[发明专利]基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法

权利要求书

1.一种基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，包括以下步骤：

1)、首先，考虑到风能利用系数的基础上，对现有变桨距风力机模型进行了改进，在风力机变桨控制系统中，采用滑模变结构控制提高反馈线性化算法的鲁棒性；

2)、对改进变桨距风力机模型，根据反馈线性化滑模控制算法进行了稳定性分析，得到李雅普洛夫函数；

3)、再采用BP反向传播神经网络对风力机系统进行辨识，然后运用SCG量化共轭梯度算法对此BP神经网络进行优化。

2.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述变桨距风力机模型为

ω'表示转速的一阶导数，T表示风力机叶轮产生的机械转矩，k表示齿轮传动比；T_c表示总制动转矩；J表示传动系统总等效转动惯量；β'表示桨距角的一阶导数；Δβ表示Δβ＝β_v-β桨距角参考输入与实际输入之差；t_β表示时间常数。

3.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述步骤2)中反馈线性化的滑模控制变桨风力机系统定义为：e_*＝y_d-y，则滑模函数为y_d表示理想输出，y表示输出变量，e_*表示位置跟踪误差；表示常数量；e′_*表示速度跟踪误差；

其中，

李亚普洛夫函数为V表示李亚普洛夫函数；s表示滑模函数。

4.根据权利要求1所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，所述BP神经网络的输入取为

μ(n)＝{μ₁(n),μ₂(n),μ₃(n)…μ_n(n)}，μ_n(n)表示BP神经网络的输入；n表示输入序列号(22)

输出为y_I(n)，隐含层的激励函数取为log-sigmoid,即

x表示输入变量(23)

隐含层神经元的输入和输出分别为

O_i(n)＝l(net_i(n)+r_i),i＝1,2,…,m (25)

l(·)是隐含层激励函数，m为隐含层节点数，w_ij(n-1)为(n-1)时刻第j个输入层神经元至第i个隐含层神经元的连接权值，r_i是第i个隐含层节点处的偏差。

输出层神经元的输出为

式中，w_i(n-1)为(n-1)时刻第i个神经元至输出层神经元的权值，θ为输出层的偏差，为输出层激活函数。

5.根据权利要求4所述的基于反馈线性化滑模与SCG的变桨风力机控制与辨识方法，其特征在于，在训练开始前对采集到的数据均进行归一化处理：改为：在训练开始前对采集到的数据V_old进行归一化处理：

其中min和max分别是所采集的各类数据中该类数据的最小特征值和最大特征值，V_old表示采集到的数据；V_new表示归一化后的对应的采集数据

对y_m进行反归一化处理：

则期望输出与网络输出的误差为

e(n)＝y(n)-y_I(n) (29)

式中，y(n)和y_I(n)分别为实际输出与网络输出

取均方误差作为性能指标：

利用训练算法对BP神经网络的权值w和偏差b进行不断地调整更新

式中：ξ(n)和ξ(n+1)和分别为调整前后的参数，ε为学习速率，κ为动量因子，Δξ(n)为第n次循环周期时的参数变化量，利用附加动量项κΔξ(n)减缓梯度方向的剧烈变化，然后用SCG算法优化BP神经网络中的变梯度算法，改变其在计算搜索步长α_n时较为粗糙的线性搜索方式，同时能考虑到黑塞矩阵的正定性。