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技术

本发明专利技术涉及一种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，属电气工程技术领域。该方法采用滑模径向基神经网络控制策略，使磁悬浮垂直轴风电机组的悬浮控制系统在受到未知随机干扰情况下，实现稳定悬浮控制：首先设计滑模面，并利用径向基神经网络估算未知干扰项，输出至智能滑模控制器，并加入鲁棒补偿项，得到径向基神经网络滑模控制器即外环悬浮气隙跟踪控制器的输出；然后将此输出求开方，得到悬浮电流的参考值，减去其实际值，经内环悬浮电流跟踪控制器，实时调整悬浮电流，实现稳定悬浮。本发明专利技术自适应能力强、动态响应快、抗干扰能力强，稳定性好，可确保整个悬浮过程系统性能实时最优。

Suspension control method of Maglev vertical axis wind turbine based on sliding mode neural network

【技术实现步骤摘要】
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
本专利技术涉及一种控制方法，尤其是一种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，属于电气工程

技术介绍
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。在实际工作环境中，磁悬浮垂直轴风电机组的悬浮控制必须满足自适应能力强、动态响应快、抗干扰能力强等要求。磁悬浮系统是一种典型的非线性、不稳定系统，同时，风力干扰的随机性严重影响悬浮稳定性，使得悬浮控制器的设计极具挑战性。常规PID控制器结构简单,但控制器的参数在线调整困难，难以自动调节以适应外界环境的变化，因此对处于随机干扰下的风电磁悬浮系统很难达到理想的控制效果。串级PID控制可以通过减小副回路闭环系统的相位滞后和等效时间常数来提高系统稳定性和响应速度，通过副回路控制器增益增加串级控制系统有阻尼频率来改善系统的控制质量，设计简单、结构灵活、鲁棒性较强，但依赖确定的对象模型，且控制器的参数固定，当对象模型和参数不确定时，控制效果不明显。径向基神经网络(RBFNN)具有很强的输入、输出非线性映射功能，可以以任意精度逼近未知函数，且学习速度快。将RBF神经网络与滑模控制结合起来，构成RBFNN-SMC控制器，通过RBFNN估计未知干扰，可以使控制系统具有良好的自适应性和鲁棒性。但目前滑模径向基神经网络控制在磁悬浮垂直轴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，通过滑模控制、径向基神经网络和自适应算法相结合，使磁悬浮垂直轴风电机组的悬浮系统在受到风速、风向的波动性及不确定性而导致的随机干扰的情况下，实现稳定悬浮。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、悬浮控制系统、气隙传感器、风轮、上端轴承、下端轴承、外壳、塔架和变流器系统等；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。所述悬浮控制系统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；所述悬浮控制器包括外环气隙跟踪控制器和内环悬浮电流跟踪控制器，所述外环气隙跟踪控制器为径向基神经网络滑模控制器。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。本专利技术一种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，包括以下步骤：步骤1，设计滑模面为：式中，e(t)为悬浮气隙跟踪误差，有：e(t)＝δref(t)-δ(t)，δref(t)为悬浮平衡点处的悬浮气隙参考值，δ(t)为所述盘式定子和所述盘式转子之间的悬浮气隙测量值；c1、c2为常数。对式(1)求导，则有：将所述旋转体在垂直方向上的力学方程：代入式(2)，则有其中，d＝g+(Fd(t)/m)，uNNSMC(t)＝i2(t)，三者分别为未知有界项、系统已知项和所述径向基神经网络滑模控制器的输出，m为所述旋转体的质量，g为重力加速度；Fd(t)为外界随机扰动力；为δ(t)对时间t的二阶导数；i(t)为所述盘式定子的电流，即悬浮电流；k＝μ0N2S/4，其中，μ0为真空磁导率，N为所述悬浮绕组的匝数，S为所述盘式定子铁芯的磁极表面有效面积；步骤2，采用径向基神经网络来估计式(3)中的未知有界项d，具体方法是：21)确定所述径向基神经网络的层数：所述径向基神经网络包括1个输入层、1个隐含层、1个输出层，其中，所述输入层的输入向量定义为：所述隐含层有n个神经元；所述输出层有1个神经元；22)选择高斯函数作为所述隐含层的激励函数，则所述隐含层的输出为：其中，hj是隐含层第j个节点的输出，zj＝[zj1,zj2]T是第j个隐节点高斯函数的中心向量，||x-zj||是衡量输入向量x和第j个隐节点中心向量的欧氏范数，bj是第j个隐节点的标准化常数。23)以所述隐含层输出值的加权值总和计算所述输出层的输出，则所述输出层的输出y为式(3)中的未知有界项d的估计值式中，表示所述输出层的权值向量，h＝[h1,h2,…,hn]T表示所述隐含层的输出向量，其中，hj(j＝1,2,…n)由式(4)求得。则未知有界项d可表示为：其中，为估计误差，是神经网络实现完美逼近的理想输出值，而ε*是理想逼近误差，满足|ε*|≤εω，εω是ε*的最小上确界，是一个有界正实数；是神经网络实现完美逼近的理想输出权值，即满足：式中，Rn为n维实数；步骤3，求所述径向基神经网络滑模控制器的输出：基于双曲正切函数的指数趋近律，将滑模面s(t)的导数取为：其中，K、W为正实数，双曲正切函数利用式(3)和式(7)，求得所述径向基神经网络滑模控制器的输出为：uNNSMC(t)＝uISMC(t)+uR(t)(8)式中，uISMC(t)为所述径向基神经网络滑模控制器的智能滑模控制项，令：uR(t)是鲁棒补偿器，用于保证控制系统的稳定性。鲁棒补偿器uR(t)按如下过程求得：构造Lyapunov函数为：其中，γ、η是正常数。对式(10)求导，得到：将式(3)、式(8)和式(9)代入式(11)，可得：令则式(12)可表达为：把式(5)、式(6)代入式(13)，可得：取RBF神经网络的权值自适应律为：则式(15)可表达为：令则式(17)可改为：取则式(19)可表达为：V1(t)＝-s(t)tanh(s(t))≤0(21)因为式(14)恒成立，所以这表明系统是稳定的，也即说明按式(18)选取的鲁棒补偿器uR(t)是合理的。将式(9)、式(18)代入式(8)，可得所述径向基神经网络滑模控制器的输出为：步骤4，将步骤3式(23)得到的uNNSMC(t)进行开方，从而得到所述盘式定子的电流参考值iref(t)：然后将此iref(t)与所述盘式定子的电流测量值i(t)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，从而控制所述盘式定子的电流i(t)，使所述旋转体在悬浮平衡点处保持稳定悬浮。本专利技术的有本文档来自技高网...

【技术保护点】
1.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，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、悬浮控制系统、气隙传感器、风轮、外壳和塔架；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；所述磁悬浮盘式电机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；所述悬浮控制系统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，所述悬浮控制器包括外环气隙跟踪控制器和内环悬浮电流跟踪控制器，所述外环气隙跟踪控制器为径向基神经网络滑模控制器；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：/n步骤1，设计滑模面为：/n

【技术特征摘要】
1.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，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、悬浮控制系统、气隙传感器、风轮、外壳和塔架；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；所述磁悬浮盘式电机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；所述悬浮控制系统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，所述悬浮控制器包括外环气隙跟踪控制器和内环悬浮电流跟踪控制器，所述外环气隙跟踪控制器为径向基神经网络滑模控制器；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，设计滑模面为：



式中，e(t)为悬浮气隙跟踪误差，有：e(t)＝δref(t)-δ(t)，δref(t)为悬浮平衡点处的悬浮气隙参考值，δ(t)为所述盘式定子和所述盘式转子之间的悬浮气隙测量值，c1、c2为常数；
对式(1)求导，则有：



将所述旋转体在垂直方向上的力学方程：



代入式(2)，则有



其中，d＝g+(Fd(t)/m)，uNNSMC(t)＝i2(t)，三者分别为未知有界项、已知项和所述径向基神经网络滑模控制器的输出；m为所述旋转体的质量，g为重力加速度；Fd(t)为外界随机扰动力；为δ(t)对时间t的二阶导数；i(t)为所述盘式定子的电流；k＝μ0N2S/4，其中，μ0为真空磁导率，N为所述悬浮绕组的匝数，S为所述盘式定子铁芯的磁极表面有效面积；
步骤2，采用径向基神经网络来估计式(3)中的未知有界项d，具体方法是：
21)确定所述径向基神经网络的层数：
所述径向基神经网络包括1个输入层、1个隐含层、1个输出层，其中，所述输入层的输入向量定义为：所述隐含层有n个神经元；所述输出层有1个神经元；
22)选择高斯函数作为所述隐含层的激励函数，则所述隐含层的输出为：



其中，hj是隐含层第j个节点的输出，zj＝[zj1,zj2]T是第j个隐节点高斯函数的中心向量，||x-zj||是衡量输入向量x和第j个隐节点中心向量的欧式范数，bj是第j个隐节点的标准化常数；
23)以所述隐含层输出值的加权值总和计算所述输出层的输出，则所述输出层的输出y为式(3)中的未知有界项d的估计值



式中，表示所述输出层的权值向量，h＝[h1,h2,…,hn]T表示所述隐含层的输出向量，其中，hj(j＝1,2,…n)...

【专利技术属性】
技术研发人员：蔡彬，崔国栋，苏佰丽，褚晓广，谌义喜，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：山东;37