CN110401378B - 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 - Google Patents

Abstract

本发明涉及基于神经网络模型预测控制的磁悬浮偏航电机控制方法，属于电气工程技术领域。该方法采用神经网络模型预测控制策略，对磁悬浮偏航电机的悬浮和偏航过程进行实时平稳控制：当风向改变需要偏航时，首先由转子变流器采用PID控制算法控制转子电流，使转子向上悬浮至并保持在悬浮平衡点处；其次由转子变流器改用神经网络模型预测控制策略控制转子电流，使转子在平衡点处保持稳定悬浮；然后由定子变流器采用神经网络模型预测控制策略控制定子电流，使偏航电机按规定转速旋转至对风位置，同时转子变流器采用神经网络模型预测控制策略控制转子电流，使转子在偏航过程中保持在平衡点处，实现最优控制，确保整个悬浮偏航过程***性能实时最优。

Description

基于神经网络-模型预测控制的磁悬浮偏航电机控制方法

技术领域

本发明涉及一种控制方法，尤其是一种基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，属于电气工程技术领域。

背景技术

偏航***是水平轴风电机组必不可少的重要组成部分，目前大中型水平轴风电机组均采用齿轮驱动的偏航***，存在结构复杂、多电机驱动、占用空间大、故障率高、维护不便(需要润滑、且必须定期更换润滑油和润滑脂)等缺陷，一旦发生故障，更换困难，停机检修时间长，将给风电场乃至整个电网的正常运行造成严重影响。

风电磁悬浮偏航***采用磁悬浮驱动技术，取代传统的齿轮驱动技术，具有对风精度高、无需润滑、结构简单、维护方便、停电时间短、运行维护费用低等优势。通过电磁悬浮，一方面机舱处于悬浮状态，可实现精确对风；另一方面，简化了偏航***结构，使维修简便，可大大缩短停机时间。

风电磁悬浮偏航***中最关键的部件是磁悬浮偏航电机，其工作原理是：当风向改变时，首先使其转子通入直流电，实现悬浮，到达悬浮平衡点后，使其定子通入三相交流电，转子开始旋转，直至到达对风位置。在旋转过程中，一方面要实施悬浮控制，使其处于平衡点，另一方面要控制其转速，实现稳定旋转，因而必须实现定转子协同控制。

但磁悬浮技术因其高非线性、强耦合以及本质非稳定特点，实现其稳定控制极富挑战性，目前研究多集中在磁悬浮列车、磁悬浮轴承以及磁悬浮平面电机等领域的悬浮控制。其中，线性状态反馈控制是采用最多的悬浮控制策略，但多采用泰勒线性化方法在平衡点处线性化***模型，藉此完成状态反馈控制，因此对气隙变化鲁棒性差；有的采用滑模控制实现了悬浮***的鲁棒控制，但因其固有的抖振问题应用还有待完善。针对泰勒线性化忽略高阶动态问题，有人采用自适应方法实现悬浮体稳定控制；有的则采用反馈线性化和状态反馈实现悬浮体控制，但受***参数摄动影响。还有文献将H∞控制应用于悬浮***控制中，提高了***对气隙或悬浮体质量变化的鲁棒性，但存在控制器阶数较高的缺陷。

神经网络-模型预测控制(NNMPC)使用非线性神经网络模型逼近非线性***，预测未来模型性能，通过滚动优化，得到***未来有限时域的最优控制量。与上述常规控制相比，神经网络-模型预测控制虽然只能得到全局的次优解，但是当模型失配、存在时变非线性干扰时，能够及时进行弥补，减小偏差，保持实际上的最优控制，因而尤其适合非线性、强耦合、存在时变非线性干扰(风速、风向波动性、不确定性)的磁悬浮偏航***的控制。但目前神经网络-模型预测控制在磁悬浮***方面的应用研究甚少。

发明内容

本发明的主要目的在于：针对现有技术的不足和空白，本发明提供一种风电磁悬浮偏航电机的控制方法，通过采用神经网络-模型预测控制策略，实现定转子协同控制，确保磁悬浮偏航电机整个悬浮偏航旋转过程中***性能实时最优。

为了达到以上目的，本发明所述磁悬浮偏航电机为一种隐极式同步盘式电机，包括定子、转子、圆盘、塔架、导向轴承、悬浮架、负载平台、气隙传感器；所述定子与所述转子相对上下垂直同心放置；所述定子与所述圆盘固定，所述圆盘套接在所述塔架上并与所述塔架固定；所述转子与所述悬浮架固定；所述悬浮架还与所述负载平台固定；所述导向轴承与所述负载平台固定，并与所述塔架固定；所述负载平台与风电机组的机舱固定；所述气隙传感器与所述转子固定；所述定子包括定子铁心和三相绕组，所述三相绕组与定子变流器连接；所述转子包括转子铁心和直流励磁绕组，所述直流励磁绕组与转子变流器连接；所述定子变流器和所述转子变流器的主控芯片均为DSP(数字信号处理器)；所述转子、气隙传感器、悬浮架、负载平台及风电机组的机舱统称为悬浮物或悬浮***。

本发明基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，包括以下步骤：

步骤1，当风向改变需要偏航时，由所述转子变流器采用PID控制算法控制转子电流，使所述磁悬浮偏航电机的转子向上悬浮至并保持在悬浮平衡点处实现稳定悬浮；

步骤2，当实现稳定悬浮后，所述转子变流器改用神经网络-模型预测控制策略，控制所述转子电流，使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮，具体方法是：

21)根据所述磁悬浮偏航电机的悬浮动态数学模型，对悬浮神经网络模型进行训练；

22)将训练好的所述悬浮神经网络模型移植入所述转子变流器的DSP主控芯片，建立基于所述转子变流器DSP的实际悬浮神经网络模型预测控制***；

23)将所述悬浮神经网络模型的响应输出值δ_m及悬浮气隙期望值δ^*输入悬浮非线性优化模块，所述悬浮非线性优化模块通过使悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{r_opt}，将所述最优转子电流i_{r_opt}和悬浮气隙测量值δ作为所述悬浮神经网络模型的输入，同时将所述最优转子电流i_{r_opt}与所述转子电流作差，经PID控制器送入PWM模块，产生所述转子变流器的驱动信号，从而控制所述转子电流，使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮；所述悬浮代价函数为：

式中，J为悬浮代价函数，N_p为预测时域长度，N_u为控制时域长度，i_r为控制输入信号，即所述转子电流，δ^*为悬浮气隙期望值，δ_m为所述悬浮神经网络模型的响应输出值，ρ为加权系数，k为当前时刻。

步骤3，由所述定子变流器采用神经网络-模型预测控制策略，控制定子电流，使所述磁悬浮偏航电机按转速期望值ω^*旋转至对风位置，具体方法是：

31)根据所述磁悬浮偏航电机的偏航动态数学模型，对偏航神经网络模型进行训练；

32)将训练好的所述偏航神经网络模型移植入所述定子变流器的DSP主控芯片，建立基于所述定子变流器DSP的实际偏航神经网络模型预测控制***；

33)将所述偏航神经网络模型的响应输出值ω_m及转速期望值ω^*输入偏航非线性优化模块，所述偏航非线性优化模块通过使偏航代价函数最小化确定最优控制输入信号，即所述定子电流的最优值之d轴分量i_{sd_opt}和q轴分量i_{sq_opt}，将所述i_{sd_opt}、i_{sq_opt}以及转速测量值ω作为所述偏航神经网络模型的输入，同时将所述i_{sd_opt}和i_{sq_opt}分别与所述定子电流的d轴分量i_sd和q轴分量i_sq作差后输入带限幅的PI控制器，得到定子电压控制量u_sd ^*和u_sq ^*，经dq/αβ坐标变换后得到u_sα ^*和u_sβ ^*，经SVPWM模块调制后产生驱动信号，控制所述定子变流器产生所需的励磁电压和电流，使所述磁悬浮偏航电机按规定转速ω^*旋转至对风位置；所述偏航代价函数为：

式中，J_Y为偏航代价函数，N_py为预测时域长度，N_uy为控制时域长度，i_sd、i_sq为控制输入信号，即分别为所述定子电流的d轴分量和q轴分量，ω^*为偏航转速期望值，ω_m为所述偏航神经网络模型的响应输出值，ρ₁、ρ₂为加权系数，k为当前时刻。

步骤4，在偏航的同时，由转子变流器采用神经网络-模型预测控制策略，控制所述转子电流，使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处，具体方法是：

41)根据所述磁悬浮偏航电机的偏航悬浮动态数学模型，对偏航悬浮神经网络模型进行训练；

42)将训练好的所述偏航悬浮神经网络模型移植入所述转子变流器的DSP主控芯片，建立基于所述转子变流器DSP的实际偏航悬浮神经网络模型预测控制***；

43)将所述偏航悬浮神经网络模型的响应输出值δ_ym及悬浮气隙期望值δ^*输入悬浮非线性优化模块，所述偏航悬浮非线性优化模块通过使偏航悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{yr_opt}，将所述最优转子电流i_{yr_opt}和悬浮气隙测量值δ作为所述偏航悬浮神经网络模型的输入，同时将所述最优转子电流i_{yr_opt}与所述转子电流作差，经PID控制器送入PWM模块，产生所述转子变流器的驱动信号，从而控制所述转子电流，使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处；所述偏航悬浮代价函数为：

式中，J_YM为偏航悬浮代价函数，N_pm为预测时域长度，N_um为控制时域长度，i_r为控制输入信号，即所述转子电流，δ^*为悬浮气隙期望值，δ_ym为所述偏航悬浮神经网络模型的响应输出值，ρ₃为加权系数，k为当前时刻。

本发明的有益效果是：本发明采用神经网络-模型预测控制策略，神经网络模型能非常逼近强耦合、非线性的磁悬浮偏航***，无需线性化处理，能有效应对风速、风向的波动性及不确定性给磁悬浮偏航***带来的时变、非线性干扰以及模型失配等问题，通过滚动优化，得到***未来有限时域的最优控制量，能够及时进行弥补，减小偏差，保持实际上的最优控制，保证***快速跟踪能力和稳定性，确保整个悬浮偏航过程***性能实时最优。

附图说明

图1为本发明所述磁悬浮偏航电机的结构示意图。

图2为本发明所述磁悬浮偏航电机受力分析示意图。

图3为本发明所述磁悬浮偏航电机的电气连接图。

图4为本发明所述风电磁悬浮偏航***结构示意图。

图5为本发明基于PID的悬浮控制***结构框图。

图6为本发明悬浮神经网络模型预测控制过程图。

图7为本发明悬浮及偏航悬浮神经网络模型结构。

图8为本发明悬浮神经网络训练过程图(***辨识过程)。

图9为本发明偏航神经网络模型预测控制过程图。

图10为本发明偏航神经网络模型结构。

图11为本发明偏航神经网络训练过程图(***辨识过程)。

图12为本发明偏航悬浮神经网络训练过程图(***辨识过程)。

图中标号：1-定子，2-转子，3-圆盘，4-塔架，5-导向轴承，6-悬浮架，7-负载平台，8-气隙传感器，9-编码器，10-定子变流器，11-定子三相绕组，20-转子变流器，21-转子直流励磁绕组，22-转子铁心

具体实施方式

下面结合附图，对本发明作进一步详细说明。

如图1、图4所示，本发明用于一种风电磁悬浮偏航电机，该电机为一种隐极式盘式同步电机，包括定子1、转子2、圆盘3，塔架4、导向轴承5、悬浮架6、负载平台7、气隙传感器8。定子1与转子2相对同心放置；定子1与圆盘3固定，圆盘3套接在塔架4上并与塔架4固定；转子2与悬浮架6固定；悬浮架6还与负载平台7固定；导向轴承5与负载平台7固定，且固定在负载平台7的中心，并与塔架4固定；负载平台7与风电机组的机舱固定；气隙传感器8与转子2固定；转子2、悬浮架6、负载平台7、气隙传感器8及风电机组的机舱统称为悬浮物或悬浮***。

如图1、图2、图3所示，定子1包括定子三相绕组和盘式定子铁心，转子2包括转子直流励磁绕组21和盘式转子铁心22；定子三相绕组11与定子变流器10连接；转子直流励磁绕组21与转子变流器20连接。定子变流器10为三相交流逆变器，其主控芯片为DSP，频率可控；转子变流器20为DC/DC直流斩波器，如Buck电路或H桥电路，其主控芯片为DSP。

图4所示是一种风电磁悬浮偏航***结构示意图，该偏航***采用图1所示的磁悬浮偏航电机，转子2通过悬浮架6带动机舱悬浮、旋转，气隙传感器8用于检测定子1与转子2之间的悬浮气隙δ。

该风电磁悬浮偏航***的工作原理是：

如图2、图3、图4所示，定子1与转子2之间的气隙长度为δ，当风向变化需要偏航(或解缆)时，转子变流器20给转子直流励磁绕组21通入直流电流，将会有一穿过转子2与定子1之间的气隙、同时交链定子1与转子2的主磁场产生，定子1被磁化，产生处置向上的轴向磁吸力，转子2将向上运动，通过悬浮架6使整个机舱向上悬浮，当气隙传感器8检测到气隙δ达到设定值δ₀(如10mm)时，调节转子直流励磁绕组21的励磁电流，使吸力与机舱重力达到平衡，机舱悬浮在空中，此处称为悬浮平衡点；然后由定子变流器10输出三相交流电给定子三相绕组11供电，则在定子1和转子2之间的气隙中就会形成一个旋转磁场，旋转磁场和转子2磁场耦合后，会形成气隙合成磁场。在合成磁场的磁力矩作用下，转子2通过悬浮架6带动机舱旋转，实现偏航。在偏航旋转过程中，由于导向轴承5的作用，可以保证机舱不会发生偏移，使负载沿着轨道正常旋转。

由此可见，上述磁悬浮偏航电机是在悬浮平衡点处进行偏航旋转，在此过程中，一方面要控制其转速，满足运动方程，同时还要控制其悬浮气隙保持恒定，使其在平衡点处旋转，实现偏航，因而必须实现定转子协同控制。

为此，本发明一种基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，包括以下步骤：

步骤1，当风向改变需要偏航时，由转子变流器20采用PID控制算法控制转子电流i_r。如图5所示，具体方法是：悬浮气隙期望值δ^*与其实际测量值δ(由气隙传感器8测得，下同)之差，经PID控制器得到转子电流参考值i_r ^*，然后将i_r ^*与转子电流i_r作差，经PID控制器送入PWM模块，产生转子变流器20的驱动信号，控制转子变流器20输出电流，即通入转子直流励磁绕组21的电流i_r，使磁悬浮偏航电机的转子2向上悬浮至并保持在悬浮平衡点处实现稳定悬浮。

步骤2，当实现稳定悬浮后，转子变流器20改用神经网络-模型预测控制策略，控制转子电流i_r，使磁悬浮偏航电机的转子2在悬浮平衡点处保持稳定悬浮。如图6所示，具体方法是：

21)根据磁悬浮偏航电机的悬浮动态数学模型，对悬浮神经网络模型按如下训练方法进行训练：

如图6和图7所示，首先构建悬浮神经网络模型，该模型利用当前输入和当前输出预测神经网络的未来输出值。图7所示为构建的悬浮神经网络模型结构，它由输入层、1个隐含层、输出层组成。

输入层有两个输入向量：当前输入i_r(k)、当前输出δ(k)，令x₁＝i_r(k)，x₂＝δ(k)。

隐含层有n个神经元，第j个神经元输入s_j为：

隐含层第j个神经元输出y_j为：

输出层有1个神经元，其输入s为：

输出层神经元输出y为：

其中，f₁(·)为双曲正切函数tansig，f₂(·)为线性函数pureline。

其次，对上述神经网络进行训练。如图6、图8所示，将开关S1断开，开关S2置于位置I；将磁悬浮偏航电机的悬浮动态数学模型的输出δ与神经网络模型输出δ_m之预测误差e＝δ-δ_m作为神经网络的训练信号。

上述磁悬浮偏航电机的悬浮动态数学模型经如下过程获得：

如图2所示，磁悬浮偏航电机转子直流励磁绕组21通电以后将产生向上的轴向悬浮吸力F(i_r,δ)为：

式中，i_r为转子电流，δ为转子2和定子1之间的气隙长度，k₁＝μ₀N²S/4，其中，μ₀为真空磁导率，N为转子直流励磁绕组21的匝数，S为转子铁心22的磁极表面有效面积；

则悬浮物在轴向上受到向上的悬浮吸力F(i_r,δ)、向下的悬浮物重力mg和外界扰动力f_d(t)，由此可得在垂直方向上的力学方程为：

式中，m为悬浮物质量，g为重力加速度；

转子直流励磁绕组21的电压方程为：

式中，u_r为转子直流励磁绕组21的输入电压，R_r为转子直流励磁绕组21的电阻，ψ_r为转子磁链，L_r为转子直流励磁绕组21的电感，且有L_r＝2k₁/δ；dδ/dt为悬浮气隙δ对时间t的一阶导数，即悬浮物的轴向运动速度。

综上可得磁悬浮偏航电机的悬浮动态数学模型：

22)将训练好的悬浮神经网络模型移植入转子变流器20的DSP主控芯片，建立基于该DSP的实际悬浮神经网络模型预测控制***；

23)如图6所示，将开关S1闭合，开关S2置于位置II，将悬浮神经网络模型响应输出值δ_m及悬浮气隙期望值δ^*输入悬浮非线性优化模块，该模块通过使悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{r_opt}，将i_{r_opt}和悬浮气隙测量值δ作为悬浮神经网络模型的输入，同时将i_{r_opt}与转子电流i_r作差，经PID控制器送入PWM模块，产生转子变流器10的驱动信号，控制转子电流i_r，使磁悬浮偏航电机的转子2在悬浮平衡点处保持稳定悬浮。

其中，悬浮代价函数为：

式中，N_p为预测时域长度，N_u为控制时域长度，i_r为控制输入信号，即转子电流，δ^*为悬浮气隙期望值，δ_m为悬浮神经网络模型响应输出值，ρ为加权系数，k为当前时刻。

步骤3，由定子变流器10采用神经网络-模型预测控制策略，控制通入磁悬浮偏航电机定子三相绕组11的电流，使磁悬浮偏航电机按转速期望值ω^*旋转至对风位置，如图9所示，具体方法是：

31)根据磁悬浮偏航电机的偏航动态数学模型，对偏航神经网络模型按如下训练方法进行训练：

如图9和图10所示，首先构建偏航神经网络模型，该模型利用当前输入和当前输出预测神经网络的未来输出值。图10所示为构建的偏航神经网络模型结构，它也是由输入层、1个隐含层、输出层组成。

输入层有三个输入向量：当前输入i_sd(k)和i_sq(k)、当前输出ω(k)，令x₁＝i_sd(k)，x₂＝i_sq(k)，x₃＝ω(k)。

隐含层有n个神经元，第j个神经元输入s_j为：

隐含层第j个神经元输出y_j为：

输出层有1个神经元，其输入s为：

输出层神经元输出y为：

其中，f₁(·)为双曲正切函数tansig，f₂(·)为线性函数pureline。

其次，对上述神经网络进行训练。如图9、图11所示，将开关S3断开，开关S4置于位置I；将磁悬浮偏航电机的偏航动态数学模型输出ω与神经网络模型输出ω_m之预测误差e＝ω-ω_m作为神经网络的训练信号。

上述磁悬浮偏航电机的偏航动态数学模型由如下过程获得：

根据图1，本发明所述磁悬浮偏航电机为隐极式同步盘式电机，无阻尼绕组，忽略磁路饱和以及各绕组漏感，按照坐标变换原理，可得到dq同步旋转坐标系下的磁悬浮偏航电机的动态电压方程式为：

式中，u_sd、u_sq、u_r分别为定子电压的d轴、q轴分量以及转子电压，i_sd、i_sq、i_r分别为定子电流的d轴、q轴分量以及转子电流，ψ_sd、ψ_sq、ψ_r分别为定子磁链的d轴、q轴分量以及转子磁链，R_s、R_r分别为定子三相绕组11的电阻和转子直流励磁绕组21的电阻，ω₁为定子旋转磁场角速度。

磁链方程为：

式中，L_sd、L_sq分别为定子绕组的d轴、q轴自感，对于隐极电机，有L_sd＝L_sq；L_m为定子与转子绕组间的互感，L_r为转子直流励磁绕组21的电感。

转矩和运动方程：

式中，ω为转子旋转角速度，n_p为磁悬浮偏航电机极对数，J为旋转总转动惯量，T_L为负载转矩。

将式(14)代入上式，并注意到L_sd＝L_sq，可得：

式(13)-(15)构成了磁悬浮偏航电机的偏航动态数学模型。

32)将训练好的偏航神经网络模型移植入定子变流器10的DSP主控芯片，建立基于该DSP的实际偏航神经网络模型预测控制***；

33)如图9所示，将开关S3闭合，开关S4置于位置II，将偏航神经网络模型响应输出值ω_m及转速期望值ω^*输入偏航非线性优化模块，该模块通过使偏航代价函数最小化确定最优控制输入信号，即定子电流的最优值的d轴分量i_{sd_opt}和q轴分量i_{sq_opt}，将i_{sd_opt}、i_{sq_opt}和转速测量值ω(t)(由编码器9测得)作为偏航神经网络模型的输入，同时将i_{sd_opt}、i_{sq_opt}分别与定子电流的d轴分量i_sd和q轴分量i_sq比较后输入带限幅的PI控制器，得到定子电压控制量u_sd ^*和u_sq ^*，经dq/αβ坐标变换后得到u_sα ^*和u_sβ ^*，经SVPWM模块调制后产生驱动信号，控制定子变流器10产生所需的励磁电压和电流，使磁悬浮偏航电机按转速期望值ω^*旋转至对风位置。

其中，偏航代价函数为：

式中，J_Y为偏航代价函数，N_py为预测时域长度，N_uy为控制时域长度，i_sd、i_sq为控制输入信号，即分别为定子电流的d轴分量和q轴分量，ω^*为转速期望值，ω_m为偏航神经网络模型的响应输出值，ρ₁、ρ₂为加权系数，k为当前时刻。

步骤4，在偏航的同时，由转子变流器20采用神经网络-模型预测控制策略，控制转子电流i_r，使磁悬浮偏航电机的转子2在整个偏航过程中保持在悬浮平衡点处。如图9所示，具体方法是：

41)根据磁悬浮偏航电机的偏航悬浮动态数学模型，对偏航悬浮神经网络模型按如下训练方法进行训练：

如图9所示，首先构建偏航悬浮神经网络模型，该模型结构与图7所示的悬浮神经网络模型结构相同。

其次，对上述神经网络进行训练。如图9、图12所示，将开关S5断开，开关S6置于位置I；将磁悬浮偏航电机的偏航悬浮动态数学模型输出δ与神经网络模型输出δ_ym之预测误差e＝δ-δ_ym作为神经网络的训练信号。

上述磁悬浮偏航电机的偏航悬浮动态数学模型由如下过程获得：

偏航过程中，由于有定子电流存在，转子直流励磁绕组21的电压方程为：

磁链方程为：

ψ_r＝L_mi_sd+L_ri_r (17)

式中，u_r为转子直流励磁绕组21的输入电压，R_r为转子直流励磁绕组21的电阻，i_r为转子直流励磁绕组21的电流(即转子电流)，i_sd为定子电流的d轴分量，L_m为定子与转子绕组间的互感，L_r为转子直流励磁绕组21的电感，且有L_r＝2k₁/δ。

将式(17)代入式(16)，可得：

结合式(8)，可得偏航过程中磁悬浮偏航电机的偏航悬浮动态数学模型：

42)将训练好的偏航悬浮神经网络模型移植入转子变流器20的DSP主控芯片，建立基于该DSP的实际偏航悬浮神经网络模型预测控制***；

43)如图9所示，将开关S5闭合，开关S6置于位置II，将偏航悬浮神经网络模型响应输出值δ_ym及悬浮气隙期望值δ^*输入偏航悬浮非线性优化模块，该模块通过使偏航悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{r_opt}，将i_{r_opt}和悬浮气隙测量值δ作为偏航悬浮神经网络模型的输入，同时将i_{r_opt}与转子电流i_r作差，经PID控制器送入PWM模块，产生转子变流器20的驱动信号，控制转子变流器20的输出电流i_r，使磁悬浮偏航电机的转子2在整个偏航过程中保持在悬浮平衡点处。

其中，偏航悬浮代价函数为：

式中，J_YM为偏航悬浮代价函数，N_pm为预测时域长度，N_um为控制时域长度，i_r为控制输入信号，即转子电流，δ^*为悬浮气隙期望值，δ_ym为偏航悬浮神经网络模型响应输出值，ρ₃为加权系数，k为当前时刻。

Claims (4)

1.基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，所述磁悬浮偏航电机为一种隐极式同步盘式电机，包括定子、转子、悬浮架、负载平台、气隙传感器；所述定子与所述转子相对上下垂直同心放置；所述转子与所述悬浮架固定；所述悬浮架还与所述负载平台固定；所述负载平台与风电机组的机舱固定；所述气隙传感器与所述转子固定；所述定子包括定子铁心和三相绕组，所述三相绕组与定子变流器连接；所述转子包括转子铁心和直流励磁绕组，所述直流励磁绕组与转子变流器连接；其特征在于，包括以下步骤：

步骤1，当风向改变需要偏航时，由所述转子变流器采用PID控制算法控制转子电流，使所述磁悬浮偏航电机的转子向上悬浮至并保持在悬浮平衡点处实现稳定悬浮；

步骤2，当实现稳定悬浮后，所述转子变流器改用神经网络-模型预测控制策略，控制所述转子电流，使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮，具体方法是：

21)根据所述磁悬浮偏航电机的悬浮动态数学模型，对悬浮神经网络模型进行训练；

22)将训练好的所述悬浮神经网络模型移植入所述转子变流器的主控芯片，建立基于所述转子变流器的主控芯片的实际悬浮神经网络模型预测控制***；

23)将所述悬浮神经网络模型的响应输出值δ_m及悬浮气隙期望值δ^*输入悬浮非线性优化模块，所述悬浮非线性优化模块通过使悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{r_opt}，将所述最优转子电流i_{r_opt}和悬浮气隙测量值δ作为所述悬浮神经网络模型的输入，同时将所述最优转子电流i_{r_opt}与所述转子电流作差，经PID控制器送入PWM模块，产生所述转子变流器的驱动信号，从而控制所述转子电流，使所述磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮；

步骤3，由所述定子变流器采用神经网络-模型预测控制策略，控制定子电流，使所述磁悬浮偏航电机按转速期望值ω^*旋转至对风位置，具体方法是：

31)根据所述磁悬浮偏航电机的偏航动态数学模型，对偏航神经网络模型进行训练；

32)将训练好的所述偏航神经网络模型移植入所述定子变流器的主控芯片，建立基于所述定子变流器主控芯片的实际偏航神经网络模型预测控制***；

33)将所述偏航神经网络模型的响应输出值ω_m及转速期望值ω^*输入偏航非线性优化模块，所述偏航非线性优化模块通过使偏航代价函数最小化确定最优控制输入信号，即所述定子电流的最优值之d轴分量i_{sd_opt}和q轴分量i_{sq_opt}，将所述i_{sd_opt}、i_{sq_opt}以及转速测量值ω作为所述偏航神经网络模型的输入，同时将所述i_{sd_opt}和i_{sq_opt}分别与所述定子电流的d轴分量i_sd和q轴分量i_sq作差后输入带限幅的PI控制器，得到定子电压控制量u_sd ^*和u_sq ^*，经dq/αβ坐标变换后得到u_sα ^*和u_sβ ^*，经SVPWM模块调制后产生驱动信号，控制所述定子变流器产生所需的励磁电压和电流，使所述磁悬浮偏航电机按转速期望值ω^*旋转至对风位置；

步骤4，在偏航的同时，由所述转子变流器采用神经网络-模型预测控制策略，控制所述转子电流，使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处，具体方法是：

41)根据所述磁悬浮偏航电机的偏航悬浮动态数学模型，对偏航悬浮神经网络模型进行训练；

42)将训练好的所述偏航悬浮神经网络模型移植入所述转子变流器的主控芯片，建立基于所述转子变流器的主控芯片的实际偏航悬浮神经网络模型预测控制***；

43)将所述偏航悬浮神经网络模型的响应输出值δ_ym及悬浮气隙期望值δ^*输入悬浮非线性优化模块，所述悬浮非线性优化模块通过使偏航悬浮代价函数最小化确定最优控制输入信号，即最优转子电流i_{yr_opt}，将所述最优转子电流i_{yr_opt}和悬浮气隙测量值δ作为所述偏航悬浮神经网络模型的输入，同时将所述最优转子电流i_{yr_opt}与所述转子电流作差，经PID控制器送入PWM模块，产生所述转子变流器的驱动信号，从而控制所述转子电流，使所述磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处。

2.根据权利要求1所述的基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，其特征在于，所述步骤2中的悬浮代价函数为：

式中，J为悬浮代价函数，N_p为预测时域长度，N_u为控制时域长度，i_r为控制输入信号，即所述转子电流，δ^*为悬浮气隙期望值，δ_m为所述悬浮神经网络模型的响应输出值，ρ为加权系数，k为当前时刻。

3.根据权利要求1所述的基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，其特征在于，所述步骤3中的偏航代价函数为：

式中，J_Y为偏航代价函数，N_py为预测时域长度，N_uy为控制时域长度，i_sd、i_sq为控制输入信号，即分别为所述定子电流的d轴分量和q轴分量，ω^*为转速期望值，ω_m为所述偏航神经网络模型的响应输出值，ρ₁、ρ₂为加权系数，k为当前时刻。

4.根据权利要求1所述的基于神经网络-模型预测控制的磁悬浮偏航电机控制方法，其特征在于，所述步骤4中的偏航悬浮代价函数为：

式中，J_YM为偏航悬浮代价函数，N_pm为预测时域长度，N_um为控制时域长度，i_r为控制输入信号，即所述转子电流，δ^*为悬浮气隙期望值，δ_ym为所述偏航悬浮神经网络模型的响应输出值，ρ₃为加权系数，k为当前时刻。

Images