基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法技术

本发明专利技术涉及基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法，属于风电技术领域。该方法将神经网络与多步模型预测控制相结合控制悬浮压力：采用神经网络模型逼近非线性的低风速垂直轴风力机的悬浮系统，采用Newton

【技术实现步骤摘要】
基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法


[0001]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模型预测的低风速垂直轴风力机悬浮控制方法，属于风电


技术介绍

[0002]低风速风电是未来风电发展的重点之一。但目前大功率水平轴风力发电机存在需要偏航对风、启动阻力矩大、控制困难、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。
[0003]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。
[0004]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的动态模型，籍此完成状态反馈控制，其抗干扰能力、控制性能较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法，所述低风速垂直轴风力机，包括：垂直轴永磁直驱型风力发电机、悬浮系统、基座、压力传感器、风轮、转轴；所述永磁直驱型风力发电机包括定子和转子；所述悬浮系统包括磁悬浮盘式电机和悬浮控制系统；所述磁悬浮盘式电机位于所述垂直轴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；所述悬浮控制器包括外环悬浮压力跟踪控制器和内环悬浮电流跟踪控制器；所述垂直轴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、所述基座和所述转轴统称为旋转体；其特征在于，包括以下步骤：步骤1，建立所述悬浮系统的悬浮动态数学模型：式中，P为所述旋转体在垂直方向上受到的合力，即所述旋转体作用在所述基座上的压力；mg为所述旋转体的重力；f
d
(t)为外界扰动力；i(t)为所述悬浮绕组的电流，即悬浮电流；δ为悬浮气隙，即所述盘式定子和所述盘式转子之间的距离；k1＝μ0N2S/4，其中，μ0为真空磁导率，N为所述悬浮绕组的匝数，S为所述盘式定子的磁极表面有效面积；u(t)为所述悬浮绕组的电压，R为所述悬浮绕组的电阻，ψ(t)为悬浮气隙磁链，L为所述悬浮绕组的气隙电感，且有L＝2k/δ；步骤2，根据所述悬浮系统的悬浮动态数学模型，对悬浮神经网络模型进行训练，具体方法为：21)构建悬浮神经网络模型：所述悬浮神经网络模型由输入层、隐含层和输出层组成；输入层含有两个输入向量：当前输入i(k)、当前输出P(k)，令x1＝i(k)，x2＝P(k)，则输入层的输入可写为：x＝[i(k)，P(k)]
T
ꢀꢀꢀꢀ
(5)式中，i(k)为当前时刻的所述悬浮电流，P(k)为当前时刻的所述旋转体在垂直方向上受到的合力，k为当前时刻；隐含层含8个神经元，其中，第j个神经元的输入s
j
为：式中，ω
ij
和θ
j
分别为隐含层的连接权值和偏置向量；隐含层第j个神经元的输出y
j
为：式中，f1(
·
)为双曲正切函数；输出层含有1个神经元，其输入s为：
式中，ω
j
和θ分别为输出层的连接权值和偏置向量；令输出层神经元的输出y为：式中，P
m
(k+1)为k+1时刻所述悬浮神经网络模型的输出；22)对上述神经网络进行训练，将所述悬浮系统的悬浮动态数学模型输出P与所述悬浮神经网络模型输出P
m
之预测误差e＝P
‑
P
m
作为所述悬浮神经网络的训练信号；步骤3，将训练好的所述悬浮神经网络...

【专利技术属性】
技术研发人员：谌义喜，蔡彬，鞠佩君，褚晓广，邱雅兰，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：