[发明专利]一种风力发电机偏航系统的智能控制方法

说明书

技术领域

本发明属于风力发电自动化控制领域，具体涉及到一种基于模糊控制和神经元算法的智 能化风力发电偏航控制。

背景技术

大中型风力发电机一般采用电动伺服或调向电机来调整风轮并使其对准风向。偏航系统 一般包括感应风向的风向标，偏航电机，偏航行星齿轮减速器，回转体大齿轮等。偏航系统 以风向标作为感应元件将风向的变化用电信号传递到偏航电机的控制回路里，经过比较后处 理器给偏航电机发出顺时针或逆时针的偏航命令，带动风轮偏航对风，当对风完成后，风向 标失去电信号，电机停止工作，偏航过程结束。风力发电机偏航控制系统的结构图如附图1 所示。

由于风向的时变、非线性的特点，决定了偏航系统是一个典型的非线性系统，各种参数 也存在时变性所以很难建立精确的数学模型。因此，不仅用经典控制理论来解决得不到满意 结果，即便是现代控制理论有时也得不到非常满意的结果。与之相对应，模糊控制方法属于 典型的智能控制方法，用于自然科学和社会科学的许多领域，其最大的特点是将专家的知识 和经验表示为语言规则用于控制，不依赖于被控对象的精确数学模型，能够克服非线性因素 的影响，对被调节对象有较强的鲁棒性。它是处理推理系统和控制系统中不精确和不确定性 对象的一种有效方法。

针对风力发电机偏航控制系统的要求以及风向的时变、非线性的特点，将模糊控制理论 引入偏航控制系统的方案，对输入信息进行模糊化处理，制定模糊控制规则，设计模糊控制 器，可以取得良好的控制效果。但是模糊控制中模糊规则的提取和隶属函数的优化是困扰模 糊信息处理技术的难题。利用专家的经验得到的模糊控制规则和隶属函数具有很大程度的不 确定性，因此将这样的控制策略直接应用于控制中，往往不能得到理想的控制效果。

利用神经网络的自学习特性进行控制规则的提取和隶属度函数的优化可以有效解决以上 难题。人们对神经元网络的研究从20世纪40年代初就开始了，随着人工神经元网络研究的 不断深入，出现了各种类型的神经元网络模型，这些神经网络都具有很强的自适应和自学习 能力，另外还具有并行计算，分布式信息存储，容错能力强等一系列优点。网络通过训练， 学会对输入向量的分析和处理，能够进行计算、记忆、识别等功能，单个神经元结点的结构 如附图2所示。

将人工神经元通过一定的结构组织起来，就可构成人工神经元网络(简称神经网络)。虽 然目前有数十种神经网络，但最常见的三大类模型是：前向神经网络、反馈神经网络和自组织 神经网络。

我们注意到在模糊控制上，隶属函数的取值范围为[0，1]，在人工神经网络理论中sigmoid 非线形也具有相同的值域：在算法规则上采用不同模糊算子的最大——最小推理类似于人工 神经网络输入的加权和算法：在输入的划分上，人工神经网络层上的神经原和模糊系统隶属函 数及控制规则的划分也极为相似。因此，完全可以将二者有机结合。模糊控制具备处理模糊 语言信息的能力，而不具备学习功能；人工神经网络恰恰相反，具备学习功能，但不能处理 和描述模糊信息。由于神经网络与模糊控制既有共性又有互补性，将模糊控制理论与神经网 络有机结合起来，可以互补长短，提高整个系统的分析和处理能力，将其应用到风力偏航控 制系统中，可以大大提高控制的性能。

发明内容

在模糊控制中，模糊词集中模糊变量的赋值大都采用隶属函数，根据不同的控制对象采 用不同的隶属函数(如正态分布、钟形、梯形等)，隶属函数的合理性及精确性是模糊控制能 否达到理想效果的关键环节，由于风力发电系统中，常年风向及风力变化具有一定规律性， 基本成正态分布，因而在风力偏航控制中隶属函数采用正态分布能够起到较好的控制效果。 同时，传统的模糊控制中，隶属函数大都依据相关专家经验确定，具有很大程度的不确定性， 用于实际控制中，往往与实际情况有很大出入，尤其是在风力发电系统中，不同地域风力情 况差别较大，不能得到理想的控制效果。因而将某一地区常年的风力资源情况作为神经网络 的离线训练资源，利用定向型多层反向传播的BP算法进行训练，对由专家经验得到的隶属 函数进行优化，从而得到符合当地情况的模糊控制的隶属函数，而且随着离线训练资源的不 断丰富，隶属函数可以得到动态优化，应用于实际控制当中，可以得到良好的控制效果。

基于神经网络的风力发电机偏航系统的模糊控制设计步骤如下：

①根据已知的风力发电机偏航控制的知识、经验等，初步确定出传统意义上的模糊控制 系统；