CN107179692A - 一种基于神经网络的风场自适应功率追踪控制方法 - Google Patents
一种基于神经网络的风场自适应功率追踪控制方法 Download PDFInfo
- Publication number
- CN107179692A CN107179692A CN201710500708.7A CN201710500708A CN107179692A CN 107179692 A CN107179692 A CN 107179692A CN 201710500708 A CN201710500708 A CN 201710500708A CN 107179692 A CN107179692 A CN 107179692A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- msup
- centerdot
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- External Artificial Organs (AREA)
Abstract
本发明公开了一种基于神经网络的风场自适应功率追踪控制方法，包括步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型；步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值；步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧集内，从而使神经网络的输入z也被控制在某个有限区域中；步骤四：设计比例控制器U；步骤五：将比例控制器输入风机系统，控制风场输出功率。本发明基于神经网络的风场自适应功率追踪控制方法，实现了在风场功率跟踪轨迹未知、模型不确定和有外部干扰的情况下，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出。
Description
技术领域
本发明涉及风场功率控制技术领域，特别涉及一种风场自适应功率追踪控制方法。
背景技术
风场中的变速风机，由于可以捕获最大功率点和削弱输出功率波动，越来越受到研究人员的青睐。当风机的结构确定且参数已知时，通过构建系统动力学模型，描述系统完整的动态特性，应用各种自动控制理论，设计基于模型的控制器，实现功率跟踪控制。然而，变速风机动力学模型复杂，存在很多不确定性参数，显示出较强的非线性动力学行为。面对具有高度非线性不确定的系统，传统的PID控制难以做到快速、最优的实时进行参数整定。
同时我们希望，风场输出的总功率恰好能满足用户的功率需求，但是来自负载端(用户)的功率需求(理想功率)轨迹难以被精确预知。因此，在理论和实际的角度上看，研究未知的理想功率轨迹跟踪问题是非常重要的。
发明内容
有鉴于此，本发明的目的是提供一种基于神经网络的风场自适应功率追踪控制方法，以实现在风场功率跟踪轨迹未知、模型不确定和有外部干扰的情况下，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出。
本发明基于神经网络的风场自适应功率追踪控制方法，包括以下步骤：
步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型，包括
1)建立风场输出功率动态模型为：
其中P＝(Pg1,Pg2,…Pgn)Τ∈Rn是风场中每台风机输出的有效功率，B(t)＝diag(b1(t),b2(t),…bn(t))是风机系统的未知时变控制增益矩阵，bi(t)＝ngiωri，i＝1,2,…n，F(·)＝(f1(·),f2(·),…fn(·))Τ∈Rn是风机有界干扰，U＝(u1,u2,…un)Τ∈Rn代表风机系统控制矩阵的导数，
2)重构理想的未知的风场输出功率轨迹如下：
其中Pd(t)＝(Pd1(t),Pd2(t),…Pdn(t))Τ∈Rn是理想功率轨迹的估计，是理想功率轨迹导数的估计；d0(t)∈Rn×n和d1(t)∈Rn×n是未知时变对角矩阵；εd0∈Rn和εd1∈Rn是估计误差；d0 ，d1 ，是未知正常数；
步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值，包括：
令e＝P-P*,定义可计算误差em＝P-Pd∈Rn，则
其中δ1有界，那么若em有界，则e有界。有，
结合公式(1)-公式(5)，重写
则
其中 是系统的不确定项；对的估计如下：
其中W*∈RL为神经网络权值矩阵，S(z)∈RL是神经网络的偏置函数，是神经网络的实际输入，η(z)是神经网络的估计误差，|η(z)|<ηN<∞；且有
步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧集内，从而使神经网络的输入z也被控制在某个有限区域中；受限李雅普诺夫的选取如下：
式中μ>0且μ>||em(0)||是为自由选取的Barrier参数；
步骤四：设计比例控制器U为：
U＝-(kP+ΔkP(·))em (10)
其中kP>0，c,γ>0；
步骤五：将比例控制器输入风机系统，控制风场输出功率。
本发明的有益效果：
本发明基于神经网络的风场自适应功率追踪控制方法，实现了在风场功率跟踪轨迹未知、模型不确定和有外部干扰的情况下，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出。
附图说明
图1是风场分布式动态功率控制结构示意图；
图2是风机的动力学模型示意图；
图3是仿真实验中在控制器作用下，风场输出功率跟踪示意图；
图4-图8是仿真实验中在控制器作用下，单个风机的(假设n＝5)输出功率跟踪示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
如图2所示，具有高度非线性不确定的风机系统动力学模型为：
其中风场中的第i个风机模型：
其中di(·)＝ci(ωr1,ωr2,…ωr(i-1),ωr(i+1),…ωrn)是风机受到风场中周围其他风机转速的有界干扰。输出功率：Pgi＝Temiωgi＝ngiTemiωri，则
本实施例基于神经网络的风场自适应功率追踪控制方法，包括以下步骤：
步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型，包括
1)建立风场输出功率动态模型为：
其中P＝(Pg1,Pg2,…Pgn)Τ∈Rn是风场中每台风机输出的有效功率，B(t)＝diag(b1(t),b2(t),…bn(t))是风机系统的未知时变控制增益矩阵，bi(t)＝ngiωri，i＝1,2,…n，F(·)＝(f1(·),f2(·),…fn(·))Τ∈Rn是风机有界干扰，U＝(u1,u2,…un)Τ∈Rn代表风机系统控制矩阵的导数，
2)重构理想的未知的风场输出功率轨迹如下：
其中Pd(t)＝(Pd1(t),Pd2(t),…Pdn(t))Τ∈Rn是理想功率轨迹的估计，是理想功率轨迹导数的估计；d0(t)∈Rn×n和d1(t)∈Rn×n是未知时变对角矩阵；εd0∈Rn和εd1∈Rn是估计误差；d0 ，d1 ，是未知正常数；
步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值，包括：
令e＝P-P*,定义可计算误差em＝P-Pd∈Rn，则
其中δ1有界，那么若em有界，则e有界。有，
结合公式(1)-公式(5)，重写
则
其中 是系统的不确定项；对的估计如下：
其中W*∈RL为神经网络权值矩阵，S(z)∈RL是神经网络的偏置函数，是神经网络的实际输入，η(z)是神经网络的估计误差，|η(z)|<ηN<∞；且有
步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧集内，从而使神经网络的输入z也被控制在某个有限区域中，这样神经网络单元在风机系统运行过程中更好的维持学习和估计的能力；受限李雅普诺夫的选取如下：
式中μ>0且μ>||em(0)||是为自由选取的限制参数；
步骤四：设计比例控制器U为：
U＝-(kP+ΔkP(·))em (10)
其中kP>0，c,γ>0；
步骤五：将比例控制器输入风机系统，控制风场输出功率。
下面对本实施例基于神经网络的风场自适应功率追踪控制方法的有效性进行仿真验证。
假设风场中风机个数为5个，利用短期风能预测方法估计理想未知功率曲线P*,
风机初始初始角速度设置为：ωr1(0)＝0.4,ωr2(0)＝0.3,ωr3(0)＝0.5,ωr4(0)＝0.4,ωr5(0)＝0.2.
风机动力学模型仿真参数如下：
kp＝400,c2＝20,μ＝12.5,γ＝0.02，S(z)＝[s1(z),s2(z),…sp(z)]Τ，i＝1,2,…p,其中ci＝0.5(i-1)，p＝50
d3＝cosωr1+3.7ωr2+lnωr4+sinωr5，
d4＝sin(ωr1ωr2)+4.2ωr3+3.8cosωr5，
d5＝tanh(ωr1+ωr2)+lnωr3+4.1ωr4
仿真结果如图3-图8所示。由仿真结果图可知：本实施例中基于神经网络的风场自适应功率追踪控制方法，在不需要知道系统中的时变不确定性参数和理想功率轨迹的情况下，在复杂的非线性模型中，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出，具有良好的功率跟踪控制效果，并且考虑了风场中风机在运行过程中承受其他风机转速不平衡载荷的影响，对风电机组的安全有效运行具有一定的参考价值。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，但若未脱离本发明技术方案的宗旨和范围，便应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于神经网络的风场自适应功率追踪控制方法，其特征在于：包括以下步骤：
步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型，包括
1)建立风场输出功率动态模型为：
<mrow>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>U</mi>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中P＝(Pg1,Pg2,…Pgn)Τ∈Rn是风场中每台风机输出的有效功率，B(t)＝diag(b1(t),b2(t),…bn(t))是风机系统的未知时变控制增益矩阵，bi(t)＝ngiωri，i＝1,2,…n，F(·)＝(f1(·),f2(·),…fn(·))Τ∈Rn是风机有界干扰，U＝(u1,u2,…un)Τ∈Rn代表风机系统控制矩阵的导数，
2)重构理想的未知的风场输出功率轨迹如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<munder>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&OverBar;</mo>
</munder>
<mo>&le;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&le;</mo>
<mover>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo><</mo>
<mi>&infin;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&le;</mo>
<msubsup>
<mi>&epsiv;</mi>
<mn>0</mn>
<mi>d</mi>
</msubsup>
<mo><</mo>
<mi>&infin;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<munder>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</munder>
<mo>&le;</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&le;</mo>
<mover>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo><</mo>
<mi>&infin;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>|</mo>
<mo>&le;</mo>
<msubsup>
<mi>&epsiv;</mi>
<mn>1</mn>
<mi>d</mi>
</msubsup>
<mo><</mo>
<mi>&infin;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Pd(t)＝(Pd1(t),Pd2(t),…Pdn(t))Τ∈Rn是理想功率轨迹的估计，是理想功率轨迹导数的估计；d0(t)∈Rn×n和d1(t)∈Rn×n是未知时变对角矩阵；εd0∈Rn和εd1∈Rn是估计误差；d0 ，d1 ，是未知正常数；
步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值，包括：
令e＝P-P*,定义可计算误差em＝P-Pd∈Rn，则
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>P</mi>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mi>P</mi>
<mo>-</mo>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>+</mo>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>d</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>e</mi>
<mo>+</mo>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>e</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>e</mi>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中δ1有界，那么若em有界，则e有界。有，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msub>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
<mo>=</mo>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>+</mo>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>-</mo>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>d</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
结合公式(1)-公式(5)，重写
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<mover>
<mi>e</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mi>U</mi>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mo>&CenterDot;</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mover>
<mi>P</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
则
其中 是系统的不确定项；对的估计如下：
其中W*∈RL为神经网络权值矩阵，S(z)∈RL是神经网络的偏置函数，是神经网络的实际输入，η(z)是神经网络的估计误差，|η(z)|<ηN<∞；且有
Φ(z)＝||S(z)||+1,a＝max{||W*||,ηN}；
步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧急内，从而使神经网络的输入z也被控制在某个有限区域中；受限李雅普诺夫的选取如下：
<mrow>
<msub>
<mi>V</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>&mu;</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>e</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中μ>0且μ>||em(0)||是为自由选取的限制参数；
步骤四：设计比例控制器U为：
U＝-(kP+△kP(·))em (10)
其中kP>0，c,γ>0；
步骤五：将比例控制器输入风机系统，控制风场输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710500708.7A CN107179692A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的风场自适应功率追踪控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710500708.7A CN107179692A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的风场自适应功率追踪控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107179692A true CN107179692A (zh) | 2017-09-19 |
Family
ID=59844360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710500708.7A Pending CN107179692A (zh) | 2017-06-27 | 2017-06-27 | 一种基于神经网络的风场自适应功率追踪控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107179692A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110953576A (zh) * | 2019-12-13 | 2020-04-03 | 浙江省能源集团有限公司 | 一种基于神经网络提升动态性能的燃煤机组汽包锅炉水位控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036328A (zh) * | 2013-03-04 | 2014-09-10 | 横河电机株式会社 | 自适应风电功率预测系统及预测方法 |
| CN105425591A (zh) * | 2015-12-29 | 2016-03-23 | 北京国能日新系统控制技术有限公司 | 基于风电场区域实时风速分析调控风电场有功的方法和装置 |
-
2017
- 2017-06-27 CN CN201710500708.7A patent/CN107179692A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036328A (zh) * | 2013-03-04 | 2014-09-10 | 横河电机株式会社 | 自适应风电功率预测系统及预测方法 |
| CN105425591A (zh) * | 2015-12-29 | 2016-03-23 | 北京国能日新系统控制技术有限公司 | 基于风电场区域实时风速分析调控风电场有功的方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| YONGDUAN SONG 等: "Neuroadaptive Power Tracking Control of Wind Farms Under Uncertain Power Demands", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| 孟文超: "面向大型风力发电机组的非线性自适应控制方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李丹勇: "大型风力发电机组鲁棒自适应及容错控制", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110953576A (zh) * | 2019-12-13 | 2020-04-03 | 浙江省能源集团有限公司 | 一种基于神经网络提升动态性能的燃煤机组汽包锅炉水位控制方法 |
| CN110953576B (zh) * | 2019-12-13 | 2021-10-01 | 浙江省能源集团有限公司 | 一种基于神经网络提升动态性能的燃煤机组汽包锅炉水位控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Assareh et al. | A novel approach to capture the maximum power from variable speed wind turbines using PI controller, RBF neural network and GSA evolutionary algorithm | |
| Han et al. | Individual pitch controller based on fuzzy logic control for wind turbine load mitigation | |
| Yin et al. | Adaptive sliding mode back-stepping pitch angle control of a variable-displacement pump controlled pitch system for wind turbines | |
| Barlas et al. | Model predictive control for wind turbines with distributed active flaps: incorporating inflow signals and actuator constraints | |
| CN105673322B (zh) | 实现风力机mppt控制的变参数非线性反馈控制方法 | |
| 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 | |
| Li et al. | Neuroadaptive variable speed control of wind turbine with wind speed estimation | |
| CN105888971A (zh) | 一种大型风力机叶片主动降载控制系统及方法 | |
| Imran et al. | DAC with LQR control design for pitch regulated variable speed wind turbine | |
| Nouriani et al. | Variable speed wind turbine power control: A comparison between multiple MPPT based methods | |
| CN105932710A (zh) | 一种多域新能源互联电力系统及其设计方法 | |
| Imran et al. | LQG controller design for pitch regulated variable speed wind turbine | |
| CN107061164A (zh) | 一种考虑执行机构不确定的风机变桨距滑模自适应控制方法 | |
| WO2018115423A1 (en) | Fatigue load minimization in an operation of a wind farm | |
| CN108717266B (zh) | 风场风机功率基于扰动观测器的神经自适应跟踪控制方法 | |
| CN103256188B (zh) | 一种风力发电机组传动链的扭转振动控制方法及装置 | |
| CN104200724A (zh) | 大型风电机组电动变桨距实验台及其模拟试验方法 | |
| Hackl | Funnel control for wind turbine systems | |
| CN109488526B (zh) | 基于比例-极限学习机稳态估计的变桨距控制方法 | |
| Campos‐Mercado et al. | Mathematical modeling and fuzzy proportional–integral–derivative scheme to control the yaw motion of a wind turbine | |
| CN107179692A (zh) | 一种基于神经网络的风场自适应功率追踪控制方法 | |
| Blackwell et al. | Iterative learning control applied to a non-linear vortex panel model for improved aerodynamic load performance of wind turbines with smart rotors | |
| Muhando et al. | Stochastic inequality constrained closed-loop model-based predictive control of MW-class wind generating system in the electric power supply | |
| Thomsen et al. | Individual pitch control of wind turbines using local inflow measurements | |
| CN107656091A (zh) | 一种基于风机控制传感器的风速测量方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Song Yongduan Inventor after: Liang Liyuan Inventor after: Liu Xiulan Inventor after: Fang Mi Inventor after: Lai Junfeng Inventor before: Song Yongduan Inventor before: Liang Liyuan Inventor before: Fang Mi Inventor before: Lai Junfeng |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |