抽象性

总的来说,风轮机建模是一项挑战性任务,因为它们是复杂的动态系统,其空气动力非线性不稳精确模型应包含多度自由, 控制算法设计必须说明这些复杂性然而,这些算法必须捕捉最重要的涡轮机动态而不过于复杂和不易操作,主要是当这些算法必须实时应用时使用时使用。这项工作的第一个贡献包括提供数据驱动模糊风轮机控制模拟设计和测试应用实例特别是,该战略以模糊建模和识别方法为基础,以模型为基础控制设计模糊建模和识别可代表开发复杂系统实验模型的替代方法,直接取自测量输入输出数据而无详细系统假设关于控制器设计,本文再次建议用模糊控制法调整风轮叶角和生成器托克依据从深思风轮基准获取的数据序列评估拟议战略的有效性数项实验提供证据说明拟受控者对不同控制方法的优异性

开工导 言

风轮机是复杂非线性动态系统,受重力和随机风扰动影响,受重力、离心和陀螺负载影响空气动力学非线性不稳,转子受复杂扰动风流田驱动疲劳加载风轮机建模控制复杂而富有挑战性任务一号,2..

精确模型必须包含多度自由以捕捉最重要的动态效果很明显风轮机控制算法设计必须考虑到这些复杂性另一方面,控制算法必须捕捉最重要的轮机动态,不过于复杂和不易用一号,3..

今日风轮机使用不同的控制启动策略实现所需目标和性能某些涡轮机通过被动方法执行控制动作,例如固定路由机和机房控制机在这些机器中,刀片设计使功率受限高于定级风速穿过刀片架因此,不需投出机制一号..上调风速 生成器速度固定4..可调整投影旋转器常用常速机提供涡轮电源控制优于用刀柄可实现控制5..因此,刀片投放可规范提供常态电量高于定值风速投影机制必须相当快,以便在有暴乱和乱乱时提供良好的电源调控风速下最大化输出电量 涡轮旋转速度必须随风速变化

此类机器控件策略通常使用简单经典控件设计技术设计,例如PID控件用于刀片定位等6..高级控件可用于提高能捕量,例如通过生成器托克控件等7..在同一情况下,Johnson等[8提议自适应控制法高级多变控件设计方法,如状态空间模型设计方法,可用于实现控件目标并使用所有可用动画器和传感器并分解控制环路数中九九使用多变方法设计独立投射控制器以减轻非对称风扰即便使用两个单控环路,例如九九多变量控件设计方法比经典控件设计方法少,例如见[10..风轮控制算法精度和有限计算复杂性之间的权衡代表了激励本项研究的挑战点

这项工作的第一个贡献包括提供数据驱动模糊风轮机控制设计应用实例和模拟测试特别是,该战略以模糊建模和识别方法为基础,以模型为基础控制设计如上所述,数学模型描述系统行为,因此复杂非线性系统精确建模在实践中可能很难实现。模糊建模识别可替代开发复杂系统实验模型,如本工作所考虑的风轮机系统与纯非线性识别法相对照,模糊系统可直接取非线性模型取自测量输入输出数据而无详细系统假设11..故建议用高木-Sugeno类型本地网友系统集合描述所调查工厂[TS12参数通过识别程序获取拟识别方法受同一位作者先前作品驱动13,14..

关于控制器设计,本文建议用模糊控制法调整风轮叶角和发电机叉子,并应用风轮基准设计按以下步骤执行第一,使用经典Ziegler-Nichols法设计PI调控器15..并用适当选择增益的方式构建相应的模糊化PI控制器成员函数和规则直接取自识别TS模糊模型拟用模糊建模控制策略的有效性根据从深思基准获取的数据序列进行评估。数项模拟实验提供证据证明拟调试PI对切换控制策略的优异性16..

比较拟控策略能力16并参考不同的控制方法,例如滑动模式或神经控制器17,18号..

下一步工作特征与模型不确定性、扰动和测量错误的影响评价相关联论文特别建议使用广泛的Monte-Carlo模拟分析和评估设计、强健性能、稳定性及其最后性能评价风轮机无法用分析动态模型描述,Monte-Carlo工具是评价开发控制机制应用到监控进程时性能的唯一方法

论文最后关键点涉及通过循环机制硬件评估开发控制算法,开发循环机制是为了在实验限制接近实境时对拟议方法定性

最后,论文结构如下段内2概述工作所考虑的风轮机系统段内3调用模糊建模识别策略设计模糊控制器编解码器设计后简单调优策略3.2.所得结果和对不同控制策略的比较汇总解析4中稳定性分析能力开发控制法测量和建模错误模拟并报告实战模拟和对比依赖滑动模式和神经控制器的不同控制机制段内5论文结尾部分突出工作的主要成绩,为可能的进一步研究题目提供一些建议

二叉风轮基准描述

三叉横轴轮播机照风对刀片起作用的原则工作,并移动转轴提升旋转速度到生成器所需速度,引入变速箱比较精确描述基准模型可见[16,19号..图中绘制风轮模型图一号.

旋转速度和生成电源受两种受控输入方式约束:转换器托克 并投角 涡轮叶片从风轮机系统可获取多项测量数据 转子速度 生成速度 由转换器控制生成器的托盘,它提供托盘引用 .估计空气动态矩形定义 .估计明显依赖风速,不幸的是很难正确测量可提供非常不确定的测量方法16..

2.1.模型描述

本节简要回顾连续时域风轮模型描述后通过识别离散时间原型近似化,如C节所示3.

空气运动模型定义为 去哪儿 密度空气 轮廓片旋转覆盖面积 曲角刀片 风速,同时 缩速比刀片定义 带 轮子半径 表示权系数,此处用二维映射描述16..方程分解一号)用于估计 基于假设估计 并测量 并 .因风速不确定估计 被认为受未知测量误差影响,3.

简单单机模型表示驱动列车,见19号..生成器托克 并引用 上下文转换为驱动列车低速端 产生电系数有了这些假设,诊断系统全连续时间描述有形式 去哪儿 并 控件输入和监控输出测量 表示连续时非线性函数,通过离散时间原型近似 样本数据 并 带 中表示3.

关于输入输出信号 生成速度测量 生成电量测量 即投度 生成器托盘测量最后,模型参数和地图 选择以表示现实轮机,本研究使用该轮机为基准系统16..

2.2.风波基准控制系统

风轮机控制器原则上分两个主要区操作区1最优化,区2对应常量电量一区最优功率获取 等价 度,如果提示速度比保持最优值不变 .提示速度比 中描述2)可写成4)中 半径刀片 风速和 角转子速度 最优值 表示用 确定最大值点风轮机功率系数映射最优值通过设置转码器引用路由实现 .引用路由 在此权优化区可写为 带: 带 空气密度 区域扫荡轮机刀片 最大值 权系数映射图) 即最优极速比

实现电源引用后,控制器可切换到控制区2内带控件目标由电源引用组成 ,通过控制获取 ,这样, 下降传统工业控制机制通常使用PI控制器保留 表示值修改 .第二控件输入 值使用计算5)

本研究中考虑的风轮基准控制器使用采样频率 Hz,即 s.控制器从1区启动控制模式从1区切换为2区16: 去哪儿 表示从对应连续时间信号获取离散时间测量 表示涡轮速度控制开关从二区转到一区 去哪儿 数字引入歇斯底里以确保最短时间转换反之,控制区2 带 .PI参数速度控制器系 并 带采样时间 s.描述19号..

最后 关于控制输入 第二PI调控器实施九九: 第二PI参数权控器系 并 中表示19号..

3级模糊识别控制设计

本节描述综合方法获取风轮机系统模糊描述和用于规范输入变量的控制策略特别是模糊建模识别法,C节回调311增强编解码控制器设计程序3.2.

3.1.模糊识别数据集群

为了从测量中自动生成模糊模型,使用综合方法使用模糊聚类技术将可用数据分解成子集以线性行为特征显示识别法和线性回归之间的关系得到利用,允许混淆逻辑技术与系统识别工具并发Matlab工具箱应用FMID技术20码..模糊识别通常指从数据构建模糊模型的方法和算法

大部分模糊建模和识别算法(见,例如,[见11并参考文中)共享双步程序,即首先使用启发式或数据集群技术确定操作区域后在第二阶段使用身份鉴别算法确定子模型参数13,14可视之为经典最小方从这个角度出发,模糊识别可被视为寻找非线性系统分解过程,从而在模型复杂性和精度之间实现理想平衡,有效探索系统复杂性通常不统一这一事实。适当类模糊集群算法可用于分解目的,特别是知名Gustafson-Kessel11这项工作利用了],因为[20码..

适合大类非线性系统近似的模糊规则模型由Takagi和Sugeno12..TS模糊模型规则推导函数 去哪儿 , 输入变量 输出(顺序)变量 表示表示 法则和 数规则基础 前代模糊集 th规则定义成员函数后继函数 典型选择为适当参数函数实例,其结构在所有规则中保持等值,只有参数变化简单实用参数化函数 eqinde表单 去哪儿 参数向量(回归式) 标量偏移 表示递归向量,可包含延迟样本 并 .模型指名affineTS模型,并可以写为12万事通 上头前缀模糊集 从模糊分区矩阵提取11,20码..上头后续参数 并 数据估计使用作者开发法13,14并回溯下文用于估计TS模型参数的识别机制由作者整合入FMIDMatlab工具箱由作者开发的这一方法通常优先使用时TS模型应作为预测器,因为它用所谓的参数计算后继参数Frisch计划[13,14..因此,数据集群通过GK算法获取后,数据子集按Frisch方法识别程序处理13,14s参数估计

3.2模糊控制器设计

拟用错误信号输入模糊逻辑控制器 即跟踪误差定义为考虑定点之差 并控件输出 采样 : fuzzy PI控制器使用二输入信号,定义为系统误差之和,使用计算

数字控制理论显示最常用数字PI控制算法描述如下: 去哪儿 , 采样时间 内置时间常量常规控制器 比例增益 输出控制动作

控件系统结构建议模糊控制器基础为素格诺模糊技术Sugenofy规则进fudy PI控制器形式泛化化IF-THN组成并预设前缀描述控制策略规则基础集合 规则索引 表示规则号 : 去哪儿 并 输入变量带 .表达式中传统数字PI控制器表达式相似性16和素格诺输出函数17)可以找到在此例中,模糊PI控制器被视为数个本地PI控制器集合,这些控制器由素格诺函数组成并加入不同的模糊规则

面向离散宇宙 微量输出控件动作 表示为素格诺输出函数加权平均 和成员度 量化级别加 .并在此例中,输出推导前序表示实现程度 必须计算实现程度完全等于成员输入 即 .通过回想识别TS模型,推理归为简单表达式,类似于模糊度解析公式11: 或替换模糊PI术语表达式 时间依赖即时 高亮显示

值得注意的是PI控制器参数 并 下图 )根据齐格勒-尼克尔斯规则解决,适用于鉴别局部线性TS子模型后,为获取定点变异快速响应,视误差执行模糊调控参数增益调度19号)

更详细的说,例如TS生成由二阶离散时间局部线性动态模型表示 中描述12)通过识别参数 后退器 e ),所谓的临界增益 临界振荡 齐格勒-尼克尔斯法所要求方法可计算如下15: 挂起 .替代公式也可以使用15..方程分解21号)因此用于计算参数 并 中位数 ThthPI控制器17: 去哪儿 采样时间举个例子, in15s产生命令 大于 可考虑使用

微调PI控制器参数计算后,第二步包括搭建模糊控制器19号)输入MFs 可与识别TS模型重合,例如描述在[11..输入MF数决定规则数和输出MF工作最优数规则 等于最小数集群识别非线性系统,解析端描述311.最后,所采模糊运算符为AND运算符、Or运算符约束和MIN隐含法和重力中心解构法

段内4显示fudy PI控制器参数调优方面实现的结果 使用风轮基准数据序列

4级模拟结果

本节描述用方法实现模拟结果,同时依赖面向模糊控制器设计模范技术

关于拟议的控制方法,C节讨论GK集群算法311带 集群和数轮移 应用到估计验证采样数据集 带 并 .反之,多组 并 考虑实现采样数据集适当集群 .聚类后估计TS模型参数正因如此 Th输出 风轮机 并 连续时间模型3TS模糊原型近似13)相对平均平方估计误差 首输出 第二首

估计模糊模型的适配性也可以用所谓的CradeEccounted for索引表示11..特别是VAF优先输出值大于 ,同时大 第二首混淆多模型似乎非常精确地估计正在调查过程举个例子图2表示模拟输出值 并 TS模糊模型使用FMID培训风轮机基准模型

使用这些识别TS模糊原型模型确定模糊控制器时使用模型法并应用到深思风轮机基准中显示科3.2参数模糊 PI控制器计算

下图中建议模糊PI控制器和原置切换策略2Matlab和Siminglink环境实施

实验搭建使用 MISO fuzzy PI调控器分别用于控制刀柄角和生成器控制叉举个例子,使用前一21号下调参数集计算投角控件 为了比较拟fudyPI策略的长处,还比较所得结果与使用C节所回顾原换风轮机基准调节器实现的结果2.

控制器能力模拟评估时会考虑不同的数据序列表内一号并2中百分位范式跟踪错误值定义 计算设计控制器

值得一提的是部分加载操作区1)性能表示生成电量对比 关于理论最大功率输出 即时风速反之,全载操作二区性能取决于生成器速度 上位标语 .

模拟结果显示,建议模糊控制器的属性比C节描述的原开关调控器要好2.2..

4.1.强性吸引域评价

本节报告了进一步的实验结果。参考开发控制机制性能评价建模误差和测量不确定性特别是模拟数据序列时利用风轮基准模拟器和MatlabMonte-Carlo分析21号..monte-Carlo工具在目前阶段有用,因为控制策略性能取决于差错大小,因为模型近似和不确定性,也取决于输入输出测量错误[22号..

特别是非线性风轮机模拟器原开发于Siminglink环境19号由作者修改以改变信号统计属性 建模可能的过程参数不确定性和测量误差因此,在本案中,Monte-Carlo分析是分析开发模糊控制机制某些属性的可行方法,应用到深思熟虑过程时使用假设下表3表示视风轮模型参数的表面值与其模拟不确定性相关

Monte-Carlo分析通过描述这些变量为高斯随机过程,零均值和标准偏差对应表最小最大误差值3.

此外,假设输入输出信号 并 和功率系数映射 受误差影响的项表示标准偏差百分数 , 并 表格中也报告3.这些值可受同作者作品驱动23号表示多语近似映射 通过输入输出识别程序 并 受测量误差影响

因此,为性能评价、可靠性和可靠性分析模糊控制机制计算NSSE百分比指数最佳、平均和最差值并用实验性评价 Monte-Carlo运行22号..NSSE%值对表内报告数项参数值可能的组合计算3.表24总结从C节中考虑模糊控制机制所获结果3.

特别是表4归纳根据最佳、最差和平均案例考虑性能指数值,并参考表内描述的参数的可能组合3.表24显示拟议模糊控制机制允许保持良好的控制性能,即使有相当大的差错和不确定性效果

控制器设计强健性也可以根据DOA域分析评价24码..平衡点稳定在动态系统中发挥基本作用非线性动态系统对稳定性和稳健性特性的调查需要DOA均衡点特征化,即受控系统轨迹相交点的一组初始条件在本案中,很明显估计或控制DOA是非常困难的问题,因为DOA集与风轮机模型关系复杂并如C节所示2风轮机系统不能描述为分析模型因此,DOA分析只能在模拟中再使用Monte-Carlo工具,该工具用类似方式提供风轮机初始条件随机变换3.

图解3并4实例显示Monte-Carlo运行结果,风轮机监测输出,即发电机电源 生成方形速率 与参考值比较(蓝度),从而评估平衡点稳定性,以备受扰动的任意初始条件

特别是图解3显示任意初始条件随机修改Monte-Carlo工具时,建议fudyTS能够维护风轮机稳定性监控过程变不稳定时由基准PI调节器控制,图中突出显示4.模拟结果突出显示基准调节机制稳定风轮机 最小初始条件变异度,而提议的模糊TS控制策略可容内范围 表示初始值

最后,结果显示Monte-Carlo模拟是实验性测试拟控法在建模不确定性和扰动方面的强健性、稳定性和可靠性的有效工具

4.2比较研究

本节提供替代控制方法的一些比较结果,特别是依赖滑动模式和神经网络控制器

滑动模式控件可依据线性模型或非线性模型设计17..两种情况设计程序都基于选择适当的开关程序,然后基于确定控制法,包括不连续术语,以确保多维滑动滑动模式控制设计非线性案例通常应用到系统正则表单由二块组成:一取决于控件,并有相同维度控件向量,另一独立向量可通过非线性坐标变换获取这种正则形式另一方面,如果使用线性模型,变换成正态和滑动模式动态设计比较简单,因为线性控制技术已知结果(即极定位、元结构分配和最优二次作用)适用设计程序可容错不确定性和建模,因为这些扰动与滑动脱钩

二级控制机制比较使用策略依赖神经网络工具18号..NN控制器对 输入 输出延时三层多路感知器NN 输入层神经元 隐层神经元 神经元输出层NN培训目的是根据培训模式和目标序列提供最优参考跟踪18号..

为了对上述控制技术提供简单而清晰的洞察力,比较是在前相同工作条件下进行的,并基于NSSE%索引4.

值得注意的是,通过滑动模式或神经控制器执行的计划不利用任何适应机制滑动模式控制策略能够通过滑动脱钩不确定性,而神经网络则设计成被动容忍干扰建模错误

表单5并6归纳通过比较滑动模式和NN技术所得结果,本小节分析可以看到不同机制如何能够容忍不确定性和错误,从而实现优异控制性能退化

表对比5并6显示使用滑动模式控制器的方案允许提高跟踪错误性能控制输入能量滑动模式控制器比其他案例大滑动模式控制器可大大增加计算时间

几乎没有更多评论可在此提取当能完全获取动态系统建模时,一般偏向模型控制策略另一方面,当建模错误和不确定性出现时,依赖模糊控制法的替代控制方案可显示非建模扰动、建模错配和测量误差情况下有趣的强健性关于神经控制器,如果系统受控有建模错误,离线学习可产生相当好的结果。其它显性扰动脱钩技术可利用强健能力,但设计程序复杂非直截了当NN系统依赖离线模拟累积知识,但培训阶段可计算重关于使用模糊工具的拟议方法,似乎相当简单直截了当,即使需要优化阶段。

4.3稳定性测试

总体控制策略稳定性能再次通过Monte-Carlo运动检验,该运动以风轮机基准模拟器为基础,由拟议监管者控制事实上,正如C节所指出的2风轮机系统包含功率系数映射 无法用通过优先原则获取的分析模型描述因此,Monte-Carlo分析是估计开发故障控制机制稳定度的唯一方法,应用到监测过程时使用

初始条件随机修改,并模拟与稳定分析相关瞬态期间对系统产生影响的干扰

所有模拟均按表上报告的标准偏差,以波段有限白进程模型噪声信号计算3.

举个例子 单Monte-Carlo运行图5突出显示主风轮机模型变量,如生成器托克 上下拉皮欧 和生成电源 环存参考值证明系统整体模拟稳定性,即使存在扰动和不确定性。以上结果指部分负载操作时风速控制器 显示在下 ms.

图5并突出模拟前半段输出功率 大于理论型 转轴动能转换成生成电能反之 可高于生成电量,因为转子惯性先加速 可匹配 。

更多Monte-Carlo运行实例显示,图中报告与悬浮控制器比额定风速实现的结果6.

图6画出生成速度 并控件输入 .也是在这种情况下,主风轮机变量仍然环绕参考值,从而评估系统整体模拟稳定性,即便有建模错误和噪声信号。

值得指出的是,模糊控制设计后有剖析程序4.1,4.2并4.3开发Matlab和Siminglink软件工具,实现整体模拟过程自动化可行性和可靠性研究对真正应用控制策略至关紧要,一旦应用到未来的风轮机安装中。

面向此目标分节4.4显示设计控制算法如何通过循环测试台硬件评估,以比较现实实验环境评价能力

4.4.4硬件循环测试

为了评价在实际应用中使用拟议控制算法的潜力并调查其上载实现能力,本节介绍循环硬件测试结果实验结果确认设计算法所期望的要求,并计及风轮机工作时可能实验的近似实境为此目的,HIL测试台根据图开发7提供能力验证开发控制算法 近实时状态

实验设施包括以下三大元素:i)计算机模拟器:Labview软件从Matlab和Siminglink环境创建的模拟器提供风轮机动态建模,同时考虑不确定性、扰动、测量误差和风轮机构件模型等因素,如C节描述2.软件工具允许监控控制算法相关参数并分析性能二)机上电子:控制算法已经在这个元素中实现本模块使用的电子设备为ACC 500系统,并满足标准风轮机技术规范元素还提供弹性执行和评价不同控制算法从图中可见7机载电子接收风轮功率和电源角速率,并继算法处理后生成发源器和投送计算机模拟器命令输出信号生成器叉路由拟控算法生成并应用到风轮机模型模拟器上以保障其稳定性和所需规范三)界面电路:由适当选择输入输出卡组成,从计算机模拟器接收输出信号并传输控制算法生成输出信号测试结果汇总表7拟用模糊控制器

表27显示已实现结果之间有偏差,但与表相容4从Monte-Carlo分析实战模拟案例的性能比HIL实验案例要好得多。(1)机载电子处理器浮计算精度比计算机模拟器CPU约束性强(2)结果大偏差出自模拟数字转换

数据必须在机载电子学和计算机模拟器间传输,16位转换不可避免,因此转换误差可能导致实验结果变质请注意,由于实情不需要在机上电子和计算机间传输数据,这一错误不成问题,并符合通过Monte-Carlo工具已经实现的结果此外,虽然模拟和实验结果之间有一些偏差,但由于上述原因,这些偏差并不关键,所获结果足以准确应用真风轮机

5级结论

论文侧重于风轮机控制设计问题,因为它们是复杂非线性动态系统此外,它们的空气动力学非线性、不稳和复杂性,因此它们的建模具有挑战性。风轮机控制算法设计必须说明复杂性论文展示了如何建议模糊控制设计法提高经典控制限制,如PI标准调控器广度模拟风轮机原型提供实用简单控制设计实例测试深思基准过程和Monte-Carlo分析表示实验性评估拟用模糊控制机制特性的工具,同时出现建模和测量错误开发控制法还与其他不同方法比较为了突出拟控制算法在实应用中的潜力,环形测试设施硬件计划研究设计策略数字实现测试结果再次显示,开发机制保持其期望性能,在实时实施中也验证其可行性。未来工程旨在进行可持续可靠性分析,这些分析对实风轮机应用至关重要。