基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法与流程

本发明涉及一种控制方法，尤其是一种基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法，属于风电技术领域。

背景技术：

目前大功率风力发电机以水平轴风力发电机为主流产品。但水平轴风力发电机存在需要偏航对风、启动阻力矩大、控制复杂困难、安装不便、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。

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。

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模型，藉此完成状态反馈控制，因此对气隙变化鲁棒性差；有的采用滑模控制实现了悬浮系统的鲁棒控制，但因其固有的抖振问题应用还有待完善。针对泰勒线性化忽略高阶动态问题，有人采用自适应方法实现悬浮体稳定控制；有的则采用反馈线性化和状态反馈实现悬浮体控制，但受系统参数摄动影响。还有文献将h∞控制应用于悬浮系统控制中，提高了系统对气隙或悬浮体质量变化的鲁棒性，但存在控制器阶数较高的缺陷。

神经网络模型预测控制(nnmpc)使用非线性神经网络模型逼近非线性系统，预测未来模型性能，通过滚动优化，得到系统未来有限时域的最优控制量。与上述常规控制相比，神经网络模型预测控制虽然只能得到全局的次优解，但是当模型失配、存在时变非线性干扰时，能够及时进行弥补，减小偏差，保持实际上的最优控制，因而尤其适合非线性、强耦合、存在时变非线性干扰(风速、风向波动性、不确定性)的磁悬浮风电系统的控制。但目前神经网络模型预测控制在磁悬浮风电机组方面的应用研究甚少。

技术实现要素：

本发明的主要目的在于：针对现有技术的不足和空白，本发明提供一种磁悬浮垂直轴风电机组的控制方法，通过采用神经网络模型预测控制策略，灵活控制悬浮、调节旋转阻尼，实现低风速启动，确保磁悬浮垂直轴风电机组性能实时最优。

为了达到以上目的，本发明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、风轮、气隙传感器、上端轴承、下端轴承、外壳、塔架和变流器系统；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；所述定子包括定子铁芯和定子绕组，所述定子绕组为三相绕组；所述转子包括转子铁芯和永磁体，所述永磁体与所述转子铁芯的表面固定，所述转子铁芯与所述外壳的内侧面固定。

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悬浮铁芯和悬浮绕组组成，所述悬浮绕组为直流励磁绕组；所述盘式转子包括盘式转子铁芯和盘式转子绕组，所述盘式转子绕组为三相绕组。

所述变流器系统包括机侧变流器、网侧变流器、悬浮变流器、转子侧变流器；所述机侧变流器的一端与所述永磁直驱型风力发电机的定子连接，另一端分别与所述网侧变流器、所述悬浮变流器和所述转子侧变流器连接；所述悬浮变流器的另一端与所述磁悬浮盘式电机的悬浮绕组连接；所述转子侧变流器的另一端与所述磁悬浮盘式电机的盘式转子绕组连接；所述网侧变流器的另一端通过变压器与电网连接。所述机侧变流器、悬浮变流器、转子侧变流器的主控芯片均为dsp(数字信号处理器)。

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。

本发明基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法，包括以下步骤：

步骤1，当风速vw达到所述磁悬浮垂直轴风力发电机的切入风速vin时，启动所述网侧变流器，使其工作于整流模式，给所述悬浮变流器提供直流电源，然后由所述悬浮变流器采用pid控制算法控制所述磁悬浮盘式电机的定子电流，使所述旋转体向上悬浮至并保持在悬浮平衡点处实现稳定悬浮。

步骤2，当实现稳定悬浮后，所述悬浮变流器改用神经网络模型预测控制策略，控制所述磁悬浮盘式电机的定子电流，使所述旋转体在悬浮平衡点处保持稳定悬浮，具体方法是：

21)根据所述磁悬浮盘式电机的悬浮动态数学模型，对悬浮神经网络模型进行训练；

22)将训练好的所述悬浮神经网络模型移植入所述悬浮变流器的dsp主控芯片，建立基于所述悬浮变流器dsp的实际悬浮神经网络模型预测控制系统；

23)将所述悬浮神经网络模型的响应输出值δm及悬浮气隙期望值δ^*输入悬浮非线性优化模块，所述悬浮非线性优化器通过使悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流if_opt，将所述最优定子电流if_opt和悬浮气隙测量值δ作为所述悬浮神经网络模型的输入，同时将所述最优定子电流if_opt与实际所述磁悬浮盘式电机的定子电流if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，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在悬浮平衡点处保持稳定悬浮；所述悬浮代价函数为：

式中，j为悬浮代价函数，np为预测时域长度，nu为控制时域长度，if为控制输入信号，即所述磁悬浮盘式电机的定子电流，δ^*为悬浮气隙期望值，δm为所述悬浮神经网络模型的响应输出值，ρ为加权系数，k为当前时刻。

步骤3，当风速vw处于切入风速vin和额定风速vn之间时，即：vin<vw≤vn，实施最大功率点跟踪控制，具体步骤是：

31)由所述悬浮变流器采用神经网络模型预测控制策略，控制所述磁悬浮盘式电机定子电流if，确保所述旋转体在旋转过程中保持在悬浮平衡点，所述永磁直驱型风力发电机以及所述磁悬浮盘式电机在风力作用下均开始发电；具体方法是：

a1)根据所述磁悬浮盘式电机的旋转悬浮动态数学模型，对旋转悬浮神经网络模型进行训练；

a2)将训练好的所述旋转悬浮神经网络模型移植入所述悬浮变流器的dsp主控芯片，建立基于所述悬浮变流器dsp的实际旋转悬浮神经网络模型预测控制系统；

a3)将所述旋转悬浮神经网络模型的响应输出值δym及悬浮气隙期望值δ^*输入旋转悬浮非线性优化模块，所述旋转悬浮非线性优化器通过使旋转悬浮代价函数最小化确定最优控制输入信号，即所述磁悬浮盘式电机的最优定子电流iyf_opt，将所述最优定子电流iyf_opt和悬浮气隙测量值δ作为所述旋转悬浮神经网络模型的输入，同时将所述最优定子电流iyf_opt与实际所述磁悬浮盘式电机的定子电流if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，从而控制所述磁悬浮盘式电机的定子电流if，使所述旋转体在整个旋转过程中保持在悬浮平衡点处；所述旋转悬浮代价函数为：

式中，jrm为旋转悬浮代价函数，npm为预测时域长度，num为控制时域长度，if为控制输入信号，即所述磁悬浮盘式电机的定子电流，δ^*为悬浮气隙期望值，δym为所述旋转悬浮神经网络模型的响应输出值，ρ1为加权系数，k为当前时刻。

32)由所述机侧变流器和所述转子侧变流器采用神经网络模型预测控制策略和零d轴电流控制策略，分别控制所述永磁直驱型风力发电机的定子电流和所述磁悬浮盘式电机的转子电流，使所述旋转体按规定转速ω^*旋转，实现最大功率点跟踪控制。具体方法是：

b1)根据所述磁悬浮垂直轴风力发电机的动态数学模型，对风电神经网络模型进行训练；

b2)将训练好的所述风电神经网络模型移植入所述机侧变流器的dsp主控芯片和所述转子侧变流器的dsp主控芯片，建立基于所述机侧变流器dsp和所述转子侧变流器dsp的实际风电神经网络模型预测控制系统；

b3)将所述风电神经网络模型的响应输出值ωm及转速期望值ω^*输入风电非线性优化模块，所述风电非线性优化器通过使风电代价函数最小化确定最优控制输入信号，即所述永磁直驱型风力发电机的最优定子电流的q轴分量isq_opt和所述磁悬浮盘式电机的最优转子电流的q轴分量irq_opt，将所述最优定子电流的q轴分量isq_opt、所述最优转子电流的q轴分量irq_opt以及转速测量值ω作为所述风电神经网络模型的输入；同时，一方面，将所述永磁直驱型风力发电机的定子电流的d轴分量期望值isd^*和所述永磁直驱型风力发电机的最优定子电流的q轴分量isq_opt分别与各自的实际测量值作差后输入pi控制器，得到所述永磁直驱型风力发电机的定子电压控制量usd^*和usq^*，经dq/αβ坐标变换后得到usα^*和usβ^*，经svpwm模块调制后产生驱动信号，控制所述机侧变流器产生所需的励磁电压和电流；另一方面，将所述磁悬浮盘式电机的转子电流的d轴分量期望值ird^*和所述磁悬浮盘式电机的最优转子电流的q轴分量irq_opt分别与各自的实际测量值作差后输入pi控制器，得到所述磁悬浮盘式电机的转子电压控制量urd^*和urq^*，经dq/αβ坐标变换后得到urα^*和urβ^*，经svpwm模块调制后产生驱动信号，控制所述转子侧变流器产生所需的励磁电压和电流；使所述旋转体按磁悬浮垂直轴风力发电机的运动方程控制转速，按转速期望值ω^*旋转，实现最大功率点跟踪控制。

所述风电代价函数为：

式中，jy为风电代价函数，npy为预测时域长度，nuy为控制时域长度，isq、irq为控制输入信号，即分别为所述永磁直驱型风力发电机的定子电流的q轴分量和所述磁悬浮盘式电机的转子电流q轴分量，ω^*为转速期望值，ωm为所述风电神经网络模型的响应输出值，ρ2、ρ3为加权系数，k为当前时刻。

所述磁悬浮垂直轴风力发电机的运动方程为：

式中，tm为风力作用于所述风轮而产生的风轮转矩，te1为所述永磁直驱型风力发电机的电磁转矩，te2为所述磁悬浮盘式电机的电磁转矩，j为所述旋转体的转动惯量，ω为所述旋转体的机械角速度。

步骤4，额定功率输出控制：当风速vw处于额定风速vn和切出风速vout之间时，即：vn<vw<vout，则根据风速大小，采用与步骤3类似的方法，仅所述磁悬浮垂直轴风力发电机的运动方程改为：

式中，tf为所述旋转体的摩擦阻力矩；

所述旋转体的摩擦阻力矩tf可按下式计算：

tf＝f×r＝kf×r

式中，f为所述外壳与所述塔架之间的摩擦力，r为所述塔架的半径，k为摩擦系数，f为所述旋转体作用在所述塔架上的压力，即所述旋转体作用在所述塔架上的垂直方向上的合力，且有f＝mg-f(if,δ)，其中mg为所述旋转体的重力，f(if,δ)为所述磁悬浮盘式电机定子产生的电磁吸力。

本发明的有益效果是：本发明采用神经网络模型预测控制策略，神经网络模型能非常逼近强耦合、非线性的磁悬浮垂直轴风电系统，无需线性化处理，能有效应对风速、风向的波动性及不确定性给磁悬浮垂直轴风电系统带来的时变、非线性干扰以及模型失配等问题，通过滚动优化，得到系统未来有限时域的最优控制量，能够及时进行弥补，减小偏差，保持实际上的最优控制，实现永磁直驱型风力发电机和磁悬浮盘式电机协同控制，保证系统快速跟踪能力和稳定性，确保磁悬浮垂直轴风电机组系统性能实时最优。

附图说明

图1为本发明所述磁悬浮垂直轴风力发电机的结构示意图。

图2为本发明所述磁悬浮垂直轴风电机组的结构示意图。

图3为本发明磁悬浮盘式电机的悬浮系统结构示意和力学分析示意图。

图4为本发明基于pid的悬浮控制系统结构框图。

图5为本发明悬浮神经网络模型预测控制过程图。

图6为本发明悬浮神经网络模型结构。

图7为本发明悬浮神经网络训练过程图(系统辨识过程)。

图8为本发明旋转悬浮神经网络模型预测控制过程图。

图9为本发明旋转悬浮神经网络训练过程图(系统辨识过程)。

图10为本发明风电神经网络模型预测控制过程图。

图11为本发明风电神经网络模型结构。

图12为本发明风电神经网络训练过程图(系统辨识过程)。

图中标号：1-永磁直驱型风力发电机，11-永磁直驱型风力发电机定子，12-永磁直驱型风力发电机转子，2-磁悬浮盘式电机，21-磁悬浮盘式电机定子，22-磁悬浮盘式电机转子，3-风轮，5-编码器，6-气隙传感器，7-下端轴承，8-上端轴承，9-外壳，10-塔架，15-机侧变流器，16-网侧变流器，17-转子侧变流器，18-悬浮变流器，111-永磁直驱型风力发电机定子铁芯，112-永磁直驱型风力发电机定子绕组，211-盘式悬浮铁芯，212-悬浮绕组，221-盘式转子铁芯，222-盘式转子绕组。

具体实施方式

下面结合附图，对本发明作进一步详细说明。

如图1、图2所示，本发明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、风轮3、气隙传感器6、上端轴承7、下端轴承8、外壳9、塔架10和变流器系统。磁悬浮垂直轴风力发电机由两个电机组成，即：永磁直驱型风力发电机1、磁悬浮盘式电机2。

永磁直驱型风力发电机1包括定子11和转子12；定子11包括定子铁芯111和定子绕组112，定子绕组112为三相绕组；转子12包括转子铁芯和永磁体，永磁体与转子铁芯的表面固定，转子铁芯与外壳9的内侧面固定。

磁悬浮盘式电机2位于永磁直驱型风力发电机1的下方，它包括磁悬浮盘式电机定子21、磁悬浮盘式电机转子22；磁悬浮盘式电机定子21由盘式悬浮铁芯211和悬浮绕组212组成，悬浮绕组212为直流励磁绕组，气隙传感器6贴装在盘式铁芯211的表面测量悬浮气隙；磁悬浮盘式电机转子22包括盘式转子铁芯221和盘式转子绕组222，盘式转子绕组222为三相绕组，盘式转子铁芯221与外壳9的底部固定。

风轮3与外壳9固定。

如图2所示，变流器系统包括机侧变流器15、网侧变流器16、转子侧变流器17、悬浮变流器18，其中机侧变流器15为ac/dc变流器，用于永磁直驱型风力发电机1的最大功率跟踪控制；网侧变流器16为dc/ac双向变流器，用于实现并网；转子侧变流器17为ac/dc变流器，用于磁悬浮盘式电机2输出功率控制，并将磁悬浮盘式电机2输出的交流电能进行整流；悬浮变流器为dc/dc变流器，用于悬浮控制及调节旋转阻尼。机侧变流器15、转子侧变流器17、悬浮变流器18的主控芯片均为dsp。

如图2所示，机侧变流器15的交流侧与永磁直驱型风力发电机1的定子绕组11相连，其直流侧分别与网侧变流器16的直流侧、转子侧变流器17的直流侧和悬浮变流器18的一端相连；网侧变流器16交流侧通过变压器与电网相连；转子侧变流器17的交流侧与磁悬浮盘式电机2的转子绕组222相连；悬浮变流器的另一端与悬浮绕组212相连。

如图1所示，永磁直驱型风力发电机1的转子12、磁悬浮盘式电机2的盘式转子22、风轮3、外壳9等所有旋转部分统称为旋转体。

本发明基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法，包括以下步骤：

步骤1，当风速vw达到磁悬浮垂直轴风力发电机的切入风速vin时，启动网侧变流器16，使其工作于整流模式，给悬浮变流器18提供直流电源，然后由悬浮变流器18采用pid控制算法控制磁悬浮盘式电机2的定子电流if。如图4所示，具体方法是：悬浮气隙期望值δ^*与其实际测量值δ(由气隙传感器6测得，下同)之差，经pid控制器得到定子电流参考值然后将与实际定子电流if作差，经pid控制器送入pwm模块，产生悬浮变流器18的驱动信号，控制悬浮变流器18输出电流，即通入悬浮绕组212的定子电流if，使旋转体向上悬浮至并保持在悬浮平衡点处实现稳定悬浮。此时，旋转体与塔架10之间没有摩擦力，可实现低风速启动。

步骤2，当实现稳定悬浮后，悬浮变流器18改用神经网络模型预测控制策略，控制磁悬浮盘式电机2的定子电流if，使旋转体在悬浮平衡点处保持稳定悬浮。如图5所示，具体方法是：

21)根据磁悬浮偏航电机的悬浮动态数学模型，对悬浮神经网络模型按如下训练方法进行训练：

如图5和图6所示，首先构建悬浮神经网络模型，该模型利用当前输入和当前输出预测神经网络的未来输出值。图6所示为构建的悬浮神经网络模型结构，它由输入层、1个隐含层、输出层组成。

输入层有两个输入向量：当前输入if(k)、当前输出δ(k)，令x1＝if(k)，x2＝δ(k)。

隐含层有n个神经元，第j个神经元输入sj为：

隐含层第j个神经元输出yj为：

输出层有1个神经元，其输入s为：

输出层神经元输出y为：

其中，f1(·)为双曲正切函数tansig，f2(·)为线性函数。

其次，对上述神经网络进行训练。如图5、图7所示，将开关s1断开，开关s2置于位置i；将磁悬浮盘式电机2的悬浮动态数学模型的输出δ与神经网络模型输出δm之预测误差e＝δ-δm作为神经网络的训练信号。

上述磁悬浮盘式电机2的悬浮动态数学模型经如下过程获得：

如图3所示，磁悬浮偏航电机悬浮绕组212通电以后将产生向上的轴向悬浮吸力f(if,δ)为：

式中，if为定子电流，δ为磁悬浮盘式电机定子21和磁悬浮盘式电机转子22之间的气隙长度，k1＝μ0n²s/4，其中，μ0为真空磁导率，n为悬浮绕组212的匝数，s为盘式悬浮铁芯211的磁极表面有效面积。

则旋转体在轴向上受到向上的悬浮吸力f(if，δ)、向下的旋转体重力mg和外界扰动力fd(t)，由此可得旋转体在垂直方向上的力学方程为：

式中，m为旋转体质量，g为重力加速度。

悬浮绕组212的电压方程为：

式中，u为悬浮绕组212的输入电压，rf为悬浮绕组212的电阻，ψ为磁悬浮盘式电机2的定子磁链，lf为悬浮绕组212的电感，且有lf＝2k1/δ；dδ/dt为悬浮气隙δ对时间t的一阶导数，即旋转体的轴向运动速度。

综上可得磁悬浮盘式电机2的悬浮动态数学模型为：

22)将训练好的所述悬浮神经网络模型移植入悬浮变流器18的dsp主控芯片，建立基于该dsp的实际悬浮神经网络模型预测控制系统；

23)如图5所示，将开关s1闭合，开关s2置于位置ii，将神经网络模型响应输出值δm及悬浮气隙期望值δ^*输入悬浮非线性优化器，该优化器通过使悬浮代价函数最小化确定最优控制输入信号，即磁悬浮盘式电机2的最优定子电流if_opt，将if_opt和悬浮气隙测量值δ作为悬浮神经网络模型的输入，同时将if_opt与实际磁悬浮盘式电机2的定子电流if作差，经pid控制器送入pwm模块，产生悬浮变流器18的驱动信号，控制if，使旋转体在悬浮平衡点处保持稳定悬浮。

其中，悬浮代价函数为：

式中，j为悬浮代价函数，np为预测时域长度，nu为控制时域长度，if为控制输入信号，即磁悬浮盘式电机2的定子电流，δ^*为悬浮气隙期望值，δm为悬浮神经网络模型的响应输出值，ρ为加权系数，k为当前时刻。

步骤3，当风速vw处于切入风速vin和额定风速vn之间时，即：vin<vw≤vn，实施最大功率点跟踪控制，具体步骤是：

31)由悬浮变流器18采用神经网络模型预测控制策略，控制磁悬浮盘式电机2的定子电流if，确保旋转体在转动过程中保持在悬浮平衡点，永磁直驱型风力发电机1和磁悬浮盘式电机2在风力作用下均开始发电；如图8所示，具体方法是：

a1)根据磁悬浮盘式电机2的旋转悬浮动态数学模型，对旋转悬浮神经网络模型按如下训练方法进行训练：

如图8所示，首先构建旋转悬浮神经网络模型，该模型结构与图6所示的悬浮神经网络模型结构相同。

其次，对上述神经网络进行训练。如图8、图9所示，将开关s3断开，开关s4置于位置i；将磁悬浮盘式电机2的旋转悬浮动态数学模型输出δ与神经网络模型输出δym之预测误差e＝δ-δym,作为神经网络的训练信号。

上述磁悬浮盘式电机2的旋转悬浮动态数学模型由如下过程获得：

在旋转过程中，磁悬浮盘式电机2处于发电状态，由于有磁悬浮盘式电机2的转子电流存在，悬浮绕组212的电压方程为：

磁链方程为：

ψ＝lmird+lfif(11)

式中，u为悬浮绕组212的输入电压，rf为悬浮绕组212的电阻，ψ为磁悬浮盘式电机2的定子磁链，ird为磁悬浮盘式电机2的转子电流的d轴分量，lm为悬浮绕组212与盘式转子绕组222间的互感，lf为悬浮绕组212的电感，且有lf＝2k1/δ。

将式(11)代入式(10)，可得：

结合式(9)，可得旋转过程中磁悬浮盘式电机2的旋转悬浮动态数学模型：

a2)将训练好的旋转悬浮神经网络模型移植入悬浮变流器18的dsp主控芯片，建立基于该dsp的实际旋转悬浮神经网络模型预测控制系统；

a3)如图8所示，将开关s3闭合，开关s4置于位置ii，将神经网络模型响应输出值δm及悬浮气隙期望值δ^*输入旋转悬浮非线性优化器，该优化器通过使旋转悬浮代价函数最小化确定最优控制输入信号，即磁悬浮盘式电机2的最优定子电流iyf_opt，将iyf_opt和悬浮气隙测量值δ作为旋转悬浮神经网络模型的输入，同时将iyf_opt与实际磁悬浮盘式电机2的定子电流if作差，经pid控制器送入pwm模块，产生悬浮变流器18的驱动信号，从而控制if，使旋转体在整个旋转过程中保持在悬浮平衡点处。

其中，旋转悬浮代价函数为：

式中，jrm为旋转悬浮代价函数，npm为预测时域长度，num为控制时域长度，if为控制输入信号，即磁悬浮盘式电机2的定子电流，δ^*为悬浮气隙期望值，δym为旋转悬浮神经网络模型的响应输出值，ρ1为加权系数，k为当前时刻。

32)由机侧变流器15和转子侧变流器17采用神经网络模型预测控制策略和零d轴电流控制策略，分别控制永磁直驱型风力发电机1的定子电流和磁悬浮盘式电机2的转子电流，使旋转体按转速期望值ω^*旋转，实现最大功率点跟踪控制。如图10所示，具体方法是：

b1)根据磁悬浮垂直轴风力发电机的动态数学模型，对风电神经网络模型按如下训练方法进行训练：

如图10和图11所示，首先构建风电神经网络模型，该模型利用当前输入和当前输出预测神经网络的未来输出值。图11所示为构建的风电神经网络模型结构，它也是由输入层、1个隐含层、输出层组成。

输入层有三个输入向量：当前输入isq(k)和irq(k)、当前输出ω(k)，令x1＝isq(k)，x2＝irq(k)，x3＝ω(k)。

隐含层有n个神经元，第j个神经元输入sj为：

隐含层第j个神经元输出yj为：

输出层有1个神经元，其输入s为：

输出层神经元输出y为：

其中，f1(·)为双曲正切函数tansig，f2(·)为线性函数pureline。

其次，对上述神经网络进行训练。如图10、图12所示，将开关s5断开，开关s6置于位置i；将磁悬浮垂直轴风力发电机动态数学模型输出ω与风电神经网络模型输出ωm之预测误差e＝ω-ωm作为神经网络的训练信号。

上述磁悬浮垂直轴风力发电机动态数学模型由如下过程获得：

根据图1，本发明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1和磁悬浮盘式电机2，它们均为隐极式同步电机，无阻尼绕组，忽略磁路饱和以及各绕组漏感，按照坐标变换原理，可得到dq同步旋转坐标系下的永磁直驱型风力发电机1和磁悬浮盘式电机2的转矩分别为：

式中，te1为永磁直驱型风力发电机1的电磁转矩，te2为磁悬浮盘式电机2的电磁转矩，np1为永磁直驱型风力发电机1的极对数，np2为磁悬浮盘式电机2的极对数，ψr1为永磁直驱型风力发电机1的转子磁链，lm为磁悬浮盘式电机2的定子与转子绕组间的互感，isq、irq分别为永磁直驱型风力发电机1的定子电流的q轴分量和磁悬浮盘式电机2的转子电流q轴分量，if为磁悬浮盘式电机2的定子电流。

磁悬浮垂直轴风力发电机的运动方程为：

式中，tm为风力作用于风轮3而产生的风轮转矩，j为旋转体的转动惯量，ω为旋转体的机械角速度。

式(18)-(20)构成了磁悬浮垂直轴风力发电机动态数学模型。

b2)将训练好的风电神经网络模型移植入机侧变流器15的dsp主控芯片和转子侧变流器17的dsp主控芯片，建立基于这两个dsp的实际风电神经网络模型预测控制系统；

b3)如图10所示，将开关s5闭合，开关s6置于位置ii，将风电神经网络模型的响应输出值ωm及转速期望值ω^*输入风电非线性优化器，该优化器通过使风电代价函数最小化确定最优控制输入信号，即永磁直驱型风力发电机1的最优定子电流的q轴分量isq_opt和磁悬浮盘式电机2的最优转子电流的q轴分量irq_opt，将isq_opt、irq_opt以及转速测量值ω(t)(由编码器5测算得到)为风电神经网络模型的输入；同时，采用零d轴电流控制策略，一方面，将永磁直驱型风力发电机1的定子电流的d轴分量期望值isd^*＝0和永磁直驱型风力发电机1的最优定子电流的q轴分量isq_opt分别与各自的实际测量值isd、isq作差后输入pi控制器，得到永磁直驱型风力发电机1的定子电压控制量usd^*和usq^*，经dq/αβ坐标变换后得到usα^*和usβ^*，经svpwm模块调制后产生驱动信号，控制机侧变流器15产生所需的励磁电压和电流；另一方面，将磁悬浮盘式电机2的转子电流的d轴分量期望值ird^*＝0和磁悬浮盘式电机2的最优转子电流的q轴分量irq_opt分别与各自的实际测量值ird、irq作差后输入pi控制器，得到磁悬浮盘式电机2的转子电压控制量urd^*和urq^*，经dq/αβ坐标变换后得到urα^*和urβ^*，经svpwm模块调制后产生驱动信号，控制转子侧变流器17产生所需的励磁电压和电流，使旋转体按运动方程式(20)控制转速，按转速期望值ω^*旋转，实现最大功率点跟踪控制。ω^*按风力机功率-转速特性曲线确定。

其中，风电代价函数为：

式中，jy为风电代价函数，npy为预测时域长度，nuy为控制时域长度，isq、irq为控制输入信号，即分别为永磁直驱型风力发电机1的定子电流的q轴分量和磁悬浮盘式电机2的转子电流q轴分量，ω^*为转速期望值，ωm为风电神经网络模型的响应输出值，ρ2、ρ3为加权系数，k为当前时刻。

步骤4，额定功率输出控制：当风速vw处于额定风速vn和切出风速vout之间时，即：vn<vw<vout，则根据风速大小，采用与步骤3类似的方法，仅磁悬浮垂直轴风力发电机的运动方程改为：

式中，tf为旋转体的摩擦阻力矩。

式(18)、(19)、(21)构成了此阶段的磁悬浮垂直轴风力发电机动态数学模型。

该方法通过控制旋转阻尼，实现额定功率输出控制。其过程是：悬浮变流器18采用神经网络模型预测控制策略，使悬浮绕组212的励磁电流if产生的电磁吸力f(if,δ)小于旋转体的重力mg，进而使外壳9垂直降落至与塔架10接触，外壳9与塔架10之间将产生摩擦力f，则旋转体在旋转过程中将产生摩擦阻力矩tf，即增大旋转阻尼，使旋转体转速下降；同时机侧变流器15采用神经网络模型预测控制策略，按运动方程式(21)对永磁直驱风力发电机1的转速实施控制，进而确保永磁直驱风力发电机1的输出额定功率。

式(21)中的摩擦阻力矩tf可按下式计算：

tf＝f×r＝kf×r(22)

式中，f为外壳9与塔架10之间的摩擦力，r为塔架10的半径，k为摩擦系数，f为旋转体作用在塔架10上的压力，即旋转体作用在塔架10上的垂直方向上的合力，且有f＝mg-f(if,δ)，其中mg为旋转体的重力，f(if，δ)为盘式定子21产生的电磁吸力，由求得。