CN108196444A - 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法 - Google Patents

Abstract

本发明请求保护一种基于反馈线性化滑模与SCG算法优化BP神经网络的变桨风力机系统控制与辨识方法，涉及变桨风力机技术领域。首先，本发明在考虑到风能利用系数的基础上，对现有变桨距风力机模型进行了改进，并根据反馈线性化控制理论结合李雅普洛夫稳定性分析得到反馈线性化的滑模控制变桨风力机系统。再采用BP神经网络对风力机系统进行辨识，然后运用SCG算法对此BP神经网络进行优化。本发明提出的辨识能够较精确的检测风力机输入输出之间的关系，且通过反馈线性化理论结合李雅普洛夫稳定性分析得到的滑模控制使风力机控制系统有更强的鲁棒性，更快收敛，具有一定的实用价值。

Description

基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法

技术领域

本发明属于变桨风力机领域，具体是一种风力机系统的控制和辨识方法，该方法是基于反馈线性化滑模与SCG算法优化BP神经网络的变桨风力机系统控制与辨识方法。

背景技术

随着人们环保意识的提高，许多清洁能源得到大力推广，因此，风力发电技术得到广泛应用。伴随着风力机的装机总量的飞速增长，其单机容量亦变得大型化。

现有对大型风力机变桨系统模型的研究，多采用一个或多个控制算法对其相关特性进行研究。如Wang等[01]采用反馈线性化对大型二自由度运动的新型风力机变桨距系统进行控制。但不足之处在于该方法缺乏对外部扰动的评估，因此导致其系统的鲁棒性未得到充分考虑。而近年来，对滑模控制的大量研究提供了一种新的解决思路。沈天峰等[02]提出的一类非线性多智能体系统的滑模鲁棒控制为解决控制系统的鲁棒性问题提供了较为成熟的理论。但由于变桨风力机系统的个体差异和外部环境变化，控制理论的应用并不能检验出其实际工作效果。因此，为深入研究风力机的各方面特性，需引入辨识检测等技术。金增等[03]提出了运用神经网络模型对风力机系统进行辨识，但其存在收敛速度慢和易陷入局部最小收敛的问题。吴定会等[04]提出的运用系统辨识算法对风力机的变桨系统进行故障检测，则存在外部扰动项欠缺考虑的问题。林勇刚等[05]提出运用SVR增量学习算法对变桨距风力机进行在线辨识，然而局部误差较大的问题还有待解决。叶杭冶等[06]提出了运用SVR观测器对风力机进行监测，但其辨识精度仍有待提高。鲁效平等[07]提出结合RELS等方法应用到辨识中，辨识精度亦存在较大的提升空间。

以上均为控制系统和辨识系统相对独立的研究，但由于风电系统的工作状态较为复杂，并常因安装位置和工作环境的差异而造成状态发生变化。为了提高受控系统的稳定性，和对风力机系统工况的预测或判断能力，得到一个相对完善的变桨距风力机系统，辨识技术开始与控制技术相结合运用到风力机的系统模型中。殷秀兴等[08]采用电液数字马达对变桨距系统运用建模与辨识技术相结合的方式进行了研究。不过相比较乔彬等[09]提出的基于SCG算法的BP神经网络的检测准确率还有不足。因此，本发明提出了运用反馈线性化滑模控制对变桨风力机系统进行设计，并结合SCG算法优化的BP神经网络对变桨距风力机系统进行辨识。现有技术中复杂的变桨风力机控制系统的鲁棒性和稳定性以及系统辨识精度仍然不足。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高变桨风力机控制系统的鲁棒性和稳定性，并提高对输入输出系统辨识精度的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法。本发明的技术方案如下：

一种基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其包括以下步骤：

1)、首先，考虑到风能利用系数的基础上，对现有变桨距风力机模型进行了改进，在风力机变桨控制系统中，采用滑模变结构控制提高反馈线性化算法的鲁棒性；

2)、对改进变桨距风力机模型，根据反馈线性化滑模控制算法进行了稳定性分析，得到李雅普洛夫函数；

3)、再采用BP反向传播神经网络对风力机系统进行辨识，然后运用SCG量化共轭梯度算法对此BP神经网络进行优化。

进一步的，所述变桨距风力机模型为ω'表示转速的一阶导数T表示风力机叶轮产生的机械转矩，k表示齿轮传动比；T_c表示总制动转矩；J表示传动系统总等效转动惯量；β'表示桨距角的一阶导数；Δβ表示Δβ＝β_v-β桨距角变化；t_β表示时间常数；

进一步的，所述步骤2)中反馈线性化的滑模控制变桨风力机系统定义e_*＝y_d-y，则滑模函数为y_d表示理想输出y表示输出变量，e_*表示位置跟踪误差；表示常数量；e′_*表示速度跟踪误差其中，

李亚普洛夫函数为V表示李亚普洛夫函数；s表示滑模函数

进一步的，所述BP神经网络的输入取为μ(n)＝{μ₁(n),μ₂(n),μ₃(n)…μ_n(n)}，μ_n(n)表示BP神经网络的输入；n表示输入序列号；(22)

输出为y_I(n)，隐含层的激励函数取为log-sigmoid,即

隐含层神经元的输入和输出分别为

O_i(n)＝l(net_i(n)+r_i),i＝1,2,…,m (25)

l(·)是隐含层激励函数，m为隐含层节点数，w_ij(n-1)为(n-1)时刻第j个输入层神经元至第i个隐含层神经元的连接权值，r_i是第i个隐含层节点处的偏差。

输出层神经元的输出为

式中，w_i(n-1)为(n-1)时刻第i个神经元至输出层神经元的权值，θ为输出层的偏差，为输出层激活函数。

进一步的，在训练开始前对采集到的数据均进行归一化处理：改为：在训练开始前对采集到的数据V_old进行归一化处理：

其中min和max分别是所采集的各类数据中该类数据的最小特征值和最大特征值，V_old表示采集到的数据；V_new表示归一化后的对应的采集数据

对y_m进行反归一化处理：

则期望输出与网络输出的误差为

e(n)＝y(n)-y_I(n) (29)

式中，y(n)和y_I(n)分别为实际输出与网络输出

取均方误差作为性能指标：

利用训练算法对BP神经网络的权值w和偏差b进行不断地调整更新

式中：ξ(n)和ξ(n+1)和分别为调整前后的参数，ε为学习速率，κ为动量因子，Δξ(n)为第n次循环周期时的参数变化量，利用附加动量项κΔξ(n)减缓梯度方向的剧烈变化，然后用SCG算法优化BP神经网络中的变梯度算法，改变其在计算搜索步长α_n时较为粗糙的线性搜索方式，同时能考虑到黑塞矩阵的正定性。

本发明的优点及有益效果如下：

(1)本发明利用控制和辨识相结合的方式对风力机系统进行了设计，解决了控制系统易受安装和外部环境干扰的问题，有利于对风力机的整体运行状况的研究。

(2)利用反馈线性化理论结合李雅普洛夫稳定性分析对控制系统进行了设计，进一步提高了控制系统的稳定性和鲁棒性。

(3)在BP神经网络中运用SCG算法对网络进行优化，能够更精确的消除局部误差，提高整个系统辨识的精确度。

附图说明

图1是本发明提供优选实施例系统控制策略图；

图2为系统辨识原理图；

图3为BP神经网络结构；

图4为输入风速仿真图；

图5为桨距角变化仿真图；

图6为输出功率效果图；

图7为神经网络训练均方误差图；

图8为神经网络训练效果对比图；

图9为神经网络辨识效果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

1)变桨距风力机系统的模型

变桨距风力机一般由风轮、传动机构、变桨距执行机构、发电机、塔架等组成。风力机变桨距控制为:在风速高于额定风速时,调节桨叶节距角使发电机的输出功率稳定在额定功率左右。因此基于变桨距控制而言,主要研究的系统模型输入为风速和桨叶节距角,输出为发电机功率。

风轮不能捕获通过风轮扫及面内的全部风能,存在风能利用系数C_p，取风能利用系数

其中，c₁、c₂、...c₆为风能利用系数中的常系数，β为桨距角。依据文献[10]，叶尖速比λ选取为：

根据空气动力学的Betz理论，在三维风速作用下，风轮扫略面捕获的风能为：

式(2)、(3)中ρ为空气密度，R为风轮半径，v为风轮风速，ω为风力机转速。

风力机叶轮产生的机械转矩为

与主传动轴T_m有如下关系

T-T_m＝J_vω' (5)

其中，J_v为风力机转动惯量。

采用一阶惯性模拟桨距角变化的执行机构：

Δβ＝t_ββ' (6)

其中，β_v为桨距角参考输入，t_β为时间常数，Δβ＝β_v-β。

设有完全刚性的增速齿轮箱，其特性如下

ω_*＝kω (7)

发电机选取为

J_*ω_*'＝T_*-T_c (9)

其中有齿轮传动比为k；发电机转动惯量与次传动轴转动惯量的和为J_*，次转动轴转速ω_*，总制动转矩T_c。

设传动轴为刚性，传动系统总等效转动惯量为

J＝J_v+k²J_* (10)

则该风力机系统模型为

2)控制器设计与分析

该变桨风力机输入输出非线性系统设立如下[11]：

该反馈线性化控制系统的设计思路是通过反复多次的对输出变量y求导，从而得到含有输入变量u的表达式，再合理设计输入变量u便能使表达式中的非线性项被抵消。以下是具体设计方案：

首先对输出y求导可得

其中d₁为系统扰动项。由于L_gh(x)＝0，需再对y'求导，有

其中d₂为含有系统扰动项d₁一阶导数之和，且总能找到满足|d₂|≤D的常数D。

定义e₀＝y_d-y，则滑模函数为

其中，

因式(15)中L_gL_fh(x)≠0，取

其中，v为控制律的辅助项，η≥D。

取李亚普洛夫函数为

则

带入式(17)得

V'＝s(y″_d-v-ηsgn(s)-d₂+ce'_*) (20)

取v＝y″_d+ce'_*，有

V'＝s(-ηsgn(s)-d₂)＝-d₂s-η|s|≤(D-η)|s|≤0 (21)

则式(13)中，取

其中，Δω为风轮角速度ω的额定值与实际值的差。

3)基于SCG算法的BP神经网络

本发明选取BP神经网络对风力机系统进行辨识。为避免BP神经网络每次迭代都进行线性搜索和陷入局部最小收敛，而影响总耗时，所以本发明采用SCG算法对该BP神经网络进行了优化。

网络的输入取为

μ(n)＝{μ₁(n),μ₂(n),μ₃(n)…μ_n(n)} (22)

输出为y_I(n)，隐含层的激励函数取为log-sigmoid,即

隐含层神经元的输入和输出分别为

O_i(n)＝l(net_i(n)+r_i),i＝1,2,…,m (25)

l(·)是隐含层激励函数，m为隐含层节点数，w_ij(n-1)为(n-1)时刻第j个输入层神经元至第i个隐含层神经元的连接权值，r_i是第i个隐含层节点处的偏差。

由于在训练过程中系统的输入输出值量级相差较大，导致权值分配的差异，从而造成辨识精度下降。因此，在训练开始前对采集到的数据均进行归一化处理：

其中min和max分别是所采集的各类数据中该类数据的最小特征值和最大特征值。

输出层神经元的输出为

式中，w_i(n-1)为(n-1)时刻第i个神经元至输出层神经元的权值，θ为输出层的偏差，为输出层激活函数。

由于BP神经网络输出y_I为归一化后的结果，为了得到最终的网络输出，需要通过式(28)对y_m进行反归一化处理：

则期望输出与网络输出的误差为

e(n)＝y(n)-y_I(n) (29)

式中，y(n)和y_I(n)分别为实际输出与网络输出。

取均方误差作为性能指标：

为了让BP神经网络输出结果更好地逼近实验结果数据，因此在控制过程中，需要利用训练算法对BP神经网络的权值w和偏差b进行不断地调整更新

式中：ξ(n)和ξ(n+1)和分别为调整前后的参数，ε为学习速率，κ为动量因子，Δξ(n)为第n次循环周期时的参数变化量。权值和阈值的大小对系统的收敛有很大影响，所以利用附加动量项κΔξ(n)减缓梯度方向的剧烈变化，增加算法的稳定性。

然后用SCG算法[12]优化BP神经网络中的变梯度算法，改变其在计算搜索步长α_n时较为粗糙的线性搜索方式，同时能考虑到黑塞矩阵的正定性。

变梯度算法中

其中，而SCG算法中引入了尺度因子λ_n，且

通过对尺度因子λ_n的调整便可保证黑塞矩阵的正定性。

调整后则

可得

取则

即通过对尺度因子λ_n的调整，同时可调整搜索步长。

用Q表示权值和阈值所组成的向量，则

这里ΔQ用LM算法进行修正，修正式如下：

ΔQ＝(A^TA+μI)^-1A^Te (39)

式中I是单位矩阵，A是误差e的雅克比矩阵，即

式中M是权值和阈值个数，对于给定的μ，如果能够使误差性能指标减小，则μ减小，反之增大。用式(31)优化一次权值要求为M阶的代数方程，其计算复杂度是O(M³/6)，可看出其速率大小与M相关，每次迭代的速率得到提高，大大的改善了辨识系统性能。

注：风能利用系数中常系数设置为C＝[0.44,0.0167,3,15,0.3,0.00184]。神经网络学习速率取0.5，隐含层数量为6个。

图6的仿真效果表明输出功率能在0.2s内达到额定输出，且能稳定在[2.975,3.022]MW之间。结合图4中风速波动效果可分析出控制系统能够满足变桨风力机控制的鲁棒性。图7显示，经过4000次网络训练后的均方误差可达到1.12×10^-3。图8的实际输出功率和训练输出功率比较效果表明该网络有很好的拟合能力。图9中，辨识输出功率与实际输出功率的拟合度很高，且辨识检测准确率可达95％以上，表现出神经网络良好的预测跟踪能力。说明本发明能很好的处理系统的控制和辨识问题。

参考文献：

[1]Ching-Sung Wang,Mao-Hsiung Chiang.A Novel Pitch Control System ofa Large Wind Turbine Using Two-Degree-of-Freedom Motion Control with FeedbackLinearization Control.Department ofEngineering Science and OceanEngineering.2016,9(10):791-808.

[2]沈天峰,闫国玉,吕明,张捷.一类非线性多智能体系统的滑模鲁棒控制[J].工业控制计算机,2017,30(09):63-65.

[3]金增,包能胜,陈庆新,姜桐.风力机系统的神经网络模型辨识[J].太阳能学报,1998,(02):91-96.

[4]吴定会,翟艳杰.基于系统辨识算法的风力机桨距系统故障诊断[J].信息与控制,2016,45(05):563-567+574.

[5]林勇刚,李伟,崔宝玲.基于SVR增量学习算法的变桨距风力机系统在线辨识

[J].太阳能学报,2006,(03):223-229.

[6]叶杭冶,林勇刚,李伟,刘宏伟,顾海港.基于SVR观测器风力机关键机械部件故障监测技术[J].太阳能学报,2009,30(05):645-649.

[7]鲁效平,李伟,林勇刚,刘宏伟.独立变桨距风力发电机系统辨识研究[J].太阳能学报,2012,33(06):1002-1009.

[8]殷秀兴,林勇刚,李伟,顾亚京,刘宏伟.电液数字马达变桨距控制与辨识[J].浙江大学学报(工学版),2014,48(05):777-783.

[9]乔彬,卢彬.基于SCG算法的BP网络的小区中断检测研究[J].广东通信技术,2016,36(01):23-27.

[10]钟贤和,赵萍,曾明伍,李杰.浅析水平轴风力机叶片设计叶尖速比的选择[J].东方汽轮机,2010,(01):31-34.

[11]JEAN-JACQUES E S.Applied Nonlinear Control[M].Beijing:MachinePress,2004:246-248.

[12]Moller M.F.A scaled conjugate gradient algorithm for fastsupervised learning[J].Neural Neteorks,1993,6:525-533.

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，包括以下步骤：

1)、首先，考虑到风能利用系数的基础上，对现有变桨距风力机模型进行了改进，在风力机变桨控制系统中，采用滑模变结构控制提高反馈线性化算法的鲁棒性；

2)、对改进变桨距风力机模型，根据反馈线性化滑模控制算法进行了稳定性分析，得到李雅普洛夫函数；

3)、再采用BP反向传播神经网络对风力机系统进行辨识，然后运用SCG量化共轭梯度算法对此BP神经网络进行优化。

2.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述变桨距风力机模型为

ω'表示转速的一阶导数，T表示风力机叶轮产生的机械转矩，k表示齿轮传动比；T_c表示总制动转矩；J表示传动系统总等效转动惯量；β'表示桨距角的一阶导数；Δβ表示Δβ＝β_v-β桨距角参考输入与实际输入之差；t_β表示时间常数。

3.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述步骤2)中反馈线性化的滑模控制变桨风力机系统定义为：e_*＝y_d-y，则滑模函数为y_d表示理想输出，y表示输出变量，e_*表示位置跟踪误差；表示常数量；e′_*表示速度跟踪误差；

其中，

李亚普洛夫函数为V表示李亚普洛夫函数；s表示滑模函数。

4.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述BP神经网络的输入取为

μ(n)＝{μ₁(n),μ₂(n),μ₃(n)…μ_n(n)}，μ_n(n)表示BP神经网络的输入；n表示输入序列号(22)

输出为y_I(n)，隐含层的激励函数取为log-sigmoid,即

x表示输入变量(23)

隐含层神经元的输入和输出分别为

O_i(n)＝l(net_i(n)+r_i),i＝1,2,…,m (25)

l(·)是隐含层激励函数，m为隐含层节点数，w_ij(n-1)为(n-1)时刻第j个输入层神经元至第i个隐含层神经元的连接权值，r_i是第i个隐含层节点处的偏差。

输出层神经元的输出为

式中，w_i(n-1)为(n-1)时刻第i个神经元至输出层神经元的权值，θ为输出层的偏差，为输出层激活函数。

5.根据权利要求4所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，在训练开始前对采集到的数据均进行归一化处理：改为：在训练开始前对采集到的数据V_old进行归一化处理：

其中min和max分别是所采集的各类数据中该类数据的最小特征值和最大特征值，V_old表示采集到的数据；V_new表示归一化后的对应的采集数据

对y_m进行反归一化处理：

则期望输出与网络输出的误差为

e(n)＝y(n)-y_I(n) (29)

式中，y(n)和y_I(n)分别为实际输出与网络输出

取均方误差作为性能指标：

利用训练算法对BP神经网络的权值w和偏差b进行不断地调整更新

式中：ξ(n)和ξ(n+1)和分别为调整前后的参数，ε为学习速率，κ为动量因子，Δξ(n)为第n次循环周期时的参数变化量，利用附加动量项κΔξ(n)减缓梯度方向的剧烈变化，然后用SCG算法优化BP神经网络中的变梯度算法，改变其在计算搜索步长α_n时较为粗糙的线性搜索方式，同时能考虑到黑塞矩阵的正定性。