基于rbf神经网络的大型风电机组独立变桨控制方法
【技术领域】
[0001] 本发明涉及大型风电机组控制领域，特别涉及一种基于RBF神经网络的大型风电 机组独立变桨控制方法。
【背景技术】
[0002] 近年来，自然资源日渐枯竭，加之受日益严峻的环境影响，能源危机已经显现。而 无论是从技术的成熟度、市场规模，还是从价格成本的角度，风力发电都是目前最有应用前 景的新能源技术之一。采用变桨控制的风电机组以其风能利用系数高、结构灵活、风速运行 区域广等优势成为大型风电机组的主要研究方向。
[0003] 风电机组的变桨控制广泛采用简单且性能可靠的常规PID控制方法，但PID控制的 参数恒定，对于复杂非线性时变的变桨控制系统有着较大的不确定性，不能获得理想的变 桨反馈控制目标。为解决常规PID变桨控制系统存在的相关缺陷，国内外学者尝试着将各种 先进的控制方法使用到大型风电机组变桨控制系统中，如鲁棒控制、最优化控制、滑模控 制、模糊控制和自适应控制等。
[0004] 目前，已有风电机组的各种先进变桨控制方式和策略都有其针对性，但同时也存 在一定程度的局限性或不足。已有众多研究者通过在变桨系统中加注一阶传动链阻尼来进 行最优化控制，但最优控制方法的实现都是以建立精确的数学模型为基础进行的，而实际 风电机组变桨系统是复杂时变的非线性系统，是很难建立精确的控制系统模型。也有研究 者通过对风电机组的动态载荷进行分析，在此基础上提出一种多自由度独立变桨控制系 统，建立多自由度的线性化模型来完成风电机组的独立变桨控制，但是没有充分考虑到风 电传动系统非线性的耦合相关性。还有研究者通过分析风电机组变桨系统多输入多输出变 量之间的相关联系，利用线性二次高斯函数估计风机状态反馈给控制器，来设计多变量最 优化独立变桨控制器，并通过仿真证明其控制策略的良好性能，但是没有考虑因风剪切、塔 影效应和湍流等产生不平衡载荷对风电机组受力情况的影响。因而，有必要分析风电机组 运行过程中的综合受力情况，改善风电机组变桨控制系统的动态性能，以此来稳定风电机 组的输出功率，降低桨叶、机舱、塔架等风电机组关键部件的疲劳载荷。
【发明内容】
[0005] 为了解决上述技术问题，本发明提供一种基于RBF神经网络的大型风电机组独立 变桨控制方法，利用RBF神经网络优化作用，逼近变桨系统未知的非线性函数，通过 Lyapuno V方法导出神经网络自适应率，在线调整神经网络权值来改善独立变桨控制系统的 动态性能。
[0006] 本发明解决上述问题的技术方案是：一种基于RBF神经网络的大型风电机组独立 变桨控制方法，包括以下步骤：
[0007] 步骤一:采集风轮转速信号，功率控制器根据风轮转速进行变桨控制和发电机电 磁转矩控制的计算，得到风电机组的统一桨距角和发电机的电磁转矩，然后将电磁转矩信 号送入风力发电机组的转矩伺服系统，平衡风力发电机的电磁转矩；
[0008] 步骤二:计算风电机组三个桨叶根部弯矩及桨叶方位角；
[0009] 步骤三:对三个桨叶根部弯矩进行Coleman坐标变换，得到固定坐标系下的风力发 电机组俯仰弯矩和偏航弯矩；
[0010] 步骤四：以俯仰弯矩和偏航弯矩作为RBF神经网络的输入变量，通过RBF神经网络 自适应控制导出神经网络自适应率，在线调整神经网络权值来改善独立变桨系统的叶根弯 矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；
[0011] 步骤五:将步骤一得到的统一桨距角和步骤四得到的优化桨距角相加，得到独立 变桨控制桨距角，之后将优化桨距角送入变桨执行单元，完成风电机组独立变桨的执行动 作。
[0012]上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤一中，风轮的 模型的运动方程为：
[0014]其中，J为风轮转动惯量，Mr为风轮转矩，Qr为风轮转速；
[0015]统一桨距角的表达式如下所示：
[0017] 其中：Θ为桨距角，ξ为变桨执行系统的阻尼系数，0r桨距角的设定值，ω为无阻尼 自然频率。
[0018] 上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤二中，三个桨 叶根部弯矩队1具2具3的计算公式如下：
[0022]其中，hMz为挥舞弯矩对风速的导数，kMz为挥舞弯矩对桨距角的导数，％为风轮挥 舞速度，{I i = 1，2，3}为三个桨叶给定桨距角，{Vi I i = 1，2，3}为风轮面上的有效风速； [0023]桨叶方位角Φ的计算公式如下：{机I i = l，2,3}为：
[0027]上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤三中，机舱的 运动方程为：
[0033]其中，hMX为气动转矩对风速的导数，Fax为轴向力，Fsd为侧向力，H为机舱中心的高 度，M为风轮总质量，S为塔架刚度，Sncid为塔基前后扰度，snay为塔基左右扰度，D为阻尼系数； [0034] 独立变桨控制单元中风电机组的叶根弯矩信号^2具3，通过0)1_&11坐标变换 为固定坐标轴下的俯仰弯矩M pitdl和偏航弯矩Myaw，具体如下所示：
[0036]其中:Φ为风轮方位角；
[0037]经过Coleman逆变换变换成三个不同桨叶的优化桨距角Θ/，公式如下所示：
[0039]上述基于RBF神经网络的大型风电机组独立变桨控制方法，所述步骤四中：假定 RBF神经网络自适应控制的径向基函数为11=[111，112，一，^]'那么高斯函数匕为 ：
[0041] 其中，&为神经网络的输入变量，m为神经网络隐含层节点个数，bj、Cj分别为第j个 神经单元的基宽向量和中心矢量，Cj= [Cll，C12,......Clm]，bj= [bl,b2,......bm];
[0042] 则RBF神经网络自适应控制输出变量为：
[0044] 其中，bk、C1^别为第k个神经单元的基宽向量和中心矢量；
[0045] RBF神经网络权值的在线调整方式为：
[0048]其中，n2〇，V表示李雅普洛夫函数，(1Θ为神经网络的自适应率，S(X)为切换函数， i'ix)为切换函数的导数；
[0052]其中：hk(s)为高斯函数，γ为RBF神经网络自适应参数。
[0053]本发明的有益效果在于:本发明依据风电机组空气动力学原理、风剪切特性和塔 影效应，利用RBF神经网络优化作用，逼近变桨系统未知的非线性函数，通过Lyapunov方法 导出神经网络自适应率，在线调整神经网络权值来改善独立变桨控制系统的动态性能，以 此来稳定风电机组的输出功率，采用智能化控制方法，能够快速地实现独立变桨控制，提高 变桨伺服系统的工作效率，神经网络的自学习功能提高风电机组独立变桨控制系统的自适 应性能;此控制方法应用广泛且不需要增加风电机组的硬件条件，控制成本低，并且降低了 桨叶、机舱、塔架等风电机组关键部件的疲劳载荷，提高了大型风电机组的使用寿命。
【附图说明】
[0054]图1为本发明的控制原理图。
[0055] 图2为本发明的RBF神经网络结构图。
[0056] 图3为本发明的RBF神经网络自适应控制框图。
【具体实施方式】
[0057] 下面结合附图和实施例对本发明作进一步的说明。
[0058]如图1所示，图1为本发明的控制原理图，图1中可以发现整个控制分为上半部分的 传统功率控制和下半部分的独立变桨控制，控制方法步骤如下：
[0059]首先是传统功率控制部分，即步骤一:选择的控制对象是发电机输出功率、风轮转 矩、风轮转速，其风轮的模型的运动方程为：
[0061]其中，J为风轮转动惯量，Mr为风轮转矩，Qr为风轮转速。
[0062]统一桨距角的表达式如下所示：
[0064]其中：Θ为桨距角，ξ为变桨执行系统的阻尼系数，0r桨距角的设定值，ω为无阻尼 自然频率。
[0065]通过采集风电机组的风轮转速Ωr，将采集到的风轮转速信号Ωr送入到传统功率 控制单元，功率控制器进行传统的变桨控制和发电机电磁转矩控制的计算，得到风电机组 的统一桨距角Θ和发电机的电磁转矩Tg，之后将电磁转矩信号送入风力发电机组的转矩伺 服系统，用来平衡风力发电机的电磁转矩。
[0066] 然后是独立变桨控制部分，即步骤二至步骤五，步骤二:计算风电机组三个桨叶根 部弯矩Μζ1、Μζ2、Μζ3及桨叶方位角Φ。
[0067]三个桨叶根部弯矩Mzl、Mz2、Mz3的计算公式如下：
[0071]其中，hMz为挥舞弯矩对风速的导数，kMz为挥