基于RBF神经网络的大型风电机组独立变桨控制方法技术

本发明专利技术公开了一种基于RBF神经网络的大型风电机组独立变桨控制方法，步骤如下：通过采集风轮转速信号得到统一桨距角和电磁转矩；计算风电机组三个桨叶根部弯矩及桨叶方位角；对三个桨叶根部弯矩进行Coleman坐标变换，得到俯仰弯矩和偏航弯矩；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；将统一桨距角和优化桨距角相加，得到独立变桨控制桨距角，优化桨距角送入变桨执行单元，完成独立变桨。本发明专利技术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，控制成本低，提高了风电机组的使用寿命。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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。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。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。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于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。本专利技术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：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；步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；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；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；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。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：J×d(Ωr)dt=Mr]]>其中，J为风轮转动惯量，Mr为风轮转矩，Ωr为风轮转速；统一桨距角的表达式如下所示：θ··+2ξωθ·+ω2(θ-θr)=0]]>其中：θ为桨距角，ξ为变桨执行系统的阻尼系数，θr桨距角的设定值,ω为无阻尼自然频率。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Mz1、Mz2、Mz3的计算公式如下：Mz1=-hMzvfa+kMzθ1+hMzv1]]>Mz2=-hMzvfa+kMzθ2+hMzv2]]>Mz3=-hMzvfa+kMzθ3+hMzv3]]>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，vfa为风轮挥舞速度，{θi∣i＝1,2,3本文档来自技高网...

【技术保护点】
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：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；步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；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；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；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。

【技术特征摘要】
1.一种基于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：
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；
步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；
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；
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；
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。
2.根据权利要求1所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征

【专利技术属性】
技术研发人员：周腊吾，韩兵，田猛，邓宁峰，陈浩，孟凡冬，
申请(专利权)人：湖南世优电气股份有限公司，
类型：发明
国别省市：湖南;43