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技术

本发明专利技术涉及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，属风电技术领域。该方法采用神经网络模型预测控制策略，对磁悬浮垂直轴风电机组进行实时平稳控制：风速达到切入风速时，悬浮变流器采用PID控制算法及神经网络模型预测控制策略控制悬浮电流，使发电机旋转体上升至并保持在悬浮平衡点；风速在切入风速和额定风速之间时，悬浮变流器确保旋转体在旋转过程中保持在平衡点处，同时机侧变流器和转子侧变流器采用神经网络模型预测控制和零d轴电流控制策略，对风电机组实施MPPT控制；风速大于额定风速小于切出风速时，悬浮变流器实施旋转阻尼控制，机侧变流器实施恒功率控制。本发明专利技术控制简便，可实现低风速启动及大功率输出。

【技术实现步骤摘要】
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
本专利技术涉及一种控制方法，尤其是一种基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法，属于风电

技术介绍
目前大功率风力发电机以水平轴风力发电机为主流产品。但水平轴风力发电机存在需要偏航对风、启动阻力矩大、控制复杂困难、安装不便、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系统模型，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系统的鲁棒控制，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，但受系统参数摄动影响。还有文献将H∞控制应用于悬浮系统控制中，提高了系统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系统，预测未来模型性能，通过滚动优化，得到系统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)的磁悬浮风电系统的控制。但目前神经网络模型预测控制在磁悬浮风电机组方面的应用研究甚少。
技术实现思路
本专利技术的主要目的在于：针对现有技术的不足和空白，本专利技术提供一种磁悬浮垂直轴风电机组的控制方法，通过采用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，确保磁悬浮垂直轴风电机组性能实时最优。为了达到以上目的，本专利技术所述磁悬浮垂直轴风电机组，包括：磁悬浮垂直轴风力发电机、风轮、气隙传感器、上端轴承、下端轴承、外壳、塔架和变流器系统；所述磁悬浮垂直轴风力发电机包括永磁直驱型风力发电机和磁悬浮盘式电机。所述永磁直驱型风力发电机包括定子和转子；所述定子包括定子铁芯和定子绕组，所述定子绕组为三相绕组；所述转子包括转子铁芯和永磁体，所述永磁体与所述转子铁芯的表面固定，所述转子铁芯与所述外壳的内侧面固定。所述磁悬浮盘式电机位于所述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悬浮铁芯和悬浮绕组组成，所述悬浮绕组为直流励磁绕组；所述盘式转子包括盘式转子铁芯和盘式转子绕组，所述盘式转子绕组为三相绕组。所述变流器系统包括机侧变流器、网侧变流器、悬浮变流器、转子侧变流器；所述机侧变流器的一端与所述永磁直驱型风力发电机的定子连接，另一端分别与所述网侧变流器、所述悬浮变流器和所述转子侧变流器连接；所述悬浮变流器的另一端与所述磁悬浮盘式电机的悬浮绕组连接；所述转子侧变流器的另一端与所述磁悬浮盘式电机的盘式转子绕组连接；所述网侧变流器的另一端通过变压器与电网连接。所述机侧变流器、悬浮变流器、转子侧变流器的主控芯片均为DSP(数字信号处理器)。所述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、所述风轮和所述外壳统称为旋转体。本专利技术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，包括以下步骤：步骤1，当风速Vw达到所述磁悬浮垂直轴风力发电机的切入风速Vin时，启动所述网侧变流器，使其工作于整流模式，给所述悬浮变流器提供直流电源，然后由所述悬浮变流器采用PID控制算法控制所述磁悬浮盘式电机的定子电流，使所述旋转体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，所述悬浮变流器改用神经网络模型预测控制策略，控制所述磁悬浮盘式电机的定子电流，使所述旋转体在悬浮平衡点处保持稳定悬浮，具体方法是：21)根据所述磁悬浮盘式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系统；23)将所述悬浮神经网络模型的响应输出值δm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器通过使悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流if_opt，将所述最优定子电流if_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，同时将所述最优定子电流if_opt与实际所述磁悬浮盘式电机的定子电流if作差，经PID控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体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，Np为预测时域长度，Nu为控制时域长度，if为控制输入信号，即所述磁悬浮盘式电机的定子电流，δ*为悬浮气隙期望值，δm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，当风速Vw处于切入风速Vin和额定风速VN之间时，即：Vin<Vw≤VN，实施最大功率点跟踪控制，具体步骤是：31)由所述悬浮变流器采用神经网络模型预测控制策略，控制所述磁悬浮盘式电机定子电流if，确保所述旋转体在旋转过程中保持在悬浮平衡点，所述永磁直驱型风力发电机以及所述磁悬浮盘式电机在风力作用下均开始发电；具体方法是：A1)根据所述磁悬浮盘式电机的旋转悬浮动态数学模型，对旋转悬浮神经网络模型进行训练；A2)将训练好的所述旋转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的实际旋转悬浮神经网络模型预测控制系统；A3)将所述旋转悬浮神经网络模型的响应输出值δym及悬浮气隙期望值δ*输入旋转悬浮非线性优化模块，所述旋转悬浮非线性优化器通过使旋转悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流iyf_opt，将所述最优定子电流iyf_opt和悬浮气隙测量值δ作为所述旋转悬浮神经网络模型的输入，同时将所述最优定子电流iyf_opt与实际所述磁悬浮盘式电机的定子电流if作差，经PID控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在整个旋转过程中保持在悬浮平衡点处；所述旋转悬浮代价函数为：式中，Jrm为旋转悬浮代价函数，Npm为预测时域长度，Num为控制时域长度，if为控制输入信号，即所述磁悬浮盘式电机的定子电流，δ*为悬浮气隙期望值，δym为所述旋转悬浮神经网络模型的响应输出值，ρ1为加权系数，k为当前时刻。32)由所述机侧变流器和所述转子侧变流器采用神经网络模型预测控制策略和零d轴电流控制策略，分别控制所述永磁直驱型风力发电机的定子电流和所述磁悬浮盘式本文档来自技高网...

【技术保护点】
1.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，所述磁悬浮垂直轴风电机组，包括：磁悬浮垂直轴风力发电机、风轮、气隙传感器、外壳、塔架和变流器系统；所述磁悬浮垂直轴风力发电机包括永磁直驱型风力发电机和磁悬浮盘式电机；所述永磁直驱型风力发电机包括定子和转子，所述定子包括定子铁芯和定子绕组，所述定子绕组为三相绕组；所述转子包括转子铁芯和永磁体；所述磁悬浮盘式电机位于所述永磁直驱型风力发电机的下方，包括盘式定子和盘式转子，所述盘式定子包括盘式悬浮铁芯和悬浮绕组，所述盘式转子包括盘式转子铁芯和盘式转子绕组，所述盘式转子绕组为三相绕组；所述变流器系统包括机侧变流器、悬浮变流器、转子侧变流器、网侧变流器；所述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、所述风轮和所述外壳统称为旋转体；其特征在于，包括以下步骤：步骤1，当风速达到所述磁悬浮垂直轴风力发电机的切入风速时，启动所述网侧变流器，使其工作于整流模式，给所述悬浮变流器提供直流电源，然后由所述悬浮变流器采用PID控制算法控制所述磁悬浮盘式电机的定子电流if，使所述旋转体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，所述悬浮变流器改用神经网络模型预测控制策略，控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮；具体方法是：21)根据所述磁悬浮盘式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系统；23)将所述悬浮神经网络模型的响应输出值δm及悬浮气隙期望值δ...

【技术特征摘要】
1.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，所述磁悬浮垂直轴风电机组，包括：磁悬浮垂直轴风力发电机、风轮、气隙传感器、外壳、塔架和变流器系统；所述磁悬浮垂直轴风力发电机包括永磁直驱型风力发电机和磁悬浮盘式电机；所述永磁直驱型风力发电机包括定子和转子，所述定子包括定子铁芯和定子绕组，所述定子绕组为三相绕组；所述转子包括转子铁芯和永磁体；所述磁悬浮盘式电机位于所述永磁直驱型风力发电机的下方，包括盘式定子和盘式转子，所述盘式定子包括盘式悬浮铁芯和悬浮绕组，所述盘式转子包括盘式转子铁芯和盘式转子绕组，所述盘式转子绕组为三相绕组；所述变流器系统包括机侧变流器、悬浮变流器、转子侧变流器、网侧变流器；所述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、所述风轮和所述外壳统称为旋转体；其特征在于，包括以下步骤：步骤1，当风速达到所述磁悬浮垂直轴风力发电机的切入风速时，启动所述网侧变流器，使其工作于整流模式，给所述悬浮变流器提供直流电源，然后由所述悬浮变流器采用PID控制算法控制所述磁悬浮盘式电机的定子电流if，使所述旋转体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，所述悬浮变流器改用神经网络模型预测控制策略，控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮；具体方法是：21)根据所述磁悬浮盘式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系统；23)将所述悬浮神经网络模型的响应输出值δm及悬浮气隙期望值δ*输入悬浮非线性优化器，所述悬浮非线性优化器通过使悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流if_opt，将所述最优定子电流if_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，同时将所述最优定子电流if_opt与实际所述磁悬浮盘式电机的定子电流if作差，经PID控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮；步骤3，当风速处于所述磁悬浮垂直轴风力发电机的切入风速和其额定风速之间时，实施最大功率点跟踪控制，具体步骤是：31)由所述悬浮变流器采用神经网络模型预测控制策略，控制所述磁悬浮盘式电机的定子电流if，确保所述旋转体在旋转过程中保持在悬浮平衡点，所述永磁直驱型风力发电机以及所述磁悬浮盘式电机在风力作用下均开始发电；具体方法是：A1)根据所述磁悬浮盘式电机的旋转悬浮动态数学模型，对旋转悬浮神经网络模型进行训练；A2)将训练好的所述旋转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旋转悬浮神经网络模型预测控制系统；A3)将所述旋转悬浮神经网络模型的响应输出值δym及悬浮气隙期望值δ*输入旋转悬浮非线性优化器，所述旋转悬浮非线性优化器通过使旋转悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流iyf_opt，将所述最优定子电流iyf_opt和悬浮气隙测量值δ作为所述旋转悬浮神经网络模型的输入，同时将所述最优定子电流iyf_opt与实际所述磁悬浮盘式电机的定子电流if作差，经PID控制器送入PWM模块，产生所述悬浮变流器的驱动信号，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在整个旋转过程中保持在悬浮平衡点处；32)由所述机侧变流器和所述转子侧变流器采用神经网络模型预测控制策略和零d轴电流控制策略，分别控制所述永磁直驱型风力发电机的定子电流和所述磁悬浮盘式电机的转子电流，使所述旋...

【专利技术属性】
技术研发人员：蔡彬，谌义喜，柯健龙，褚晓广，孙宗耀，刘前，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：山东,37