基于rbf神經網絡pid的風電機組獨立變槳控制方法
【技術領域】
[0001] 本發(fā)明涉及大型風電機組變槳控制領域，特別涉及基于RBF神經網絡PID的風電機 組獨立變槳控制方法。
【背景技術】
[0002] 當今社會，人類社會對能源的需求與日倶增，能源的浪費、低效率和不可持續(xù)利用 造成了整個社會的能源危機。在可再生能源中，風能因其無污染、零排放和可再生等優(yōu)點， 成為了國內外新能源研究的重要對象，因此風能發(fā)電技術在開發(fā)利用新能源技術中是最成 熟的。風電機組變槳控制系統(tǒng)分統(tǒng)一變槳控制系統(tǒng)和獨立變槳控制系統(tǒng)，因為在風電機組 運行中獨立變槳控制系統(tǒng)相對統(tǒng)一變槳控制系統(tǒng)能提高風能利用系數，使風電機組輸出最 佳風能。
[0003] 采用常規(guī)PID控制的獨立變槳控制系統(tǒng)在風電機組中得到了普及，然而，由于PID 控制不能很好地處理時變、非線性和強耦合的風力發(fā)電系統(tǒng)，因而為了解決PID變槳控制系 統(tǒng)的控制缺點，國內外科研工作者在獨立變槳控制系統(tǒng)中提出了各種先進的控制方法，如 滑模變結構變槳距控制、H〇〇魯棒控制、自適應控制、模糊控制等。但是上面提到的各種先進 變槳控制方法都不能有效解決運行于額定風速以上由風切變、風剪切和塔影效應在塔架和 槳葉上產生的不平衡載荷，不能有效穩(wěn)定風電機組的輸出功率。
[0004] 為了解決不平衡載荷和穩(wěn)定風電機組輸出功率的問題，需要對風電機組進行綜合 分析，以此來改善風電機組運行的動態(tài)性能，從而降低對風切變、風剪切和塔影效應在塔架 和槳葉等關鍵部件上產生的不平衡載荷，使風電機組輸出功率穩(wěn)定。
【發(fā)明內容】
[0005] 為了解決上述技術問題，本發(fā)明提供一種基于RBF神經網絡PID的大型風電機組獨 立變槳控制方法，通過RBF神經網絡在線自學習能力，得出PID控制器參數調節(jié)變化量，從而 優(yōu)化大型風電機組獨立變槳控制系統(tǒng)的動態(tài)性能，實現(xiàn)風切變、風剪切和塔影效應在槳葉 葉片、塔架等關鍵部件上產生不平衡載荷的有效改善，穩(wěn)定風電機組輸出功率。
[0006] 本發(fā)明解決上述問題的技術方案是：
[0007] -種基于RBF神經網絡PID的大型風電機組獨立變槳控制方法，包括以下步驟：
[0008] 1)建立風電機組的數學模型，計算風電機組槳葉的揮舞力矩；
[0009] 2)通過park變換，把揮舞力矩變換為固定坐標系下的偏航力矩與俯仰力矩；
[0010] 3)把偏航力矩和俯仰力矩輸入到RBF神經網絡PID控制器，通過RBF神經網絡在線 自學習能力，由梯度下降法得出PID控制器參數調節(jié)變化量，PID控制器輸出靜止坐標系下 的槳距角；
[0011] 4)經過park逆變換把步驟3)得到的槳距角變換成三個葉片的槳距角，再把三個葉 片槳距角與同步變槳槳距角進行疊加，得出風電機組每個葉片的變槳槳距角，實現(xiàn)對風電 機組的獨立變槳控制。
[0012]上述基于RBF神經網絡PID的大型風電機組獨立變槳控制方法，所述步驟1)中，建 立的風電機組數學模型為：
[0013]
[0014]
[0015]
[0016]
[0017]
[0018]
[0019] 其中，J是風輪的轉動慣量，Ω是葉片的轉速，&是Ω的導數，Xfa是塔架在俯仰方 向的位移，4是X fa的一階導數和二階導數，Xsd是塔架側向方向的位移，<:f、.C是 Xsd的一階導數和二階導數，貧是葉片1和葉片2處的有效風速，Tg是電機電磁轉矩， mtw是塔架等效質量，H是風機塔架高度，R是風電機組葉片半徑，&|是塔架的剛度，dtw是塔架 的阻尼系數，\是風輪轉矩對風速的導數，是風輪轉矩對槳距角的導數。
[0020] 上述基于RBF神經網絡PID的大型風電機組獨立變槳控制方法，所述步驟2)中，葉 片i的揮舞力矩Mzi，則偏航力矩和俯仰力矩為
[0021]
〇
[0022]上述基于RBF神經網絡PID的大型風電機組獨立變槳控制方法，所述步驟3)中，通 過跟蹤系統(tǒng)的俯仰力矩Mtut和偏航力矩Myaw來調節(jié)風輪轉速、轉矩和葉片載荷，設RBF神經 網絡的輸入量為
[0023] X= [u(k) ,u(k-l) ,y(k-l) ]τ
[0024] 式中u(k)、y(k)為控制對象的控制信號和槳距角反饋信號;k表示神經網絡計算次 數；
[0025] 設控制系統(tǒng)的輸入為r(k)，則控制系統(tǒng)的誤差為
[0026] e(k) =r(k)-y(k)
[0027] 由梯度下降法得PID參數調節(jié)量為
[0028]
[0029]
[0030]
[0031] 式中，np表示比例學習速率，ηι表示積分學習速率，nD表示微分學習速率，e (k)表示 誤差，y(k)表示控制目標的輸出量，Xl(k)為RBF神經網絡PID控制器的輸入量；
[0032] RRF袖怒國欽的猝向甚向量為? =「?!，φ2, · · ·，φη]，(J)i的高斯表示形式為
[0033]
[0034] 式中，M表示中心數;cU表示中心之間的最大距離，X表示RBF神經網絡輸入向量，ti 表示第i個神經網絡結點的中心矢量，m表示RBF神經網絡神經元個數；
[0035]設置PID控制器為RBF神經網絡的輸出端，輸出量為
[0036]
[0037] 式中Co1為第i個RBF神經網絡隱含層與輸出層之間權值。
[0038]本發(fā)明的有益效果在于：
[0039] 1、本發(fā)明通過RBF神經網絡在線自學習能力，對RBF神經網絡的權值進行在線調 整，得出PID控制器參數調節(jié)變化量來優(yōu)化大型風電機組獨立變槳控制系統(tǒng)的動態(tài)性能，從 而實現(xiàn)風切變、風剪切和塔影效應在槳葉葉片、塔架等關鍵部件上產生不平衡載荷的有效 改善，穩(wěn)定風電機組輸出功率，提高了風機的性能、效率和使用壽命；
[0040] 2、本發(fā)明提高了獨立變槳控制系統(tǒng)對運行在額定風速以上的動態(tài)性能，風電機組 位于強湍流風速下的性能得到明顯提高，適用于復雜的風力發(fā)電系統(tǒng)運行環(huán)境，而且不會 增加控制系統(tǒng)的硬件設備的復雜度；
[0041] 3、本發(fā)明采用RBF神經網絡來調節(jié)PID參數，通過采用智能優(yōu)化控制算法，提高了 控制系統(tǒng)的性能和效率，有效減小了系統(tǒng)變量相互耦合的影響，提高了系統(tǒng)的穩(wěn)定性。
【附圖說明】
[0042]圖1為本發(fā)明的控制原理圖。
[0043] 圖2為本發(fā)明RBF神經網絡PID控制框圖。
[0044] 圖3為本發(fā)明RBF神經網絡的結構示意圖。
【具體實施方式】
[0045]下面結合附圖和實施例對本發(fā)明作進一步的說明。
[0046]圖1所示為本發(fā)明的控制原理圖，本控制方法包括以下步驟：
[0047] 1)建立風電機組的數學模型，計算風電機組槳葉的揮舞力矩Mz1、Mz2、M z3;
[0048]為了提高風電機組運行的動態(tài)性能，本發(fā)明的控制對象選擇為風輪轉矩、風輪轉 速、葉片載荷和風電機組輸出功率，建立