[发明专利]一种风电变桨距多变量模糊神经网络PID控制方法

说明书

技术领域

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

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。

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

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。

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；

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。

所述模糊参数整定模块采用模糊控制器。

所述步骤b中，风力发电机转矩参考输出Γ_Gr采用PID闭环控制：

Γ_Gr＝e(k_p+k_i/s+k_ds)    (1)

其中，Γ_Gr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，k_p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；

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P_r，y(k)为风力发电机功率实际值P。

net1(k)=r(k)net2(2)=y(k)---(2)]]>

输入层神经元的状态为：