CN115952731B - 一种风力机叶片主动振动控制方法、装置及设备 - Google Patents
一种风力机叶片主动振动控制方法、装置及设备 Download PDFInfo
- Publication number
- CN115952731B CN115952731B CN202211640722.4A CN202211640722A CN115952731B CN 115952731 B CN115952731 B CN 115952731B CN 202211640722 A CN202211640722 A CN 202211640722A CN 115952731 B CN115952731 B CN 115952731B
- Authority
- CN
- China
- Prior art keywords
- error
- control
- wind turbine
- turbine blade
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 230000009466 transformation Effects 0.000 claims abstract description 50
- 230000001131 transforming effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 58
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000006073 displacement reaction Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000002238 attenuated effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- VXPLXMJHHKHSOA-UHFFFAOYSA-N propham Chemical compound CC(C)OC(=O)NC1=CC=CC=C1 VXPLXMJHHKHSOA-UHFFFAOYSA-N 0.000 description 1
- 229910001285 shape-memory alloy Inorganic materials 0.000 description 1
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
一种风力机叶片主动振动控制方法、装置及设备,涉及风力发电技术领域,解决的技术问题为“如何使风力机叶片振动在有限时间收敛”,方法包括:采集风力机叶片结构参数;基于所述结构参数,建立风力机叶片状态空间模型;基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;对所述第一控制误差进行变换,得到变换误差;基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数;该方法采用有限时间预设性能理论设计误差变量并采用观测器进行观测,保证了风力机叶片稳定性和收敛时间有界,适用于风力机叶片振动控制场景。
Description
技术领域
本发明涉及风力发电技术领域。
背景技术
随着风力发电的发展,风力机叶片的形状逐渐由原来的相对短粗逐渐朝着大型化、细长化发展,部分大型风力机的叶片已经达到百米。百米量级的叶片颤振临界转速在额定转速的1.0倍~1.1倍之间,使得叶片存在较大的颤振破坏风险,因此很有必要对风力机叶片的主动振动控制方法进行研究。
现有的风力机叶片主动振动控制方法有如下:专利文献CN202431443U公开了一种风力发电机叶片振动主动控制***,包括传感器、接收所述传感器信号的控制器和控制器控制下作用的作动器,该方法主要是针对控制***结构进行设计,并没有提出明确的主动振动控制算法;专利文献CN207178106U公开了一种新型风力发电机叶片颤振抑制***,采用压电材料反馈作动以及形状记忆合金联合作动和外部控制相结合的控制方案,该方法主要针对的是控制***结构进行设计,且控制方案采用的是传统的鲁棒控制,并未做出改进;专利文献CN105888970B公开了一种智能风机叶片基于灰色信息优化的自适应内模振动控制方法,利用灰关联优化的差分进化辨识方式对不确定影响下的叶片振动***进行精确辨识,利用灰色规划理论对叶片自适应内模振动控制器的参数进行自适应优化调节,该方法考虑了叶片的不确定性影响,设计了新型的自适应振动控制器,但是叶片振动并不能够在有限时间内收敛。综上所述,现有风力机叶片主动振动控制技术大多数是针对控制***结构进行设计,并未对风力机叶片主动振动控制算法本身进行改进优化,且所设计改进的控制算法也无法让叶片振动在有限时间内衰减。
因此,如何提供一种能够实现风力机叶片振动的有限时间收敛的风力机叶片主动振动控制方法,成为本领域亟待解决的技术问题。
发明内容
为了解决现有技术中存在的风力机叶片振动收敛速度较慢的技术问题,本发明提供了一种风力机叶片主动振动控制方法、装置及设备,该方法采用有限时间预设性能理论设计误差变量并采用神经网络状态观测器进行观测实现对风力机叶片的主动振动控制,保证了风力机叶片的稳定性和收敛时间有界。
一种风力机叶片主动振动控制方法,包括:
S1、采集风力机叶片结构参数;
S2、基于所述结构参数,建立风力机叶片状态空间模型;
S3、基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
S4、对所述第一控制误差进行变换,得到变换误差;
S5、基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
S6、根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,基于所述控制参数对风力机叶片进行主动振动控制。
进一步地,步骤S2包括:
基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型。
进一步地,所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量。
进一步地,步骤S4包括:
S41、建立显含收敛时间的改进预设性能函数;
S42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
S43、基于第一控制误差的约束条件,得到变换误差。
进一步地,所述观测量包括:未知扰动Fd、模态速度信息x2、观测误差xe以及神经网络权值估计误差
进一步地,步骤S5包括:
S51、通过Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型中的未知扰动;
S52、根据所述未知扰动的观测规律,得到未知扰动的估计误差;
S53、基于所述估计误差,得到神经网络权值估计误差
S54、基于Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型,得到观测误差xe。
进一步地,所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4)。
进一步地,步骤S6包括:
S61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
S62、计算所述目标函数的时间导数,并基于Young不等式和所述时间导数得到目标函数与控制参数的关系;
S63、基于目标函数与控制参数的关系,得到控制参数。
一种风力机叶片主动振动控制装置,包括:
采集模块,用于采集风力机叶片结构参数;
模型建立模块,用于基于所述结构参数,建立风力机叶片状态空间模型;
误差定义模块,用于基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
误差变换模块,用于对所述第一控制误差进行变换,得到变换误差;
状态观测模块,用于基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
控制模块,用于根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,基于所述控制参数对风力机叶片进行主动振动控制;
所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4);
所述模型建立模块包括:
子模块21、基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
子模块22、将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
子模块23、根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
子模块24、将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型;
所述误差变换模块包括:
子模块41、建立显含收敛时间的改进预设性能函数;
子模块42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
子模块43、基于所述第一控制误差的约束条件,得到变换误差;
所述子模块43中,基于所述第一控制误差e1的约束条件,得到变换误差,令zi(t)=e1i(t)/ρi(t),定义变换误差εi(t)为如下公式:
所述控制模块包括:
子模块61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
子模块62、计算所述目标函数的时间导数,并基于Young不等式和所述时间导数得到目标函数与控制参数的关系;
子模块63、基于目标函数与控制参数的关系,得到控制参数;
所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量的观测值。
一种电子设备,包括处理器和存储装置,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
本发明提供的风力机叶片主动振动控制方法、装置及设备,至少包括如下有益效果:
(1)采用Chebyshev神经网络对外部干扰进行逼近,并通过Chebyshev神经网络状态观测器对***状态进行观测,解决了***模态速度未知且难以测量的问题,为风力机叶片的控制提供了便利条件,采用该方法进行控制的风力机叶片的各个模态受到外界扰动后,各阶模态均能够较快衰减,具体地,能够在预先设定的0.3s的收敛时间内收敛至稳态值,较好的抑制了风力机叶片的振动,有效避免叶片产生颤振破坏风险。
(2)采用显含收敛时间的改进的预设性能函数对控制误差进行误差变换,通过这种方式,将不等式约束下的跟踪控制问题转化为无约束稳定控制问题,实现了对控制误差的更好表征以便于更好地实现振动控制,并且采用预设性能函数约束控制误差变量,使得***状态被严格约束在性能界限范围内,从而使得状态的稳态性能和动态性能完全由性能函数决定,由于选取的性能函数是有限时间收敛的,从而实现了***状态的有限时间收敛,以此为输入的叶片振动控制算法能够实现叶片振动在有限时间内衰减。
(3)采用该方法中的Chebyshev神经网络状态观测器对***状态进行观测,逼近误差能够在1s的较短时间内快速收敛,逼近精度较高,对于一阶模态的幅值为0.1N的正弦模态干扰逼近误差在10-3量级,同时由逼近误差得到的观测误差也在较小范围内,从而使得以观测误差作为输入的叶片控制方法能够实现叶片振动在有限时间内实现快速衰减。
附图说明
图1为本发明提供的风力机叶片主动振动控制方法一种实施例的流程图;
图2为本发明提供的风力机叶片主动振动控制方法中模态位移观测误差的初始响应和稳态响应一种实施例的示意图;
图3为本发明提供的风力机叶片主动振动控制方法中模态速度观测误差的初始响应和稳态响应一种实施例的示意图;
图4为本发明提供的风力机叶片主动振动控制方法中神经网络逼近误差一种实施例的示意图;
图5为采用本发明提供的风力机叶片主动振动控制方法与不采用本发明的控制方法得到的叶片一阶模态一种实施例的对比图;
图6为采用本发明提供的风力机叶片主动振动控制方法与不采用本发明的控制方法得到的叶片二阶模态一种实施例的对比图;
图7为采用本发明提供的风力机叶片主动振动控制方法与不采用本发明的控制方法得到的叶片三阶模态一种实施例的对比图;
图8为采用本发明提供的风力机叶片主动振动控制方法与不采用本发明的控制方法得到的叶片四阶模态一种实施例的对比图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参见图1,在一些实施例中,提供一种风力机叶片主动振动控制方法,所述控制方法对控制参数进行设计,所述方法包括:
S1、采集风力机叶片结构参数;
S2、基于所述结构参数,建立风力机叶片状态空间模型;
S3、基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
S4、对所述第一控制误差进行变换,得到变换误差;
S5、基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
S6、根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,基于所述控制参数对风力机叶片进行主动振动控制。
步骤S2中,基于所述结构参数,建立风力机叶片状态空间模型,包括:
S21、基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
S22、将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
S23、根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
S24、将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型。
需要说明的是,需要进行振动控制的风力机叶片即控制算法所作用的***,以下描述中所称***即待进行振动控制的风力机叶片。
步骤S21中,由于风力机叶片通常被制造为超长细比结构,因此常把叶片简化为梁进行研究。设置有限元法离散叶片的单元长度为l,梁单元的弹性模量为E,梁的单元截面惯量矩为I,单元形函数矩阵为N,梁的材料密度为ρe。
针对叶片简化梁进行主动振动控制器设计,采用有限元法离散叶片结构,叶片简化结构中的单元质量矩阵和单元刚度矩阵可以表示为:
me=ρe∫NTNdv
其中,me为单元质量矩阵,ke1为单元刚度矩阵,l为单元长度,E为梁单元的弹性模量,I为梁的单元截面惯量矩,N为单元形函数矩阵,ρe为梁的材料密度,Nx″表示N关于变量x的二阶导数。
同时考虑到叶片旋转过程中的轴向力对叶片本身刚度的影响,可以得到单元一致几何刚度矩阵,通过如下公式表示:
其中,ke2为单元一致几何刚度矩阵,N(x)为单元所受到的轴向力函数,Nx′表示N关于变量x的一阶导数。
步骤S22中,将单元刚度矩阵ke1和单元一致几何刚度矩阵ke2相加,可以得到单元组合刚度矩阵,通过如下公式表示:
ke=ke1+ke2;
其中,ke为单元组合刚度矩阵。
步骤S23中,按照一般的单元集组方法集成***总的质量、刚度矩阵,并引入边界条件,可以得到叶片简化模型的结构动力学方程为:
其中,Kv、Dv、Mv分别为***的刚度矩阵、阻尼矩阵以及质量矩阵,***的质量矩阵通过单元质量矩阵me计算得到,***的刚度矩阵通过单元组合刚度矩阵ke计算得到,q为节点位移向量,fc为压电控制力向量,fd为外界干扰向量。
步骤S24中,引入坐标变换,通过如下公式表示:
q=Φη;
其中,Φ为模态矩阵,由方程(Kv-λMv)Φ=0确定,η为模态坐标,则上述公式变换为:
其中,M=ΦTMvΦ=In为模态质量矩阵,Fc=ΦTfc为模态控制力,Fd=ΦTfd为模态干扰力,D为模态阻尼矩阵,K为模态刚度矩阵,由下式给出:
D=ΦTDvΦ=diag(2ξ1ω1,…,2ξiωi,…,2ξnωn);
令则上式可以写成:
其中,y表示***输出变量,x1表示第一***状态量,x2表示第二***状态量,表示第一***状态变量的导数,/>表示第二***状态变量的导数。
作为一种较优的实施方式,将上述风力机叶片状态空间模型公式进一步整理为更紧凑的形式,通过如下公式表示:
其中,H=[In 0],P=In。
步骤S3中,根据有限时间预设性能理论设计误差变量,确定控制目标,所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量。
步骤S4中,对所述第一控制误差进行变换,得到变换误差,包括:
S41、建立显含收敛时间的改进预设性能函数;
S42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
S43、基于所述第一控制误差的约束条件,得到变换误差。
步骤S41中,建立显含收敛时间的改进预设性能函数,通过如下公式表示:
其中,T为性能函数ρ(t)收敛至稳态值的时间,t为时间,ρ0为性能函数初值,ρ∞为性能函数稳态值,k为性能函数衰减速率。
步骤S42中,基于所述改进预设性能函数,建立所述第一控制误差e1的约束条件,通过如下公式表示:
-ρ(t)<e1(t)<ρ(t);
如果选取性能函数初值满足-ρi(0)<e1i(0)<ρi(0),则***状态x1被严格约束在性能界限范围内,状态的稳态性能和动态性能完全由性能函数决定,由于选取的性能函数是有限时间收敛的,则***状态也能够实现有限时间收敛。
步骤S43中,基于所述第一控制误差e1的约束条件,得到变换误差,令zi(t)=e1i(t)/ρi(t),定义变换误差εi(t)为如下公式:
则变换误差εi(t)的导数通过如下公式表示:
令则上式变换为:
令ε=[ε1,…,εn]T、R=diag(r1,…,rn)、V=diag(v1,…,vn),则上式进一步变换得到所述变换误差,通过如下公式表示:
εi为需要控制的变量,只需要控制变换误差εi使其有界,则zi(t)满足不等式-1<zi(t)<1,则第一控制误差e1满足不等式约束,因此可以采用误差变换得到的变换误差来表示第一控制误差。
步骤S5中,挠性结构的节点位移可以通过压电传感器获得,进而可以通过模态滤波器获得模态位移,但是模态速度难以通过安装传感器获取。因此,本实施例利用神经网络状态观测器来对***中的未知扰动和模态速度信息进行观测。
设计神经网络状态观测器,来对***中的未知扰动和模态速度信息进行观测。所述观测量包括:未知扰动Fd、模态速度信息x2、观测误差xe以及神经网络权值估计误差W~。
步骤S5中,基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量,包括:
S51、通过Chebyshev神经网络观测所述风力机叶片状态空间模型中的未知扰动,并基于神经网络的逼近误差得到未知扰动的观测规律;
S52、根据所述未知扰动的观测规律,得到未知扰动的估计误差;
S53、基于所述估计误差,得到神经网络权值估计误差W~;
S54、基于Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型,得到观测误差xe。
步骤S51中,针对***中存在的未知扰动Fd,采用Chebyshev神经网络进行逼近,未知扰动通过如下公式表示:
Fd=Wh(x)+υ;
其中,W=[W1,W2,W3,W4]∈Rm×4,υ∈R4为逼近误差,x为神经网络输入,h(x)为Chebyshev神经网络基函数。
选取神经网络的输入为则未知扰动Fd的Chebyshev神经网络估计值为:
步骤S52-S53中,根据所述未知扰动的观测规律,得到未知扰动的估计误差,通过如下公式表示,根据下述公式,可以得到
在上述估计误差与神经网络权值估计误差的关系式中,估计误差不断进行迭代更新,对应可以得到神经网络权值估计误差的结果,作为步骤S6中的输入,用于调整。
针对所示***,设计神经网络状态观测器,通过如下公式表示:
其中,分别为状态观测器观测得到的***状态变量和***输出变量,G1、G2为待设计的观测器增益矩阵。
作为一种较优的实施方式,将神经网络状态观测器整理为更紧凑的形式:
其中,G=[G1,G2]T。
步骤S54中,状态观测器的观测误差定义为可转化为如下公式:
其中,表示状态观测器的观测误差的导数,xe表示状态观测器的观测误差,Fde表示未知扰动的估计误差,y表示***输出,/>表示神经网络状态观测器观测得到的***输出。
步骤S6中,所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4)。
控制参数包括:虚拟控制输入α、控制器Fc和自适应律
步骤S6中,根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,包括:
S61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
S62、计算所述目标函数的时间导数,并基于Young不等式得到所述目标函数与控制参数的关系;
S63、基于目标函数与控制参数的关系,得到控制参数。
步骤S62中,计算Lyapunov函数的时间导数,通过如下公式表示:
根据设计虚拟控制量,虚拟控制量通过如下公式表示:
α=Ve1-K1ε;
则虚拟控制量的导数为:
其中,为已知量。
所以可以得到如下公式:
其中,U=-(A-GP)。根据Chebyshev神经网络基函数性质及Young不等式,可以得到如下公式:
则有:
根据Young不等式,得到如下不等式:
进而得到目标函数与控制参数的关系,通过如下公式表示:
步骤S63中,根据上述不等式可以计算得到控制器Fc和自适应律通过如下公式表示:
则目标函数不等式可以进一步转化为:
根据Young不等式:
进一步整理式为:
其中,设计增益矩阵满足如下不等式:
***中定义的观测器观测误差xe、神经网络权值估计误差变换误差ε、第二状控制误差e2有界并收敛于如下集合:
针对风力机叶片的结构动力学模型,设计Chebyshev神经网络、状态观测器、控制器、自适应律、虚拟控制量,并选取状态观测器增益、控制增益矩阵满足上述公式,则观测器估计误差xe、神经网络权值估计误差变换误差ε、状态误差e2有界,同时状态误差e1能够被约束在预设性能函数界内,求得虚拟控制输入α、控制器Fc和自适应律/>实现对风力机叶片的主动振动控制。
在一种具体应用场景中,以33.25米长的风力机叶片作为控制对象,采用本实施例提供的基于有限时间预设性能的风力机叶片主动振动控制方法对叶片进行振动控制,并针对叶片简化悬臂梁的前四阶模态进行仿真分析,模型的前四阶模态参数选取为ξ=[0.005,0.005,0.005,0.005],ω=[1.0196,1.8315,2.3680,4.6866],选取初始模态坐标为η0=[0.03,0.05,-0.04,0.02]T,考虑叶片在运行过程中可能受到随机风载等影响,选取模态干扰力向量为Fd=[Fd1,Fd2,Fd3,Fd4]T,其中各阶模态干扰力选取为:
Fd1=0.1sin(πt);
Fd3=Fd4=0;
选取控制器参数K1=diag(0.2,0.1,0.05,0.05),K2=diag(800,600,1200,1200),观测器参数G1=diag(500,300,200,300),G2=diag(7000,10000,7000,6200),神经网络自适应律参数Γw=diag(0.5,0.4,0.8,0.5),γ=1.5,神经网络隐含层节点个数为601。根据初始模态坐标以及期望的风力机叶片的振动抑制效果,选取性能函数ρ(t)参数为ρ0=[0.10,0.08,0.10,0.03],ρ∞=[10-5,10-5,10-5,10-5],k=[3.0,4.0,3.0,3.0],T=[0.30,0.30,0.30,0.30]。得到的仿真结果参见图2-图8。
其中,图2和图3给出了Chebyshev神经网络状态观测器的观测误差。图2展示了前四阶模态位移的观测误差,左图展示了0.05s内的位移观测误差收敛过程,右图展示了稳态下的位移观测误差,可以看出,前四阶模态位移的观测误差能够在0.05s内收敛,且稳态误差较小;图3展示了前四阶模态速度的观测误差,左图展示了0.3s内的速度观测误差收敛过程,右图展示了稳态下的速度观测误差,可以看出,前四阶模态速度的观测误差也能够在0.3s内快速收敛,由于存在正弦形式的模态干扰,所以一阶模态存在观测误差,但是观测误差在可接受范围之内。
图4展示了Chebyshev神经网络对未知扰动的逼近误差,从图中可以看出,前四阶模态的逼近误差均在不到1s的时间内快速收敛,对于一阶模态的幅值为0.1N的正弦模态干扰逼近误差在10-3量级,逼近精度较高。
综上,图2-图4验证了所提出的Chebyshev神经网络状态观测器的有效性。
图5-图8给出了***在采用本发明所提出采用控制算法(记为IPPC)、不施加控制(记为NC)以及性能函数(记为PF)的各阶模态响应对比示意图。相较于不施加控制而言,在本实施例所提出的控制方法作用下,虽然叶片的前两阶模态受到了外界扰动的影响,但是各阶模态仍能够较快地衰减,能够在设定的0.3s内收敛至期望的稳态值,这说明了本实施例提出的控制方法的有效性。
在一些实施例中,提供一种风力机叶片主动振动控制装置,包括:
采集模块,用于采集风力机叶片结构参数;
模型建立模块,用于基于所述结构参数,建立风力机叶片状态空间模型;
误差定义模块,用于基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
误差变换模块,用于对所述第一控制误差进行变换,得到变换误差;
状态观测模块,用于基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
控制模块,用于根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数。
具体地,所述模型建立模块还用于:
基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型。
其中,所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量的观测值。
所述误差变换模块还用于:
S41、建立显含收敛时间的改进预设性能函数;
S42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
S43、基于第一控制误差的约束条件,得到变换误差。
进一步地,所述观测量包括:未知扰动Fd、模态速度信息x2、观测误差xe以及神经网络权值估计误差
所述状态观测模块还用于:
S51、基于Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型中的未知扰动;
S52、根据所述未知扰动的观测规律,得到未知扰动的估计误差;
S53、基于所述估计误差,得到神经网络权值估计误差
S54、基于Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型,得到观测误差xe。
控制模块中,所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4)。
所述控制模块还用于:
S61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
S62、计算所述目标函数的时间导数,并基于Young不等式和所述时间导数得到目标函数与控制参数的关系;
S63、基于目标函数与控制参数的关系,得到控制参数。
其中,所述控制参数包括虚拟控制输入α、控制器Fc和自适应律
在一些实施例中,提供一种电子设备,包括处理器和存储装置,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
本实施例提供的风力机叶片主动振动控制方法、装置及设备,采用Chebyshev神经网络对外部干扰进行逼近,并通过Chebyshev神经网络状态观测器对***状态进行观测,解决了***模态速度未知且难以测量的问题,为风力机叶片的控制提供了便利条件,采用该方法进行控制的风力机叶片的各个模态受到外界扰动后,各阶模态均能够较快衰减,具体地,能够在预先设定的0.3s的收敛时间内收敛至稳态值,较好的抑制了风力机叶片的振动,有效避免叶片产生颤振破坏风险;采用显含收敛时间的改进的预设性能函数对控制误差进行误差变换,通过这种方式,将不等式约束下的跟踪控制问题转化为无约束稳定控制问题,实现了对控制误差的更好表征以便于更好地实现振动控制,并且采用预设性能函数约束控制误差变量,使得***状态被严格约束在性能界限范围内,从而使得状态的稳态性能和动态性能完全由性能函数决定,由于选取的性能函数是有限时间收敛的,从而实现了***状态的有限时间收敛,以此为输入的叶片振动控制算法能够实现叶片振动在有限时间内衰减;采用该方法中的Chebyshev神经网络状态观测器对***状态进行观测,逼近误差能够在1s的较短时间内快速收敛,逼近精度较高,对于一阶模态的幅值为0.1N的正弦模态干扰逼近误差在10-3量级,同时由逼近误差得到的观测误差也在较小范围内,从而使得以观测误差作为输入的叶片控制控制方法能够实现叶片振动在有限时间内实现快速衰减。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种风力机叶片主动振动控制方法,其特征在于,包括如下步骤:
S1、采集风力机叶片结构参数;
S2、基于所述结构参数,建立风力机叶片状态空间模型;
S3、基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
S4、对所述第一控制误差进行变换,得到变换误差;
S5、基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
S6、根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,基于所述控制参数对风力机叶片进行主动振动控制;
所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4);
步骤S2包括:
基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型;
步骤S4包括:
S41、建立显含收敛时间的改进预设性能函数;
S42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
S43、基于所述第一控制误差的约束条件,得到变换误差;
步骤S43中,基于所述第一控制误差e1的约束条件,得到变换误差,令zi(t)=e1i(t)/ρi(t),定义变换误差εi(t)为如下公式:
步骤S6包括:
S61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
S62、计算所述目标函数的时间导数,并基于Young不等式和所述时间导数得到目标函数与控制参数的关系;
S63、基于目标函数与控制参数的关系,得到控制参数;
所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量的观测值。
2.根据权利要求1所述的方法,其特征在于,所述观测量包括:未知扰动Fd、模态速度信息x2、观测误差xe以及神经网络权值估计误差
3.根据权利要求2所述的方法,其特征在于,步骤S5包括:
S51、通过Chebyshev神经网络状态观测器,观测所述风力机叶片状态空间模型中的未知扰动;
S52、根据得到的未知扰动的观测规律,得到未知扰动的估计误差;
S53、基于所述估计误差得到神经网络权值估计误差
S54、基于Chebyshev神经网络状态观测器,计算观测误差xe。
4.一种风力机叶片主动振动控制装置,其特征在于,包括:
采集模块,用于采集风力机叶片结构参数;
模型建立模块,用于基于所述结构参数,建立风力机叶片状态空间模型;
误差定义模块,用于基于所述风力机叶片状态空间模型,定义第一控制误差和第二控制误差;
误差变换模块,用于对所述第一控制误差进行变换,得到变换误差;
状态观测模块,用于基于神经网络状态观测器,对所述风力机叶片状态空间模型进行观测得到观测量;
控制模块,用于根据所述第二控制误差、变换误差以及观测量定义目标函数,并根据所述目标函数得到控制参数,基于所述控制参数对风力机叶片进行主动振动控制;
所述目标函数采用Lyapunov函数,通过如下公式表示:
其中,xe为观测误差、ε为变换误差,e2为第二控制误差,为神经网络权值估计误差,R=diag(r1,…,rn),tr()表示矩阵的迹,Γw=diag(τw1,…,τw4);
所述模型建立模块包括:
子模块21、基于所述结构参数,得到有限元法离散叶片的单元质量矩阵、单元刚度矩阵以及单元一致几何刚度矩阵;
子模块22、将所述单元刚度矩阵和所述单元一致几何刚度矩阵相加,得到单元组合刚度矩阵;
子模块23、根据所述单元质量矩阵以及所述组合刚度矩阵计算动力学方程,得到风力机叶片结构动力学模型;
子模块24、将所述风力机叶片结构动力学模型转化为风力机叶片状态空间模型;
所述误差变换模块包括:
子模块41、建立显含收敛时间的改进预设性能函数;
子模块42、基于所述改进预设性能函数,建立所述第一控制误差的约束条件;
子模块43、基于所述第一控制误差的约束条件,得到变换误差;
所述子模块43中,基于所述第一控制误差e1的约束条件,得到变换误差,令zi(t)=e1i(t)/ρi(t),定义变换误差εi(t)为如下公式:
所述控制模块包括:
子模块61、基于观测误差、变换误差、第二控制误差以及神经网络权值估计误差,定义目标函数;
子模块62、计算所述目标函数的时间导数,并基于Young不等式和所述时间导数得到目标函数与控制参数的关系;
子模块63、基于目标函数与控制参数的关系,得到控制参数;
所述第一控制误差和第二控制误差通过如下公式表示:
其中,xd=0为期望的模态坐标值,α为待设计的虚拟控制量,e1为第一控制误差,e2为第二控制误差,x1为风力机叶片状态空间模型中的第一***状态量,为神经网络状态观测器观测得到的第二***状态量的观测值。
5.一种电子设备,包括处理器和存储装置,其特征在于,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行如权利要求1-3所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640722.4A CN115952731B (zh) | 2022-12-20 | 2022-12-20 | 一种风力机叶片主动振动控制方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640722.4A CN115952731B (zh) | 2022-12-20 | 2022-12-20 | 一种风力机叶片主动振动控制方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115952731A CN115952731A (zh) | 2023-04-11 |
CN115952731B true CN115952731B (zh) | 2024-01-16 |
Family
ID=87297479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640722.4A Active CN115952731B (zh) | 2022-12-20 | 2022-12-20 | 一种风力机叶片主动振动控制方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952731B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202431443U (zh) * | 2012-01-17 | 2012-09-12 | 安徽科技学院 | 风力发电机叶片振动主动控制*** |
CN105888970A (zh) * | 2016-05-16 | 2016-08-24 | 扬州大学 | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 |
CN107791773A (zh) * | 2017-09-04 | 2018-03-13 | 昆明理工大学 | 一种基于规定性能函数的整车主动悬架***振动控制方法 |
CN207178106U (zh) * | 2017-09-05 | 2018-04-03 | 山东科技大学 | 一种新型风力发电机叶片颤振抑制*** |
CN109343347A (zh) * | 2018-10-12 | 2019-02-15 | 哈尔滨工程大学 | 一种海底飞行节点的轨迹跟踪控制方法 |
CN110844122A (zh) * | 2019-11-20 | 2020-02-28 | 中山大学 | 一种约束姿态跟踪误差的卫星姿态控制方法 |
WO2021043168A1 (zh) * | 2019-09-05 | 2021-03-11 | 华为技术有限公司 | 行人再识别网络的训练方法、行人再识别方法和装置 |
CN113486512A (zh) * | 2021-07-05 | 2021-10-08 | 哈尔滨工程大学 | 一种功能梯度变厚度叶片模型的颤振分析方法 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN113805481A (zh) * | 2021-08-11 | 2021-12-17 | 广东工业大学 | 一种基于视觉反馈的四旋翼飞行器自适应神经网络定位控制方法 |
CN113985901A (zh) * | 2021-09-14 | 2022-01-28 | 中国人民解放军海军工程大学 | 基于扰动估计的高超声速飞行器预设性能控制方法及装置 |
CN114326405A (zh) * | 2021-12-30 | 2022-04-12 | 哈尔滨工业大学 | 一种基于误差训练的神经网络反步控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11022524B2 (en) * | 2019-11-05 | 2021-06-01 | Dalian University Of Technology | Stochastic configuration network based turbofan engine health parameter estimation method |
-
2022
- 2022-12-20 CN CN202211640722.4A patent/CN115952731B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202431443U (zh) * | 2012-01-17 | 2012-09-12 | 安徽科技学院 | 风力发电机叶片振动主动控制*** |
CN105888970A (zh) * | 2016-05-16 | 2016-08-24 | 扬州大学 | 智能风机叶片基于灰色信息优化的自适应内模振动控制方法 |
CN107791773A (zh) * | 2017-09-04 | 2018-03-13 | 昆明理工大学 | 一种基于规定性能函数的整车主动悬架***振动控制方法 |
CN207178106U (zh) * | 2017-09-05 | 2018-04-03 | 山东科技大学 | 一种新型风力发电机叶片颤振抑制*** |
CN109343347A (zh) * | 2018-10-12 | 2019-02-15 | 哈尔滨工程大学 | 一种海底飞行节点的轨迹跟踪控制方法 |
WO2021043168A1 (zh) * | 2019-09-05 | 2021-03-11 | 华为技术有限公司 | 行人再识别网络的训练方法、行人再识别方法和装置 |
CN110844122A (zh) * | 2019-11-20 | 2020-02-28 | 中山大学 | 一种约束姿态跟踪误差的卫星姿态控制方法 |
CN113486512A (zh) * | 2021-07-05 | 2021-10-08 | 哈尔滨工程大学 | 一种功能梯度变厚度叶片模型的颤振分析方法 |
CN113805481A (zh) * | 2021-08-11 | 2021-12-17 | 广东工业大学 | 一种基于视觉反馈的四旋翼飞行器自适应神经网络定位控制方法 |
CN113741184A (zh) * | 2021-08-17 | 2021-12-03 | 南京航空航天大学 | 一种基于滑模观测器的风力机载荷预测控制方法 |
CN113985901A (zh) * | 2021-09-14 | 2022-01-28 | 中国人民解放军海军工程大学 | 基于扰动估计的高超声速飞行器预设性能控制方法及装置 |
CN114326405A (zh) * | 2021-12-30 | 2022-04-12 | 哈尔滨工业大学 | 一种基于误差训练的神经网络反步控制方法 |
Non-Patent Citations (5)
Title |
---|
Finite-time attitude quantised control for rigid spacecraf;Gao, H (Gao, Han)等;AInternational Journal of Systems Science;全文 * |
Gao, H (Gao, Han)等.Finite-time attitude quantised control for rigid spacecraft.International Journal of Systems Science.2018,全文. * |
挠性航天器预设性能自适应姿态跟踪控制;张超;孙延超;马广富;李传江;;哈尔滨工业大学学报(04);第2-6页 * |
组合体航天器有限时间超螺旋反步姿态控制;马广富等;宇航学报;第1169-1174页 * |
考虑弹性振动的高超声速飞行器预设性能控制;赵贺伟;胡云安;杨秀霞;梁勇;;振动与冲击(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115952731A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barlas et al. | Model predictive control for wind turbines with distributed active flaps: incorporating inflow signals and actuator constraints | |
CN109416021B (zh) | 风力涡轮机的基于激光雷达的多变量前馈控制 | |
Georg et al. | Control-oriented modelling of wind turbines using a Takagi-Sugeno model structure | |
CN110374804B (zh) | 一种基于深度确定性策略梯度补偿的变桨距控制方法 | |
Castaignet et al. | Frequency-weighted model predictive control of trailing edge flaps on a wind turbine blade | |
Mahdizadeh et al. | LIDAR-assisted exact output regulation for load mitigation in wind turbines | |
US20210115895A1 (en) | Wind turbine model based control and estimation with accurate online models | |
Lio | Blade-pitch control for wind turbine load reductions | |
Lenfest et al. | Tuning of nacelle feedback gains for floating wind turbine controllers using a two-dof model | |
WO2018115423A1 (en) | Fatigue load minimization in an operation of a wind farm | |
CN113994087A (zh) | 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和*** | |
Gao et al. | Adaptive fault-tolerant vibration control of a wind turbine blade with actuator stuck | |
Golnary et al. | Simultaneous active control of tower lateral vibration and power control of wind turbine: A novel multivariable approach | |
Bottasso et al. | Performance comparison of control schemes for variable-speed wind turbines | |
CN115952731B (zh) | 一种风力机叶片主动振动控制方法、装置及设备 | |
CN113741184B (zh) | 一种基于滑模观测器的风力机载荷预测控制方法 | |
Branlard et al. | A digital twin solution for floating offshore wind turbines validated using a full-scale prototype | |
Schlipf et al. | Multi-variable feedforward control for floating wind turbines using lidar | |
Tatsis et al. | State estimation of geometrically non-linear systems using reduced-order models | |
Schlipf et al. | Flatness-based feedforward control of wind turbines using lidar | |
Bottasso et al. | Advanced control laws for variable-speed wind turbines and supporting enabling technologies | |
Dittmer et al. | A velocity quasiLPV-MPC algorithm for wind turbine control | |
Chierichetti et al. | Optimal sensor location along a beam using machine learning | |
Collet et al. | Non quadratic smooth model of fatigue for optimal fatigue-oriented individual pitch control | |
CN115167140A (zh) | 风力发电机组多目标随机模型预测控制策略方法及*** |
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 |