CN113090461B - 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 - Google Patents
基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 Download PDFInfo
- Publication number
- CN113090461B CN113090461B CN202110519512.9A CN202110519512A CN113090461B CN 113090461 B CN113090461 B CN 113090461B CN 202110519512 A CN202110519512 A CN 202110519512A CN 113090461 B CN113090461 B CN 113090461B
- Authority
- CN
- China
- Prior art keywords
- suspension
- current
- neural network
- control
- network model
- 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.)
- Active
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 196
- 238000003062 neural network model Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000011217 control strategy Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000005339 levitation Methods 0.000 claims description 54
- 238000004804 winding Methods 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007667 floating Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 230000035699 permeability 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
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- F03D7/06—Controlling wind motors the wind motors having rotation axis substantially perpendicular to the air flow entering the rotor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02E10/74—Wind turbines with rotation axis perpendicular to the wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法,属于风电技术领域。该方法将神经网络与多步模型预测控制相结合控制悬浮压力:采用神经网络模型逼近非线性的低风速垂直轴风力机的悬浮***,采用Newton‑Raphson优化算法实现滚动优化,得到***未来有限时域的最优控制量,及时减小偏差,保持实际上的最优控制;同时,采用指数趋近律为双曲正切函数的滑模控制策略控制悬浮电流,保证***快速跟踪能力和稳定性。本发明对非线性磁悬浮***无需进行线性化处理,能够实现多步预测,其抗干扰能力更强,同时能耗最低,尤其适合非线性、强耦合、存在风速风向突变等时变干扰的低风速风电悬浮***的控制。
Description
技术领域
本发明涉及一种控制方法,尤其是一种基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法,属于风电技术领域。
背景技术
低风速风电是未来风电发展的重点之一。但目前大功率水平轴风力发电机存在需要偏航对风、启动阻力矩大、控制困难、成本高等固有缺陷,影响其健康发展,尤其难以满足弱风型风电场的低风速启动要求。
磁悬浮垂直轴风力发电机因为无机械摩擦,大大降低了启动阻力矩,因而可进一步降低起动风速,具有启动风速低、安装简便、无需偏航装置等优势,可用于风速低、风向变化频繁(因垂直轴风力发电机无需对风)的风电场,是未来风电发展的重点方向。
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***的动态模型,籍此完成状态反馈控制,其抗干扰能力、控制性能较弱,尤其是当存在较大扰动时,利用这种方法设计的线性控制器可能会失去稳定性。因此与仅考虑***稳定性的传统控制策略相比,一些智能控制方法,如滑模控制、神经网络控制以及模糊逻辑控制等,受到了更多的关注,它们可提高***整体性能,如鲁棒性和动态响应能力等。有文献提出了一种神经网络PID控制器,利用BP神经网络在线调整PID控制器参数,但当悬浮控制***遭受较大外部扰动且致使悬浮气隙远离平衡点时,此方法无法保证控制性能。也有文献提出了一种鲁棒控制器用以解决悬浮控制***统的不确定性问题,但是悬浮气隙受到了严格限制。有的提出了一种基于状态观测器的自适应神经模糊控制器,该控制策略具有较强的控制性能,但控制器设计复杂且没有讨论***收敛速度。
模型预测控制方法(MPC)是一种结构简单、具有多变量优化能力的在线最优控制算法。但目前只有少数研究将MPC应用到悬浮控制***,但均对悬浮控制***进行线性化处理,忽略了悬浮***的非线性特性,且大多采用一步预测控制,控制性能较弱。
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,本发明提供一种低风速垂直轴风力机的悬浮控制方法,通过采用滑模神经网络模型预测控制策略,灵活控制悬浮、调节旋转阻尼,实现低风速启动,提高悬浮***抗干扰性能,确保低风速垂直轴风力机悬浮性能实时最优。
为了达到以上目的,本发明所述低风速垂直轴风力机,包括:垂直轴永磁直驱型风力发电机、悬浮***、基座、压力传感器、风轮、转轴;所述永磁直驱型风力发电机包括定子和转子;所述悬浮***包括磁悬浮盘式电机和悬浮控制***。
所述磁悬浮盘式电机位于所述垂直轴永磁直驱型风力发电机的下方,包括盘式定子和盘式转子;所述盘式定子由盘式定子铁芯和悬浮绕组组成,所述悬浮绕组为直流励磁绕组。
所述悬浮控制***由悬浮变流器及其悬浮控制器组成,所述悬浮变流器与所述悬浮绕组连接,所述悬浮变流器的主控芯片为DSP(数字信号处理器);所述悬浮控制器包括外环悬浮压力跟踪控制器和内环悬浮跟踪电流控制器;所述外环悬浮压力跟踪控制器为神经网络模型预测控制器,所述内环悬浮电流跟踪控制器为滑模控制器。
所述风轮与所述转轴的上部固定;所述盘式转子与所述基座固定,所述基座与所述转轴固定。所述垂直轴永磁直驱型风力发电机的转子、所述磁悬浮盘式电机的盘式转子、所述风轮、所述基座和所述转轴统称为旋转体。
所述压力传感器位于所述转轴和所述基座的正下方,用于测量所述旋转体作用在所述基座上的压力。
本发明基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法,包括以下步骤:
步骤1,建立所述悬浮***的悬浮动态数学模型,建模过程如下:
11)所述悬浮***在所述悬浮绕组通电后将产生向上的轴向电磁吸力F:
式中,i(t)为所述悬浮绕组的电流,即悬浮电流;δ为悬浮气隙,即所述盘式定子和所述盘式转子之间的距离;k1=μ0N2S/4,其中,μ0为真空磁导率,N为所述悬浮绕组的匝数,S为所述盘式定子的磁极表面有效面积。
12)所述旋转体在垂直方向上受到的合力为:
P=mg-F+fd(t) (2)
式中,P为所述旋转体在垂直方向上受到的合力,即所述旋转体作用在所述基座上的压力;mg为所述旋转体的重力;fd(t)为外界扰动力。
13)所述悬浮绕组的电压方程为:
式中,u(t)为所述悬浮绕组的电压,R为所述悬浮绕组的电阻,ψ(t)为气隙磁链,L为所述悬浮绕组的气隙电感,且有L=2k/δ。
14)综上,可得所述悬浮***的悬浮动态数学模型:
步骤2,根据所述悬浮***的悬浮动态数学模型,对悬浮神经网络模型进行训练,具体步骤为:
21)构建悬浮神经网络模型:
所述悬浮神经网络模型由输入层、隐含层和输出层组成。
输入层含有两个输入向量:当前输入i(k)、当前输出P(k),令x1=i(k),x2=P(k),则输入层的输入可写为:
x=[i(k),P(k)]T (5)
式中,i(k)为当前时刻的所述悬浮电流,P(k)为当前时刻的所述旋转体在垂直方向上受到的合力,k为当前时刻。
隐含层含8个神经元,其中,第j个神经元的输入sj为:
式中,ωij和θj分别为隐含层的连接权值和偏置向量。
隐含层第j个神经元的输出yj为:
输出层含有1个神经元,其输入s为:
式中,ωj和θ分别为输出层的连接权值和偏置向量。
令输出层神经元的输出y为:
式中,Pm(k+1)为k+1时刻所述悬浮神经网络模型的输出。
22)对上述神经网络进行训练,将所述悬浮***的悬浮动态数学模型输出P与所述悬浮神经网络模型输出Pm之预测误差e=P-Pm作为所述悬浮神经网络的训练信号。
步骤3,将训练好的所述悬浮神经网络模型移植入所述悬浮变流器的DSP主控芯片,建立基于所述悬浮变流器DSP的实际悬浮神经网络模型预测控制***。
步骤4,采用模型预测控制策略,设计所述外环悬浮压力跟踪控制器,实现悬浮压力跟踪控制,具体方法如下:
41)选取所述悬浮***的代价函数J为:
式中,α和λ分别为压力权重因子和电流权重因子;Np为预测时域步长,Nu为控制时域步长,令Np=Nu=d,d为预测步数;P*为所述旋转体在垂直方向上的压力期望值;k为当前时刻。
42)将所述悬浮神经网络模型的输出值Pm(k)、所述旋转体在垂直方向上的压力期望值P*(k)以及当前时刻的所述悬浮绕组的电流i(k)输入至悬浮滚动优化器;所述悬浮滚动优化器采用Newton-Raphson(N-R)优化算法,确定最优控制输入信号,即所述悬浮绕组的电流最优值iopt:
iopt=i(k)-[H(k)]-1Γ(k) (11)
式中,Γ(k)和H(k)分别为Jacobian矩阵和Hessian矩阵。
对式(10)求取一阶导数,得到Jacobian矩阵:
对式(10)求取二阶导数,得到Hessian矩阵:
43)将所述悬浮绕组的电流最优值iopt和所述旋转体在垂直方向上受到的压力测量值P作为所述悬浮神经网络模型的输入。
步骤5,采用滑模控制策略,设计所述内环悬浮电流跟踪控制器,实现悬浮电流跟踪控制,具体方法如下:
51)将步骤4得到的所述悬浮绕组的电流最优值iopt与所述悬浮绕组的电流i(t)作差,得到跟踪误差ei为:
ei=iopt(t)-i(t) (17)
对式(17)求导,则有:
将式(3)代入式(18),则有:
52)设计含有积分项的滑模面为:
式中,c1>0,c0>0。
对式(20)求导,并将式(19)代入,可得:
53)求滑模控制器的输出:
取指数趋近律为:
式中,μ、η为正实数。
54)将式(22)代入到式(21),则求得所述内环悬浮电流控制器的输出为:
55)将所述内环悬浮电流控制器输出送入PWM模块,产生所述悬浮变流器的驱动信号,从而控制所述悬浮绕组的电流i(t),使所述旋转体保持在悬浮平衡点处稳定运行。
本发明的有益效果是:
1)本发明外环悬浮压力跟踪控制器采用神经网络-模型预测控制策略,将BP神经网络与模型预测控制相结合,通过神经网络模型逼近非线性悬浮***,无需进行线性化处理;通过采用N-R滚动优化,得到***未来有限时域的最优控制量,实现多步预测功能,实时获得***未来有限时域内的最优控制量,以有效应对风速、风向的波动性及不确定性给磁悬浮***带来的时变、非线性干扰以及模型失配等问题。
2)本发明内环悬浮电流控制器中采用滑模控制器,其滑模指数趋近律采用光滑的双曲正切函数,能够使***在较短的时间内达到稳定,且控制精度更高。
总之,本发明可有效解决因风力风向随机变化以及风机载荷所引起的非线性时变扰动的影响,增强了悬浮***的鲁棒性和动态性能,抗干扰能力更强,确保低风速垂直轴风力机性能实时最优,而且能耗低,满足低风速风电要求。
附图说明
图1为本发明所述低风速垂直轴风力机的结构示意图。
图2为本发明悬浮***结构示意和力学分析示意图。
图3为本发明基于滑模神经网络模型预测控制的悬浮控制***结构框图。
图4为本发明悬浮神经网络模型结构。
图5为本发明悬浮神经网络训练过程图(***辨识过程)。
图6为不加滑模控制的基于神经网络-模型预测控制的悬浮控制***结构框图。
图7为本发明与不加滑模控制的基于神经网络-模型预测控制的悬浮压力对比仿真曲线图。
图8为本发明与不加滑模控制的基于神经网络-模型预测控制的悬浮电流对比仿真曲线图。
图中标号:1-垂直轴永磁直驱型风力发电机,11-垂直轴永磁直驱型风力发电机定子,12-垂直轴永磁直驱型风力发电机转子,2-磁悬浮盘式电机,21-磁悬浮盘式定子,22-磁悬浮盘式转子,3-风轮,5-基座,6-压力传感器,7-下端轴承,8-上端轴承,9-外壳,10-转轴,11-悬浮变流器,211-盘式定子铁芯,212-悬浮绕组,221-盘式转子铁芯,222-盘式转子绕组。
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2所示,本发明所述低风速垂直轴风力机,包括:垂直轴永磁直驱型风力发电机1、悬浮***、风轮3、基座5、压力传感器6、上端轴承7、下端轴承8、外壳9、转轴10;垂直轴永磁直驱型风力发电机1包括定子11和转子12;悬浮***包括磁悬浮盘式电机2和悬浮控制***。
垂直轴永磁直驱型风力发电机1的定子11包括定子铁芯和定子绕组,定子铁芯与外壳9的内侧面固定。
磁悬浮盘式电机2位于垂直轴永磁直驱型风力发电机1的下方,包括盘式定子21和盘式转子22;盘式定子21由盘式定子铁芯211和悬浮绕组212组成,悬浮绕组212为直流励磁绕组。
如图1所示,风轮3与转轴10的上部固定;盘式转子22与基座5固定,基座5与转轴10固定;压力传感器6位于转轴10和基座5的正下方。垂直轴永磁直驱型风力发电机1的转子12、磁悬浮盘式电机2的盘式转子22、风轮3、基座5和转轴10统称为旋转体。压力传感器6用于测量旋转体作用在基座5上的压力。
如图3所示,悬浮控制***由悬浮变流器11及其悬浮控制器组成,悬浮变流器11与悬浮绕组212连接,悬浮变流器11为DC/DC变流器,用于悬浮控制及调节旋转阻尼,其主控芯片为DSP(数字信号处理器);悬浮控制器包括外环悬浮压力跟踪控制器和内环悬浮电流控制器;外环悬浮压力跟踪控制器为神经网络模型预测控制器,内环悬浮电流控制器为滑模控制器。
低风速风电意味着低风速垂直轴风力机的自身损耗必须最小化,因而本发明在实现稳定悬浮控制的同时还要尽可能降低悬浮***损耗,以实现低风速发电。由式(1)可知,悬浮力一定,悬浮气隙δ与悬浮电流i(t)成正比,为此,可以通过减小悬浮气隙以降低悬浮***的能量损耗。但当悬浮气隙较小时(2~3mm),起浮和降落等过程中的悬浮控制将异常困难,因此本发明将悬浮控制***的控制目标由传统的悬浮气隙改为悬浮压力,同时可通过调节悬浮压力来调控旋转阻尼,使得低风速磁悬浮垂直轴风力发电机的工作状态最优。
本发明基于滑模神经网络模型预测控制的低风速垂直轴风力机悬浮控制方法,包括以下步骤:
步骤1,建立悬浮***的悬浮动态数学模型,建模过程如下:
11)如图2所示,悬浮***在悬浮绕组212通电后将产生向上的轴向悬浮力F,即:盘式转子22将受到向上的轴向悬浮力F,也即旋转体将受到向上的轴向悬浮力F(因为盘式转子22通过基座5与转轴10固定):
式中,i(t)为悬浮绕组212的电流,即悬浮电流;δ为悬浮气隙,即盘式定子21和盘式转子22之间的距离;k1=μ0N2S/4,其中,μ0为真空磁导率,N为悬浮绕组212的匝数,S为盘式定子21的磁极表面有效面积。
12)则旋转体在垂直方向上受到的合力为:
P=mg-F+fd(t) (2)
式中,P为旋转体在垂直方向上受到的合力,即旋转体作用在基座5上的压力;mg为旋转体的重力;fd(t)为外界扰动力。
13)悬浮绕组212的电压方程为:
式中,u(t)为悬浮绕组212的电压,R为悬浮绕组212的电阻,ψ(t)为悬浮气隙磁链,L为悬浮绕组212的气隙电感,且有L=2k1/δ。
14)综上,可得悬浮***的悬浮动态数学模型:
步骤2,根据悬浮动态数学模型,对悬浮神经网络模型按如下训练方法进行训练:
21)如图3和图4所示,首先构建悬浮神经网络模型,该模型运用当前输入值和当前悬浮神经网络模型的未来输出值。悬浮神经网络模型由输入层、隐含层和输出层组成。
输入层含有两个输入向量:当前输入i(k)、当前输出P(k),令x1=i(k),x2=P(k),则输入层的输入可写为:
x=[i(k),P(k)]T (5)
式中,i(k)为当前时刻的悬浮电流,P(k)为当前时刻旋转体作用在基座5上的压力,k为当前时刻。
隐含层含8个神经元,其中,第j个神经元的输入sj为:
式中,ωij和θj分别为隐含层的连接权值和偏置向量。
隐含层第j个神经元的输出yj为:
输出层含有1个神经元,其输入s为:
式中,ωj和θ分别为输出层的连接权值和偏置向量。
令输出层神经元的输出y为:
式中,Pm(k+1)为k+1时刻悬浮神经网络模型的输出。
22)对上述神经网络进行训练,如图3、图5所示,将开关S1断开,开关S2置于位置I;将悬浮***的悬浮动态数学模型输出P与悬浮神经网络模型输出Pm之预测误差e=P-Pm作为悬浮神经网络的训练信号。
步骤3,将训练好的悬浮神经网络模型移植入悬浮变流器11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***。
步骤4,采用模型预测控制策略,设计外环悬浮压力跟踪控制器,实现悬浮压力跟踪控制,具体方法如下:
41)选取所述悬浮***的代价函数J为:
式中,α和λ分别为压力权重因子和悬浮电流权重因子;Np为预测时域步长,Nu为控制时域步长,令Np=Nu=d,d为预测步数;P*为旋转体在垂直方向上的压力期望值;k为当前时刻。
42)如图3所示,将开关S1闭合,S2置于位置Ⅱ,将悬浮神经网络模型的输出值Pm(k)、旋转体在垂直方向上的压力期望值P*(k)以及当前时刻的悬浮电流测量值i(k)输入至悬浮滚动优化器。悬浮滚动优化器采用Newton-Raphson(N-R)优化算法,确定最优控制输入信号,即悬浮绕组212的电流最优值iopt。N-R优化算法的迭代公式可以表示为:
i(k+1)=i(k)-[H(k)]-1Γ(k)
式中的i(k+1)就是iopt,于是上式可改写为:
iopt=i(k)-[H(k)]-1Γ(k) (11)
式中,Γ(k)和H(k)分别为Jacobian矩阵和Hessian矩阵。
对式(10)求取一阶导数,得到Jacobian矩阵:
对式(10)求取二阶导数,得到Hessian矩阵:
目前模型预测控制多采用一步预测控制,而悬浮***的控制性能随着模型预测控制的预测步数d的增加而不断提高。但为了提高动态响应速度,必须降低计算成本,为此,采用两步预测控制,即d=2。此时,式(10)、式(12)、式(13)可分别改写为:
将式(14)-(16)代入式(11),即可求得iopt。
43)将悬浮绕组212的电流最优值iopt和旋转体在垂直方向上作用在基座5上的压力测量值P(由压力传感器6测得)作为悬浮神经网络模型的输入。
步骤5,采用滑模控制策略,设计内环悬浮电流跟踪控制器,实现悬浮电流跟踪控制,具体方法如下:
51)如图3所示,将步骤42)得到的悬浮绕组212的电流的最优值iopt与其实际值i(t)作差,得到跟踪误差ei为:
ei=iopt(t)-i(t) (17)
对式(17)求导,则有:
将式(3)代入式(18),则有:
52)设计含有积分项的滑模面为:
式中,c1>0,c0>0。
对式(20)求导,并将式(19)代入,可得:
53)求滑模控制器的输出:
取指数趋近律为:
式中,μ、η为正实数。
下面证明该滑模控制器是全局渐进稳定的。
构造Lyapunov函数为:
对上式求导,则有:
根据Lyapunov稳定性理论,证得该滑模控制器是全局渐进稳定的。
54)将式(22)代入到式(21),则求得内环悬浮电流控制器的输出为:
55)将内环悬浮电流跟踪控制器输出送入PWM模块,产生悬浮变流器11的驱动信号,从而控制悬浮绕组212的电流i(t),使旋转体保持在悬浮参考点处稳定运行。
下面用一个优选实施例对本发明做进一步的说明。
为了验证本发明基于滑模神经网络模型预测控制方法的有效性,对低风速垂直轴风力机的悬浮***分别采用本发明的滑模神经网络模型预测控制策略(以下简称NNMPC-SMC)和内环悬浮电流跟踪控制器不采用滑模控制而是采用PID的神经网络模型预测策略(以下简称NNMPC-PID)进行对比仿真分析。
如图6所示,NNMPC-PID方法的主要思路是:将外环悬浮压力跟踪控制器的输出(即悬浮绕组212的电流最优值iopt),与悬浮绕组212的电流值i(t)作差,经PID控制器送入PWM模块,产生悬浮变流器11的驱动信号,控制悬浮绕组212的电流i(t),使旋转体在悬浮参考点处保持稳定运行。
具体仿真参数如表1所示。
表1低风速低风速垂直轴风力机的模型参数
参数名称 | 数值 |
旋转体重量m(kg) | 25.5 |
悬浮电磁铁的励磁绕组匝数N | 40 |
悬浮电磁铁的磁极面积S(m<sup>2</sup>) | 1.2×10<sup>-2</sup> |
悬浮气隙δ(mm) | 3 |
悬浮压力期望值P<sup>*</sup>(N) | 50 |
悬浮电磁铁的励磁绕组电阻R(Ω) | 0.7 |
真空磁导率μ<sub>0</sub>(N/A<sup>2</sup>) | 4π×10<sup>-7</sup> |
BP神经网络的参数为:
ωij=[0.90,0.88;0.56,0.60;0.48,0.06;0.59,0.32;0.23,0.79;0.52,0.71;0.65,0.05;0.11,1.1],θj=[-0.2;0.23;0.75;0.97;0.3;-0.72;-1.1;0.22],ωj=[-0.02;0.31;0.28;-0.11;0.26;-0.68;0.44;0.19],θ=-1.06。
仿真结果分别如图7、图8所示。
图7为悬浮压力对比仿真分析曲线图。由图7可知,在启动阶段,两种控制方法均能快速调节,进入稳态之后,本发明由于加入了滑模控制器,悬浮压力能够快速稳定在平衡点悬浮压力期望值50N,而未加入滑模控制器的NNMPC-PID方法,具有较大的悬浮压力波动,最大超过了5N。由此可见,加入滑模控制器提高了悬浮控制***的控制精度。
图8为悬浮绕组电流对比仿真分析曲线图。由图8可知,本发明悬浮电流的响应速度更快,能够在0.1s内快速反应;未加入滑模控制器的NNMPC-PID方法的悬浮电流需要超过2s的调节时间,动态响应速度较慢。
从图7、图8可以看出,本发明基于滑模神经网络模型预测控制的悬浮控制方法能够提高整个***的快速性、精确性、稳定性。
总之,本发明将BP神经网络与多步模型预测控制(MPC)相结合,采用神经网络模型逼近强耦合、非线性的低风速垂直轴风力机的悬浮***,无需线性化处理,以有效应对风速、风向的波动性及不确定性给磁悬浮***带来的时变、非线性干扰以及模型失配等问题;同时考虑到N-R方法具有二阶收敛性,收敛速度较快,采用N-R滚动优化,得到***未来有限时域的最优控制量,及时减小偏差,保持实际上的最优控制,保证***快速跟踪能力和稳定性。同时,悬浮电流控制器采用滑模控制器,其滑模指数趋近律采用光滑的双曲正切函数,能够使***在较短的时间内达到稳定,且控制精度更高。与常规控制相比,本发明所提方法对非线性磁悬浮***无需进行线性化处理,能够实现多步预测,实时获得***未来有限时域内的最优控制量,因而其抗干扰能力更强,同时能耗最低,尤其适合非线性、强耦合、存在时变非线性干扰的低风速风电悬浮***的控制。
Claims (2)
1.基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法,所述低风速垂直轴风力机,包括:垂直轴永磁直驱型风力发电机、悬浮***、基座、压力传感器、风轮、转轴;所述永磁直驱型风力发电机包括定子和转子;所述悬浮***包括磁悬浮盘式电机和悬浮控制***;所述磁悬浮盘式电机位于所述垂直轴永磁直驱型风力发电机的下方,包括盘式定子和盘式转子;所述盘式定子由盘式定子铁芯和悬浮绕组组成,所述悬浮绕组为直流励磁绕组;所述悬浮控制***由悬浮变流器及其悬浮控制器组成;所述悬浮控制器包括外环悬浮压力跟踪控制器和内环悬浮电流跟踪控制器;所述垂直轴永磁直驱型风力发电机的转子、所述磁悬浮盘式电机的盘式转子、所述风轮、所述基座和所述转轴统称为旋转体;其特征在于,包括以下步骤:
步骤1,建立所述悬浮***的悬浮动态数学模型:
式中,P为所述旋转体在垂直方向上受到的合力,即所述旋转体作用在所述基座上的压力;mg为所述旋转体的重力;fd(t)为外界扰动力;i(t)为所述悬浮绕组的电流,即悬浮电流;δ为悬浮气隙,即所述盘式定子和所述盘式转子之间的距离;k1=μ0N2S/4,其中,μ0为真空磁导率,N为所述悬浮绕组的匝数,S为所述盘式定子的磁极表面有效面积;u(t)为所述悬浮绕组的电压,R为所述悬浮绕组的电阻;
步骤2,根据所述悬浮***的悬浮动态数学模型,对悬浮神经网络模型进行训练,具体方法为:
21)构建悬浮神经网络模型:
所述悬浮神经网络模型由输入层、隐含层和输出层组成;
输入层含有两个输入向量:当前输入i(k)、当前输出P(k),令x1=i(k),x2=P(k),则输入层的输入可写为:
x=[i(k),P(k)]T (5)
式中,i(k)为当前时刻的所述悬浮电流,P(k)为当前时刻的所述旋转体在垂直方向上受到的合力,k为当前时刻;
隐含层含8个神经元,其中,第j个神经元的输入sj为:
式中,ωij和θj分别为隐含层的连接权值和偏置向量;
隐含层第j个神经元的输出yj为:
式中,f1(·)为双曲正切函数;
输出层含有1个神经元,其输入s为:
式中,ωj和θ分别为输出层的连接权值和偏置向量;
令输出层神经元的输出y为:
式中,Pm(k+1)为k+1时刻所述悬浮神经网络模型的输出;
22)对上述神经网络进行训练,将所述悬浮***的悬浮动态数学模型输出P与所述悬浮神经网络模型输出Pm之预测误差e=P-Pm作为所述悬浮神经网络的训练信号;
步骤3,将训练好的所述悬浮神经网络模型移植入所述悬浮变流器的主控芯片,建立基于所述悬浮变流器的主控芯片的实际悬浮神经网络模型预测控制***;
步骤4,采用模型预测控制策略,设计所述外环悬浮压力跟踪控制器,实现悬浮压力跟踪控制;具体方法为:
41)选取所述悬浮***的代价函数J为:
式中,α和λ分别为压力权重因子和电流权重因子;Np为预测时域步长,Nu为控制时域步长,令Np=Nu=d,d为预测步数;P*为所述旋转体在垂直方向上的压力期望值;k为当前时刻;
42)将所述悬浮神经网络模型的输出值Pm(k)、所述旋转体在垂直方向上的压力期望值P*(k)以及当前时刻的所述悬浮绕组的电流i(k)输入至悬浮滚动优化器;所述悬浮滚动优化器采用Newton-Raphson优化算法,确定最优控制输入信号,即所述悬浮绕组的电流最优值iopt:
iopt=i(k)-[H(k)]-1Γ(k) (11)
式中,Γ(k)和H(k)分别为Jacobian矩阵和Hessian矩阵;
对式(10)求取一阶导数,得到Jacobian矩阵:
对式(10)求取二阶导数,得到Hessian矩阵:
43)将所述悬浮绕组的电流最优值iopt和所述旋转体作用在所述基座上的压力P作为所述悬浮神经网络模型的输入;
步骤5,采用滑模控制策略,设计所述内环悬浮电流跟踪控制器,实现悬浮电流跟踪控制。
2.根据权利要求1所述的滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法,其特征在于,所述步骤5的具体方法为:
51)将步骤4得到的所述悬浮绕组的电流最优值iopt与所述悬浮绕组的电流i(t)作差,得到跟踪误差ei为:
ei=iopt(t)-i(t) (17)
对式(17)求导,则有:
将式(4)中的第二个方程,即电压方程代入式(18),则有:
52)设计含有积分项的滑模面为:
式中,c1>0,c0>0;
对式(20)求导,并将式(19)代入,可得:
53)求滑模控制器的输出:
取指数趋近律为:
式中,μ、η为正实数;
54)将式(22)代入到式(21),则求得所述内环悬浮电流控制器的输出为:
55)将所述内环悬浮电流跟踪控制器输出送入PWM模块,产生所述悬浮变流器的驱动信号,从而控制所述悬浮绕组的电流i(t),使所述旋转体保持在悬浮平衡点处稳定运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519512.9A CN113090461B (zh) | 2021-05-13 | 2021-05-13 | 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519512.9A CN113090461B (zh) | 2021-05-13 | 2021-05-13 | 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113090461A CN113090461A (zh) | 2021-07-09 |
CN113090461B true CN113090461B (zh) | 2022-06-28 |
Family
ID=76665442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519512.9A Active CN113090461B (zh) | 2021-05-13 | 2021-05-13 | 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113090461B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113775474B (zh) * | 2021-08-21 | 2023-09-29 | 曲阜师范大学 | 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法 |
CN114448311B (zh) * | 2022-01-24 | 2024-07-12 | 南京极景微半导体有限公司 | 无轴承永磁同步发电机模糊神经网络预测解耦控制*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345013B (zh) * | 2019-07-24 | 2020-11-03 | 曲阜师范大学 | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 |
CN110805523B (zh) * | 2019-12-13 | 2020-08-25 | 曲阜师范大学 | 一种基于神经网络的风电磁悬浮偏航***悬浮控制方法 |
CN111173681B (zh) * | 2020-01-09 | 2021-06-22 | 曲阜师范大学 | 基于滑模神经网络的磁悬浮垂直轴风电机组悬浮控制方法 |
CN111835261B (zh) * | 2020-07-22 | 2022-05-24 | 曲阜师范大学 | 基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法 |
-
2021
- 2021-05-13 CN CN202110519512.9A patent/CN113090461B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113090461A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Reinforcement learning-based optimal tracking control for levitation system of maglev vehicle with input time delay | |
CN113090461B (zh) | 基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法 | |
Wai et al. | Real-time PID control strategy for maglev transportation system via particle swarm optimization | |
CN107070342A (zh) | 一种带负载状态观测器的永磁同步电机控制*** | |
Wai et al. | On-line supervisory control design for maglev transportation system via total sliding-mode approach and particle swarm optimization | |
Wai et al. | Observer-based adaptive fuzzy-neural-network control for hybrid maglev transportation system | |
CN110401378B (zh) | 基于神经网络-模型预测控制的磁悬浮偏航电机控制方法 | |
Gao et al. | A novel active disturbance rejection-based control strategy for a gun control system | |
CN110805523B (zh) | 一种基于神经网络的风电磁悬浮偏航***悬浮控制方法 | |
CN111835261B (zh) | 基于自适应神经网络的磁悬浮垂直轴风电机组悬浮控制方法 | |
CN110345013B (zh) | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 | |
CN103895832A (zh) | 一种船舶电伺服鳍、翼鳍减横摇智能矢量控制方法 | |
CN109113929B (zh) | 一种风力磁悬浮机舱悬浮控制方法 | |
Li et al. | Modeling of maglev yaw system of wind turbines and its robust trajectory tracking control in the levitating and landing process based on NDOB | |
CN109491248A (zh) | 基于rbf-arx模型和拉盖尔函数的磁悬浮球位置预测控制方法 | |
CN111173681B (zh) | 基于滑模神经网络的磁悬浮垂直轴风电机组悬浮控制方法 | |
Lin et al. | Fuzzy PID control algorithm based on PSO and application in BLDC motor | |
CN115473464A (zh) | 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 | |
Xingqiao et al. | The research of fuzzy immune linear active disturbance rejection control strategy for three-motor synchronous system | |
Chen et al. | Suspension Strategy of Maglev Vertical Axis Wind Turbine Based on Sliding Mode Adaptive Neural Network Predictive Control | |
Wang et al. | Research on MPC-based suspension control of wind maglev yaw system | |
Cui et al. | The design of levitation controller based on BPNN with quantization factors for maglev yaw system of wind turnines | |
CN113775474B (zh) | 基于自适应神经网络有限时间控制的垂直轴风电机组悬浮控制方法 | |
Ding | Comparative study on control effect of permanent magnet synchronous motor based on Fuzzy PID control and BP neural network PID control | |
Shi et al. | Model predictive control of direct-driven surface-mounted permanent magnet synchronous generator based on active disturbance rejection controller |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |