一种基于神经网络的风场自适应功率追踪控制方法与流程

本发明涉及风场功率控制技术领域，特别涉及一种风场自适应功率追踪控制方法。

背景技术：

风场中的变速风机，由于可以捕获最大功率点和削弱输出功率波动，越来越受到研究人员的青睐。当风机的结构确定且参数已知时，通过构建系统动力学模型，描述系统完整的动态特性，应用各种自动控制理论，设计基于模型的控制器，实现功率跟踪控制。然而，变速风机动力学模型复杂，存在很多不确定性参数，显示出较强的非线性动力学行为。面对具有高度非线性不确定的系统，传统的pid控制难以做到快速、最优的实时进行参数整定。

同时我们希望，风场输出的总功率恰好能满足用户的功率需求，但是来自负载端(用户)的功率需求(理想功率)轨迹难以被精确预知。因此，在理论和实际的角度上看，研究未知的理想功率轨迹跟踪问题是非常重要的。

技术实现要素：

有鉴于此，本发明的目的是提供一种基于神经网络的风场自适应功率追踪控制方法，以实现在风场功率跟踪轨迹未知、模型不确定和有外部干扰的情况下，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出。

本发明基于神经网络的风场自适应功率追踪控制方法，包括以下步骤：

步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型，包括

1)建立风场输出功率动态模型为：

其中p＝(pg1,pg2,…pgn)^τ∈rⁿ是风场中每台风机输出的有效功率，b(t)＝diag(b1(t),b2(t),…bn(t))是风机系统的未知时变控制增益矩阵，bi(t)＝ngiωri，i＝1,2,…n，f(·)＝(f1(·),f2(·),…fn(·))^τ∈rⁿ是风机有界干扰，u＝(u1,u2,…un)^τ∈rⁿ代表风机系统控制矩阵的导数，

2)重构理想的未知的风场输出功率轨迹如下：

其中pd(t)＝(pd1(t),pd2(t),…pdn(t))^τ∈rⁿ是理想功率轨迹的估计，是理想功率轨迹导数的估计；d0(t)∈r^n×n和d1(t)∈r^n×n是未知时变对角矩阵；εd0∈rⁿ和εd1∈rⁿ是估计误差；d0，d1，是未知正常数；

步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值，包括：

令e＝p-p^*,定义可计算误差em＝p-pd∈rⁿ，则

其中δ1有界，那么若em有界，则e有界。有，

结合公式(1)-公式(5)，重写

则

其中是系统的不确定项；对的估计如下：

其中w^*∈r^l为神经网络权值矩阵，s(z)∈r^l是神经网络的偏置函数，是神经网络的实际输入，η(z)是神经网络的估计误差，|η(z)|<ηn<∞；且有

步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧集内，从而使神经网络的输入z也被控制在某个有限区域中；受限李雅普诺夫的选取如下：

式中μ>0且μ>||em(0)||是为自由选取的barrier参数；

步骤四：设计比例控制器u为：

u＝-(kp+δkp(·))em(10)

其中kp>0，c,γ>0；

步骤五：将比例控制器输入风机系统，控制风场输出功率。

本发明的有益效果：

本发明基于神经网络的风场自适应功率追踪控制方法，实现了在风场功率跟踪轨迹未知、模型不确定和有外部干扰的情况下，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出。

附图说明

图1是风场分布式动态功率控制结构示意图；

图2是风机的动力学模型示意图；

图3是仿真实验中在控制器作用下，风场输出功率跟踪示意图；

图4-图8是仿真实验中在控制器作用下，单个风机的(假设n＝5)输出功率跟踪示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

如图2所示，具有高度非线性不确定的风机系统动力学模型为：

其中风场中的第i个风机模型：

其中di(·)＝ci(ωr1,ωr2,…ωr(i-1),ωr(i+1),…ωrn)是风机受到风场中周围其他风机转速的有界干扰。输出功率：pgi＝temiωgi＝ngitemiωri，则

本实施例基于神经网络的风场自适应功率追踪控制方法，包括以下步骤：

步骤一：建立理想功率跟踪曲线和估计功率跟踪曲线的分析模型，包括

1)建立风场输出功率动态模型为：

其中p＝(pg1,pg2,…pgn)^τ∈rⁿ是风场中每台风机输出的有效功率，b(t)＝diag(b1(t),b2(t),…bn(t))是风机系统的未知时变控制增益矩阵，bi(t)＝ngiωri，i＝1,2,…n，f(·)＝(f1(·),f2(·),…fn(·))^τ∈rⁿ是风机有界干扰，u＝(u1,u2,…un)^τ∈rⁿ代表风机系统控制矩阵的导数，

2)重构理想的未知的风场输出功率轨迹如下：

其中pd(t)＝(pd1(t),pd2(t),…pdn(t))^τ∈rⁿ是理想功率轨迹的估计，是理想功率轨迹导数的估计；d0(t)∈r^n×n和d1(t)∈r^n×n是未知时变对角矩阵；εd0∈rⁿ和εd1∈rⁿ是估计误差；d0，d1，是未知正常数；

步骤二：基于径向基神经网络估计风场输出功率轨迹跟踪系统的不确定项的上界值，包括：

令e＝p-p^*,定义可计算误差em＝p-pd∈rⁿ，则

其中δ1有界，那么若em有界，则e有界。有，

结合公式(1)-公式(5)，重写

则

其中是系统的不确定项；对的估计如下：

其中w^*∈r^l为神经网络权值矩阵，s(z)∈r^l是神经网络的偏置函数，是神经网络的实际输入，η(z)是神经网络的估计误差，|η(z)|<ηn<∞；且有

步骤三：利用受限李雅普诺夫，将可计算误差em控制在某个紧集内，从而使神经网络的输入z也被控制在某个有限区域中，这样神经网络单元在风机系统运行过程中更好的维持学习和估计的能力；受限李雅普诺夫的选取如下：

式中μ>0且μ>||em(0)||是为自由选取的限制参数；

步骤四：设计比例控制器u为：

u＝-(kp+δkp(·))em(10)

其中kp>0，c,γ>0；

步骤五：将比例控制器输入风机系统，控制风场输出功率。

下面对本实施例基于神经网络的风场自适应功率追踪控制方法的有效性进行仿真验证。

假设风场中风机个数为5个，利用短期风能预测方法估计理想未知功率曲线p^*,

风机初始初始角速度设置为：ωr1(0)＝0.4,ωr2(0)＝0.3,ωr3(0)＝0.5,ωr4(0)＝0.4,ωr5(0)＝0.2.

风机动力学模型仿真参数如下：

kp＝400,c2＝20,μ＝12.5,γ＝0.02，s(z)＝[s1(z),s2(z),…sp(z)]^τ，i＝1,2,…p,其中ci＝0.5(i-1)，p＝50

d3＝cosωr1+3.7ωr2+lnωr4+sinωr5，

d4＝sin(ωr1ωr2)+4.2ωr3+3.8cosωr5，

d5＝tanh(ωr1+ωr2)+lnωr3+4.1ωr4

仿真结果如图3-图8所示。由仿真结果图可知：本实施例中基于神经网络的风场自适应功率追踪控制方法，在不需要知道系统中的时变不确定性参数和理想功率轨迹的情况下，在复杂的非线性模型中，能动态地调节整个风场的输出功率，向负载端维持稳定的功率输出，具有良好的功率跟踪控制效果，并且考虑了风场中风机在运行过程中承受其他风机转速不平衡载荷的影响，对风电机组的安全有效运行具有一定的参考价值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，但若未脱离本发明技术方案的宗旨和范围，便应涵盖在本发明的权利要求范围当中。