(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110519512.9 (22)申请日 2021.05.13 (65)同一申请的已公布的文献号 申请公布号 CN 113090461 A (43)申请公布日 2021.07.09 (73)专利权人 曲阜师范大学 地址 273165 山东省济宁市曲阜市 静轩西 路57号 (72)发明人 谌义喜　蔡彬　鞠佩君　褚晓广　 邱雅兰　 (51)Int.Cl. F03D 7/06(2006.01) G06F 30/27(2020.01) 审查员 王羽波 (54)发明名称 基于滑模神经网络模型预测的低风速垂直 轴风力机悬浮控制方法 (57)摘要 本发明涉及基于滑模神经网络模型预测的 低风速垂直轴风力机悬浮控制方法， 属于风电技 术领域。 该方法将神经网络与多步模 型预测控制 相结合控制悬浮压力： 采用神经网络模型逼近非 线性的低风速垂直轴风力机的悬浮系统， 采用 Newton‑Raphson优 化算法实现滚动优 化， 得到系 统未来有限时域的最优控制量， 及时减小偏差， 保持实际上的最优控制； 同时， 采用 指数趋近律 为双曲正切函数的滑模控制策略控制悬浮电流， 保证系统快速跟踪能力和稳定性。 本发明对非线 性磁悬浮系统无需进行线性化处理， 能够实现多 步预测， 其抗干扰能力更 强， 同时能耗最低， 尤其 适合非线性、 强耦合、 存在风速风向突变等时变 干扰的低风速风电悬浮系统的控制。 权利要求书3页 说明书11页 附图4页 CN 113090461 B 2022.06.28 CN 113090461 B 1.基于滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方法， 所述低风速垂直 轴风力机， 包括： 垂直轴永磁直驱型风力发电机、 悬浮系统、 基座、 压力传感器、 风轮、 转轴； 所述永磁直驱型风力发电机包括定子和转子； 所述悬浮系统包括磁悬浮盘式电机和悬浮控 制系统； 所述磁悬浮盘式电机位于所述垂直轴永磁直驱型风力发电机的下方， 包括盘式定 子和盘式转子； 所述盘式定子由盘式定子铁芯和悬浮绕组组成， 所述悬浮绕组为直流励磁 绕组； 所述悬浮控制系统由悬浮变流器及其悬浮控制 器组成； 所述悬浮控制器包括外环悬 浮压力跟踪控制器和内环悬浮电流跟踪控制器； 所述垂直轴永磁直驱型风力发电机的转 子、 所述磁悬浮盘式电机的盘式转子、 所述风轮、 所述基座和所述转轴统称为旋转体； 其特 征在于， 包括以下步骤： 步骤1， 建立所述悬浮系统的悬浮动态数 学模型： 式中， P为所述旋转体在垂直方向上受到的合力， 即所述旋转体作用在所述基座上的压 力； mg为所述旋转体的重力； fd(t)为外界扰动力； i(t)为所述悬浮绕组的电流， 即悬浮电 流； δ为悬浮气隙， 即所述盘式定子和所述盘式转子之间的距离； k1＝μ0N2S/4， 其中， μ0为真 空磁导率， N为所述悬浮绕组的匝数， S为所述盘式定子的磁极表 面有效面积； u(t)为所述悬 浮绕组的电压， R为所述悬浮绕组的电阻； 步骤2， 根据所述悬浮系统的悬浮动态数学模型， 对悬浮神经网络模型进行训练， 具体 方法为： 21)构建悬浮神经网络模型： 所述悬浮神经网络模型由输入层、 隐含层和输出层组成； 输入层含有两个输入向量： 当前输入i(k)、 当前输出P(k)， 令x1＝i(k)， x2＝P(k)， 则输 入层的输入可写为： x＝[i(k)， P(k)]T                                                (5) 式中， i(k)为当前时刻的所述悬浮电流， P(k)为当前时刻的所述旋转体在垂直方向上 受到的合力， k 为当前时刻； 隐含层含8个神经 元， 其中， 第j个神经 元的输入sj为： 式中， ωij和 θj分别为隐含层的连接 权值和偏置向量； 隐含层第j个神经 元的输出yj为： 式中， f1(·)为双曲正切函数； 输出层含有1个神经 元， 其输入s为： 权　利　要　求　书 1/3 页 2 CN 113090461 B 2式中， ωj和 θ 分别为输出层的连接 权值和偏置向量； 令输出层神经 元的输出y为： 式中， Pm(k+1)为k+1时刻所述悬浮神经网络模型的输出； 22)对上述神经网络进行训练， 将所述悬浮系统的悬浮动态数学模型输出P与所述悬浮 神经网络模型输出Pm之预测误差e＝P ‑Pm作为所述悬浮神经网络的训练信号； 步骤3， 将训练好的所述悬浮神经网络模型移植入所述悬浮变流器的主控芯片， 建立基 于所述悬浮变流器的主控芯片的实际悬浮神经网络模型 预测控制系统； 步骤4， 采用模型预测控制策略， 设计所述外环悬浮压力跟踪控制器， 实现悬浮压力跟 踪控制； 具体方法为： 41)选取所述悬浮系统的代价 函数J为： 式中， α和 λ分别为压力权重因子和电流权重因子； Np为预测时域步长， Nu为控制时域步 长， 令Np＝Nu＝d， d为预测步数； P*为所述旋转体在垂直方向上的压力期望值； k 为当前时刻； 42)将所述悬浮神经网络模型的输出值Pm(k)、 所述旋转体在垂直方 向上的压力期望值 P*(k)以及当前时刻的所述悬浮绕组的电流i(k)输入至悬浮滚动优化器； 所述悬浮滚动优 化器采用Newton ‑Raphson优化算法， 确定最优控制输入信号， 即所述悬浮绕组的电流最优 值iopt： iopt＝i(k)‑[H(k)]‑1Γ(k)                                        (11) 式中， Γ(k)和H(k)分别为Jacobian矩阵和Hes sian矩阵； 对式(10)求取一阶导数， 得到Jacobian矩阵： 对式(10)求取二阶导数， 得到 Hessian矩阵： 43)将所述悬浮绕组的电流最优值iopt和所述旋转体作用在所述基座上的压力P作为所 述悬浮神经网络模型的输入； 步骤5， 采用滑模控制策略， 设计所述内环悬浮电流跟踪控制器， 实现悬浮电流跟踪控 制。 2.根据权利要求1所述的滑模神经网络模型预测的低风速垂直轴风力机悬浮控制方 法， 其特征在于， 所述 步骤5的具体方法为：权　利　要　求　书 2/3 页 3 CN 113090461 B 3