[發明專利]一種基于神經網絡預測控制的雙風輪風力機變槳控制方法

有效

• 申請號: 202111112807.0
• 申請日: 2021-09-23
• 公開（公告）號: CN113638841B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 張文廣;駱偉健;馮賢治;房方;胡陽;劉亞娟;王慶華
• 申請（專利權）人: 華北電力大學
• 主分類號: F03D7/02
• 分類號: F03D7/02;F03D7/04;F03D17/00;F03D1/02
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 張文寶

1.一種基于神經網絡預測控制的雙風輪風力機變槳控制方法，其特征在于，包括以下步驟：

步驟1：采集雙風輪風力機控制系統極端風況下的風速、前風輪轉速、后風輪轉速、前風輪槳距角和后風輪槳距角數據；

步驟2：基于卷積神經網絡對雙風輪風力機極端風況下的載荷進行建模；

所述步驟2包括以下子步驟：

步驟2.1：將步驟1中采集到的每項數據都按照7:3的比例劃分為訓練集與測試集；

步驟2.2：將步驟1中采集到的風速、前風輪轉速、后風輪轉速、前風輪槳距角和后風輪槳距角作為五維輸入層構建卷積神經網絡；

步驟2.3：在步驟2.2的五維輸入層后依次構建第一卷積模塊和第二卷積模塊，在第二卷積模塊后依次設置全連接層、Dropout層和二維輸出層；

步驟2.4：選取交叉熵函數L為目標函數，利用隨機梯度下降法和訓練集對卷積神經網絡進行訓練，再利用測試集對卷積神經網絡進行測試；

步驟2.5：判斷交叉熵函數L是否小于等于-5，若是，得到以風速、前風輪轉速、后風輪轉速、前風輪槳距角和后風輪槳距角為輸入和以前風輪葉根彎矩、后風輪葉根彎矩為輸出的雙風輪風力機五輸入二輸出模型；若否，再對卷積神經網絡進行權值更新的迭代訓練，直到交叉熵函數L小于等于-5；

步驟3：建立雙風輪風力機控制系統的雙輸入雙輸出廣義預測模型并進行解耦，求解廣義預測模型的輸出；

步驟4：確定性能優化指標，利用混沌蝠鲼覓食算法對步驟3中解耦后的廣義預測模型進行滾動優化，得到最優控制律與最優控制器輸入；

所述步驟4包括以下子步驟：

步驟4.1：確定適應度為性能優化指標：

W₁(k)＝M₁(k)?(9)

式中，N為預測長度；W₁(k)為第k時刻的參考軌跡；S₁(k)為第k時刻的設定值；Δu₁(k)為第k時刻控制輸入改變量；

步驟4.2：設定空間維數、種群規模與最大迭代次數為初始參數初始化蝠鲼種群；

步驟4.3：隨機生成(0,1)內混沌序列初值p₀，按步驟4.2的初始化蝠鲼種群規模生成Tent混沌序列并將Tent混沌序列附加到初始化蝠鲼種群的個體上，再結合步驟4.1得出初始化蝠鲼種群中個體的適應度；其中，Tent混沌序列的生成公式為：

式中，p_d為第d個混沌序列值；

將Tent混沌序列附加到初始化蝠鲼種群的個體上的方法為：

式中，是第j維第d個體，j的位置表示空間維度，d的位置表示種群規模；為初始種群、第d個體在j維上的值；

步驟4.4：在[0,1]中生成一個隨機數rand來判斷覓食行為，若rand≥0.5，轉到步驟4.5；若rand＜0.5，轉到步驟4.6；

步驟4.5：執行鏈式覓食更新方式，更新后的種群再計算新個體適應度，若新個體適應度小于原個體適應度，則新個體替換原個體，否則保留原個體，再轉到步驟4.7；其中鏈式覓食更新公式為：

式中，為第t代、第j個體在d維上的值；為第t代在d維上最優個體的值；N為個體數量；r為[0,1]上均勻分布的隨機數；

步驟4.6：執行螺旋覓食更新方式，更新后的種群再計算新個體適應度，若新個體適應度小于原個體適應度，則新個體替換原個體，否則保留原個體，再轉到步驟4.7；其中螺旋覓食更新公式為：

當tT＜rand時：

式中，T為最大迭代次數；Ux^d、Lx^d為第t代在d維上取值的上、下界；

當tT≥rand時：

步驟4.7：判斷是否到達最大迭代次數，若是，則得到最優控制律與控制器的輸入；若否，則轉到步驟4.4；其中，最優控制律為：

式中，為最優個體在第N維的值；

控制器的輸入為：

u(k)＝u(k-1)+Δu(k)?(18)

式中，Δu(k)為控制律的第一個分量。

2.根據權利要求1所述基于神經網絡預測控制的雙風輪風力機變槳控制方法，其特征在于，所述步驟2.3中的第一卷積模塊和第二卷積模塊均包含一個卷積層、一個激活層和一個池化層。