CN110401378B - 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 - Google Patents
基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 Download PDFInfo
- Publication number
- CN110401378B CN110401378B CN201910668951.9A CN201910668951A CN110401378B CN 110401378 B CN110401378 B CN 110401378B CN 201910668951 A CN201910668951 A CN 201910668951A CN 110401378 B CN110401378 B CN 110401378B
- Authority
- CN
- China
- Prior art keywords
- rotor
- suspension
- yaw
- neural network
- current
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 165
- 238000003062 neural network model Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000011217 control strategy Methods 0.000 claims abstract description 16
- 238000005339 levitation Methods 0.000 claims description 68
- 238000004804 winding Methods 0.000 claims description 38
- 230000005284 excitation Effects 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 230000004907 flux Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
- H02N15/00—Holding or levitation devices using magnetic attraction or repulsion, not otherwise provided for
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors
- H02P21/26—Rotor flux based control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors
- H02P21/28—Stator flux based control
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及基于神经网络模型预测控制的磁悬浮偏航电机控制方法,属于电气工程技术领域。该方法采用神经网络模型预测控制策略,对磁悬浮偏航电机的悬浮和偏航过程进行实时平稳控制:当风向改变需要偏航时,首先由转子变流器采用PID控制算法控制转子电流,使转子向上悬浮至并保持在悬浮平衡点处;其次由转子变流器改用神经网络模型预测控制策略控制转子电流,使转子在平衡点处保持稳定悬浮;然后由定子变流器采用神经网络模型预测控制策略控制定子电流,使偏航电机按规定转速旋转至对风位置,同时转子变流器采用神经网络模型预测控制策略控制转子电流,使转子在偏航过程中保持在平衡点处,实现最优控制,确保整个悬浮偏航过程系统性能实时最优。
Description
技术领域
本发明涉及一种控制方法,尤其是一种基于神经网络-模型预测控制的磁悬浮偏航电机控制方法,属于电气工程技术领域。
背景技术
偏航系统是水平轴风电机组必不可少的重要组成部分,目前大中型水平轴风电机组均采用齿轮驱动的偏航系统,存在结构复杂、多电机驱动、占用空间大、故障率高、维护不便(需要润滑、且必须定期更换润滑油和润滑脂)等缺陷,一旦发生故障,更换困难,停机检修时间长,将给风电场乃至整个电网的正常运行造成严重影响。
风电磁悬浮偏航系统采用磁悬浮驱动技术,取代传统的齿轮驱动技术,具有对风精度高、无需润滑、结构简单、维护方便、停电时间短、运行维护费用低等优势。通过电磁悬浮,一方面机舱处于悬浮状态,可实现精确对风;另一方面,简化了偏航系统结构,使维修简便,可大大缩短停机时间。
风电磁悬浮偏航系统中最关键的部件是磁悬浮偏航电机,其工作原理是:当风向改变时,首先使其转子通入直流电,实现悬浮,到达悬浮平衡点后,使其定子通入三相交流电,转子开始旋转,直至到达对风位置。在旋转过程中,一方面要实施悬浮控制,使其处于平衡点,另一方面要控制其转速,实现稳定旋转,因而必须实现定转子协同控制。
但磁悬浮技术因其高非线性、强耦合以及本质非稳定特点,实现其稳定控制极富挑战性,目前研究多集中在磁悬浮列车、磁悬浮轴承以及磁悬浮平面电机等领域的悬浮控制。其中,线性状态反馈控制是采用最多的悬浮控制策略,但多采用泰勒线性化方法在平衡点处线性化系统模型,藉此完成状态反馈控制,因此对气隙变化鲁棒性差;有的采用滑模控制实现了悬浮系统的鲁棒控制,但因其固有的抖振问题应用还有待完善。针对泰勒线性化忽略高阶动态问题,有人采用自适应方法实现悬浮体稳定控制;有的则采用反馈线性化和状态反馈实现悬浮体控制,但受系统参数摄动影响。还有文献将H∞控制应用于悬浮系统控制中,提高了系统对气隙或悬浮体质量变化的鲁棒性,但存在控制器阶数较高的缺陷。
神经网络-模型预测控制(NNMPC)使用非线性神经网络模型逼近非线性系统,预测未来模型性能,通过滚动优化,得到系统未来有限时域的最优控制量。与上述常规控制相比,神经网络-模型预测控制虽然只能得到全局的次优解,但是当模型失配、存在时变非线性干扰时,能够及时进行弥补,减小偏差,保持实际上的最优控制,因而尤其适合非线性、强耦合、存在时变非线性干扰(风速、风向波动性、不确定性)的磁悬浮偏航系统的控制。但目前神经网络-模型预测控制在磁悬浮系统方面的应用研究甚少。
发明内容
本发明的主要目的在于:针对现有技术的不足和空白,本发明提供一种风电磁悬浮偏航电机的控制方法,通过采用神经网络-模型预测控制策略,实现定转子协同控制,确保磁悬浮偏航电机整个悬浮偏航旋转过程中系统性能实时最优。
为了达到以上目的,本发明所述磁悬浮偏航电机为一种隐极式同步盘式电机,包括定子、转子、圆盘、塔架、导向轴承、悬浮架、负载平台、气隙传感器;所述定子与所述转子相对上下垂直同心放置;所述定子与所述圆盘固定,所述圆盘套接在所述塔架上并与所述塔架固定;所述转子与所述悬浮架固定;所述悬浮架还与所述负载平台固定;所述导向轴承与所述负载平台固定,并与所述塔架固定;所述负载平台与风电机组的机舱固定;所述气隙传感器与所述转子固定;所述定子包括定子铁心和三相绕组,所述三相绕组与定子变流器连接;所述转子包括转子铁心和直流励磁绕组,所述直流励磁绕组与转子变流器连接;所述定子变流器和所述转子变流器的主控芯片均为DSP(数字信号处理器);所述转子、气隙传感器、悬浮架、负载平台及风电机组的机舱统称为悬浮物或悬浮系统。
本发明基于神经网络-模型预测控制的磁悬浮偏航电机控制方法,包括以下步骤:
步骤1,当风向改变需要偏航时,由所述转子变流器采用PID控制算法控制转子电流,使所述磁悬浮偏航电机的转子向上悬浮至并保持在悬浮平衡点处实现稳定悬浮;
步骤2,当实现稳定悬浮后,所述转子变流器改用神经网络-模型预测控制策略,控制所述转子电流,使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮,具体方法是:
21)根据所述磁悬浮偏航电机的悬浮动态数学模型,对悬浮神经网络模型进行训练;
22)将训练好的所述悬浮神经网络模型移植入所述转子变流器的DSP主控芯片,建立基于所述转子变流器DSP的实际悬浮神经网络模型预测控制系统;
23)将所述悬浮神经网络模型的响应输出值δm及悬浮气隙期望值δ*输入悬浮非线性优化模块,所述悬浮非线性优化模块通过使悬浮代价函数最小化确定最优控制输入信号,即最优转子电流ir_opt,将所述最优转子电流ir_opt和悬浮气隙测量值δ作为所述悬浮神经网络模型的输入,同时将所述最优转子电流ir_opt与所述转子电流作差,经PID控制器送入PWM模块,产生所述转子变流器的驱动信号,从而控制所述转子电流,使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮;所述悬浮代价函数为:
式中,J为悬浮代价函数,Np为预测时域长度,Nu为控制时域长度,ir为控制输入信号,即所述转子电流,δ*为悬浮气隙期望值,δm为所述悬浮神经网络模型的响应输出值,ρ为加权系数,k为当前时刻。
步骤3,由所述定子变流器采用神经网络-模型预测控制策略,控制定子电流,使所述磁悬浮偏航电机按转速期望值ω*旋转至对风位置,具体方法是:
31)根据所述磁悬浮偏航电机的偏航动态数学模型,对偏航神经网络模型进行训练;
32)将训练好的所述偏航神经网络模型移植入所述定子变流器的DSP主控芯片,建立基于所述定子变流器DSP的实际偏航神经网络模型预测控制系统;
33)将所述偏航神经网络模型的响应输出值ωm及转速期望值ω*输入偏航非线性优化模块,所述偏航非线性优化模块通过使偏航代价函数最小化确定最优控制输入信号,即所述定子电流的最优值之d轴分量isd_opt和q轴分量isq_opt,将所述isd_opt、isq_opt以及转速测量值ω作为所述偏航神经网络模型的输入,同时将所述isd_opt和isq_opt分别与所述定子电流的d轴分量isd和q轴分量isq作差后输入带限幅的PI控制器,得到定子电压控制量usd *和usq *,经dq/αβ坐标变换后得到usα *和usβ *,经SVPWM模块调制后产生驱动信号,控制所述定子变流器产生所需的励磁电压和电流,使所述磁悬浮偏航电机按规定转速ω*旋转至对风位置;所述偏航代价函数为:
式中,JY为偏航代价函数,Npy为预测时域长度,Nuy为控制时域长度,isd、isq为控制输入信号,即分别为所述定子电流的d轴分量和q轴分量,ω*为偏航转速期望值,ωm为所述偏航神经网络模型的响应输出值,ρ1、ρ2为加权系数,k为当前时刻。
步骤4,在偏航的同时,由转子变流器采用神经网络-模型预测控制策略,控制所述转子电流,使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处,具体方法是:
41)根据所述磁悬浮偏航电机的偏航悬浮动态数学模型,对偏航悬浮神经网络模型进行训练;
42)将训练好的所述偏航悬浮神经网络模型移植入所述转子变流器的DSP主控芯片,建立基于所述转子变流器DSP的实际偏航悬浮神经网络模型预测控制系统;
43)将所述偏航悬浮神经网络模型的响应输出值δym及悬浮气隙期望值δ*输入悬浮非线性优化模块,所述偏航悬浮非线性优化模块通过使偏航悬浮代价函数最小化确定最优控制输入信号,即最优转子电流iyr_opt,将所述最优转子电流iyr_opt和悬浮气隙测量值δ作为所述偏航悬浮神经网络模型的输入,同时将所述最优转子电流iyr_opt与所述转子电流作差,经PID控制器送入PWM模块,产生所述转子变流器的驱动信号,从而控制所述转子电流,使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处;所述偏航悬浮代价函数为:
式中,JYM为偏航悬浮代价函数,Npm为预测时域长度,Num为控制时域长度,ir为控制输入信号,即所述转子电流,δ*为悬浮气隙期望值,δym为所述偏航悬浮神经网络模型的响应输出值,ρ3为加权系数,k为当前时刻。
本发明的有益效果是:本发明采用神经网络-模型预测控制策略,神经网络模型能非常逼近强耦合、非线性的磁悬浮偏航系统,无需线性化处理,能有效应对风速、风向的波动性及不确定性给磁悬浮偏航系统带来的时变、非线性干扰以及模型失配等问题,通过滚动优化,得到系统未来有限时域的最优控制量,能够及时进行弥补,减小偏差,保持实际上的最优控制,保证系统快速跟踪能力和稳定性,确保整个悬浮偏航过程系统性能实时最优。
附图说明
图1为本发明所述磁悬浮偏航电机的结构示意图。
图2为本发明所述磁悬浮偏航电机受力分析示意图。
图3为本发明所述磁悬浮偏航电机的电气连接图。
图4为本发明所述风电磁悬浮偏航系统结构示意图。
图5为本发明基于PID的悬浮控制系统结构框图。
图6为本发明悬浮神经网络模型预测控制过程图。
图7为本发明悬浮及偏航悬浮神经网络模型结构。
图8为本发明悬浮神经网络训练过程图(系统辨识过程)。
图9为本发明偏航神经网络模型预测控制过程图。
图10为本发明偏航神经网络模型结构。
图11为本发明偏航神经网络训练过程图(系统辨识过程)。
图12为本发明偏航悬浮神经网络训练过程图(系统辨识过程)。
图中标号:1-定子,2-转子,3-圆盘,4-塔架,5-导向轴承,6-悬浮架,7-负载平台,8-气隙传感器,9-编码器,10-定子变流器,11-定子三相绕组,20-转子变流器,21-转子直流励磁绕组,22-转子铁心
具体实施方式
下面结合附图,对本发明作进一步详细说明。
如图1、图4所示,本发明用于一种风电磁悬浮偏航电机,该电机为一种隐极式盘式同步电机,包括定子1、转子2、圆盘3,塔架4、导向轴承5、悬浮架6、负载平台7、气隙传感器8。定子1与转子2相对同心放置;定子1与圆盘3固定,圆盘3套接在塔架4上并与塔架4固定;转子2与悬浮架6固定;悬浮架6还与负载平台7固定;导向轴承5与负载平台7固定,且固定在负载平台7的中心,并与塔架4固定;负载平台7与风电机组的机舱固定;气隙传感器8与转子2固定;转子2、悬浮架6、负载平台7、气隙传感器8及风电机组的机舱统称为悬浮物或悬浮系统。
如图1、图2、图3所示,定子1包括定子三相绕组和盘式定子铁心,转子2包括转子直流励磁绕组21和盘式转子铁心22;定子三相绕组11与定子变流器10连接;转子直流励磁绕组21与转子变流器20连接。定子变流器10为三相交流逆变器,其主控芯片为DSP,频率可控;转子变流器20为DC/DC直流斩波器,如Buck电路或H桥电路,其主控芯片为DSP。
图4所示是一种风电磁悬浮偏航系统结构示意图,该偏航系统采用图1所示的磁悬浮偏航电机,转子2通过悬浮架6带动机舱悬浮、旋转,气隙传感器8用于检测定子1与转子2之间的悬浮气隙δ。
该风电磁悬浮偏航系统的工作原理是:
如图2、图3、图4所示,定子1与转子2之间的气隙长度为δ,当风向变化需要偏航(或解缆)时,转子变流器20给转子直流励磁绕组21通入直流电流,将会有一穿过转子2与定子1之间的气隙、同时交链定子1与转子2的主磁场产生,定子1被磁化,产生处置向上的轴向磁吸力,转子2将向上运动,通过悬浮架6使整个机舱向上悬浮,当气隙传感器8检测到气隙δ达到设定值δ0(如10mm)时,调节转子直流励磁绕组21的励磁电流,使吸力与机舱重力达到平衡,机舱悬浮在空中,此处称为悬浮平衡点;然后由定子变流器10输出三相交流电给定子三相绕组11供电,则在定子1和转子2之间的气隙中就会形成一个旋转磁场,旋转磁场和转子2磁场耦合后,会形成气隙合成磁场。在合成磁场的磁力矩作用下,转子2通过悬浮架6带动机舱旋转,实现偏航。在偏航旋转过程中,由于导向轴承5的作用,可以保证机舱不会发生偏移,使负载沿着轨道正常旋转。
由此可见,上述磁悬浮偏航电机是在悬浮平衡点处进行偏航旋转,在此过程中,一方面要控制其转速,满足运动方程,同时还要控制其悬浮气隙保持恒定,使其在平衡点处旋转,实现偏航,因而必须实现定转子协同控制。
为此,本发明一种基于神经网络-模型预测控制的磁悬浮偏航电机控制方法,包括以下步骤:
步骤1,当风向改变需要偏航时,由转子变流器20采用PID控制算法控制转子电流ir。如图5所示,具体方法是:悬浮气隙期望值δ*与其实际测量值δ(由气隙传感器8测得,下同)之差,经PID控制器得到转子电流参考值ir *,然后将ir *与转子电流ir作差,经PID控制器送入PWM模块,产生转子变流器20的驱动信号,控制转子变流器20输出电流,即通入转子直流励磁绕组21的电流ir,使磁悬浮偏航电机的转子2向上悬浮至并保持在悬浮平衡点处实现稳定悬浮。
步骤2,当实现稳定悬浮后,转子变流器20改用神经网络-模型预测控制策略,控制转子电流ir,使磁悬浮偏航电机的转子2在悬浮平衡点处保持稳定悬浮。如图6所示,具体方法是:
21)根据磁悬浮偏航电机的悬浮动态数学模型,对悬浮神经网络模型按如下训练方法进行训练:
如图6和图7所示,首先构建悬浮神经网络模型,该模型利用当前输入和当前输出预测神经网络的未来输出值。图7所示为构建的悬浮神经网络模型结构,它由输入层、1个隐含层、输出层组成。
输入层有两个输入向量:当前输入ir(k)、当前输出δ(k),令x1=ir(k),x2=δ(k)。
隐含层有n个神经元,第j个神经元输入sj为:
隐含层第j个神经元输出yj为:
输出层有1个神经元,其输入s为:
输出层神经元输出y为:
其中,f1(·)为双曲正切函数tansig,f2(·)为线性函数pureline。
其次,对上述神经网络进行训练。如图6、图8所示,将开关S1断开,开关S2置于位置I;将磁悬浮偏航电机的悬浮动态数学模型的输出δ与神经网络模型输出δm之预测误差e=δ-δm作为神经网络的训练信号。
上述磁悬浮偏航电机的悬浮动态数学模型经如下过程获得:
如图2所示,磁悬浮偏航电机转子直流励磁绕组21通电以后将产生向上的轴向悬浮吸力F(ir,δ)为:
式中,ir为转子电流,δ为转子2和定子1之间的气隙长度,k1=μ0N2S/4,其中,μ0为真空磁导率,N为转子直流励磁绕组21的匝数,S为转子铁心22的磁极表面有效面积;
则悬浮物在轴向上受到向上的悬浮吸力F(ir,δ)、向下的悬浮物重力mg和外界扰动力fd(t),由此可得在垂直方向上的力学方程为:
式中,m为悬浮物质量,g为重力加速度;
转子直流励磁绕组21的电压方程为:
式中,ur为转子直流励磁绕组21的输入电压,Rr为转子直流励磁绕组21的电阻,ψr为转子磁链,Lr为转子直流励磁绕组21的电感,且有Lr=2k1/δ;dδ/dt为悬浮气隙δ对时间t的一阶导数,即悬浮物的轴向运动速度。
综上可得磁悬浮偏航电机的悬浮动态数学模型:
22)将训练好的悬浮神经网络模型移植入转子变流器20的DSP主控芯片,建立基于该DSP的实际悬浮神经网络模型预测控制系统;
23)如图6所示,将开关S1闭合,开关S2置于位置II,将悬浮神经网络模型响应输出值δm及悬浮气隙期望值δ*输入悬浮非线性优化模块,该模块通过使悬浮代价函数最小化确定最优控制输入信号,即最优转子电流ir_opt,将ir_opt和悬浮气隙测量值δ作为悬浮神经网络模型的输入,同时将ir_opt与转子电流ir作差,经PID控制器送入PWM模块,产生转子变流器10的驱动信号,控制转子电流ir,使磁悬浮偏航电机的转子2在悬浮平衡点处保持稳定悬浮。
其中,悬浮代价函数为:
式中,Np为预测时域长度,Nu为控制时域长度,ir为控制输入信号,即转子电流,δ*为悬浮气隙期望值,δm为悬浮神经网络模型响应输出值,ρ为加权系数,k为当前时刻。
步骤3,由定子变流器10采用神经网络-模型预测控制策略,控制通入磁悬浮偏航电机定子三相绕组11的电流,使磁悬浮偏航电机按转速期望值ω*旋转至对风位置,如图9所示,具体方法是:
31)根据磁悬浮偏航电机的偏航动态数学模型,对偏航神经网络模型按如下训练方法进行训练:
如图9和图10所示,首先构建偏航神经网络模型,该模型利用当前输入和当前输出预测神经网络的未来输出值。图10所示为构建的偏航神经网络模型结构,它也是由输入层、1个隐含层、输出层组成。
输入层有三个输入向量:当前输入isd(k)和isq(k)、当前输出ω(k),令x1=isd(k),x2=isq(k),x3=ω(k)。
隐含层有n个神经元,第j个神经元输入sj为:
隐含层第j个神经元输出yj为:
输出层有1个神经元,其输入s为:
输出层神经元输出y为:
其中,f1(·)为双曲正切函数tansig,f2(·)为线性函数pureline。
其次,对上述神经网络进行训练。如图9、图11所示,将开关S3断开,开关S4置于位置I;将磁悬浮偏航电机的偏航动态数学模型输出ω与神经网络模型输出ωm之预测误差e=ω-ωm作为神经网络的训练信号。
上述磁悬浮偏航电机的偏航动态数学模型由如下过程获得:
根据图1,本发明所述磁悬浮偏航电机为隐极式同步盘式电机,无阻尼绕组,忽略磁路饱和以及各绕组漏感,按照坐标变换原理,可得到dq同步旋转坐标系下的磁悬浮偏航电机的动态电压方程式为:
式中,usd、usq、ur分别为定子电压的d轴、q轴分量以及转子电压,isd、isq、ir分别为定子电流的d轴、q轴分量以及转子电流,ψsd、ψsq、ψr分别为定子磁链的d轴、q轴分量以及转子磁链,Rs、Rr分别为定子三相绕组11的电阻和转子直流励磁绕组21的电阻,ω1为定子旋转磁场角速度。
磁链方程为:
式中,Lsd、Lsq分别为定子绕组的d轴、q轴自感,对于隐极电机,有Lsd=Lsq;Lm为定子与转子绕组间的互感,Lr为转子直流励磁绕组21的电感。
转矩和运动方程:
式中,ω为转子旋转角速度,np为磁悬浮偏航电机极对数,J为旋转总转动惯量,TL为负载转矩。
将式(14)代入上式,并注意到Lsd=Lsq,可得:
式(13)-(15)构成了磁悬浮偏航电机的偏航动态数学模型。
32)将训练好的偏航神经网络模型移植入定子变流器10的DSP主控芯片,建立基于该DSP的实际偏航神经网络模型预测控制系统;
33)如图9所示,将开关S3闭合,开关S4置于位置II,将偏航神经网络模型响应输出值ωm及转速期望值ω*输入偏航非线性优化模块,该模块通过使偏航代价函数最小化确定最优控制输入信号,即定子电流的最优值的d轴分量isd_opt和q轴分量isq_opt,将isd_opt、isq_opt和转速测量值ω(t)(由编码器9测得)作为偏航神经网络模型的输入,同时将isd_opt、isq_opt分别与定子电流的d轴分量isd和q轴分量isq比较后输入带限幅的PI控制器,得到定子电压控制量usd *和usq *,经dq/αβ坐标变换后得到usα *和usβ *,经SVPWM模块调制后产生驱动信号,控制定子变流器10产生所需的励磁电压和电流,使磁悬浮偏航电机按转速期望值ω*旋转至对风位置。
其中,偏航代价函数为:
式中,JY为偏航代价函数,Npy为预测时域长度,Nuy为控制时域长度,isd、isq为控制输入信号,即分别为定子电流的d轴分量和q轴分量,ω*为转速期望值,ωm为偏航神经网络模型的响应输出值,ρ1、ρ2为加权系数,k为当前时刻。
步骤4,在偏航的同时,由转子变流器20采用神经网络-模型预测控制策略,控制转子电流ir,使磁悬浮偏航电机的转子2在整个偏航过程中保持在悬浮平衡点处。如图9所示,具体方法是:
41)根据磁悬浮偏航电机的偏航悬浮动态数学模型,对偏航悬浮神经网络模型按如下训练方法进行训练:
如图9所示,首先构建偏航悬浮神经网络模型,该模型结构与图7所示的悬浮神经网络模型结构相同。
其次,对上述神经网络进行训练。如图9、图12所示,将开关S5断开,开关S6置于位置I;将磁悬浮偏航电机的偏航悬浮动态数学模型输出δ与神经网络模型输出δym之预测误差e=δ-δym作为神经网络的训练信号。
上述磁悬浮偏航电机的偏航悬浮动态数学模型由如下过程获得:
偏航过程中,由于有定子电流存在,转子直流励磁绕组21的电压方程为:
磁链方程为:
ψr=Lmisd+Lrir (17)
式中,ur为转子直流励磁绕组21的输入电压,Rr为转子直流励磁绕组21的电阻,ir为转子直流励磁绕组21的电流(即转子电流),isd为定子电流的d轴分量,Lm为定子与转子绕组间的互感,Lr为转子直流励磁绕组21的电感,且有Lr=2k1/δ。
将式(17)代入式(16),可得:
结合式(8),可得偏航过程中磁悬浮偏航电机的偏航悬浮动态数学模型:
42)将训练好的偏航悬浮神经网络模型移植入转子变流器20的DSP主控芯片,建立基于该DSP的实际偏航悬浮神经网络模型预测控制系统;
43)如图9所示,将开关S5闭合,开关S6置于位置II,将偏航悬浮神经网络模型响应输出值δym及悬浮气隙期望值δ*输入偏航悬浮非线性优化模块,该模块通过使偏航悬浮代价函数最小化确定最优控制输入信号,即最优转子电流ir_opt,将ir_opt和悬浮气隙测量值δ作为偏航悬浮神经网络模型的输入,同时将ir_opt与转子电流ir作差,经PID控制器送入PWM模块,产生转子变流器20的驱动信号,控制转子变流器20的输出电流ir,使磁悬浮偏航电机的转子2在整个偏航过程中保持在悬浮平衡点处。
其中,偏航悬浮代价函数为:
式中,JYM为偏航悬浮代价函数,Npm为预测时域长度,Num为控制时域长度,ir为控制输入信号,即转子电流,δ*为悬浮气隙期望值,δym为偏航悬浮神经网络模型响应输出值,ρ3为加权系数,k为当前时刻。
Claims (4)
1.基于神经网络-模型预测控制的磁悬浮偏航电机控制方法,所述磁悬浮偏航电机为一种隐极式同步盘式电机,包括定子、转子、悬浮架、负载平台、气隙传感器;所述定子与所述转子相对上下垂直同心放置;所述转子与所述悬浮架固定;所述悬浮架还与所述负载平台固定;所述负载平台与风电机组的机舱固定;所述气隙传感器与所述转子固定;所述定子包括定子铁心和三相绕组,所述三相绕组与定子变流器连接;所述转子包括转子铁心和直流励磁绕组,所述直流励磁绕组与转子变流器连接;其特征在于,包括以下步骤:
步骤1,当风向改变需要偏航时,由所述转子变流器采用PID控制算法控制转子电流,使所述磁悬浮偏航电机的转子向上悬浮至并保持在悬浮平衡点处实现稳定悬浮;
步骤2,当实现稳定悬浮后,所述转子变流器改用神经网络-模型预测控制策略,控制所述转子电流,使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮,具体方法是:
21)根据所述磁悬浮偏航电机的悬浮动态数学模型,对悬浮神经网络模型进行训练;
22)将训练好的所述悬浮神经网络模型移植入所述转子变流器的主控芯片,建立基于所述转子变流器的主控芯片的实际悬浮神经网络模型预测控制系统;
23)将所述悬浮神经网络模型的响应输出值δm及悬浮气隙期望值δ*输入悬浮非线性优化模块,所述悬浮非线性优化模块通过使悬浮代价函数最小化确定最优控制输入信号,即最优转子电流ir_opt,将所述最优转子电流ir_opt和悬浮气隙测量值δ作为所述悬浮神经网络模型的输入,同时将所述最优转子电流ir_opt与所述转子电流作差,经PID控制器送入PWM模块,产生所述转子变流器的驱动信号,从而控制所述转子电流,使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮;
步骤3,由所述定子变流器采用神经网络-模型预测控制策略,控制定子电流,使所述磁悬浮偏航电机按转速期望值ω*旋转至对风位置,具体方法是:
31)根据所述磁悬浮偏航电机的偏航动态数学模型,对偏航神经网络模型进行训练;
32)将训练好的所述偏航神经网络模型移植入所述定子变流器的主控芯片,建立基于所述定子变流器主控芯片的实际偏航神经网络模型预测控制系统;
33)将所述偏航神经网络模型的响应输出值ωm及转速期望值ω*输入偏航非线性优化模块,所述偏航非线性优化模块通过使偏航代价函数最小化确定最优控制输入信号,即所述定子电流的最优值之d轴分量isd_opt和q轴分量isq_opt,将所述isd_opt、isq_opt以及转速测量值ω作为所述偏航神经网络模型的输入,同时将所述isd_opt和isq_opt分别与所述定子电流的d轴分量isd和q轴分量isq作差后输入带限幅的PI控制器,得到定子电压控制量usd *和usq *,经dq/αβ坐标变换后得到usα *和usβ *,经SVPWM模块调制后产生驱动信号,控制所述定子变流器产生所需的励磁电压和电流,使所述磁悬浮偏航电机按转速期望值ω*旋转至对风位置;
步骤4,在偏航的同时,由所述转子变流器采用神经网络-模型预测控制策略,控制所述转子电流,使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处,具体方法是:
41)根据所述磁悬浮偏航电机的偏航悬浮动态数学模型,对偏航悬浮神经网络模型进行训练;
42)将训练好的所述偏航悬浮神经网络模型移植入所述转子变流器的主控芯片,建立基于所述转子变流器的主控芯片的实际偏航悬浮神经网络模型预测控制系统;
43)将所述偏航悬浮神经网络模型的响应输出值δym及悬浮气隙期望值δ*输入悬浮非线性优化模块,所述悬浮非线性优化模块通过使偏航悬浮代价函数最小化确定最优控制输入信号,即最优转子电流iyr_opt,将所述最优转子电流iyr_opt和悬浮气隙测量值δ作为所述偏航悬浮神经网络模型的输入,同时将所述最优转子电流iyr_opt与所述转子电流作差,经PID控制器送入PWM模块,产生所述转子变流器的驱动信号,从而控制所述转子电流,使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668951.9A CN110401378B (zh) | 2019-07-24 | 2019-07-24 | 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668951.9A CN110401378B (zh) | 2019-07-24 | 2019-07-24 | 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110401378A CN110401378A (zh) | 2019-11-01 |
CN110401378B true CN110401378B (zh) | 2021-04-20 |
Family
ID=68325793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668951.9A Active CN110401378B (zh) | 2019-07-24 | 2019-07-24 | 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110401378B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110805523B (zh) * | 2019-12-13 | 2020-08-25 | 曲阜师范大学 | 一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法 |
CN112947083B (zh) * | 2021-02-09 | 2022-03-04 | 武汉大学 | 一种基于磁悬浮控制系统的非线性模型预测控制优化方法 |
CN113062834B (zh) * | 2021-03-24 | 2022-06-28 | 曲阜师范大学 | 风力机舱模糊滑模自适应两端悬浮控制方法 |
CN116430733B (zh) * | 2023-05-12 | 2024-01-02 | 曲阜师范大学 | 含反演控制位置非对称约束的积分滑模机舱悬浮控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895240A (zh) * | 2010-07-07 | 2010-11-24 | 深圳大学 | 一种磁悬浮控制系统及控制方法 |
US9837939B1 (en) * | 2015-04-01 | 2017-12-05 | Lockheed Martin Corporation | System and method for providing vibration isolation by magnetic levitation |
CN108183650A (zh) * | 2018-01-26 | 2018-06-19 | 曲阜师范大学 | 一种基于模型预测控制的风电磁悬浮偏航电机控制方法 |
-
2019
- 2019-07-24 CN CN201910668951.9A patent/CN110401378B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895240A (zh) * | 2010-07-07 | 2010-11-24 | 深圳大学 | 一种磁悬浮控制系统及控制方法 |
US9837939B1 (en) * | 2015-04-01 | 2017-12-05 | Lockheed Martin Corporation | System and method for providing vibration isolation by magnetic levitation |
CN108183650A (zh) * | 2018-01-26 | 2018-06-19 | 曲阜师范大学 | 一种基于模型预测控制的风电磁悬浮偏航电机控制方法 |
Non-Patent Citations (1)
Title |
---|
基于PID控制器的磁悬浮偏航系统悬浮控制;李洋,王楠楠等;《电子技术》;20171231(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110401378A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110401378B (zh) | 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 | |
CN108183650B (zh) | 一种基于模型预测控制的风电磁悬浮偏航电机控制方法 | |
CN110345013B (zh) | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 | |
Tan et al. | Adaptive backstepping control and friction compensation for AC servo with inertia and load uncertainties | |
Li et al. | On the rejection of internal and external disturbances in a wind energy conversion system with direct-driven PMSG | |
CN107070342A (zh) | 一种带负载状态观测器的永磁同步电机控制系统 | |
CN108999745B (zh) | 风力磁悬浮机舱的主被动悬浮控制方法 | |
CN108880358A (zh) | 基于角位移无时滞观测器的永磁同步电机控制方法及装置 | |
CN105871282A (zh) | 一种基于电机转动惯量的控制器pi参数整定方法 | |
CN103895832B (zh) | 一种船舶电伺服鳍、翼鳍减横摇智能矢量控制方法 | |
CN108488036B (zh) | 基于模型失配补偿器的风电磁悬浮偏航系统悬浮控制方法 | |
CN111835261A (zh) | 基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法 | |
Li et al. | Direct torque and suspension force control for bearingless induction motors based on active disturbance rejection control scheme | |
CN102790580B (zh) | 无轴承异步电机支持向量机逆解耦控制器的构造方法 | |
CN113890438A (zh) | 一种基于内置式永磁同步电机的无速度传感器控制方法 | |
CN110661463B (zh) | 适用于磁悬浮球形电机的分数阶pid滑模观测器设计方法 | |
CN113090461B (zh) | 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 | |
Sun et al. | Neuron PID control for a BPMSM based on RBF neural network on‐line identification | |
CN116455284A (zh) | 多模式调制下永磁同步电机无传感器多参数误差修正策略 | |
CN106130429B (zh) | 无轴承永磁同步电机预测控制器及构造方法 | |
CN113691176B (zh) | 一种基于神经网络直接转矩控制的永磁直驱风电机组控制方法 | |
CN114567226A (zh) | 考虑铁损耗的pmsm调速系统变趋近律滑模控制方法 | |
CN115473464A (zh) | 一种基于神经网络模型预测控制的磁悬浮偏航电机控制方法 | |
Popov et al. | Synergetic synthesis of power saving control for locomotive asynchronous drive systems | |
Xu et al. | Fuzzy PID control for AC servo system based on Stribeck friction model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240111 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 273165 Jingxuan West Road, Qufu City, Jining, Shandong Province, No. 57 Patentee before: QUFU NORMAL University |