CN111835261A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111835261A CN111835261A CN202010708203.1A CN202010708203A CN111835261A CN 111835261 A CN111835261 A CN 111835261A CN 202010708203 A CN202010708203 A CN 202010708203A CN 111835261 A CN111835261 A CN 111835261A
- Authority
- CN
- China
- Prior art keywords
- suspension
- output
- neural network
- controller
- formula
- 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.)
- Granted
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 232
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000007667 floating Methods 0.000 claims abstract description 8
- 238000004804 winding Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 150000001875 compounds Chemical class 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 7
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000005339 levitation Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0009—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
-
- 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
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
- F03D7/06—Controlling wind motors the wind motors having rotation axis substantially perpendicular to the air flow entering the rotor
-
- 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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0018—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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- 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
- Y02E10/74—Wind turbines with rotation axis perpendicular to the wind direction
Abstract
本发明涉及一种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，属电气工程技术领域。该方法采用滑模自适应神经网络控制策略，使磁悬浮垂直轴风电机组的悬浮系统实现稳定悬浮：在起浮阶段，采用滑模控制+PID控制策略，使旋转体上升至悬浮平衡点；然后改用自适应神经网络滑模控制+PID控制策略，利用RBF神经网络估算未知干扰项，输出至自适应神经网络滑模控制器，然后将此滑模控制器的输出求开方，得到悬浮气隙跟踪控制器的输出，即悬浮电流的参考值，减去其实际值，经内环悬浮电流跟踪控制器，实时调整悬浮电流，实现稳定悬浮。本发明自适应能力强、动态响应快、抗干扰能力强，稳定性好，可确保整个悬浮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，尤其是一种基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法，属于电气工程技术领域。
背景技术
目前大功率风力发电机主要以水平轴风力发电机为主。但水平轴风力发电机存在启动阻力矩大、需要偏航对风、控制困难、安装不便等固有缺陷，影响其健康发展，尤其难以满足弱风型风电场对低风速启动的要求。
磁悬浮垂直轴风力发电机因为无机械摩擦，大大降低了启动阻力矩，因而可进一步降低起动风速，具有启动风速低、安装简便、无需偏航装置等优势，可用于风速低、风向变化频繁(因垂直轴风力发电机无需对风)的风电场，是未来风电发展的重点方向。在实际工作环境中，磁悬浮垂直轴风电机组的悬浮控制必须满足自适应能力强、动态响应快、抗干扰能力强等要求。
但在实际应用中，磁悬浮技术存在着诸多挑战，如：开环不稳定、强非线性、建模不精确等；同时，风力干扰的随机性严重影响悬浮稳定性，使得悬浮控制器的设计极具挑战性。常规PID控制器结构简单,但控制器的参数在线调整困难，难以自动调节以适应外界环境的变化，因此对处于随机干扰下的风电磁悬浮系统很难达到理想的控制效果。串级PID控制可以通过减小副回路闭环系统的相位滞后和等效时间常数来提高系统稳定性和响应速度，通过副回路控制器增益增加串级控制系统有阻尼频率来改善系统的控制质量，设计简单、结构灵活、鲁棒性较强，但依赖确定的对象模型，且控制器的参数固定，当对象模型和参数不确定时，控制效果不明显。基于BP神经网络的串级PID控制器能够通过BP神经网络实时调节悬浮气隙外环PID控制器的参数，具有较快的动态响应速度和较好的抗干扰能力，但收敛速度慢，容易陷入局部极小值。也有文献提出一种基于混合磁通密度观测器的自适应滑模控制器来提高悬浮系统的系统性能，但在实际运行中磁通密度传感器不易安装，方法实施难度较大。有的采用基于自适应神经模糊滑模控制器的控制策略抑制参数摄动，但由于使用单闭环控制，当电流发生突变时，系统鲁棒性降低。此外传统的滑模控制一般采用含有符号函数的指数趋近律，但符号函数不是光滑函数，对削弱滑模抖振不利。
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，通过自适应神经网络控制，结合滑模控制，并采用连续光滑的双极性S型函数代替传统滑模指数趋近律中的符号函数，在磁悬浮垂直轴风电机组的悬浮系统建模不精确、受到风速变化导致的随机干扰的情况下，提高磁悬浮垂直轴风电机组的悬浮控制性能，实现稳定悬浮。
为了达到以上目的，本发明所述磁悬浮垂直轴风电机组，包括：磁悬浮垂直轴风力发电机、悬浮控制系统、气隙传感器、风轮、上端轴承、下端轴承、外壳、和转轴等；所述磁悬浮垂直轴风力发电机包括永磁直驱型风力发电机和磁悬浮盘式电机。
所述永磁直驱型风力发电机包括定子和转子。
所述磁悬浮盘式电机位于所述永磁直驱型风力发电机的下方，包括盘式定子和盘式转子；所述盘式定子由盘式定子铁芯和悬浮绕组组成，所述悬浮绕组为直流励磁绕组。
所述悬浮控制系统由悬浮变流器及其悬浮控制器组成，所述悬浮变流器与所述悬浮绕组连接；所述悬浮控制器包括外环悬浮气隙跟踪控制器和内环悬浮电流跟踪控制器。
所述永磁直驱型风力发电机的转子、所述磁悬浮盘式电机的盘式转子、所述风轮和所述转轴统称为旋转体。
本发明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，包括以下步骤：
步骤1，当风速达到切入风速时，所述悬浮控制器的外环悬浮气隙跟踪控制器采用滑模控制策略，所述悬浮控制器的内环悬浮电流跟踪控制器采用PID控制，控制所述磁悬浮盘式电机的定子电流，使所述旋转体向上悬浮至并保持在悬浮平衡点处实现稳定悬浮，具体方法是：
11)设计滑模面s为：
式中，e为悬浮气隙跟踪误差：e＝δ*-δ，δ*为悬浮平衡点处的悬浮气隙参考值，δ为悬浮气隙测量值；c0、c1为正实数。
将式(1)对时间t求导，则有：
根据所述旋转体在垂直方向上的力学方程：
式中，
为δ对时间t的二阶导数；m为所述旋转体质量，g为重力加速度；fd为外界随机干扰力；k＝μ0N2A/4，其中，μ0为真空磁导率，A为所述盘式定子的磁极表面有效面积，N为所述悬浮绕组的匝数；if为所述磁悬浮盘式电机的定子电流。
则有：
式中，F＝g+fd/m，G＝-k/(mδ2)，
F、G、u分别代表不确定参数项、系统已知项和滑模控制器的输出。
将式(4)代入式(2)，可得：
12)求滑模控制器的输出：
取指数趋近律为：
式中，μ、η为正实数，sigmoid函数为双极性S型函数：
将式(6)代入式(5)，同时用uSMC代替u，则求得所述滑模控制器的输出为：
13)将步骤12)中式(7)得到的所述滑模控制器的输出uSMC的绝对值求取开方，得到所述外环悬浮气隙跟踪控制器的输出，令其为所述磁悬浮盘式电机的定子电流参考值
14)将所述磁悬浮盘式电机的定子电流参考值
与其实际测量值if作差，经所述内环悬浮电流跟踪控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式定子的电流if，使所述旋转体向上悬浮至并保持在悬浮平衡点处。
步骤2，当所述旋转体到达平衡点实现悬浮后，所述悬浮控制器的外环悬浮气隙跟踪控制器改用自适应径向基神经网络滑模控制策略，所述悬浮控制器的内环悬浮电流跟踪控制器采用PID控制，控制所述磁悬浮盘式电机的定子电流，使所述旋转体在悬浮平衡点处保持稳定悬浮，具体方法是：
21)利用径向基神经网络逼近式(4)中的不确定参数项F，具体方法是：
A.确定所述径向基神经网络的层数：
所述径向基神经网络包含1个输入层、1个隐含层、1个输出层，其中所述输入层的输入向量为：
为δ对时间t的一阶导数；所述隐含层有n个神经元；所述输出层有1个神经元。
B.选择高斯基函数作为所述隐含层的激活函数，则所述隐含层的输出为：
式中，hj为隐含层第j个节点的输出，j＝1,2,…,n为隐含层的节点数，cj＝[cj1,cj2]T是隐含层第j个节点高斯基函数的中心向量，||x-cj||为衡量输入向量x与隐含层第j个节点中心向量的欧式范数，bj是隐含层第j个节点的标准化常数。
C.以所述隐含层输出值的加权值总和计算所述输出层的输出，令所述输出层的输出y为式(4)中的不确定参数项F的估计值
则有：
式中，
表示所述输出层的权值向量，h＝[h1,h2,…,hn]T表示所述隐含层的输出向量，其中，hj由式(9)求得。
22)求自适应径向基神经网络滑模控制器的输出：
根据式(5)、(6)和(10)，同时用uASMC代替u，求得所述自适应径向基神经网络滑模控制器的输出为：
23)求所述径向基神经网络输出层的权值自适应律：
令不确定参数项F表示为：
F＝W*Th+ε (12)式中，ε为逼近误差，且满足|ε|≤εN，εN是ε的最小上确界，是一个有界正实数；W*为所述径向基神经网络输出层的理想权值向量。
将式(11)、(12)代入式(5)，可得：
式中，
构造Lyapunov函数为：
式中，γ为正实数。
对式(14)求导，并结合式(13)，则有：
取所述径向基神经网络输出层的权值自适应律为：
将式(16)代入式(15)，则有：
由于ε是极小的正实数，因此只要选取η≥εN，即可得到
则根据Lyapunov稳定性理论，可证得所述自适应径向基神经网络滑模控制器是全局渐进稳定的。
24)将步骤23)中式(11)得到的所述自适应径向基神经网络滑模控制器的输出uASMC的绝对值求取开方，得到所述外环悬浮气隙跟踪控制器的输出，令其为所述磁悬浮盘式电机的定子电流参考值
25)将所述磁悬浮盘式电机的定子电流参考值
与其实际测量值if作差，经所述内环悬浮电流跟踪控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮。
本发明的有益效果是：本发明采用自适应神经网络滑模控制策略，且滑模指数趋近律采用光滑的双极性S型函数，一方面，在启动悬浮阶段采用滑模控制器，使磁悬浮垂直轴风电机组的旋转体平稳到达悬浮平衡点处并保持悬浮；另一方面，到达悬浮平衡点处后，悬浮控制器自动切换为自适应径向基神经网络滑模控制，利用径向基神经网络(以下简称为RBF神经网络)模型逼近因风速、风向的波动性以及随机性给悬浮系统带来的时变、非线性不确定干扰，同时通过滑模控制器调节，增强了悬浮系统的鲁棒性和动态性能，实现稳定悬浮，确保磁悬浮垂直轴风电机组系统性能实时最优。
附图说明
图1为本发明所述磁悬浮垂直轴风力发电机的结构示意图。
图2为本发明磁悬浮盘式电机的悬浮系统结构示意和力学分析示意图。
图3为本发明基于滑模控制策略的悬浮控制系统结构框图。
图4为本发明基于自适应RBF神经网络滑模控制的悬浮控制系统结构框图。
图5为本发明RBF神经网络模型结构。
图6为不加RBF神经网络的滑模控制策略的悬浮控制系统结构框图。
图7为本发明与不加RBF神经网络的滑模控制策略在恒定幅值干扰力下的悬浮气隙对比仿真曲线图。
图8为本发明与不加RBF神经网络的滑模控制策略在恒定幅值干扰力下的悬浮电流对比仿真曲线图。
图9为本发明施加的非线性干扰力的变化曲线。
图10为本发明与不加RBF神经网络的滑模控制策略在非线性干扰力下的悬浮气隙对比仿真曲线图。
图11为本发明与不加RBF神经网络的滑模控制策略在非线性干扰力下的悬浮电流对比仿真曲线图。
图中标号：1-永磁直驱型风力发电机，11-永磁直驱型风力发电机定子，12-永磁直驱型风力发电机转子，2-磁悬浮盘式电机，21-磁悬浮盘式电机定子，22-磁悬浮盘式电机转子，3-风轮，6-气隙传感器，7-下端轴承，8-上端轴承，9-外壳，10-转轴，18-悬浮变流器，211-盘式悬浮铁芯，212-悬浮绕组，221-盘式转子铁芯，222-盘式转子绕组，30-悬浮控制器，31-外环悬浮气隙跟踪控制器，32-内环悬浮电流跟踪控制器。
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2所示，本发明所述磁悬浮垂直轴风电机组包括：磁悬浮垂直轴风力发电机、悬浮控制系统、风轮3、气隙传感器6、上端轴承7、下端轴承8、外壳9、和转轴10等。磁悬浮垂直轴风力发电机由两个电机组成，即：永磁直驱型风力发电机1、磁悬浮盘式电机2。
永磁直驱型风力发电机1包括定子11和转子12；磁悬浮盘式电机2位于永磁直驱型风力发电机1的下方，它包括磁悬浮盘式电机定子21、磁悬浮盘式电机转子22，盘式定子21与盘式转子22之间的距离为悬浮气隙δ，磁悬浮盘式电机定子21由盘式定子铁芯211和悬浮绕组212组成，悬浮绕组212为直流励磁绕组，气隙传感器6贴装在盘式定子铁芯211的表面测量悬浮气隙；磁悬浮盘式电机转子22包括盘式转子铁芯221和盘式转子绕组222，盘式转子绕组222为三相绕组，盘式转子22与转轴10的底部固定；风轮3与转轴10的上部固定。
如图1所示，永磁直驱型风力发电机1的转子12、磁悬浮盘式电机2的盘式转子22、风轮3、转轴10等所有旋转部分统称为旋转体。
如图3、图4和图6所示，悬浮控制系统由悬浮变流器18和悬浮控制器30组成，悬浮变流器18为DC/DC变流器，与悬浮绕组212相连，用于控制悬浮；悬浮控制器30包括外环悬浮气隙跟踪控制器31和内环悬浮电流跟踪控制器32，外环悬浮气隙控制器实现悬浮气隙跟踪；内环悬浮电流跟踪控制器32实现悬浮电流跟踪。
本发明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，包括以下步骤：
步骤1，当风速达到切入风速时，如图3所示，悬浮控制器30的外环悬浮气隙跟踪控制器31采用滑模控制策略，内环悬浮电流跟踪控制器32采用PID控制，控制磁悬浮盘式电机2的定子电流，使风电机组的旋转体向上悬浮至并保持在悬浮平衡点处实现稳定悬浮，具体方法是：
11)设计滑模面为：
式中，e为悬浮气隙跟踪误差：e＝δ*-δ，δ*为悬浮平衡点处的悬浮气隙参考值，δ为悬浮气隙测量值，由气隙传感器6测得；c0、c1为正实数。
对式(1)求导，则有：
根据风电机组旋转体在垂直方向上的力学方程：
式中，
为δ对时间t的二阶导数；m为风电机组旋转体质量，g为重力加速度；fd为外界随机干扰力；k＝μ0N2A/4，其中，μ0为真空磁导率，A为盘式定子21的磁极表面有效面积，N为悬浮绕组212的匝数；if为盘式电机2的定子电流。
则有：
式中，F＝g+fd/m，G＝-k/(mδ2)，
F、G、u分别代表不确定参数项、系统已知项和滑模控制器的输出。
将式(4)代入式(2)，可得：
上述旋转体在垂直方向上的力学方程式(3)，经如下过程获得：
如图2所示，磁悬浮盘式电机悬浮绕组212通电后将产生向上的轴向悬浮吸力f(if,δ)为：
则旋转体在轴向上受到向上的悬浮吸力f(if,δ)、向下的旋转体重力mg和外界扰动力fd，根据牛顿第二定律，可得旋转体在垂直方向上的力学方程为：
12)求滑模控制器的输出：
取指数趋近律为：
式中，μ、η为正实数，sigmoid函数为双极性S型函数：
将式(6)代入式(5)，同时用uSMC代替u，则求得滑模控制器的输出为：
构造Lyapunov函数为：
对上式求导，则有：
根据Lyapunov稳定性理论，证得该滑模控制器是全局渐进稳定的。
13)将步骤12)中式(7)得到的uSMC的绝对值求取开方，得到外环气隙跟踪控制器31的输出，即盘式电机2的定子电流参考值
14)如图3所示，将盘式电机2的定子电流参考值
与其实际测量值if作差，经内环悬浮电流跟踪控制器32(PID控制器)送入PWM模块，产生悬浮变流器18的驱动信号，从而控制盘式电机2的定子电流if，即悬浮电流，使旋转体向上悬浮至并保持在悬浮平衡点处。
步骤2，当风电机组的旋转体到达平衡点实现悬浮后，如图4所示，悬浮控制器30的外环悬浮气隙跟踪控制器31改用自适应径向基神经网络滑模控制策略，内环悬浮电流跟踪控制器32仍采用PID控制，控制盘式电机2的定子电流if，使旋转体在悬浮平衡点处保持稳定悬浮，具体方法是：
21)利用RBF神经网络逼近式(4)中的不确定参数项F，具体方法是：
A.确定RBF神经网络的层数：
如图5所示，RBF神经网络包含1个输入层、1个隐含层、1个输出层，其中输入层的输入向量为：
为δ对时间t的一阶导数；隐含层有5个神经元(n＝5)；输出层有1个神经元y。
B.选择高斯基函数作为隐含层的激活函数，则隐含层的输出为：
式中，hj为隐含层第j个节点的输出，j＝1,2,…,5为隐含层的节点数，cj＝[cj1,cj2]T是隐含层高斯基函数第j个节点的中心向量，||x-cj||为衡量输入向量x与隐含层第j个节点中心的欧式范数，bj是隐含层高斯基函数第j个神经元的宽度。
C.以隐含层输出值的加权值总和计算输出层的输出，令输出层的输出y为式(4)中的不确定参数项F的估计值
则有：
式中，
表示输出层的权值向量，h＝[h1,h2,…,h5]T表示隐含层的输出向量，其中，hj由式(9)求得。
22)求自适应RBF神经网络滑模控制器的输出：
根据式(5)、(6)和(10)，同时用uASMC代替u，求得自适应RBF神经网络滑模控制器的输出为：
23)求RBF神经网络输出层的权值自适应律：
令不确定参数项F表示为：
F＝W*Th+ε (12)式中，ε为逼近误差，且满足|ε|≤εN，εN是ε的最小上确界，是一个有界正实数；W*为RBF神经网络输出层的理想权值向量。
将式(11)、(12)代入式(5)，可得：
式中，
构造Lyapunov函数为：
式中，γ为正实数。
对式(14)求导，并结合式(13)，则有：
取RBF神经网络的输出层的权值自适应律为：
将式(16)代入式(15)，则有：
由于ε是极小的正实数，因此只要选取η≥εN，即可得到
因此根据Lyapunov稳定性理论，可证得所述控制器是全局渐进稳定的。
24)将步骤23)中式(11)得到的输出uASMC的绝对值求取开方，得到外环悬浮气隙跟踪控制器31的输出，即盘式电机2的定子电流参考值
25)如图4所示，将盘式电机2的定子电流参考值
与其实际测量值if作差，经内环悬浮电流跟踪控制器32(PID控制器)送入PWM模块，产生悬浮变流器18的驱动信号，从而控制电机2的定子电流if，使旋转体在悬浮平衡点处保持稳定悬浮。
下面用一个优选实施例对本发明做进一步的说明。
为了验证本发明基于自适应神经网络的悬浮控制方法的有效性，对磁悬浮垂直轴风电机组的悬浮系统分别采用本发明的自适应神经网络滑模控制策略和不加RBF神经网络的滑模控制策略(以下简称SMC-PID)进行对比仿真分析。
如图6所示，SMC-PID方法主要思路是：利用旋转体在垂直方向上的力学方程式(3)得到滑模面式(1)，再对滑模面求导并利用式(6)，求得外环悬浮气隙控制器的输出，即滑模控制器的输出uSMC(式(7))，并对uSMC的绝对值求取开方得到磁悬浮盘式电机2的定子电流参考值if_y，然后将if_y与实际磁悬浮盘式电机2的定子电流if作差，经PID控制器送入PWM模块，产生悬浮变流器18的驱动信号，控制磁悬浮盘式电机2的定子电流if，使旋转体在悬浮平衡点处保持稳定悬浮。
具体仿真参数如表1、表2所示。
表1磁悬浮垂直轴风电机组的模型参数
| 参数名称 | 数值 |
| 旋转体质量m(kg) | 500 |
| 悬浮绕组212的匝数N | 644 |
| 盘式定子21的磁极表面有效面积A(mm<sup>2</sup>) | 235050 |
| 平衡点悬浮气隙参考值δ<sup>*</sup>(mm) | 10 |
| 真空磁导率μ<sub>0</sub>(N/A<sup>2</sup>) | 4π×10<sup>-7</sup> |
表2悬浮控制器的参数
RBF神经网络的参数为：
c1＝[c11,c12]T＝[-1,-1]T，c2＝[c21,c22]T＝[-0.5,-0.5]T，c3＝[c31,c32]T＝[0,0]T，
c4＝[c41,c42]T＝[0.5,0.5]T，c5＝[c51,c52]T＝[1,1]T；bj＝0.1(j＝1,2,…,5)。
为了验证悬浮系统的抗干扰能力，分别施加恒定幅值干扰和非线性干扰。
1)施加恒定幅值干扰：分别在第2s、6s加入幅值为1000N、1500N的外界干扰，并分别在第4s、8s时撤去所加入的外界干扰。
图7所示为在此干扰作用下本发明的自适应神经网络滑模控制方法和SMC-PID方法的悬浮气隙的变化曲线，图8所示为在此干扰作用下本发明的自适应神经网络滑模控制方法和SMC-PID方法的悬浮电流的变化曲线。
由图7和图8可知，在平衡点处，当加入恒定幅值干扰后，本发明悬浮气隙具有更小的超调量，悬浮电流具有更快的动态响应，能够在短时间内使系统恢复到稳定状态；而采用SMC-PID方法，其悬浮气隙具有明显的稳态误差。由此可见，本发明自适应神经网络滑模控制方法能够提高磁悬浮垂直轴风电机组的动态响应。
2)施加如图9所示的非线性干扰：图10所示为在此干扰作用下本发明的自适应神经网络滑模控制和SMC-PID方法的悬浮气隙的变化曲线，图11所示为在此干扰力作用下本发明的自适应神经网络滑模控制方法和SMC-PID方法的悬浮电流的变化曲线。
由图10和图11可知，当加入非线性干扰力后，本发明悬浮气隙能够稳定在0.1mm以内，无明显抖振现象；而采用SMC-PID方法，会在平衡点处出现振荡情况。因此本发明自适应神经网络滑模控制方法能够提高磁悬浮垂直轴风电机组的抗干扰能力。
总之，本发明基于自适应神经网络的悬浮控制方法，能够满足磁悬浮垂直轴风电机组对悬浮控制的动态响应快、自适应能力强、鲁棒性强等要求。
Claims (1)
1.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，所述磁悬浮垂直轴风电机组，包括磁悬浮垂直轴风力发电机、悬浮控制系统、气隙传感器、风轮、外壳和转轴；所述磁悬浮垂直轴风力发电机包括永磁直驱型风力发电机和磁悬浮盘式电机；所述永磁直驱型风力发电机包括定子和转子；所述磁悬浮盘式电机包括盘式定子和盘式转子；所述盘式定子由盘式定子铁芯和悬浮绕组组成，所述悬浮绕组为直流励磁绕组；所述悬浮控制系统由悬浮变流器及其悬浮控制器组成，所述悬浮变流器与所述悬浮绕组连接，所述悬浮控制器包括外环悬浮气隙跟踪控制器和内环悬浮电流跟踪控制器；所述永磁直驱型风力发电机的转子、所述磁悬浮盘式电机的盘式转子、所述风轮和所述转轴统称为旋转体；其特征在于，包括以下步骤：
步骤1，当风速达到切入风速时，所述悬浮控制器的外环悬浮气隙跟踪控制器采用滑模控制策略，所述悬浮控制器的内环悬浮电流跟踪控制器采用PID控制，控制所述磁悬浮盘式电机的定子电流，使所述旋转体向上悬浮至并保持在悬浮平衡点处实现稳定悬浮，具体方法是：
11)设计滑模面s为：
式中，e为悬浮气隙跟踪误差：e＝δ*-δ，δ*为悬浮平衡点处的悬浮气隙参考值，δ为悬浮气隙测量值；c0、c1为正实数；
将式(1)对时间t求导，则有：
根据所述旋转体在垂直方向上的力学方程：
式中，
为δ对时间t的二阶导数；m为所述旋转体质量，g为重力加速度；fd为外界随机干扰力；k＝μ0N2A/4，其中，μ0为真空磁导率，A为所述盘式定子的磁极表面有效面积，N为所述悬浮绕组的匝数；if为所述磁悬浮盘式电机的定子电流；
则有：
式中，F＝g+fd/m，G＝-k/(mδ2)，u＝if 2，F、G、u分别代表不确定参数项、系统已知项和滑模控制器的输出；
将式(4)代入式(2)，可得：
12)求滑模控制器的输出：
取指数趋近律为：
式中，μ、η为正实数，sigmoid函数为双极性S型函数：
将式(6)代入式(5)，同时用uSMC代替u，则求得所述滑模控制器的输出为：
13)将步骤12)中式(7)得到的所述滑模控制器的输出uSMC的绝对值求取开方，得到所述外环悬浮气隙跟踪控制器的输出，令其为所述磁悬浮盘式电机的定子电流参考值
14)将所述磁悬浮盘式电机的定子电流参考值
与其实际测量值if作差，经所述内环悬浮电流跟踪控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体向上悬浮至并保持在悬浮平衡点处；
步骤2，当所述旋转体到达平衡点实现悬浮后，所述悬浮控制器的外环悬浮气隙跟踪控制器改用自适应径向基神经网络滑模控制策略，所述悬浮控制器的内环悬浮电流跟踪控制器采用PID控制，控制所述磁悬浮盘式电机的定子电流，使所述旋转体在悬浮平衡点处保持稳定悬浮，具体方法是：
21)利用径向基神经网络逼近式(4)中的不确定参数项F，具体方法是：
A.确定所述径向基神经网络的层数：
所述径向基神经网络包含1个输入层、1个隐含层、1个输出层，其中所述输入层的输入向量为：
为δ对时间t的一阶导数；所述隐含层有n个神经元；所述输出层有1个神经元；
B.选择高斯基函数作为所述隐含层的激活函数，则所述隐含层的输出为
式中，hj为所述隐含层第j个节点的输出，j＝1,2,…,n为所述隐含层的节点数，cj＝[cj1,cj2]T是所述隐含层第j个节点高斯基函数的中心向量，||x-cj||为衡量输入向量x与所述隐含层第j个节点中心向量的欧式范数，bj是所述隐含层第j个节点的标准化常数；
C.以所述隐含层输出值的加权值总和计算所述输出层的输出，令所述输出层的输出y为式(4)中的不确定参数项F的估计值
则有：
式中，
表示所述输出层的权值向量，h＝[h1,h2,…,hn]T表示所述隐含层的输出向量，其中，hj由式(9)求得；
22)求自适应径向基神经网络滑模控制器的输出：
根据式(5)、(6)和(10)，同时用uASMC代替u，求得所述自适应径向基神经网络滑模控制器的输出为：
23)求所述径向基神经网络输出层的权值自适应律：
令不确定参数项F表示为：
F＝W*Th+ε (12)
式中，ε为逼近误差，且满足|ε|≤εN，εN是ε的最小上确界，是一个有界正实数；W*为所述径向基神经网络输出层的理想权值向量；
将式(11)、(12)代入式(5)，可得：
式中，
构造Lyapunov函数为：
式中，γ为正实数；
对式(14)求导，并结合式(13)，则有：
取所述径向基神经网络输出层的权值自适应律为：
将式(16)代入式(15)，则有：
由于ε是极小的正实数，因此只要选取η≥εN，即可得到
则根据Lyapunov稳定性理论，可证得所述自适应径向基神经网络滑模控制器是全局渐进稳定的；
24)将步骤23)中式(11)得到的所述自适应径向基神经网络滑模控制器的输出uASMC的绝对值求取开方，得到所述外环悬浮气隙跟踪控制器的输出，令其为所述磁悬浮盘式电机的定子电流参考值
25)将所述磁悬浮盘式电机的定子电流参考值
与其实际测量值if作差，经所述内环悬浮电流跟踪控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708203.1A CN111835261B (zh) | 2020-07-22 | 2020-07-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010708203.1A CN111835261B (zh) | 2020-07-22 | 2020-07-22 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111835261A true CN111835261A (zh) | 2020-10-27 |
| CN111835261B CN111835261B (zh) | 2022-05-24 |
Family
ID=72924640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010708203.1A Active CN111835261B (zh) | 2020-07-22 | 2020-07-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111835261B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113090461A (zh) * | 2021-05-13 | 2021-07-09 | 曲阜师范大学 | 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 |
| CN113093526A (zh) * | 2021-04-02 | 2021-07-09 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
| CN114274787A (zh) * | 2021-12-10 | 2022-04-05 | 北京交通大学 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101131573A (zh) * | 2007-10-19 | 2008-02-27 | 北京航空航天大学 | 一种应用于磁悬浮反作用飞轮的自适应神经网络控制方法 |
| CN101209676A (zh) * | 2006-12-31 | 2008-07-02 | 河南农业大学 | 磁悬浮履带式直线电机电力驱动车 |
| CN102299680A (zh) * | 2011-09-09 | 2011-12-28 | 南京信息职业技术学院 | 无轴承永磁同步电机悬浮力前馈补偿解耦方法及控制装置 |
| CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
| CN110061676A (zh) * | 2019-03-04 | 2019-07-26 | 江苏大学 | 一种基于磁链观测器的无轴承永磁同步电机控制器 |
| CN110195686A (zh) * | 2019-06-23 | 2019-09-03 | 曲阜师范大学 | 一种水平轴风力机舱两点悬浮式超低速偏航控制方法 |
-
2020
- 2020-07-22 CN CN202010708203.1A patent/CN111835261B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101209676A (zh) * | 2006-12-31 | 2008-07-02 | 河南农业大学 | 磁悬浮履带式直线电机电力驱动车 |
| CN101131573A (zh) * | 2007-10-19 | 2008-02-27 | 北京航空航天大学 | 一种应用于磁悬浮反作用飞轮的自适应神经网络控制方法 |
| CN102299680A (zh) * | 2011-09-09 | 2011-12-28 | 南京信息职业技术学院 | 无轴承永磁同步电机悬浮力前馈补偿解耦方法及控制装置 |
| CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
| CN110061676A (zh) * | 2019-03-04 | 2019-07-26 | 江苏大学 | 一种基于磁链观测器的无轴承永磁同步电机控制器 |
| CN110195686A (zh) * | 2019-06-23 | 2019-09-03 | 曲阜师范大学 | 一种水平轴风力机舱两点悬浮式超低速偏航控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 严琴等: "自适应反演神经网络控制在并联机器人中的应用", 《机械设计与制造》 * |
| 张静等: "磁悬浮改进RBF神经网络控制的仿真研究", 《哈尔滨理工大学学报》 * |
| 杨杰等: "径向基函数神经网络补偿的悬浮球悬浮高度自适应滑模控制", 《电气技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093526A (zh) * | 2021-04-02 | 2021-07-09 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
| CN113093526B (zh) * | 2021-04-02 | 2022-05-24 | 浙江工业大学 | 一种基于强化学习的无超调pid控制器参数整定方法 |
| CN113090461A (zh) * | 2021-05-13 | 2021-07-09 | 曲阜师范大学 | 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 |
| CN114274787A (zh) * | 2021-12-10 | 2022-04-05 | 北京交通大学 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
| CN114274787B (zh) * | 2021-12-10 | 2023-12-08 | 北京交通大学 | 基于自适应神经网络的磁悬浮列车运行控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111835261B (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111835261B (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 | |
| 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 | |
| CN107070342A (zh) | 一种带负载状态观测器的永磁同步电机控制系统 | |
| 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 | |
| Yipeng et al. | Fuzzy sliding mode control of magnetic levitation system of controllable excitation linear synchronous motor | |
| 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 | |
| CN109113929B (zh) | 一种风力磁悬浮机舱悬浮控制方法 | |
| CN111173678A (zh) | 一种rbf神经网络俯仰干扰补偿的风力机舱悬浮控制方法 | |
| CN110805523B (zh) | 一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法 | |
| 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 | |
| CN111173681B (zh) | 基于滑模神经网络的磁悬浮垂直轴风电机组悬浮控制方法 | |
| Chen et al. | PMSM control for electric vehicle based on fuzzy PI | |
| CN109599889B (zh) | 基于模糊自抗扰的不平衡电压下的穿越控制方法、系统 | |
| Chatri et al. | Improved high-order integral fast terminal sliding mode-based disturbance-observer for the tracking problem of PMSG in WECS | |
| CN113775474B (zh) | 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法 | |
| Barambones et al. | Wind turbine control scheme based on adaptive sliding mode controller and observer | |
| 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 | |
| CN115903457A (zh) | 一种基于深度强化学习的低风速永磁同步风力发电机控制方法 | |
| Chen et al. | The design of adaptive sliding mode controller based on RBFNN approximation for suspension control of MVAWT | |
| Cui et al. | The design of levitation controller based on BPNN with quantization factors for maglev yaw system of wind turnines | |
| CN109139368B (zh) | 一种风力磁悬浮机舱悬浮涡流阻尼优化方法 | |
| Zuo et al. | Neuron-adaptive PID based speed control of SCSG wind turbine system | |
| Ayub et al. | Nonlinear super-twisting based speed control of PMSG-ECS using higher order sliding mode control | |
| Shi et al. | Model predictive control of direct-driven surface-mounted permanent magnet synchronous generator based on active disturbance rejection controller | |
| Chen et al. | Suspension Strategy of Maglev Vertical Axis Wind Turbine Based on Sliding Mode Adaptive Neural Network Predictive Control |
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 |