一种风电变桨距多变量模糊神经网络pid控制方法
【技术领域】
[0001] 本发明涉及一种风电变桨距多变量模糊神经网络PID控制方法，尤其是一种风电 变桨距多变量模糊神经网络PID控制方法，适用于双馈式风电机组变桨距的控制方法，属 于风电控制的技术领域。
【背景技术】
[0002] 风能是绿色可再生能源，在绿色能源中的比重逐年增加，风能的开发与利用具有 广阔的商业前景。当风速高于额定值时，如何对变桨距系统进行有效控制从而减少风电机 组功率波动和机械疲劳受到广泛关注。比较常用的方法包括PI控制和LQG控制。PI控制 通过风力发电机转速实际值与转速参考值之间的误差来调节桨距角，然而PI控制方法需 要离线训练大量的参数，大大降低了系统的控制精度。LQG控制难以能保证系统的全局渐进 稳定，而且增加了控制系统的计算量。
[0003] 近年来，神经网络在逼近负责非线性系统时具有独一无二的优势，在工业控制领 域应用日益广泛。常见的神经网络主要包括：BP神经网络，RBF神经网络，Hopefield神经 网络，神经网络已经成功的应用到风电系统领域。神经网络自身的并行性和不依赖数学模 型的独立性为解决风电领域控制问题提供了有效的方案。如何实现对风电变桨距的有效控 制依然是风电系统的一个技术难题。
【发明内容】
[0004] 本发明的目的是克服现有技术中存在的不足，提供一种风电变桨距多变量模糊神 经网络PID控制方法，其控制简单方便，能实现风电变桨距的有效控制，降低成本，增加风 机运行的安全。
[0005] 按照本发明提供的技术方案，一种风电变桨距多变量模糊神经网络PID控制方 法，其特征是，所述风电变桨距多变量模糊神经网络包括PID计算模块和模糊神经网络PID 模块，模糊神经网络PID模块包括模糊参数整定模块和PID神经网络模块；
[0006] 所述控制方法包括如下步骤：
[0007] a、利用模糊参数整定模块对PID神经网络模块的权值进行预整定；
[0008] b、将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算 后得到风力发电机转矩参考输出量；
[0009] C、将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整 定模块的整定后得到PID神经网络模块权值的预整定参数；通过带有动量因子的负梯度算 法训练PID神经网络模块的权值，调节风力发电机转矩参考值输出及桨距角参考值输出。 [0010] 所述模糊参数整定模块采用模糊控制器。
[0011] 所述步骤b中，风力发电机转矩参考输出Γ&采用PID闭环控制：
[0012] rGr= e (k p+ki/s+kds) (I)
[0013] 其中，「&为风力发电机转矩参考输出，e为风力发电机转速参考值与转速实际 输出之间的误差，kp为比例系数，k i为微分系数，k d为积分系数。S为微分算子。所述步骤 a中，所述PID神经网络模块包括两个输入层神经元、三个隐含层神经元、一个输出层神经 元；
[0014] 所述PID神经网络输入层的两个输入分别为r(k)和y(k)，r(k)为风力发电机功 率参考值Pr，y(k)为风力发电机功率实际值P。
【主权项】
1. 一种风电变桨距多变量模糊神经网络PID控制方法，其特征是，所述风电变桨距多 变量模糊神经网络包括PID计算模块和模糊神经网络PID模块，模糊神经网络PID模块包 括模糊参数整定模块和PID神经网络模块； 所述控制方法包括如下步骤： a、 利用模糊参数整定模块对PID神经网络模块的权值进行预整定； b、 将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得 到风力发电机转矩参考输出量； c、 将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模 块的整定后得到PID神经网络模块权值的预整定参数；通过带有动量因子的负梯度算法训 练PID神经网络模块的权值，调节风力发电机转矩参考值输出及桨距角参考值输出。
2. 根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 所述模糊参数整定模块采用模糊控制器。
3. 根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 所述步骤b中，风力发电机转矩参考输出采用PID闭环控制： rGr=e(kp+ki/s+kds) (1) 其中，「&为风力发电机转矩参考输出，e为风力发电机转速参考值与转速实际输出之 间的误差，kp为比例系数，ki为微分系数，kx为积分系数，s为微分算子。
4. 根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 所述步骤a中，所述PID神经网络模块包括两个输入层神经元、三个隐含层神经元、一个输 出层神经元。 所述PID神经网络输入层的两个输入分别为r(k)和y(k)，r(k)为风力发电机功率参 考值Pr，y(k)为风力发电机功率实际值P。
(2) 输入层神经元的状态为：u1』(k) =net1』(3) 输入层输出为y/ =f1 (net1」），其中，j= 1，2〇 所述PID神经网络隐含层包括比例元、积分元、微分元三个神经元，隐含层各神经元的 输入加权和为，i= 1，2, 3,Wij2为隐含层第i个神经元的输入权值。 /=1J 比例元的状态为：u2! (k) =net2! (4) 积分元的状态为： u22(k) =u22 (k-1)+net22 (5) 微分元的状态为： u23(k) =net23 (k)-net23 (k-1) (6) 隐含层各神经元的输出为： (7) 兵甲，l = 1，H 所述PID神经网络输出层包括一个神经元，输出层神经元的输入加权和表示为
为输出层第1个神经元的输入权值。 输出层神经元的状态函数为： u\(k) =net\ (8) 输出层神经元的输出为7^= 其中，1 = 1，PID神经网络的输出等于输出层 神经元的输出y?。
5. 根据权利要求4所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 所述输入层输出函数f1为tansig函数，输出层输出函数f3为purelin函数。
6. 根据权利要求4所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 初始权值的选择：输入层至隐含层初始权值Wil 2= +l，wi22= -1 ;隐含层至输出层初始权值 为模糊控制器输出的比例kfP、积分kfI、微分参数。
7. 根据权利要求1所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 所述步骤c中，通过误差反向传播算法对PID神经网络模块的初始权值进行调整，PID神经 网络模块的训练目标为：
(9) ytp为神经网络期望输出，即风力发电机功率参考值Pyy为神经网络实际输出，即风 力发电机功率实际值P，其中，m为样本个数。
8. 根据权利要求6所述的风电变桨距多变量模糊神经网络PID控制方法，其特征是： 利用带有动量因子的负梯度算法对误差反向传播过程的权值进行调整，学习步长为n，经 过n-1步学习后：
(10) 式（10)为隐含层到输出层权值修正量，a为动量因子，其中，
(11) 其中，y,_2(k)为隐含层各神经元的输出值，m为样本点，n为学习步长，其中， 式（13)为输入层到隐含层权值修正量： 其中， (13) (12) L1N丄丄Ai八 'J二^ d/djM
(14) y^k)为输入层各神经元的输出值，a为动量因子，m为样本点，n为学习步长，其中，
(15) sgn为符号函数，Wjl为隐含层至输出层的权值，net/(k)为隐含层神经元的输入加权 和，11\〇〇为隐含层神经元的输出。
【专利摘要】本发明涉及一种风电变桨距多变量模糊神经网络PID控制方法，其包括如下步骤：利用模糊参数整定模块对PID神经网络模块的权值进行预整定；将风力发电机转速参考值与实际转速输出之间的误差经过PID计算模块计算后得到风力发电机转矩参考输出量；将风力发电机功率输出值与功率参考值的误差及误差变化率经过模糊参数整定模块的整定后得到PID神经网络模块权值的预整定参数；通过带有动量因子的负梯度算法训练PID神经网络模块的权值，调节风力发电机转矩参考值输出及桨距角参考值输出。本发明能实现风力发电机输出功率稳定在额定值附近，确保风机的安全。
【IPC分类】F03D7-04
【公开号】CN104612898
【申请号】CN201410706827
【发明人】李泰 , 侯小燕, 石铭霄, 潘庭龙, 吴定会, 朱志宇, 王媛媛, 张福特, 于唯楚
【申请人】江苏科技大学
【公开日】2015年5月13日
【申请日】2014年11月27日