[发明专利]一种基于神经网络模型预测控制的磁悬浮偏航电机控制方法

说明书

本发明公开了一种基于神经网络模型预测控制的磁悬浮偏航电机控制方法，包括当风向改变需要偏航时，由转子变流器采用PID控制算法控制转子的电流大小，使磁悬浮偏航电机的转子向上悬浮至并保持在悬浮平衡点处实现稳定悬浮；控制转子电流，使磁悬浮偏航电机的转子在悬浮平衡点处保持稳定悬浮；使磁悬浮偏航电机按转速期望值ω*旋转至对风位置；在偏航的同时，由转子变流器采用模糊神经网络模型预测控制策略，控制转子的电流，使磁悬浮偏航电机的转子在整个偏航过程中保持在悬浮平衡点处。本发明通过采用神经网络模型预测控制策略，实现定转子协同控制，确保磁悬浮偏航电机整个悬浮偏航旋转过程中系统性能实时最优。

技术领域

本发明属于电气工程的技术领域，尤其涉及一种基于神经网络模型预测控制的磁悬浮偏航电机控制方法。

背景技术

偏航系统是水平轴风电机组必不可少的重要组成部分，目前大中型水平轴风电机组均采用齿轮驱动的偏航系统，存在结构复杂、多电机驱动、占用空间大、故障率高、维护不便(需要润滑、且必须定期更换润滑油和润滑脂)等缺陷，一旦发生故障，更换困难，停机检修时间长，将给风电场乃至整个电网的正常运行造成严重影响。

风电磁悬浮偏航系统采用磁悬浮驱动技术，取代传统的齿轮驱动技术，具有对风精度高、无需润滑、结构简单、维护方便、停电时间短、运行维护费用低等优势。通过电磁悬浮，一方面机舱处于悬浮状态，可实现精确对风；另一方面，简化了偏航系统结构，使维修简便，可大大缩短停机时间。

风电磁悬浮偏航系统中最关键的部件是磁悬浮偏航电机，其工作原理是：当风向改变时，首先使其转子通入直流电，实现悬浮，到达悬浮平衡点后，使其定子通入三相交流电，转子开始旋转，直至到达对风位置。在旋转过程中，一方面要实施悬浮控制，使其处于平衡点，另一方面要控制其转速，实现稳定旋转，因而必须实现定转子协同控制。

但磁悬浮技术因其高非线性、强耦合以及本质非稳定特点，实现其稳定控制极富挑战性，目前研究多集中在磁悬浮列车、磁悬浮轴承以及磁悬浮平面电机等领域的悬浮控制。其中，线性状态反馈控制是采用最多的悬浮控制策略，但多采用泰勒线性化方法在平衡点处线性化系统模型，藉此完成状态反馈控制，因此对气隙变化鲁棒性差；有的采用滑模控制实现了悬浮系统的鲁棒控制，但因其固有的抖振问题应用还有待完善。针对泰勒线性化忽略高阶动态问题，有人采用自适应方法实现悬浮体稳定控制；有的则采用反馈线性化和状态反馈实现悬浮体控制，但受系统参数摄动影响。还有文献将H∞控制应用于悬浮系统控制中，提高了系统对气隙或悬浮体质量变化的鲁棒性，但存在控制器阶数较高的缺陷。

针对磁悬浮技术因其高非线性、强耦合以及本质非稳定特点，将模糊神经网络控制理论引入偏航控制系统的方案，首先对输入信息进行模糊化处理，制定模糊控制规则，设计模糊控制器，可以取得良好的控制效果。但是模糊控制中模糊规则的提取和隶属函数的优化是困扰模糊信息处理技术的难题。利用专家的经验得到的模糊控制规则和隶属函数具有很大程度的不确定性，因此将这样的控制策略直接应用于控制中，往往不能得到理想的控制效果。

利用神经网络的自学习特性进行控制规则的提取和隶属度函数的优化可以有效解决以上难题。人们对神经元网络的研究从20世纪40年代初就开始了，随着人工神经元网络研究的不断深入，出现了各种类型的神经元网络模型，这些神经网络都具有很强的自适应和自学习能力，另外还具有并行计算，分布式信息存储，容错能力强等一系列优点。网络通过训练，学会对输入向量的分析和处理，能够进行计算、记忆、识别等功能。

模糊神经网络继承了神经网络和模糊控制各自的优点，它即可以像神经网络一样拥有高速处理速度，还像模糊控制一样拥有自学习的能力及模糊逻辑，在面对非线性问题时比其他控制方式更有优势。一般在模糊神经网络中，神经网络的输入与输出节点不仅代表着模糊逻辑部分的输入与输出，还可以用来表示隶属度函数及模糊规则，并且神经网络拥有的并行处理能力可以极大的提高模糊系统的推理能力。

发明内容