[發(fā)明專利]基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法

在審

• 申請?zhí)枺?/td>: 201711291715.7
• 申請日: 2017-12-08
• 公開（公告）號: CN108196444A
• 公開（公告）日: 2018-06-22
• 發(fā)明（設(shè)計）人: 任海軍;周桓輝;張萍;張浩;雷鑫;侯斌;鄧廣
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 重慶市恒信知識產(chǎn)權(quán)代理有限公司 50102
• 代理人: 劉小紅

1.一種基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法，其特征在于，包括以下步驟：

1)、首先，考慮到風(fēng)能利用系數(shù)的基礎(chǔ)上，對現(xiàn)有變槳距風(fēng)力機(jī)模型進(jìn)行了改進(jìn)，在風(fēng)力機(jī)變槳控制系統(tǒng)中，采用滑模變結(jié)構(gòu)控制提高反饋線性化算法的魯棒性；

2)、對改進(jìn)變槳距風(fēng)力機(jī)模型，根據(jù)反饋線性化滑模控制算法進(jìn)行了穩(wěn)定性分析，得到李雅普洛夫函數(shù)；

3)、再采用BP反向傳播神經(jīng)網(wǎng)絡(luò)對風(fēng)力機(jī)系統(tǒng)進(jìn)行辨識，然后運用SCG量化共軛梯度算法對此BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

2.根據(jù)權(quán)利要求1所述的基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法，其特征在于，所述變槳距風(fēng)力機(jī)模型為

ω'表示轉(zhuǎn)速的一階導(dǎo)數(shù)，T表示風(fēng)力機(jī)葉輪產(chǎn)生的機(jī)械轉(zhuǎn)矩，k表示齒輪傳動比；T_c表示總制動轉(zhuǎn)矩；J表示傳動系統(tǒng)總等效轉(zhuǎn)動慣量；β'表示槳距角的一階導(dǎo)數(shù)；Δβ表示Δβ＝β_v-β槳距角參考輸入與實際輸入之差；t_β表示時間常數(shù)。

3.根據(jù)權(quán)利要求1所述的基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法，其特征在于，所述步驟2)中反饋線性化的滑模控制變槳風(fēng)力機(jī)系統(tǒng)定義為：e_*＝y(tǒng)_d-y，則滑模函數(shù)為y_d表示理想輸出，y表示輸出變量，e_*表示位置跟蹤誤差；表示常數(shù)量；e′_*表示速度跟蹤誤差；

其中，

李亞普洛夫函數(shù)為V表示李亞普洛夫函數(shù)；s表示滑模函數(shù)。

4.根據(jù)權(quán)利要求1所述的基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法，其特征在于，所述BP神經(jīng)網(wǎng)絡(luò)的輸入取為

μ(n)＝{μ₁(n),μ₂(n),μ₃(n)…μ_n(n)}，μ_n(n)表示BP神經(jīng)網(wǎng)絡(luò)的輸入；n表示輸入序列號(22)

輸出為y_I(n)，隱含層的激勵函數(shù)取為log-sigmoid,即

x表示輸入變量(23)

隱含層神經(jīng)元的輸入和輸出分別為

O_i(n)＝l(net_i(n)+r_i),i＝1,2,…,m (25)

l(·)是隱含層激勵函數(shù)，m為隱含層節(jié)點數(shù)，w_ij(n-1)為(n-1)時刻第j個輸入層神經(jīng)元至第i個隱含層神經(jīng)元的連接權(quán)值，r_i是第i個隱含層節(jié)點處的偏差。

輸出層神經(jīng)元的輸出為

式中，w_i(n-1)為(n-1)時刻第i個神經(jīng)元至輸出層神經(jīng)元的權(quán)值，θ為輸出層的偏差，為輸出層激活函數(shù)。

5.根據(jù)權(quán)利要求4所述的基于反饋線性化滑模與SCG的變槳風(fēng)力機(jī)控制與辨識方法，其特征在于，在訓(xùn)練開始前對采集到的數(shù)據(jù)均進(jìn)行歸一化處理：改為：在訓(xùn)練開始前對采集到的數(shù)據(jù)V_old進(jìn)行歸一化處理：

其中min和max分別是所采集的各類數(shù)據(jù)中該類數(shù)據(jù)的最小特征值和最大特征值，V_old表示采集到的數(shù)據(jù)；V_new表示歸一化后的對應(yīng)的采集數(shù)據(jù)

對y_m進(jìn)行反歸一化處理：

則期望輸出與網(wǎng)絡(luò)輸出的誤差為

e(n)＝y(tǒng)(n)-y_I(n) (29)

式中，y(n)和y_I(n)分別為實際輸出與網(wǎng)絡(luò)輸出

取均方誤差作為性能指標(biāo)：

利用訓(xùn)練算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值w和偏差b進(jìn)行不斷地調(diào)整更新

式中：ξ(n)和ξ(n+1)和分別為調(diào)整前后的參數(shù)，ε為學(xué)習(xí)速率，κ為動量因子，Δξ(n)為第n次循環(huán)周期時的參數(shù)變化量，利用附加動量項κΔξ(n)減緩梯度方向的劇烈變化，然后用SCG算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的變梯度算法，改變其在計算搜索步長α_n時較為粗糙的線性搜索方式，同時能考慮到黑塞矩陣的正定性。