【技术实现步骤摘要】
一种基于神经网络预测控制的双风轮风力机变桨控制方法
[0001]本专利技术涉及风力机控制
，尤其涉及一种基于神经网络预测控制的双风轮风力机变桨控制方法。
技术介绍
[0002]风力发电是一种将气体流动的动能转变为电能的过程，根据目前的风力发电技术，3m/s的微风也可用于发电，应用场景广泛。双风轮风力机的前后两个风轮在运行过程中会相互影响，因此在控制过程中加入解耦补偿器，能够得到较好的控制效果。应对更加广泛的风速区是当前风力机的发展趋势。当出现风速大于25m/s的极端风况时，风力机基本都顺桨停机并断网，对风力机造成较大的载荷变动，危害风力机的使用寿命。在智能保护控制下，风力机在风速大于25m/s的一段区间内，降低风力机的功率继续运行，不仅可以拓宽可利用风速范围，还可以提高风力机发电效益。
技术实现思路
[0003]本专利技术的目的是提出一种基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，包括以下步骤：
[0004]步骤1：采集双风轮风力机控制系统极端风况下的风速、前风轮转速、后风轮转速...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，包括以下步骤：步骤1：采集双风轮风力机控制系统极端风况下的风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角数据；步骤2：基于卷积神经网络对双风轮风力机极端风况下的载荷进行建模；步骤3：建立双风轮风力机控制系统的双输入双输出广义预测模型并进行解耦，求解广义预测模型的输出；步骤4：确定性能优化指标，利用混沌蝠鲼觅食算法对步骤3中解耦后的广义预测模型进行滚动优化，得到最优控制律与最优控制器输入。2.根据权利要求1所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2包括以下子步骤：步骤2.1：将步骤1中采集到的每项数据都按照7:3的比例划分为训练集与测试集；步骤2.2：将步骤1中采集到的风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角作为五维输入层构建卷积神经网络；步骤2.3：在步骤2.2的五维输入层后依次构建第一卷积模块和第二卷积模块，在第二卷积模块后依次设置全连接层、Dropout层和二维输出层；步骤2.4：选取交叉熵函数L为目标函数，利用随机梯度下降法和训练集对卷积神经网络进行训练，再利用测试集对卷积神经网络进行测试；步骤2.5：判断交叉熵函数L是否小于等于
‑
5，若是，得到以风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角为输入和以前风轮叶根弯矩、后风轮叶根弯矩为输出的双风轮风力机五输入二输出模型；若否，再对卷积神经网络进行权值更新的迭代训练，直到交叉熵函数L小于等于
‑
5。3.根据权利要求2所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2.3中的第一卷积模块和第二卷积模块均包含一个卷积层、一个激活层和一个池化层。4.根据权利要求2所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2.4中的交叉熵函数L为：式中，P
M1
、P
M2
为前后叶轮叶根弯矩的概率；e
M1
、e
M2
为前后叶轮叶根弯矩误差。5.根据权利要求1所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤3包括以下子步骤：步骤3.1：建立双风轮风力机控制系统双输入双输出广义预测模型如下：式中，M1(k)、M2(k)分别为第k时刻前、后风轮叶根弯曲力矩；u1(k
‑
1)、u2(k
‑
1)分别为变桨信号的前、后风轮控制输入；ξ1(k)、ξ2(k)分别为前、后风轮干扰信号；A
11
(z
‑1)、A
22
(z
‑1)、
B
11
(z
‑1)、B
12
(z
‑1)、B
21
(z
‑1)、B
22
(z
‑1)为关于z
‑1的形如的多项式，z
‑1为后移时间算子，系数与阶次均由步骤2.5中的模型得出；Δ为差分算子；步骤3.2：对步骤3.1建立的广义预测模型进行前馈补偿解耦；引入串联补偿器B
D
(z
‑1)：得到解耦后的广义预测模型为：步骤3.3：引入丢番图方程，求解广义预测模型的输出，其中丢番图方程为：1＝E
i
(z
‑1)A
11
(z
‑1)Δ+z
‑
i
F
【专利技术属性】
技术研发人员：张文广，骆伟健，冯贤治，房方，胡阳，刘亚娟，王庆华，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。