一种风力模拟载荷液压控制系统以及试验平台技术方案

本发明专利技术公开了一种风力模拟载荷液压控制系统，用于风电机组试验平台的风力载荷的模拟控制，所述控制系统包括：PID控制模块，该PID控制模块与液压驱动机构的连接，用以驱动该液压驱动机构；载荷模型输出模块，该载荷模型输出模块的输出端接入所述PID控制模块，该载荷模型输出模块的输入端连接由所述液压驱动机构驱动的风力模拟载荷状态输出。所述载荷模型输出模块的输入参数包括对于风力模拟载荷状态的设定目标值、第一实际值和第一实际值与设定目标值之间的第一偏差值，所述载荷模型输出模块的输出参数是发送给所述PID控制模块的液压驱动动作信号参数。驱动动作信号参数。驱动动作信号参数。

【技术实现步骤摘要】
一种风力模拟载荷液压控制系统以及试验平台


[0001]本专利技术属于风力发电
，特别涉及一种可以用于风力发电机组试验平台的风力模拟载荷液压控制系统以及试验平台。

技术介绍

[0002]对风能的开发和利用成为世界各国解决能源危机的有效手段和途径。目前随着风电机组装机数目的增加，保证风力发电机组高效稳定运行成为需要解决的主要问题。由于风力发电机体积庞大、维修成本高昂，为了及早发现问题，节约维护成本，通常在风机安装之前要对风机性能进行严格的测试。在安装前对风力发电机进行的疲劳测试，可以采用风电机组测试平台进行。风电机组测试平台是通过搭建的试验台来模拟真实遇到的各种工况。

技术实现思路

[0003]本专利技术实施例之一，一种风力模拟载荷液压控制系统，用于风电机组试验平台的风力载荷的模拟控制，所述控制系统包括：
[0004]PID控制模块，该PID控制模块与液压驱动机构的连接，用以驱动该液压驱动机构；
[0005]载荷模型输出模块，该载荷模型输出模块的输出端接入所述PID控制模块，该载荷模型输出模块的输入端连接由所述液压驱动机构驱动的风力模拟载荷状态输出。
[0006]所述载荷模型输出模块的输入参数包括对于风力模拟载荷状态的设定目标值、第一实际值和第一实际值与设定目标值之间的第一偏差值，所述载荷模型输出模块的输出参数是发送给所述PID控制模块的液压驱动动作信号参数。
[0007]所述载荷模型输出模块基于DDPG强化学习模型构建，包括观察模块、奖励模块、智能判决模块和终止模块，
[0008]所述观察模块、奖励模块和终止模块分别用于生成观察信号、奖励信号和终止信号并输出给智能判决模块，所述智能判决模块用于生成动作信号并输出给所述PID控制模块，
[0009]所述观察模块生成的观察信号包括第一实际值、第一偏差值和第一偏差累加值。
[0010]所述PID控制模块的输入参数包括所述的液压驱动动作信号参数、第二实际值和第二偏差值，该第二偏差值是所述液压驱动动作参数与液压机构实际状态参数之间的差值，第二实际值由液压驱动机构反馈。
[0011]本专利技术实施例是基于DDPG强化学习的PID整定液压控制系统，用于风力发电机组试验平台中风力载荷的模拟载荷液压控制。其主要的技术特点包括：
[0012](1)通过根据工况动态整定PID系统参数，解决PID控制系统的调优问题。本专利技术通过DDPG
‑
PID算法，训练时候获取液压控制系统运行状态根据给定的奖励函数来评判输出动作的好和坏，进行自我演绎试探和评价，因为过程无需人工干预，可以大大降低训练的人工成本。
[0013](2)液压控制系统可以在运行过程中实现大范围的无级调速，在同等输出功率下，液压传动装置的体积小、重量轻、运动惯量小、动态性能好，在很多使用场合下，但是其对工作液粘度对温度变化和负载敏感的对于液压控制系统的精度提出要求，而且还要求上述控制在外界存在各种干扰情况下能够快速收敛需要尽可能减小偏差或波动。基于DDPG强化学习的PID整定液压控制系统可以很好的解决因系统参数变化的控制系统，可以提高其稳态误差和响应速度。
附图说明
[0014]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：
[0015]图1根据本专利技术实施例之一的风电机组载荷模拟液压控制系统结构图。
[0016]图2为根据本专利技术实施例之一的DDPG算法更新网络过程图。
[0017]图3为根据本专利技术实施例之一的DDPG算法流程图。
[0018]图4为根据本专利技术实施例之一的单位阶跃下输入系统响应曲线图。
[0019]图5为根据本专利技术实施例之一的高斯噪声干扰下系统响应曲线图。
具体实施方式
[0020]一般而言，风力发电机组受到各种极端气候的影响，容易导致风电机组频繁产生故障。所有的故障中以传动系统故障维修时间耗费最长，经济损失最大。风电机组传动链作为风机载荷的关键部件，其工作的好坏直接决定了机组的稳定性、安全性和可靠性。因此，对风电机组传动链的加载试验变得尤其重要。
[0021]风电机组传动链试验平台是通过地面平台来模拟风力发电机组在真实环境下可能遇到的工况。风力载荷分为转矩载荷和非转矩载荷，为了提高风电机组传动链加载试验的系统性能。本公开提出在风电机组传动链试验平台中采用液压加载系统控制策略，因此液压系统的控制至关重要，需要满足稳定平滑的控制。在非转矩的模拟控制方面，由于液压加载系统包含复杂的电液系统，在控制时需要克服零位死区、油膜粘性、油液泄漏等非线性和不确定的因素影响，必须使其具备较好的加载跟踪性能和加载精度。除了在选型选用线性度及动态响应较好的电液阀部件，另一种重要的方法就是提高PID控制器响应速度。
[0022]液压控制系统的工作液粘度等许多重要参数都是温度的变量，温度又会随着工作时间和负载的情况变化而改变，因此严格意义上来说液压系统是时变系统。虽然可以按照液压控制系统中是否存在非线性元件来把系统分为线性系统和非线性系统，但是实际存在的液压控制系统中明显的存在非线性，是非线性系统。在另外一些对于阀芯的位移和速度等运动参量,二阶延迟环节来表示，还具有延迟控制装置。所以液压控制系统是具有时变、非线性的一个系统。针对这种系统传统的PID调节控制精度较低且对技术人员的经验要求较高。
[0023]智能优化算法已经被引入到PID控制中，智能优化算法因为其具有充分任意逼近复杂地非线性关系、具有很强地信息综合能力、学习能力和自适应能力可以来处理难以描述的模型和非线性强耦合的系统。其中神经网络以其具有非线性、优化和自适应性控制等
性能被引入到PID控制中。另外粒子群优化算法，以其具有非线性、收敛速度快、精度高等性能被引入到PID控制中。
[0024]因此，针对本公开要解决的问题，通过研究现有的文献可以发现现有的PID控制器具有以下问题：
[0025]①
现有的PID调节精确度不够，且依赖技术人员的经验；
[0026]②
采用BP神经网络所设计的BP神经网络PID控制系统由于反向传播学习算法的学习效率低、收敛速度慢、全局搜索能力弱以及易陷入局部最优等，其控制效果不理想统；
[0027]③
发射PSO算法容易出现算法早熟、易陷入局部极值点及维数灾难等缺点。
[0028]④
现有的深度学习方法在有监督学习的深度神经网络控制系统中，训练过程通常需要大量的人工参与。
[0029]根据一个或者多个实施例，一种基于DDPG强化学习的PID动态整定液压控制系统，包括DDPG控制器和PID控制器，DDPG，全称是deep deterministic policy gradient，深度确定性策略梯度算法。也是一种可以解决连续性控制问题的方法，它解决了Actor
‑
Critic本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力模拟载荷液压控制系统，用于风电机组试验平台的风力载荷的模拟控制，其特征在于，所述控制系统包括：PID控制模块，该PID控制模块与液压驱动机构的连接，用以驱动该液压驱动机构；载荷模型输出模块，该载荷模型输出模块的输出端接入所述PID控制模块，该载荷模型输出模块的输入端连接由所述液压驱动机构驱动的风力模拟载荷状态输出。2.根据权利要求1所述的风力模拟载荷液压控制系统，其特征在于，所述载荷模型输出模块的输入参数包括对于风力模拟载荷状态的设定目标值、第一实际值和第一实际值与设定目标值之间的第一偏差值，所述载荷模型输出模块的输出参数是发送给所述PID控制模块的液压驱动动作信号参数。3.根据权利要求2所述的风力模拟载荷液压控制系统，其特征在于，所述载荷模型输出模块是基于DDPG强化学习模型构建，包括观察模块、奖励模块、智能判决模块和终止模块，所述观察模块、奖励模块和终止模块分别用于生成观察信号、奖励信号和终止信号并输出给智能判决模块，所述智能判决模块用于生成动作信号并输出给所述PID控制模块，所述观察模块生成的观察信号包括第一实际值、第一偏差值和第一偏差累加值。4.根据权利要求3所述的风力模拟载荷液压控制系统，其特征在于，所述PID控制模块的输入参数包括所述的液压驱动动作信号参数、第二实际值和第二偏差值，该第二偏差值是所述液压驱动动作参数与液压机构实际状态参数之间的差值，第二实际值由液压驱动机构反馈。5.根据权利要求3所述的风力模拟载荷液压控制系统，其特征...

【专利技术属性】
技术研发人员：付志豪，孙渊，段玉彬，周璇，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：