[发明专利]一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法有效
申请号: | 201911284202.2 | 申请日: | 2019-12-13 |
公开(公告)号: | CN110805523B | 公开(公告)日: | 2020-08-25 |
发明(设计)人: | 蔡彬;崔国栋;苏佰丽;褚晓广;谌义喜 | 申请(专利权)人: | 曲阜师范大学 |
主分类号: | F03D7/04 | 分类号: | F03D7/04 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 273165 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 神经网络 电磁 悬浮 偏航 系统 控制 方法 | ||
1.一种基于神经网络的风电磁悬浮偏航系统悬浮控制方法,所述风电磁悬浮偏航系统包括悬浮系统和控制系统,所述悬浮系统由悬浮电磁铁、气隙传感器、悬浮架和风电机组的机舱组成,所述悬浮电磁铁包括铁芯 和绕组,所述绕组为直流励磁绕组;所述控制系统由悬浮变流器及其悬浮控制器组成,所述悬浮变流器与所述直流励磁绕组连接,所述悬浮控制器包括外环PID控制器和内环PID控制器;所述悬浮电磁铁、悬浮架、风电机组的机舱统称为悬浮物;其特征在于,包括以下步骤:
步骤1,当需要偏航时,由所述悬浮控制器采用PID控制算法控制所述悬浮电磁铁的励磁电流If(t),进而依据磁悬浮偏航系统的悬浮动态数学模型,控制其产生的悬浮力,使所述悬浮物向上悬浮至并保持在悬浮平衡点处实现稳定悬浮;将此时稳态情况下的所述外环PID控制器的比例系数、积分系数、微分系数记为kp0、ki0、kd0;
步骤2,在悬浮期间,所述悬浮控制器的外环PID控制器改用含量化因子的神经网络控制策略,求得当前时刻所述外环PID控制器的比例系数的调节量Δkp(k)、积分系数的调节量Δki(k)和微分系数的调节量Δkd(k),k为当前时刻;具体方法是:
21)确定所述神经网络的层数:所述神经网络包括1个输入层、1个隐含层、1个输出层,其中,所述输入层有3个输入向量xj(k),j=1,2,3,分别是悬浮平衡点处的悬浮气隙参考值δref、当前时刻悬浮气隙测量值δ(k)以及它们之间的偏差值e(k)=δref-δ(k),即令x1(k)=δref,x2(k)=δ(k),x3(k)=e(k);所述隐含层有5个神经元;所述输出层有3个神经元;
22)进行所述神经网络的前馈计算,获得所述隐含层的输出和所述输出层的输出:
所述隐含层的第i个神经元(i=1,2,3,4,5)当前时刻的输入si、输出Oi2(k)分别为:
式中,wij2(k)是当前时刻所述输入层的第j个神经元与所述隐含层的第i个神经元之间的连接权重系数,f1(·)为隐含层的激励函数,采用双曲正切函数tanh;
所述输出层的第l个神经元(l=1,2,3)当前时刻的输入sl、输出Ol3(k)分别为:
式中,wli3(k)是当前时刻所述隐含层的第i个神经元和所述输出层的第l个神经元之间的连接权重系数,f2(·)为所述输出层的激励函数,采用Sigmoid函数;
23)对所述输出层的输出进行量化操作,即:将所述输出层的输出分别与各自的量化因子相乘,获得所述外环PID控制器的比例系数调节量Δkp(k)、积分系数调节量Δki(k)和微分系数的调节量Δkd(k),具体是:
将所述输出层的第l个神经元(l=1,2,3)当前时刻的输出Ol3(k)乘以其量化因子σl,得到所述神经网络的输出yl(k),有:
则可得到:
式中,σ1、σ2、σ3分别表示所述输出层的第1、2、3个神经元的输出节点所连接的量化因子;
步骤3,根据步骤1及步骤2得到的kp0、ki0、kd0和Δkp(k)、Δki(k)、Δkd(k),求得当前时刻所述外环PID控制器的输出y(k)为:
步骤4,将步骤3得到的y(k)作为所述悬浮电磁铁的励磁电流的参考值Ifref(k),然后将此Ifref(k)与实际励磁电流If(k)作差,经所述内环PID控制器,送入PWM模块,产生驱动信号,控制所述悬浮变流器的输出电压,即施加于所述直流励磁绕组的电压,从而依据磁悬浮偏航系统的悬浮动态数学模型,针对各种不确定随机干扰实时在线调整励磁电流If(k),进而改变悬浮力,实现磁悬浮偏航系统的稳定悬浮;
步骤5,选择系统误差的性能指标为:
将当前时刻的悬浮气隙测量值δ(k)带入式(1),计算当前时刻的所述系统误差性能指标E(k),并与给定的最小误差性能指标Emin作比较:如果E(k)≤Emin,则所述神经网络的连接权重系数wij2(k)及wli3(k)保持不变,重复步骤5;否则进入步骤6,对所述连接权重系数wij2(k)及wli3(k)进行调整修正;
步骤6,基于所述系统误差的性能指标E(k),通过误差的反向传递来修正所述神经网络的连接权重系数,具体过程如下:
根据梯度下降算法,并考虑使所述神经网络的收敛速度加快,所述输出层第l个神经元的(k+1)时刻的连接权重系数wli3(k+1)按下式调整为:
式中,ηl3、αl3分别是所述输出层第l个神经元的学习速率和惯性系数,为所述输出层的连接权重系数的修正项,令:
同样,根据梯度下降算法,并考虑使所述神经网络的收敛速度加快,所述隐含层第i个神经元的(k+1)时刻的连接权重系数wij2(k+1)按下式调整为:
式中,ηi2和αi2分别是所述隐含层第i个神经元的学习速率和惯性系数,为所述隐含层的连接权重系数的修正项,令:
返回步骤2。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于曲阜师范大学,未经曲阜师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911284202.2/1.html,转载请声明来源钻瓜专利网。