一种风电机组变桨距控制的改进自抗扰控制器和系统技术方案

本发明专利技术涉及一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；该系统工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值f

【技术实现步骤摘要】
一种风电机组变桨距控制的改进自抗扰控制器和系统
本专利技术涉及风电
，尤其是涉及一种风电机组变桨距控制的改进自抗扰控制器和系统。
技术介绍
自抗扰控制器(ADRC)是一种在工业过程控制中应用的自动控制方法，其主要优点是能够自动跟踪系统中的随机扰动并对控制输出进行自动补偿，对被控对象的精确数学模型不存在很强的依赖性，具有很强的抗干扰能力和控制的鲁棒性，该种控制方法在工业过程控制中得到了越来越广泛的应用，其控制的优越性得到了现场工程技术人员的广泛认同。传统的自抗扰控制器(ADRC)因具备较强的鲁棒性及抗干扰能力，已成功应用于风力发电机变桨距系统中，但仍存在一定的延迟，参数整定所需要的计算量较大、效率不高等缺陷。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种能够在线调节扩张状态观测(ESO)参数的风电机组变桨距控制的改进自抗扰控制器和系统，抗干扰能力更强、范围更广，控制效果更好。本专利技术的目的可以通过以下技术方案来实现：一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；该控制器工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值进一步地，所述的BP神经网络模块调节的扩张状态观测器的参数包括β01、β02和β03。其中，所述的扩张状态观测器的参数β01、β02和β03分别为BP神经网络整定ESO参数。进一步地，所述的BP神经网络模块通过采样获得扩张状态观测器的三个输出参数z1、z2和z3，其中，z1和z2作为BP神经网络模块的输入，z3作为BP神经网络模块的输出。其中，所述的扩张状态观测器的三个输出参数z1、z2和z3分别为状态观测器的输出信号的观测值。进一步地，所述的BP神经网络模块为训练完成的BP神经网络预测模型。更进一步地，所述的BP神经网络模块采用离线训练的方式，所述的BP神经网络为三层BP神经网络。进一步地，该改进自抗扰控制器估计的总的扰动更进一步地，该改进自抗扰控制器的数学表达式为：e1＝z1-wu0＝k1fal(v1-z1,α4,d)+k2fal(v2-z2,α4,d)其中，v0为TD的输入信号，v1为输入跟踪信号，为下次迭代式中的v1，v2为输入信号的微分提取信号，为下次迭代式中的v2，fal()为韩京清所总结出的扩张状态观测器非线性函数，r为跟踪因子，w为未知外部扰动，u0为非线性组合输出新的控制量，uq为非线性状态误差，e1为输入输出信号的误差，αn表示幂函数指数值n，zi为状态观测器的第i个输出信号的观测值，b为补偿因子的估计值，fBP为BP神经网络模块预测的扰动值，为扩张状态观测器估计的扰动值，为下次迭代式中的z2，为下次迭代式中的z1，d为线性段区间长度，k1、k2为整定参数。一种改进自抗扰控制器的风电机组变桨距控制系统，包括相互连接的改进自抗扰控制器和被控风机，所述的改进自抗扰控制器为上述的改进自抗扰控制器。与现有技术相比，本专利技术具有以下优点：1)本专利技术通过神经网络(BP)自抗扰控制方法可以不依赖系统精确的模型，能够观测出系统参数的变化并且补偿掉，具有很强的鲁棒性，相对于常规的自抗扰控制方法，神经网络自抗扰控制能够在线调节扩张状态观测(ESO)参数，抗干扰能力更强、范围更广，控制效果更好，对于风力发电机组的变桨控制有很强的实用性，保障发电的质量和效率，尽可能的最大效率发电；2)本专利技术的经过神经网络优化的自抗扰控制器，其扰动的估计分成了两部分，一部分是神经网络辨识的扰动值fBP，还有一部分才是扩张状态观测器(ESO)所估计的扰动值总的扰动相比之下，本专利技术的扩张状态观测器(ESO)只需要估计总扰动中的部分扰动，根据ADRC理论，观测器所需要观测的扰动量减小，可以提高观测器的观测精度。附图说明图1为本专利技术改进自抗扰控制器风电机组变桨距控制系统的结构原理图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。实施例如图1所示，本专利技术公开了一种改进自抗扰控制器的风电机组变桨距控制系统，包括相互连接的改进自抗扰控制器和被控风机，改进自抗扰控制器用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；该系统工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值即该改进自抗扰控制器估计的总的扰动BP神经网络模块调节的扩张状态观测器的参数包括β01、β02和β03，其中参数β01、β02和β03分别为BP神经网络整定ESO参数。BP神经网络模块通过采样获得扩张状态观测器的三个输出参数z1、z2和z3，其中，z1和z2作为BP神经网络模块的输入，z3作为BP神经网络模块的输出，其中，三个输出参数z1、z2和z3分别为状态观测器的输出信号的观测值。BP神经网络模块为训练完成的BP神经网络预测模型，采用离线训练的方式，BP神经网络为三层BP神经网络。具体地，如图1所示，该改进自抗扰控制器的数学表达式为：e1＝z1-wu0＝k1fal(v1-z1,α4,d)+k2fal(v2-z2,α4,d)其中，v0为TD的输入信号，v1为输入跟踪信号，为下次迭代式中的v1，v2为输入信号的微分提取信号，为下次迭代式中的v2，fal()为韩京清所总结出的扩张状态观测器非线性函数，r为跟踪因子，w为未知外部扰动，u0为非线性组合输出新的控制量，uq为非线性状态误差，e1为输入输出信号的误差，αn表示幂函数指数值n，zi为状态观测器的第i个输出信号的观测值，b为补偿因子的估计值，fBP为BP神经网络模块预测的扰动值，为扩张状态观测器估计的扰动值，为下次迭代式中的z2，为下次迭代式中的z1，d为线性段区间长度，k1、k2为整定参数。如图1，改进自抗扰控制器主要由跟踪微分器(TD)、非线性组合(NLSEF)、扩张状态观测器(ESO)和BP神经网络四部分组成，图1中各输入输出参数的含义为：v0为TD的输入信号，v1为输入跟踪信号，v2为输入信号的微分提取信号，e1为输入输出信号的误差，e2为信号微分误差，β01、β02和β03分别为BP神本文档来自技高网...

【技术保护点】
1.一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，其特征在于，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；/n该控制器工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值f

【技术特征摘要】
1.一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，其特征在于，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；
该控制器工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值


2.根据权利要求1所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块调节的扩张状态观测器的参数共三个。


3.根据权利要求2所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块通过采样获得扩张状态观测器的三个输出参数，并将其中两个作为BP神经网络模块的输入，剩下一个作为BP神经网络模块的输出。


4.根据权利要求3所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块为训练完成的BP神经网络预测模型。


5.根据权利要求4所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块采用离线训练的方式，所述的BP神经网络为三层BP神经网络。


6.根据权利要求2所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络整定扩张状态观测器的参数分别为β01、β02和β03。


7.根据权利要求3所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在...

【专利技术属性】
技术研发人员：左亚辉，谢源，姜珊，钱锴，任怀信，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31