[发明专利]一种非线性不稳定风力机舱悬浮系统的模型预测控制方法

权利要求书

1.一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，其特征在于：将非线性不稳定的风力机舱悬浮系统控制分为镇定和性能改善两部分，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及RBF神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；所述机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统,作为模型预测的控制模型；所述机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，构建增广的风力机舱悬浮预测离散模型，以气隙参考输入跟踪和控制输入的限定，设置模型预测控制的优化指标，设定预测的悬浮电流；所述RBF神经网络的模型失配补偿器采用RBF神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿，基于模型失配观测器，构建模型失配动态系统Lyapunov能量函数，推导获取RBF神经网络的权值更新自适应律；设计步骤如下：

步骤1，针对风力机舱悬浮系统模型其中，f_d为机舱所受轴向干扰力，m为机舱旋转体质量总和，δ为定转子之间悬浮气隙，μ₀为真空导率，N为悬浮绕组匝数，S为磁极铁芯总面积，I_f为悬浮电流，将其基于平衡点(δ₀,I_f0)线性化为

其中，u_a＝k_II_f，d＝f_d/m+o(f)，o(f)为线性化忽略掉的高阶项；

步骤2，风力机舱悬浮镇定控制器设计

式(1)显见为能控系统，采用状态反馈的极点配置方法将不稳定系统(1)进行镇定控制，转化为

其中，C＝[1,0]，和分别为期望的稳定特征根，镇定控制输入为u＝Kx，

步骤3，机舱悬浮预测控制器设计

第一步，设置采样周期T_s，对式(2)机舱悬浮镇定系统离散化处理，构建以x(k)＝[Δx_m(k)^T y(k)]^T为状态变量的机舱悬浮离散系统模型

其中，Δx_m(k+1)＝x_m(k+1)-x_m(k)，Δu(k)＝u(k)-u(k-1)，

A_m＝I+A_aT_s，B_m＝B_aT_s，C_m＝C，o_m＝[00]，I为单位阵；

第二步，设置预测域N_p＝5和控制域N_c＝3，基于k_i时刻的状态变量x(k_i)，构建未来各预测域时刻的输出Y

Y＝Fx(k_i)+ΦΔU (4)

其中，

Y＝[y(k_i+1|k_i) y(k_i+2|k_i)…y(k_i+5|k_i)]^T，

ΔU＝[Δu(k_i) Δu(k_i+1) Δu(k_i+2)]^T；

第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数J

其中，R_s＝[1 1 1 1 1]^Tr(k_i)，q_w为跟踪性能的指标权值，r_w为控制输入的约束权值；

第四步，对式(5)目标函数J进行控制输入的偏导处理，即可得最优控制输入

其中，

步骤4，RBF神经网络的模型失配补偿器设计

第一步，构造模型失配观测器

其中，G为模型失配动态调整系数，为RBF神经网络模型失配补偿值；

由式(2)和式(7)，模型失配动态方程为

其中，A₀＝A-G，G＝[k₁ k₂]，满足模型失配动态方程收敛；

第二步，设置RBF神经网络结构，采用e_m和两个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为x_i为第i个神经网络的输入，j为隐含层第j个节点，c_ij为隐含层第j个神经元高斯基函数的中心坐标，b_j为隐含层第j个神经元高斯基函数的宽度；

第三步，设置RBF神经网络模型失配补偿值为

其中，为神经网络权值的调整值；

第四步，设置RBF神经网络模型失配补偿误差

其中，θ^*为RBF神经网络的最优权值，表示为

第五步，由式(8)，(9)和(10)可得基于RBF神经网路的模型失配动态方程

其中，

第六步，构建包含模型失配误差和权值最优两性能的模型失配Lyapunov函数

其中，γ为正实数，

第七步，对模型失配Lyapunov函数求导，推导RBF神经网络权值更新自适应律；

由于e_y^TPB_ae_d≤|e_y^TPB_a||e_d| (15)

由于同时使RBF神经网络权值优化，满足式(17)

RBF神经网络模型失配补偿误差|e_d|就会无限逼近0，可实现

第八步，RBF神经网络权值更新自适应律为

第九步，基于RBF神经网络的模型失配补偿器为

步骤5，由式风力机舱悬浮电流参考为

。