基于RBF神经网络的大型风电机组独立变桨控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105626378A(43)申请公布日2016.06.01(21)申请号201610023236.6(22)申请日2016.01.13(71)申请人湖南世优电气股份有限公司地址411101湖南省湘潭市高新区火炬创新创业园(72)发明人周腊吾韩兵田猛邓宁峰陈浩孟凡冬(74)专利代理机构湘潭市汇智专利事务所(普通合伙)43108代理人颜昌伟(51)Int.Cl.F03D7/02(2006.01)F03D7/04(2006.01)权利要求书3页说明书7页附图2页(54)发明名称基于RBF神经网络的大型风电机组独立变桨控制方法(57)摘要本发明公开了一种基于RBF神经网络的大型风电机组独立变桨控制方法，步骤如下：通过采集风轮转速信号得到统一桨距角和电磁转矩；计算风电机组三个桨叶根部弯矩及桨叶方位角；对三个桨叶根部弯矩进行Coleman坐标变换，得到俯仰弯矩和偏航弯矩；通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；将统一桨距角和优化桨距角相加，得到独立变桨控制桨距角，优化桨距角送入变桨执行单元，完成独立变桨。本发明能够快速地实现独立变桨控制，提高变桨伺服系统的工作效率，控制成本低，提高了风电机组的使用寿命。CN105626378ACN105626378A权利要求书1/3页1.一种基于RBF神经网络的大型风电机组独立变桨控制方法，包括以下步骤：步骤一：采集风轮转速信号，功率控制器根据风轮转速进行变桨控制和发电机电磁转矩控制的计算，得到风电机组的统一桨距角和发电机的电磁转矩，然后将电磁转矩信号送入风力发电机组的转矩伺服系统，平衡风力发电机的电磁转矩；步骤二：计算风电机组三个桨叶根部弯矩及桨叶方位角；步骤三：对三个桨叶根部弯矩进行Coleman坐标变换，得到固定坐标系下的风力发电机组俯仰弯矩和偏航弯矩；步骤四：以俯仰弯矩和偏航弯矩作为RBF神经网络的输入变量，通过RBF神经网络自适应控制导出神经网络自适应率，在线调整神经网络权值来改善独立变桨系统的叶根弯矩，再经过Coleman逆变换变换成不同桨叶的优化桨距角；步骤五：将步骤一得到的统一桨距角和步骤四得到的优化桨距角相加，得到独立变桨控制桨距角，之后将优化桨距角送入变桨执行单元，完成风电机组独立变桨的执行动作。2.根据权利要求1所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤一中，风轮的模型的运动方程为：其中，J为风轮转动惯量，Mr为风轮转矩，Ωr为风轮转速；统一桨距角的表达式如下所示：其中：θ为桨距角，ξ为变桨执行系统的阻尼系数，θr桨距角的设定值,ω为无阻尼自然频率。3.根据权利要求1所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤二中，三个桨叶根部弯矩Mz1、Mz2、Mz3的计算公式如下：其中，hMz为挥舞弯矩对风速的导数，kMz为挥舞弯矩对桨距角的导数，vfa为风轮挥舞速度，{θi∣i＝1,2,3}为三个桨叶给定桨距角，{vi∣i＝1,2,3}为风轮面上的有效风速；桨叶方位角ψ的计算公式如下：{ψi∣i＝1,2,3}为：4.根据权利要求3所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征在于：所述步骤三中，机舱的运动方程为：2CN105626378A权利要求书2/3页俯仰弯矩Mpitch和偏航弯矩Myaw的关系式为：其中，hMx为气动转矩对风速的导数，Fax为轴向力，Fsd为侧向力，H为机舱中心的高度，M为风轮总质量，S为塔架刚度，snod为塔基前后扰度，snay为塔基左右扰度，D为阻尼系数；独立变桨控制单元中风电机组的叶根弯矩信号Mz1、Mz2、Mz3，通过Coleman坐标变换为固定坐标轴下的俯仰弯矩Mpitch和偏航弯矩Myaw，具体如下所示：其中：ψ为风轮方位角；经过Coleman逆变换变换成三个不同桨叶的优化桨距角θ′i，公式如下所示：5.根据权利要求4所述的基于RBF神经网络的大型风电机组独立变桨控制方法，其特征T在于：所述步骤四中：假定RBF神经网络自适应控制的径向基函数为h＝[h1,h2,…,hm]，那么高斯函数hj为：其中，xj为神经网络的输入变量，m为神经网络隐含层节点个数，bj、cj分别为第j个神经单元的基宽向量和中心矢量，cj＝[c11,c12,......c1m]，bj＝[b1,b2,……bm]；则RBF神经网络自适应控制输出变量为：其中，bk、ck分别为第k个神经单元的基宽向量和中心矢量；RBF神经网络权值的在线调整方式为：3CN105626378A权利要求书3/3页其中，η≥0，V表示李雅普洛夫函数，dθ为神