动控制器在k+1时刻，更新系统输入输出信号，重新计算最优变异因子Fopt(k+1)和最优交叉因子CRopt(k+1))，辨识出新的最优非线性辨识模型Gm(k+1)，并重新计算最优自适应内模振动控制器Gc(k+1)，依次重复优化计算，最终实现智能风机叶片的灰色信息优化自适应内模振动控制。
上述实施例不以任何方式限制本发明，凡是采用等同替换或等效变换的方式获得的技术方案均落在本发明的保护范围内。
Claims (6)
1.一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法,其特征是，包括的步骤如下：
(1)首先针对复杂运行环境下智能风机叶片振动系统存在的复杂不确定摄动，利用差分进化算法对智能风机叶片系统的动态等效模型进行非线性辨识；通过差分进化辨识算法中变异因子F和交叉因子CR的优化选取，来控制辨识算法的收敛性、全局与局部搜索能力，并最终影响振动系统辨识的准确性和辨识效率；
(2)针对步骤(1)中变异因子F和交叉因子CR的选取问题，利用灰关联决策理论优化变异因子F和交叉因子CR，通过寻找最优变异因子Fopt和最优交叉因子CRopt获得不确定影响下的最优系统辨识结果，提高叶片振动系统的过程辨识精度；
(3)根据不确定摄动下的叶片振动系统辨识模型，设计自适应内模振动控制器，自适应内模振动控制器中的自适应低通滤波器适用于高阶系统的内模控制，并且根据系统的动态误差，系统不确定摄动以及系统时变特性的影响，在线自适应调节滤波器的多个参数，提高复杂运行环境下智能叶片的自适应振动控制性能；
(4)针对步骤(3)中自适应滤波器的多参数自适应调节问题，采用灰色规划思想在线求解最优滤波器不确定多参数，即满足系统鲁棒性和动态响应速度之间的最佳折衷方案；灰色非线性规划的引入使得这种最佳控制方案根据风机叶片复杂运行环境的改变在线进行自适应调整，并在当前不确定环境影响下获得最优控制效果，同时也使得自适应内模振动控制器参数整定的计算量减小、控制实时性增强；
(5)最后利用双口双回路结构设计叶片自适应内模控制系统，利用双回路自适应内模控制结构，使控制器能够随着叶片系统不确定参数的辨识更新，及时补充新信息调整不确定滤波器参数，使得复杂不确定叶片系统的内模振动控制具有较强的自适应性和鲁棒性；同时利用双口内模控制结构，解决控制量饱和问题，增强叶片振动系统的稳定性和鲁棒性。
2.根据权利要求1所述的一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，其特征是，所述步骤(1)中的智能风机叶片采用尾缘襟翼智能驱动器进行振动控制，通过相应的系统输出信号，完成自适应内模振动控制系统的设计。
3.根据权利要求1所述的一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，其特征是，所述步骤(1)中所述的智能风机叶片系统的动态等效模型表示为如下形式：
其中，Gm为智能风机叶片系统等效模型的传递函数，n为传递函数分母阶数，m为传递函数分子阶数，e-τs为迟延部分，τ为迟延时间，a0(k),…,an(k),b0(k),…,bm(k)为系统参数受复杂运行环境下的不确定摄动和系统时变特性影响而变化，动态等效模型对应的系统输出信号为叶片振动位移信号，系统输入信号为智能驱动器控制信号。
4.根据权利要求1所述的一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，其特征是，所述步骤(2)中的最优变异因子、最优交叉因子Fopt(k),即k时刻下，最优变异因子Fopt(k)和最优交叉因子CRopt(k)根据辨识目标指标下的最优灰色绝对关联度ε(k)决定，i表示变异因子个数，j表示交叉因子个数。
5.根据权利要求1所述的一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，其特征是，所述步骤(3)中的自适应内模振动控制器为其中，为最佳辨识模型最小相位的逆，fB,(ωc,n,θ)为改进型Butterworth(BW)低通滤波器,ωc为滤波器截止频率，n为滤波器阶次,θ为滤波器夹角。
6.根据权利要求1所述的一种复杂运行环境下智能风机叶片不确定系统的最优自适应振动控制方法，其特征是，所述步骤(4)中自适应滤波器的多参数自适应调节律为：首先在k时刻下根据误差积分(ISE)准则，利用跟踪误差和模型误差来自适应调节ωc，保证系统的闭环稳定性；在灰色约束条件 下，通过求解自适应灰色非线性规划问题来整定不确定参数X＝(n,θ)，其中S为灰色规划指标函数，为自适应变化的截止频率灰参数，为性能目标灰向量，f,g为控制性能指标函数，在下一个时刻,更新灰色差分进化辨识模型，自适应调节得到新的截止频率参数ωc(k+1)，重新计算性能指标下的灰色规划最优解n(k+1),θ(k+1)，实现改进型BW滤波器不确定多参数的自适应调节，得到灰色信息优化的自适应内模振动控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610324398.3A CN105888970B (zh) | 2016-05-16 | 2016-05-16 | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610324398.3A CN105888970B (zh) | 2016-05-16 | 2016-05-16 | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105888970A CN105888970A (zh) | 2016-08-24 |
| CN105888970B true CN105888970B (zh) | 2018-09-14 |
Family
ID=56716468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610324398.3A Active CN105888970B (zh) | 2016-05-16 | 2016-05-16 | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105888970B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109695540A (zh) * | 2018-12-13 | 2019-04-30 | 扬州大学 | 基于综合关联改进型de算法的风力机翼型最优lqr控制方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108121206B (zh) * | 2017-12-21 | 2020-09-18 | 扬州大学 | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 |
| CN109839820A (zh) * | 2018-06-29 | 2019-06-04 | 扬州大学 | 基于灰色随机差分进化算法的振动系统pid控制优化方法 |
| CN111651841B (zh) * | 2020-05-30 | 2024-01-26 | 扬州大学 | 基于圆周割线改进型粒子群算法的叶片临界颤振系统参数辨识方法 |
| CN115952731B (zh) * | 2022-12-20 | 2024-01-16 | 哈尔滨工业大学 | 一种风力机叶片主动振动控制方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102720634A (zh) * | 2012-07-09 | 2012-10-10 | 兰州交通大学 | 一种优化参数的变论域模糊电动变桨控制方法 |
| EP2746576A2 (en) * | 2012-12-24 | 2014-06-25 | General Electric Company | Method and system for shutting down a wind turbine |
| CN104314755A (zh) * | 2014-09-23 | 2015-01-28 | 华北电力大学 | 基于ipso的dfig变桨距ladrc方法及系统 |
| CN105134482A (zh) * | 2015-07-22 | 2015-12-09 | 扬州大学 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101933720B1 (ko) * | 2012-09-27 | 2018-12-28 | 한국전력공사 | 최소 하중에 의한 풍력터빈의 출력 제어방법 |
-
2016
- 2016-05-16 CN CN201610324398.3A patent/CN105888970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102720634A (zh) * | 2012-07-09 | 2012-10-10 | 兰州交通大学 | 一种优化参数的变论域模糊电动变桨控制方法 |
| EP2746576A2 (en) * | 2012-12-24 | 2014-06-25 | General Electric Company | Method and system for shutting down a wind turbine |
| CN104314755A (zh) * | 2014-09-23 | 2015-01-28 | 华北电力大学 | 基于ipso的dfig变桨距ladrc方法及系统 |
| CN105134482A (zh) * | 2015-07-22 | 2015-12-09 | 扬州大学 | 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109695540A (zh) * | 2018-12-13 | 2019-04-30 | 扬州大学 | 基于综合关联改进型de算法的风力机翼型最优lqr控制方法 |
| CN109695540B (zh) * | 2018-12-13 | 2020-06-09 | 扬州大学 | 基于综合关联改进型de算法的风力机翼型最优lqr控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105888970A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105888970B (zh) | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 | |
| CN110566406B (zh) | 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 | |
| CN107559143A (zh) | 一种大型风力机尾缘襟翼结构参数寻优及多目标襟翼优化控制方法 | |
| Fernandez-Gauna et al. | Variable speed wind turbine controller adaptation by reinforcement learning | |
| CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
| CN103410660A (zh) | 基于支持向量机的风力发电变桨距自学习控制方法 | |
| CN110492803A (zh) | 基于mdpso的永磁直驱风力发电机参数辨识方法 | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| Sun et al. | UAV path planning based on improved rapidly-exploring random tree | |
| CN112632774A (zh) | 一种基于动态模态分解的数据驱动风电场频率控制方法 | |
| CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
| Pawar et al. | Design and implementation of MRAC and modified MRAC technique for inverted pendulum | |
| WO2022121446A1 (zh) | 控制系统、无功电压控制方法和装置、介质以及计算装置 | |
| CN108549962A (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
| CN105929692A (zh) | 一种弹性飞翼布局飞机阵风减缓控制器参数优化方法 | |
| CN106877769B (zh) | 一种伺服电机速度控制器增益参数自整定的方法 | |
| Ren et al. | Feedforward feedback pitch control for wind turbine based on feedback linearization with sliding mode and fuzzy PID algorithm | |
| CN109611274A (zh) | 一种风力发电机组高风速区lqg优化控制方法 | |
| CN112817240B (zh) | 一种基于深度强化学习算法的离心压缩机调控方法 | |
| CN110456637A (zh) | 一种减小风机振动的自适应模糊多目标机电控制方法 | |
| CN114429233A (zh) | 一种基于聚类算法的场站级最优功率控制方法及系统 | |
| Yao et al. | Pitch angle control of variable pitch wind turbines based on neural network PID | |
| Qingqing et al. | Design of heat pump temperature control system based on particle swarm optimization fuzzy PID | |
| CN110297496A (zh) | 电力巡检机器人的控制方法、装置、电子设备及存储介质 | |
| CN109709797A (zh) | 一种变频调速恒压供水控制方法及控制系统 |
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 |