[发明专利]基于RBF神经网络的大型风电机组独立变桨控制方法

说明书

技术领域

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

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。

发明内容

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 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：

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，M_r为风轮转矩，Ω_r为风轮转速；

统一桨距角的表达式如下所示：