风力机变桨系统单神经元pid控制研究

风力机变桨系统单神经元pid控制研究

0桨距角控制的现代控制方法风能发电技术的方兴未来，文献[1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17和18]。其中,风力机的变桨技术是一个研究热点。风力机变桨系统和输出功率间的非线性决定了风力机输出功率控制的难度。常规比例–积分–微分(proportionalintegraldifferential,PID)控制器对非线性系统的控制能力较弱,更多的是将线性二次型调节器(linearquadraticregulator,LQR)、逆系统方法、滑模控制、模糊控制和神经网络等现代控制方法应用于桨距角的控制中[9,10,11,12,13,14,15,16,17,18]。文献将滑模控制和模糊控制方法结合,解决风力机系统的非线性、参数时变等问题。文献将神经网络和模糊控制结合,应用于风力机的桨距角控制系统,取得了一定的控制效果。PID控制器以其算法简单、易于实现和可靠性高等优点,广泛应用于工业自动控制领域。常规的PID控制器是一种线性控制器,它根据给定值与实际输出值计算偏差,将偏差量的比例、积分和微分通过线性组合作为控制器的输出,作用于被控对象。但是,PID控制器不能够很好地对不确定模型和非线性对象进行控制,其参数调整是亟待解决的问题。单神经元具有自学习和自适应能力,不需要被控对象具有精确的数学模型,能够逼近任意非线性函数。将单神经元方法应用于PID参数的在线调整中可以构成单神经元自适应PID控制器,它不但结构简单,而且能适应环境变化,有较强的鲁棒性。大量实践证明,PID参数的在线学习修正主要与偏差和偏差增量有关,而单神经元PID算法的加权系数修正中将偏差和偏差增量分开考虑。本文将单神经元PID算法中的加权系数修正部分进行改进,同时考虑偏差和偏差增量,得到改进的单神经元自适应PID算法,设计应用于风力机变桨系统的单神经元自适应PID控制器和改进单神经元自适应PID控制器,对比分析其控制性能。1风力机变桨振动控制风力机将风能转换为机械能,获得的能量通常表达为式中:P为风力机轴功率;ρ为空气密度;v为风速;S为风力机扫掠面积;Cp(λ,β)为风力机能量转换系数。能量转换系数可表达为式中:λ为叶尖速比;β为桨距角;ω为风轮转速;R为风轮半径。变桨系统为1阶惯性环节,通常表达为式中:t为时间变量;Tβ为惯性时间常数;βc为桨距角命令值;β为桨距角实际值。由式(1)(2)可以看出,设计好风力机后,其结构尺寸确定,风力机获得的能量与风速成立方关系,风能转换系数与叶尖速比、桨距角成非线性。式(3)表明,变桨系统为1阶惯性环节,呈非线性关系。根据叶尖速比、风能转换系数以及桨距角的关系,可以绘制3者的关系曲线,参见文献。从3者关系曲线可以看出,随着β增大,功率系数Cp降低;当β不变时,风力机存在一个最佳叶尖速比,此最佳叶尖速比对应最大功率系数。根据以上分析并结合式(1)(2)可以得到,通过改变风力机桨距角或叶尖速比的方式可以调节能量转换系数,从而调节风机输出功率。2单元模型的自适应模型2.1风力机变桨控制当风速超过额定风速后,风力机的输出功率和系统所受的载荷将显著增大,增大到风力机自身能承受的极限值时,风力机会出现损坏,严重时风力机将无法正常工作。为使输出功率恒定,需要对风力机进行变桨控制。风力机桨距角和输出功率的非线性,经典PID控制器无法获得好的控制性能,采用单神经元自适应方法调节PID控制器参数,提高控制器对非线性系统的调节能力。系统将实际功率和额定功率的偏差作为控制器的输入;经过PID调节,控制器输出作为电机驱动器的输入,伺服电机根据电机驱动器的输出将桨距角精确定位,使风力机输出功率恒定。桨距角控制结构如图1所示。2.2单神经元自适应pid神经元是构成网络的基本单元,为了反映神经元对信号的响应能力,神经元按一定的学习规则修改单元间的相互连接模式,改变处理过程或知识结构,使获得的知识结构适应环境变化。当神经元的输入状态维数为3(单神经元模型)时,利用单神经元自适应方法在线调节PID控制器的比例、积分、微分系数,使PID控制器根据控制对象的变化而作出调整,从而保持对被控对象的有效控制。变桨系统单神经元自适应PID控制器的结构如图2所示。图2中神经元有3个输入量,输入量经过权系数w1(k)、w2(k)、w3(k)的作用后,对变桨系统产生影响。转换器的输入是实际值与控制给定的偏差。单神经元自适应PID数学模型如下:其中式中:u(k)为第k次的神经元输出;K为比例系数;e(k)为第k次偏差;ηP、ηI和ηD分别为积分、比例、微分的学习速率。本文对积分环节、比例环节和微分环节分别采用了不同的学习速率ηP、ηI和ηD,以便对不同的权系数分别进行调整。3改进的数学模型从式(4)(5)看出,xi(k)只考虑了偏差或前后2次偏差的差值,但实践证明PID参数的在线学习修正主要与e(k)和∆e(k)有关,因此,将式(4)中的xi(k)改为e(k)+∆e(k),改进后的数学模型如下:式中:∆e(k)=e(k)-e(k-1);z(k)=e(k)。得到单神经元自适应PID模型和改进单神经元自适应PID模型后,将其应用于变桨系统,并验证控制器性能。4种单神经元pid控制器的仿真结果本文设计仿真程序验证控制器的性能。在控制系统中,常采用阶跃信号作为系统输入,对控制系统的动态特性进行验证,此处也选择阶跃信号作为输入。采用单神经元自适应PID控制器进行控制时,ηP、ηI和ηD分别为0.6、0.35和0.1;w1、w2和w3的初值分别为0.2、0.1和0.1;采用改进单神经元时,ηP、ηI和ηD分别为0.5、0.4和0.1;w1、w2和w3的初值分别为0.3、0.1和0.2。为了检验2种单神经元PID控制器,本文将其与常规PID控制器的控制性能进行对比。在仿真进行到0.05s时,突加1个扰动信号,以检验系统的鲁棒特性。系统阶跃输出结果如图3所示。训练误差如图4所示。从图3可以看出,改进单神经元PID控制器和单神经元PID控制器的响应速度较常规PID控制器的响应速度快,无超调,系统响应均收敛。但改进单神经元PID控制器的响应速度是3者中最快的。从图3还可以看出,加入扰动信号后,采用单神经元PID控制器和改进单神经元PID控制器的系统只有微小变化,系统具有较强的鲁棒性;采用常规PID控制器的系统产生振荡,经调整后恢复稳定。图4的训练误差变化也验证了图3的结论。5种单神经元pid控制器的特性本文建立了风力机变桨系统模型,将2种单神经元PID控制器应用于变桨系统,研究其