[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

说明书

本发明请求保护一种基于反馈线性化滑模与SCG算法优化BP神经网络的变桨风力机系统控制与辨识方法，涉及变桨风力机技术领域。首先，本发明在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，并根据反馈线性化控制理论结合李雅普洛夫稳定性分析得到反馈线性化的滑模控制变桨风力机系统。再采用BP神经网络对风力机系统进行辨识，然后运用SCG算法对此BP神经网络进行优化。本发明提出的辨识能够较精确的检测风力机输入输出之间的关系，且通过反馈线性化理论结合李雅普洛夫稳定性分析得到的滑模控制使风力机控制系统有更强的鲁棒性，更快收敛，具有一定的实用价值。

技术领域

本发明属于变桨风力机领域，具体是一种风力机系统的控制和辨识方法，该方法是基于反馈线性化滑模与SCG算法优化BP神经网络的变桨风力机系统控制与辨识方法。

背景技术

随着人们环保意识的提高，许多清洁能源得到大力推广，因此，风力发电技术得到广泛应用。伴随着风力机的装机总量的飞速增长，其单机容量亦变得大型化。

现有对大型风力机变桨系统模型的研究，多采用一个或多个控制算法对其相关特性进行研究。如Wang等[01]采用反馈线性化对大型二自由度运动的新型风力机变桨距系统进行控制。但不足之处在于该方法缺乏对外部扰动的评估，因此导致其系统的鲁棒性未得到充分考虑。而近年来，对滑模控制的大量研究提供了一种新的解决思路。沈天峰等[02]提出的一类非线性多智能体系统的滑模鲁棒控制为解决控制系统的鲁棒性问题提供了较为成熟的理论。但由于变桨风力机系统的个体差异和外部环境变化，控制理论的应用并不能检验出其实际工作效果。因此，为深入研究风力机的各方面特性，需引入辨识检测等技术。金增等[03]提出了运用神经网络模型对风力机系统进行辨识，但其存在收敛速度慢和易陷入局部最小收敛的问题。吴定会等[04]提出的运用系统辨识算法对风力机的变桨系统进行故障检测，则存在外部扰动项欠缺考虑的问题。林勇刚等[05]提出运用SVR增量学习算法对变桨距风力机进行在线辨识，然而局部误差较大的问题还有待解决。叶杭冶等[06]提出了运用SVR观测器对风力机进行监测，但其辨识精度仍有待提高。鲁效平等[07]提出结合RELS等方法应用到辨识中，辨识精度亦存在较大的提升空间。

以上均为控制系统和辨识系统相对独立的研究，但由于风电系统的工作状态较为复杂，并常因安装位置和工作环境的差异而造成状态发生变化。为了提高受控系统的稳定性，和对风力机系统工况的预测或判断能力，得到一个相对完善的变桨距风力机系统，辨识技术开始与控制技术相结合运用到风力机的系统模型中。殷秀兴等[08]采用电液数字马达对变桨距系统运用建模与辨识技术相结合的方式进行了研究。不过相比较乔彬等[09]提出的基于SCG算法的BP神经网络的检测准确率还有不足。因此，本发明提出了运用反馈线性化滑模控制对变桨风力机系统进行设计，并结合SCG算法优化的BP神经网络对变桨距风力机系统进行辨识。现有技术中复杂的变桨风力机控制系统的鲁棒性和稳定性以及系统辨识精度仍然不足。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高变桨风力机控制系统的鲁棒性和稳定性，并提高对输入输出系统辨识精度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。本发明的技术方案如下：

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。