基于rbf神经网络的风力机变桨距控制系统

基于rbf神经网络的风力机变桨距控制系统

风能发电技术以可靠性、无政府消耗能源、短程、灵活、互联运营等特点，在能源和能源行业发挥着主导作用。现在，风装置的最大动力能力正在增加，并且随着之前的pi控制而改变。当使用传统的pi控制时，等效参数的测量不正确或发生变化时，控制器的性能会变差，甚至不稳定。由于复杂模糊规则的相互作用，模糊控制的影响是不理想的，因此控制效果不是最佳的。然而，在实际的工业控制过程中，基于风电机的特点，我们建立了基于新高速浮点采集的ps-receiven风景气动器的流量旁路管理信息系统。由于电子网络电器需要高速处理器，因此使用美国德州仪器（ti）最新开发的高速浮点f8335ps芯片作为系统的硬件控制装置。结果表明，当输出超过额定功率时，rbf神经网络电源气器通过调整旋转电流和节距角，输出可以维持在额定功率附近。rbf神经网络电源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源气源风效率降低，并且无法获得相关的外部干扰。该开放平台的算法非常简单，设计适用性强。1转子电流控制器为了优化功率曲线,本文设计的变桨距风力发电机在进行功率控制的过程中(如图1所示),当发电机并入电网前,发电机转速由速度控制器A根据发电机转速反馈信号与给定信号直接控制;发电机并入电网后,速度控制器B与功率控制器起作用.节距的给定参考值由控制器根据风力发电机的运行状态给出,当风力发电机并入电网前,由控制器A给出;当风力发电机组并入电网后由速度控制器B给出.变桨距系统由风速低频分量和发电机转速控制,风速的高频分量产生的机械能波动,通过迅速改变发电机的转速来进行平衡,即通过转子电流控制器对发电机转差率进行控制,当风速高于额定风速时,允许发电机转速升高,将瞬变的风能以风轮机动能的形式储存起来;转速降低时,再将动能释放出来,使功率曲线达到理想的状态.1.1片扫扫级风力机捕获的风能与风速的立方成比例关系,同时还与风力机叶片的转速和结构参数有关.风力机功率特性方程为:Ρr=CpAρv3×1032ΡΝ(1)Pr=CpAρv3×1032PN(1)式中:Pr为风力机机械功率标么值;Cp为风能转换效率系数,它是桨距角β和叶尖速率比λ(λ=Rω/ν)的函数.ω为风力机叶片转速(rad/s),R为叶片半径(m);A为叶片扫掠面积(m2);ρ为空气密度(kg/m3);v为风速(m/s);PN为功率基值(kW).由式(1)可知,当风速一定时,风力机机械功率的大小取决于Cp的大小,风能转换效率系数是桨叶吸收的机械能和通过桨叶旋转面的全部风能的比例.风能转换效率系数直接反映了风力发电系统对风能的利用效率,Cp与桨距角β、叶尖速率λ的非线性关系可表示为:Cp(λ,β)=c1(c2λ1-c3β-c4)e-c5λi+c6λ(2)1λi=1λ+0.08β-0.035β3+1(3)Cp(λ,β)=c1(c2λ1−c3β−c4)e−c5λi+c6λ(2)1λi=1λ+0.08β−0.035β3+1(3)式中:c1=0.05176,c2=0.05176,c3=0.05176,c4=5,c5=21,c6=0.0068.图2所示的仿真图形表明了当β=0时Cp与λ的对应关系.风能转换效率系数Cp在叶尖速比λ为8.1时,其风能转换效率系数Cp获得最大值0.48.同理,β=20时,叶尖速比λ在4.8时其风能转换效率系数Cp获得最大值.由此可见,β角在风轮机控制过程中起重要作用.因此,本文在功率控制的基础上,采用对节距角的控制,来达到理想的恒功率输出控制效果.2功率控制系统.转子电流控制系统.转子为了有效地控制风速引起的功率波动,本文采用发电机转子电流控制技术.通过对发电机转子电流的控制来迅速改变发电机转差率,从而改变风轮转速,吸收由于瞬变风速引起的功率波动.功率控制系统如图3所示,系统由2个控制环组成,外环通过测量转速产生功率参考曲线,内环是一个功率伺服环,它通过转子电流控制器对发电机转差率进行控制,使发电机功率跟踪功率给定值.转子电流控制系统如图4所示,系统由神经网络PID和一个等效变阻器构成.它根据给定的电流值,通过改变转子电路的电阻来改变发电机的转差率.当功率变化即转子电流变化时,神经网络PID控制器迅速调整转子电阻,使转子电流跟踪给定值,如果从主控制器传出的电流给定值是恒定的,它将保持转子电流恒定,从而使功率输出保持不变.2.1tms330浮点处理器由于风力发电机系统是一个复杂的大滞后、非线性系统,控制变量多,系统的实时性能要求严格,所以本文采用新型高速的数字信号处理器TMS320F28335浮点处理器作为其控制器.TMS320F28335可以运行在150MHz频率下,具有18k片内SRAM,128k零等待RAM,128k片内Flashmemory,16路12bitA/D和16路PWM等功能.可采用18位的高精度片外ADC模块来实现模数转换,采用F28335高速浮点DSP,其运行算法速度比较快,精度比较高,可以适应系统复杂非线性的高速运算控制特点.3节点基宽度及学习速率RBF神经网络是一种3层前向网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的,从而大大加快了学习速率并避免了局部极小值问题.将人工神经网络与PID控制律相结合,充分发挥了神经网络的自适应、非线性映射能力和学习能力,可形成一种自适应能力很强的参数可调的神经网络PID控制策略.应用RBF神经网络实现的非线性预测模型,可提高系统的动态响应特性.基于RBF神经网络整定PID控制风力机变桨距系统的整体结构框图如图5所示.在RBF神经网络结构中,hj(x)为高斯基函数:hj(x)=exp(-∥X-Cj∥22b2j),j=1,2,⋯,m.网络第i个结点的中心矢量Cj=[cj1,cj2,⋯,cji,⋯,cjn]Τ,其中i=1,2,…,n.设网络的基宽向量为:B=[b1,b2,⋯,bm]Τ设bj为节点的基宽度参数,且为大于零的数.网络的权向量为:w=[w1,w2,⋯,wj,⋯,wm]Τ辨识网络的输出为:ym(k)=m∑j=1Wjhj(4)辨识器的指标函数为:J1=12[y(k)-ym(k)]2(5)根据梯度下降法,输出权、节点中心及节点基宽参数的迭代算法为:wj(k)=wj(k-1)+η(k)[y(k)-ym(k)]hj+α[wj(k-1)-wj(k-2)]Δbj=[y(k)-ym(k)]wjhj∥x-Cj∥2b3j(6)bj(k)=bj(k-1)η(k)Δbj+α[bj(k-1)-bj(k-2)]Δcji=[y(k)-ym(k)]wjxj-cjib2jcji(k)=cji(k-1)+η(k)Δcji+α[cji(k-1)-cji(k-2)]式中:η(k)为学习速率;α为动量因子.被控对象的输出对控制输入的导数(即Jacobian阵)算法为:∂y(k)∂Δu(k)≈∂ym(k)∂Δu(k)=m∑j=1wjhjcji-x1b2j(7)式中:x1=Δu(k).采用增量式PID,控制误差为:e(k)=rin(k-)yout(k)PID三项输入为:{xc(1)=e(k)-e(k-1)xc(2)=e(k)xc(3)=e(k)-2e(k-1)+e(k-2)控制算法为:u(k)=u(k-1)+kpxc(1)+kixc(2)+kdxc(3)(8)神经网络整定的指标为:E(k)=1/2e(k)2kp、ki、kd的调整采用梯度下降法,推导可求得:{Δkp=ηe(k)∂y∂Δuxc(1)Δki=ηe(k)∂y∂Δuxc(2)Δkd=ηe(k)∂y∂Δuxc(3)(9)4高速浮点神经网络仿真结果采用MATLAB仿真环境,运用RBF神经网络算法实现适当的参数设置,并对提出的算法采用M函数进行仿真.通过仿真装置建立了风力机变桨距模型,图6给出了仿真的结果.仿真过程中,风力机额定输出功率为9×106W,风力机叶片最大转角β为45°,β的最大转速为2°/s,初始风速为8m/s,最大风速为14m/s,额定风速定为13m/s.该RBF神经网络整定PID控制的风力机变桨距控制系统,采用高速浮点TMS320F28335(DSP)为核心控制器,可对较为复杂的RBF神经网络控制参数进行实时控制,仿真结果表明该神经网络控制系统对功率信号具有良好的控制效果.在中低风速下,保持最优的力矩系数,发电机发出的功率和风速的3次方成正比.在高风速下,发电机的转差速率达到最大,力矩电流达到最大,这时电机转速固定,叶尖速比将随着风速的变化而变化,并且保持最大的力矩给