CN104612898B - 一种风电变桨距多变量模糊神经网络pid控制方法 - Google Patents
一种风电变桨距多变量模糊神经网络pid控制方法 Download PDFInfo
- Publication number
- CN104612898B CN104612898B CN201410706827.4A CN201410706827A CN104612898B CN 104612898 B CN104612898 B CN 104612898B CN 201410706827 A CN201410706827 A CN 201410706827A CN 104612898 B CN104612898 B CN 104612898B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- output
- pid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims description 42
- 230000007935 neutral effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/044—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with PID control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/707—Type of control algorithm fuzzy logic
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电变桨距多变量模糊神经网络PID控制方法,其包括如下步骤:利用模糊参数整定模块对PID神经网络模块的权值进行预整定;将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得到风力发电机转矩参考输出量;将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模块的整定后得到PID神经网络模块权值的预整定参数;通过带有动量因子的负梯度算法训练PID神经网络模块的权值,调节风力发电机转矩参考值输出及桨距角参考值输出。本发明能实现风力发电机输出功率稳定在额定值附近,确保风机的安全。
Description
技术领域
本发明涉及一种风电变桨距多变量模糊神经网络PID控制方法,尤其是一种风电变桨距多变量模糊神经网络PID控制方法,适用于双馈式风电机组变桨距的控制方法,属于风电控制的技术领域。
背景技术
风能是绿色可再生能源,在绿色能源中的比重逐年增加,风能的开发与利用具有广阔的商业前景。当风速高于额定值时,如何对变桨距***进行有效控制从而减少风电机组功率波动和机械疲劳受到广泛关注。比较常用的方法包括PI控制和LQG控制。PI控制通过风力发电机转速实际值与转速参考值之间的误差来调节桨距角,然而PI控制方法需要离线训练大量的参数,大大降低了***的控制精度。LQG控制难以能保证***的全局渐进稳定,而且增加了控制***的计算量。
近年来,神经网络在逼近负责非线性***时具有独一无二的优势,在工业控制领域应用日益广泛。常见的神经网络主要包括:BP神经网络,RBF神经网络,Hopefield神经网络,神经网络已经成功的应用到风电***领域。神经网络自身的并行性和不依赖数学模型的独立性为解决风电领域控制问题提供了有效的方案。如何实现对风电变桨距的有效控制依然是风电***的一个技术难题。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种风电变桨距多变量模糊神经网络PID控制方法,其控制简单方便,能实现风电变桨距的有效控制,降低成本,增加风机运行的安全。
按照本发明提供的技术方案,一种风电变桨距多变量模糊神经网络PID控制方法,其特征是,所述风电变桨距多变量模糊神经网络包括PID计算模块和模糊神经网络PID模块,模糊神经网络PID模块包括模糊参数整定模块和PID神经网络模块;
所述控制方法包括如下步骤:
a、利用模糊参数整定模块对PID神经网络模块的权值进行预整定;
b、将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得到风力发电机转矩参考输出量;
c、将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模块的整定后得到PID神经网络模块权值的预整定参数;通过带有动量因子的负梯度算法训练PID神经网络模块的权值,调节风力发电机转矩参考值输出及桨距角参考值输出。
所述模糊参数整定模块采用模糊控制器。
所述步骤b中,风力发电机转矩参考输出ΓGr采用PID闭环控制:
ΓGr=e(kp+ki/s+kds) (1)
其中,ΓGr为风力发电机转矩参考输出,e为风力发电机转速参考值与转速实际输出之间的误差,kp为比例系数,ki为微分系数,kd为积分系数。s为微分算子。所述步骤a中,所述PID神经网络模块包括两个输入层神经元、三个隐含层神经元、一个输出层神经元;
所述PID神经网络输入层的两个输入分别为r(k)和y(k),r(k)为风力发电机功率参考值Pr,y(k)为风力发电机功率实际值P。
输入层神经元的状态为:
u1 j(k)=net1 j (3)
输入层输出为yj 1=f1(net1 j),其中,j=1,2。
所述PID神经网络隐含层包括比例元、积分元、微分元三个神经元,隐含层各神经元的输入加权和为i=1,2,3,wij 2为隐含层第i个神经元的输入权值。
比例元的状态为:
u2 1(k)=net2 1 (4)
积分元的状态为:
u2 2(k)=u2 2(k-1)+net2 2 (5)
微分元的状态为:
u2 3(k)=net2 3(k)-net2 3(k-1) (6)
隐含层各神经元的输出为:
其中,i=1,2,3。
所述PID神经网络的输出层包括一个神经元,输出层神经元的输入加权和为l=1,wli 3为输出层第l个神经元的输入权值。
输出层神经元的状态函数为:
u3 l(k)=net3 l (8)
输出层神经元的输出为yl 3=f3(net3 l),其中,l=1,PID神经网络的输出等于输出层神经元的输出yl 3。
所述输入层输出函数f1为tansig函数,输出层输出函数f3为purelin函数。初始权值的选择:输入层至隐含层初始权值wi1 2=+1,wi2 2=-1;隐含层至输出层初始权值为模糊控制器输出的比例kfP、积分kfI、微分kfD参数。
所述步骤c中,通过误差反向传播算法对PID神经网络模块的初始权值进行调整,PID神经网络模块的训练目标为:
ytp为神经网络期望输出,即风力发电机功率参考值Pr;yop为神经网络实际输出,即风力发电机功率实际值P,其中,m为样本个数。
利用带有动量因子的负梯度算法对误差反向传播过程的权值进行调整:学习步长为η,学习步骤为n,式(10)为隐含层到输出层权值修正量,
其中,
yi 2(k)为隐含层各神经元的输出值,m为样本点,η为学习步长,其中,
式(13)为输入层到隐含层权值修正量:
其中,
yj 1(k)为输入层各神经元的输出值,m为样本点,η为学习步长,其中,
其中,sgn为符号函数,wjl为隐含层至输出层的权值,neti 2(k)为隐含层神经元的输入加权和,u1 i(k)为隐含层神经元的输出。
本发明的优点:
1、利用模糊神经网络PID控制方法来对风电变桨距伺服***进行控制,实现对桨距角的高效调节,保持功率的额定输出,且提高了风机运行的安全。
2、利用模糊规则对PID神经网络的权值进行预整定,提高了控制器的收敛速度。
3、采用PID神经网络权值的在线训练,有效实现了PID控制器参数的自整定,避免网络陷入局部极值。
附图说明
图1为本发明的基于模糊神经网络PID的风电变桨控制器结构图;
图2为本发明的PID神经网络结构图;
图3为本发明的模糊神经网络PID控制器流程图;
图4为本发明与双馈风电***连接后的结构图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1~图4所示:为了能够实现对风电变桨距***进行有效的控制,本发明在一片FPGA芯片上实现所需的控制。将FPGA芯片划分得到PID模块及模糊神经网络PID模块,具体地,本发明的控制方法包括如下步骤:
如图1所示,按照本发明提供的技术方案,一种风电变桨距多变量模糊神经网络PID控制方法,所述风电变桨距多变量模糊神经网络包括PID计算模块和模糊神经网络PID模块,模糊神经网络PID模块包括模糊参数整定模块和PID神经网络模块;
所述控制方法包括如下步骤:
a、利用模糊参数整定模块对PID神经网络模块的权值进行预整定;
b、将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得到风力发电机转矩参考输出量;
c、将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模块的整定后得到PID神经网络模块权值的预整定参数;通过带有动量因子的负梯度算法训练PID神经网络模块的权值,调节风力发电机转矩参考值输出及桨距角参考值输出。
所述PID神经网络模块包括两个输入层神经元、三个隐含层神经元、一个输出层神经元。所述模糊参数整定模块包括模糊控制器;
所述步骤a中,如图1所示,风力发电机转矩参考输出ΓGr采用PID闭环控制:
ΓGr=e(kp+ki/s+kds) (1)
其中,ΓGr为风力发电机转矩参考输出,e为风力发电机转速参考值与转速实际输出之间的误差,kp为比例系数,ki为微分系数,kd为积分系数,s为微分算子。
如图2所示,PID神经网络的输入层:
所述PID神经网络输入层的两个输入分别为r(k)和y(k),r(k)为风力发电机功率参考值Pr,y(k)为风力发电机功率实际值P。
输入层神经元的状态为:
u1 j(k)=net1 j (3)
输入层输出为yj 1=f1(net1 j),其中,j=1,2。
所述PID神经网络隐含层包括比例元、积分元、微分元三个神经元,隐含层各神经元的输入加权和为i=1,2,3,wij 2为隐含层第i个神经元的输入权值。
比例元的状态为:
u2 1(k)=net2 1 (4)
积分元的状态为:
u2 2(k)=u2 2(k-1)+net2 2 (5)
微分元的状态为:
u2 3(k)=net2 3(k)-net2 3(k-1) (6)
隐含层各神经元的输出为:
其中,i=1,2,3。
所述PID神经网络的输出层包括一个神经元,输出层神经元的输入加权和为l=1,wli 3为输出层第l个神经元的输入权值。
输出层神经元的状态函数为
u3 l(k)=net3 l (8)
输出层神经元的输出为yl 3=f3(net3 l),其中,l=1,PID神经网络的输出v等于输出层神经元的输出yl 3。
所述输入层输出函数f1为tansig函数,输出层输出函数f3为purelin函数。
所述PID神经网络的初始权值的选择:输入层至隐含层初始权值wi1 2=+1,wi2 2=-1。如图1所示,隐含层至输出层初始权值为模糊控制器输出的比例kfP、积分kfI、微分kfD参数。
PID计算模块的输入为风力发电机转速参考值与实际转速输出之间的误差,PID计算模块的输出为风力发电机转矩参考输出量;
本发明实施例中,模糊整定参数模块通过模糊规则对PID神经网络权值进行预整定。
如图3,风力发电机功率输出值与功率参考值的误差及误差变化率作为模糊参数整定模块的输入,模糊参数整定模块的输出,即比例kfP、积分kfI、微分kfD参数,作为为PID神经网络模块权值的预整定参数。将上述风电变桨距多变量模糊神经网络PID控制器在一片FPGA芯片上实现,通过带有动量因子的梯度下降法训练PID神经网络模块的权值,调节风力发电机转矩参考值Γar输出及桨距角参考值βr输出。
本发明实施例中,误差反传算法对PID神经网络的权值进行调整,网络训练目标为:
ytp为神经网络期望输出,即风力发电机功率参考值Pr。yop为神经网络实际输出,即风力发电机功率实际值P。其中,m为样本个数。
本发明实施例中,通过带有动量因子的负梯度算法对PID神经网络的误差反向传播过程的权值进行调整:学习步长为η,学习步骤为n,式(10)为隐含层到输出层权值修正量,
其中,
yi 2(k)为隐含层各神经元的输出值,m为样本点,η为学习步长,其中,
式(13)为输入层到隐含层权值修正量:
其中,
yj 1(k)为输入层各神经元的输出值,m为样本点,η为学习步长,其中,
其中,sgn为符号函数,wjl为隐含层至输出层的权值,neti 2(k)为隐含层神经元的输入加权和,u1 i(k)为隐含层神经元的输出。
所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述风电变桨距多变量模糊神经网络PID控制器的输入风力发电机转速Ωh和功率P,输出风力发电机转矩控制量ΓGr,桨距角控制量βr均在同一片FPGA芯片EP1C6T144C8上实现,FPGA芯片输出的风力发电机转矩控制量ΓGr、桨距角控制量βr对风电机组进行控制。
如图4所示的并网型双馈风电***由风轮、齿轮箱、双馈电机、转子侧变换器、网侧变换器、电容、变压器、变桨伺服***及电网组成。并网型双馈风电***的控制器由TI的F2812DSP芯片实现,该芯片包括IO口、QEP3-4正交脉冲编码口(与变桨伺服***和旋转编码器相连)、CAP1-2捕获口和A/D口(与电压电流处理电路相连)、PWM口(与驱动隔离电路相连)等,实现变流器矢量控制、有功功率和转速的计算。
风电变桨距多变量模糊神经网络PID控制器的输入,即风电力发电机转速Ωh和风力发电机功率P,与F2812 DSP的数字量输出口DO相连。
风电变桨距多变量模糊神经网络PID控制器的输出为风力发电机转矩控制量ΓGr及桨距角控制量βr,与F2812的数字量输入口DI相连。
Claims (8)
1.一种风电变桨距多变量模糊神经网络PID控制方法,其特征是,所述风电变桨距多变量模糊神经网络包括PID计算模块和模糊神经网络PID模块,模糊神经网络PID模块包括模糊参数整定模块和PID神经网络模块;
所述控制方法包括如下步骤:
a、利用模糊参数整定模块对PID神经网络模块的权值进行预整定,即将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模块的整定后得到PID神经网络模块权值的预整定参数;
b、将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得到风力发电机转矩参考输出量;
c、通过带有动量因子的负梯度算法训练PID神经网络模块的权值,调节桨距角参考值输出。
2.根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述模糊参数整定模块采用模糊控制器。
3.根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述步骤b中,风力发电机转矩参考输出ΓGr采用PID闭环控制:
ΓGr=e(kp+ki/s+kds) (1)
其中,ΓGr为风力发电机转矩参考输出,e为风力发电机转速参考值与转速实际输出之间的误差,kp为比例系数,ki为微分系数,kd为积分系数,s为微分算子。
4.根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述步骤a中,所述PID神经网络模块包括两个输入层神经元、三个隐含层神经元、一个输出层神经元;
所述PID神经网络输入层的两个输入分别为r(k)和y(k),r(k)为风力发电机功率参考值Pr,y(k)为风力发电机功率实际值P;
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>net</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>net</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
输入层神经元的状态为:
u1 j(k)=net1 j (3)
输入层输出为其中,j=1,2;
所述PID神经网络隐含层包括比例元、积分元、微分元三个神经元,隐含层各神经元的输入加权和为wij 2为隐含层第i个神经元的输入权值;
比例元的状态为:
u2 1(k)=net2 1 (4)
积分元的状态为:
u2 2(k)=u2 2(k-1)+net2 2 (5)
微分元的状态为:
u2 3(k)=net2 3(k)-net2 3(k-1) (6)
隐含层各神经元的输出为:
<mrow>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>&le;</mo>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,i=1,2,3;
所述PID神经网络输出层包括一个神经元,输出层神经元的输入加权和表示为 为输出层第l个神经元的输入权值;
输出层神经元的状态函数为:
u3 l(k)=net3 l (8)
输出层神经元的输出为yl 3=f3(net3 l),其中,l=1,PID神经网络的输出等于输出层神经元的输出
5.根据权利要求4所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述输入层输出函数f1为tansig函数,输出层输出函数f3为purelin函数。
6.根据权利要求4所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:初始权值的选择:输入层至隐含层初始权值wi1 2=+1,wi2 2=-1;隐含层至输出层初始权值为模糊控制器输出的比例kfP、积分kfI、微分kfD参数。
7.根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:所述步骤c中,通过误差反向传播算法对PID神经网络模块的初始权值进行调整,PID神经网络模块的训练目标为:
<mrow>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mi>m</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
ytp为神经网络期望输出,即风力发电机功率参考值Pr;yop为神经网络实际输出,即风力发电机功率实际值P,其中,m为样本个数。
8.根据权利要求6所述的风电变桨距多变量模糊神经网络PID控制方法,其特征是:利用带有动量因子的负梯度算法对误差反向传播过程的权值进行调整,学习步长为η,经过n-1步学习后:
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<msup>
<msub>
<mi>&alpha;&Delta;w</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(10)为隐含层到输出层权值修正量,α为动量因子,其中,
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mi>&delta;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为隐含层各神经元的输出值,m为样本点,η为学习步长,其中,
<mrow>
<msup>
<mi>&delta;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>2</mn>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>sgn</mi>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
式(13)为输入层到隐含层权值修正量:
<mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<msup>
<msub>
<mi>&alpha;&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mn>1</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
yj 1(k)为输入层各神经元的输出值,α为动量因子,m为样本点,η为学习步长,其中,
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&delta;</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>l</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
<mi>sgn</mi>
<mfrac>
<mrow>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<msup>
<mi>u</mi>
<mn>1</mn>
</msup>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>net</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>net</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
sgn为符号函数,wjl为隐含层至输出层的权值,为隐含层神经元的输入加权和,u1 i(k)为隐含层神经元的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410706827.4A CN104612898B (zh) | 2014-11-27 | 2014-11-27 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410706827.4A CN104612898B (zh) | 2014-11-27 | 2014-11-27 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104612898A CN104612898A (zh) | 2015-05-13 |
CN104612898B true CN104612898B (zh) | 2017-09-08 |
Family
ID=53147504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410706827.4A Expired - Fee Related CN104612898B (zh) | 2014-11-27 | 2014-11-27 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104612898B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106321352B (zh) * | 2015-06-30 | 2018-11-27 | 中国船舶重工集团海装风电股份有限公司 | 一种等效变桨微分控制方法及装置 |
CN109242094B (zh) * | 2016-01-20 | 2020-05-08 | 中科寒武纪科技股份有限公司 | 用于执行人工神经网络正向运算的装置和方法 |
CN105759607B (zh) * | 2016-02-26 | 2018-08-14 | 北京工业大学 | 基于智能控制算法的pac控制器的设计方法 |
CN109162867B (zh) * | 2017-06-29 | 2019-11-26 | 北京金风科创风电设备有限公司 | 风力发电机组pid控制方法及装置 |
CN107707141A (zh) * | 2017-10-28 | 2018-02-16 | 安徽工程大学 | 一种采用人工智能处理器的逆变器控制器及方法 |
CN108223274B (zh) * | 2017-12-04 | 2019-11-12 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距***辨识方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN109063907B (zh) * | 2018-07-27 | 2020-06-05 | 中南大学 | 一种高速铁路沿线极大风速智能遍历大步长预测方法 |
CN109034478B (zh) * | 2018-07-27 | 2021-09-24 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
CN110531614B (zh) * | 2019-09-06 | 2022-05-06 | 长春工业大学 | 新颖的无刷直流电机模糊神经网络pi控制器 |
CN110529335B (zh) * | 2019-09-29 | 2020-10-13 | 三一重能有限公司 | 用于抑制风机超速的控制方法和风力发电机组 |
CN112782499B (zh) * | 2019-11-11 | 2022-04-15 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN113780543B (zh) * | 2021-09-08 | 2024-02-02 | 福州大学 | 一种神经网络pid闭环控制的fpga实现方法 |
CN114407679A (zh) * | 2022-03-04 | 2022-04-29 | 浙江理工大学 | 一种伸缩架对接控制方法及移动充电方法 |
CN115009278B (zh) * | 2022-08-08 | 2022-11-29 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1959130A2 (en) * | 2007-02-02 | 2008-08-20 | General Electric Company | Method for optimizing the operation of a wind turbine |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN101976044A (zh) * | 2010-10-22 | 2011-02-16 | 天津理工大学 | 一种基于神经网络的风电***建模及dsp实现方法 |
CN102518560A (zh) * | 2011-12-30 | 2012-06-27 | 北京国电思达科技有限公司 | 一种风电场有功功率调节方法 |
CN103061972A (zh) * | 2011-10-20 | 2013-04-24 | 华锐风电科技(集团)股份有限公司 | 风力发电机组的功率控制方法及*** |
KR101287319B1 (ko) * | 2011-12-15 | 2013-07-22 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN103410662A (zh) * | 2013-08-06 | 2013-11-27 | 江苏科技大学 | 风电***最大风能捕获神经网络补偿控制方法 |
CN103701378A (zh) * | 2013-12-27 | 2014-04-02 | 内蒙古久和能源科技有限公司 | 一种风力发电机输出功率控制方法 |
CN103903087A (zh) * | 2014-03-06 | 2014-07-02 | 东南大学 | 一种基于bp神经网络的汽动引风机全工况在线监测方法 |
CN104091209A (zh) * | 2014-06-26 | 2014-10-08 | 沈阳工业大学 | 基于bp神经网络的风电机组功率特性评估方法 |
-
2014
- 2014-11-27 CN CN201410706827.4A patent/CN104612898B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1959130A2 (en) * | 2007-02-02 | 2008-08-20 | General Electric Company | Method for optimizing the operation of a wind turbine |
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN101976044A (zh) * | 2010-10-22 | 2011-02-16 | 天津理工大学 | 一种基于神经网络的风电***建模及dsp实现方法 |
CN103061972A (zh) * | 2011-10-20 | 2013-04-24 | 华锐风电科技(集团)股份有限公司 | 风力发电机组的功率控制方法及*** |
KR101287319B1 (ko) * | 2011-12-15 | 2013-07-22 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN102518560A (zh) * | 2011-12-30 | 2012-06-27 | 北京国电思达科技有限公司 | 一种风电场有功功率调节方法 |
CN103410662A (zh) * | 2013-08-06 | 2013-11-27 | 江苏科技大学 | 风电***最大风能捕获神经网络补偿控制方法 |
CN103701378A (zh) * | 2013-12-27 | 2014-04-02 | 内蒙古久和能源科技有限公司 | 一种风力发电机输出功率控制方法 |
CN103903087A (zh) * | 2014-03-06 | 2014-07-02 | 东南大学 | 一种基于bp神经网络的汽动引风机全工况在线监测方法 |
CN104091209A (zh) * | 2014-06-26 | 2014-10-08 | 沈阳工业大学 | 基于bp神经网络的风电机组功率特性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104612898A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104612898B (zh) | 一种风电变桨距多变量模糊神经网络pid控制方法 | |
Abdelbaky et al. | Design and implementation of partial offline fuzzy model-predictive pitch controller for large-scale wind-turbines | |
CN101598109B (zh) | 一种风力发电机偏航***的智能控制方法 | |
CN105673325A (zh) | 基于rbf神经网络pid的风电机组独立变桨控制方法 | |
CN105549423B (zh) | 风电机组偏航***与变桨***精细化实时仿真平台和方法 | |
CN102594244B (zh) | 双馈风电机组一次调频联合控制方法 | |
CN104329224A (zh) | 一种直驱型永磁风力发电机组变速率变桨***及变桨方法 | |
CN103758699B (zh) | 一种风力发电机组的桨距角控制方法及桨距角控制器 | |
CN103939286A (zh) | 变速恒频风电机组变速变桨距联合控制方法 | |
CN105631152B (zh) | 基于粒子群算法的变速变频风电***风能捕获方法 | |
CN105626378A (zh) | 基于rbf神经网络的大型风电机组独立变桨控制方法 | |
CN102900603B (zh) | 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法 | |
CN109268205A (zh) | 一种基于智能风力机的风电场优化控制方法 | |
Torres-Salomao et al. | Fuzzy logic control and PI control comparison for a 1.5 MW horizontal axis wind turbine | |
Qi et al. | PID control in adjustable-pitch wind turbine system based on fuzzy control | |
CN106294959A (zh) | 模型参考自适应控制与双馈风机降阶模型相结合的建模仿真方法 | |
Yao et al. | RBF neural network based self-tuning PID pitch control strategy for wind power generation system | |
CN117189472A (zh) | 一种独立变桨距控制方法 | |
CN204239155U (zh) | 一种直驱型永磁风力发电机组变速率变桨*** | |
CN103362741B (zh) | 基于adaline技术的风力发电机组***辨识方法 | |
CN104078996B (zh) | 一种风电场与电网连接线路断面有功功率越限的控制方法 | |
CN106786784A (zh) | 一种风电机群功率控制方法及*** | |
CN102890449B (zh) | 基于有限时间鲁棒稳定的风电机组变桨距控制器设计方法 | |
CN104343628B (zh) | 一种含有死区补偿器的风电机组变桨距控制方法 | |
CN102900605A (zh) | 基于有限时间稳定的风电机组变桨距控制器设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210119 Address after: Room 17-1, building 033, building 2, No.15, Lane 587, Juxian Road, high tech Zone, Ningbo, Zhejiang 315000 Patentee after: CHINA E-TECH (NINGBO) MARITIME ELECTRONICS RESEARCH INSTITUTE Co.,Ltd. Address before: Meng Xi Road 212003 Zhenjiang city of Jiangsu province Jingkou District No. 2 Patentee before: JIANGSU University OF SCIENCE AND TECHNOLOGY |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170908 |