[0088] 下面结合附图，对本发明作进一步详细说明。
[0089] 如图1、图2所示，本发明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1、悬浮系统、风轮3、基座5、压力传感器6、上端轴承7、下端轴承8、外壳9、转轴10；垂直轴永磁直驱型风力发电机1包括定子11和转子12；悬浮系统包括磁悬浮盘式电机2和悬浮控制系统。
[0090] 垂直轴永磁直驱型风力发电机1的定子11包括定子铁芯和定子绕组，定子铁芯与外壳9的内侧面固定。
[0091] 磁悬浮盘式电机2位于垂直轴永磁直驱型风力发电机1的下方，包括盘式定子21和盘式转子22；盘式定子21由盘式定子铁芯211和悬浮绕组212组成，悬浮绕组212为直流励磁绕组。
[0092] 如图1所示，风轮3与转轴10的上部固定；盘式转子22与基座5固定，基座5与转轴10固定；压力传感器6位于转轴10和基座5的正下方。垂直轴永磁直驱型风力发电机1的转子12、磁悬浮盘式电机2的盘式转子22、风轮3、基座5和转轴10统称为旋转体。压力传感器6用于测量旋转体作用在基座5上的压力。
[0093] 如图3所示，悬浮控制系统由悬浮变流器11及其悬浮控制器组成，悬浮变流器11与悬浮绕组212连接，悬浮变流器11为DC/DC变流器，用于悬浮控制及调节旋转阻尼，其主控芯片为DSP(数字信号处理器)；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控制器；外环悬浮压力跟踪控制器为神经网络模型预测控制器，内环悬浮电流控制器为滑模控制器。
[0094] 低风速风电意味着低风速垂直轴风力机的自身损耗必须最小化，因而本发明在实现稳定悬浮控制的同时还要尽可能降低悬浮系统损耗，以实现低风速发电。由式(1)可知，悬浮力一定，悬浮气隙δ与悬浮电流i(t)成正比，为此，可以通过减小悬浮气隙以降低悬浮系统的能量损耗。但当悬浮气隙较小时(2～3mm)，起浮和降落等过程中的悬浮控制将异常困难，因此本发明将悬浮控制系统的控制目标由传统的悬浮气隙改为悬浮压力，同时可通过调节悬浮压力来调控旋转阻尼，使得低风速磁悬浮垂直轴风力发电机的工作状态最优。
[0095] 本发明基于滑模神经网络模型预测控制的低风速垂直轴风力机悬浮控制方法，包括以下步骤：
[0096] 步骤1，建立悬浮系统的悬浮动态数学模型，建模过程如下：
[0097] 11)如图2所示，悬浮系统在悬浮绕组212通电后将产生向上的轴向悬浮力F，即：盘式转子22将受到向上的轴向悬浮力F，也即旋转体将受到向上的轴向悬浮力F(因为盘式转子22通过基座5与转轴10固定)：
[0098]
[0099] 式中，i(t)为悬浮绕组212的电流，即悬浮电流；δ为悬浮气隙，即盘式定子21和盘2
式转子22之间的距离；k1＝μ0N S/4，其中，μ0为真空磁导率，N为悬浮绕组212的匝数，S为盘式定子21的磁极表面有效面积。
[0100] 12)则旋转体在垂直方向上受到的合力为：
[0101] P＝mg‑F+fd(t) (2)
[0102] 式中，P为旋转体在垂直方向上受到的合力，即旋转体作用在基座5上的压力；mg为旋转体的重力；fd(t)为外界扰动力。
[0103] 13)悬浮绕组212的电压方程为：
[0104]
[0105] 式中，u(t)为悬浮绕组212的电压，R为悬浮绕组212的电阻，ψ(t)为悬浮气隙磁链，L为悬浮绕组212的气隙电感，且有L＝2k1/δ。
[0106] 14)综上，可得悬浮系统的悬浮动态数学模型：
[0107]
[0108] 步骤2，根据悬浮动态数学模型，对悬浮神经网络模型按如下训练方法进行训练：
[0109] 21)如图3和图4所示，首先构建悬浮神经网络模型，该模型运用当前输入值和当前悬浮神经网络模型的未来输出值。悬浮神经网络模型由输入层、隐含层和输出层组成。
[0110] 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：
[0111] x＝[i(k)，P(k)]T (5)
[0112] 式中，i(k)为当前时刻的悬浮电流，P(k)为当前时刻旋转体作用在基座5上的压力，k为当前时刻。
[0113] 隐含层含8个神经元，其中，第j个神经元的输入sj为：
[0114]
[0115] 式中，ωij和θj分别为隐含层的连接权值和偏置向量。
[0116] 隐含层第j个神经元的输出yj为：
[0117]
[0118] 式中，f1(·)为双曲正切函数：
[0119] 输出层含有1个神经元，其输入s为：
[0120]
[0121] 式中，ωj和θ分别为输出层的连接权值和偏置向量。
[0122] 令输出层神经元的输出y为：
[0123]
[0124] 式中，Pm(k+1)为k+1时刻悬浮神经网络模型的输出。
[0125] 22)对上述神经网络进行训练，如图3、图5所示，将开关S1断开，开关S2置于位置I；将悬浮系统的悬浮动态数学模型输出P与悬浮神经网络模型输出Pm之预测误差e＝P‑Pm作为悬浮神经网络的训练信号。
[0126] 步骤3，将训练好的悬浮神经网络模型移植入悬浮变流器11的DSP主控芯片，建立基于该DSP的实际悬浮神经网络模型预测控制系统。
[0127] 步骤4，采用模型预测控制策略，设计外环悬浮压力跟踪控制器，实现悬浮压力跟踪控制，具体方法如下：
[0128] 41)选取所述悬浮系统的代价函数J为：
[0129]
[0130] 式中，α和λ分别为压力权重因子和悬浮电流权重因子；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 为旋转体在垂直方向上的压力期望值；k为当前时刻。
[0131] 42)如图3所示，将开关S1闭合，S2置于位置Ⅱ，将悬浮神经网络模型的输出值Pm*(k)、旋转体在垂直方向上的压力期望值P (k)以及当前时刻的悬浮电流测量值i(k)输入至悬浮滚动优化器。悬浮滚动优化器采用Newton‑Raphson(N‑R)优化算法，确定最优控制输入信号，即悬浮绕组212的电流最优值iopt。N‑R优化算法的迭代公式可以表示为：
[0132] i(k+1)＝i(k)‑[H(k)]‑1Γ(k)
[0133] 式中的i(k+1)就是iopt，于是上式可改写为：
[0134] iopt＝i(k)‑[H(k)]‑1Γ(k) (11)
[0135] 式中，Γ(k)和H(k)分别为Jacobian矩阵和Hessian矩阵。
[0136] 对式(10)求取一阶导数，得到Jacobian矩阵：
[0137]
[0138] 对式(10)求取二阶导数，得到Hessian矩阵：
[0139]
[0140] 目前模型预测控制多采用一步预测控制，而悬浮系统的控制性能随着模型预测控制的预测步数d的增加而不断提高。但为了提高动态响应速度，必须降低计算成本，为此，采用两步预测控制，即d＝2。此时，式(10)、式(12)、式(13)可分别改写为：
[0141]
[0142]
[0143]
[0144] 将式(14)‑(16)代入式(11)，即可求得iopt。
[0145] 43)将悬浮绕组212的电流最优值iopt和旋转体在垂直方向上作用在基座5上的压力测量值P(由压力传感器6测得)作为悬浮神经网络模型的输入。
[0146] 步骤5，采用滑模控制策略，设计内环悬浮电流跟踪控制器，实现悬浮电流跟踪控制，具体方法如下：
[0147] 51)如图3所示，将步骤42)得到的悬浮绕组212的电流的最优值iopt与其实际值i(t)作差，得到跟踪误差ei为：
[0148] ei＝iopt(t)‑i(t) (17)
[0149] 对式(17)求导，则有：
[0150]
[0151] 将式(3)代入式(18)，则有：
[0152]
[0153] 52)设计含有积分项的滑模面为：
[0154]
[0155] 式中，c1>0，c0>0。
[0156] 对式(20)求导，并将式(19)代入，可得：
[0157]
[0158] 53)求滑模控制器的输出：
[0159] 取指数趋近律为：
[0160]
[0161] 式中，μ、η为正实数。
[0162] 下面证明该滑模控制器是全局渐进稳定的。
[0163] 构造Lyapunov函数为：
[0164]
[0165] 对上式求导，则有：
[0166]
[0167] 根据Lyapunov稳定性理论，证得该滑模控制器是全局渐进稳定的。
[0168] 54)将式(22)代入到式(21)，则求得内环悬浮电流控制器的输出为：
[0169]
[0170] 55)将内环悬浮电流跟踪控制器输出送入PWM模块，产生悬浮变流器11的驱动信号，从而控制悬浮绕组212的电流i(t)，使旋转体保持在悬浮参考点处稳定运行。
[0171] 下面用一个优选实施例对本发明做进一步的说明。
[0172] 为了验证本发明基于滑模神经网络模型预测控制方法的有效性，对低风速垂直轴风力机的悬浮系统分别采用本发明的滑模神经网络模型预测控制策略(以下简称NNMPC‑SMC)和内环悬浮电流跟踪控制器不采用滑模控制而是采用PID的神经网络模型预测策略(以下简称NNMPC‑PID)进行对比仿真分析。
[0173] 如图6所示，NNMPC‑PID方法的主要思路是：将外环悬浮压力跟踪控制器的输出(即悬浮绕组212的电流最优值iopt)，与悬浮绕组212的电流值i(t)作差，经PID控制器送入PWM模块，产生悬浮变流器11的驱动信号，控制悬浮绕组212的电流i(t)，使旋转体在悬浮参考点处保持稳定运行。
[0174] 具体仿真参数如表1所示。
[0175] 表1低风速低风速垂直轴风力机的模型参数
[0176] 参数名称 数值旋转体重量m(kg) 25.5
悬浮电磁铁的励磁绕组匝数N 40
2 ‑2
悬浮电磁铁的磁极面积S(m) 1.2×10
悬浮气隙δ(mm) 3
*
悬浮压力期望值P(N) 50
悬浮电磁铁的励磁绕组电阻R(Ω) 0.7
2 ‑7
真空磁导率μ0(N/A) 4π×10
[0177] BP神经网络的参数为：
[0178] ωij＝[0.90,0.88；0.56,0.60；0.48,0.06；0.59,0.32；0.23,0.79；0.52,0.71；0.65,0.05；0.11,1.1]，θj＝[‑0.2；0.23；0.75；0.97；0.3；‑0.72；‑1.1；0.22]，ωj＝[‑0.02；
0.31；0.28；‑0.11；0.26；‑0.68；0.44；0.19]，θ＝‑1.06。
[0179] 仿真结果分别如图7、图8所示。
[0180] 图7为悬浮压力对比仿真分析曲线图。由图7可知，在启动阶段，两种控制方法均能快速调节，进入稳态之后，本发明由于加入了滑模控制器，悬浮压力能够快速稳定在平衡点悬浮压力期望值50N，而未加入滑模控制器的NNMPC‑PID方法，具有较大的悬浮压力波动，最大超过了5N。由此可见，加入滑模控制器提高了悬浮控制系统的控制精度。
[0181] 图8为悬浮绕组电流对比仿真分析曲线图。由图8可知，本发明悬浮电流的响应速度更快，能够在0.1s内快速反应；未加入滑模控制器的NNMPC‑PID方法的悬浮电流需要超过2s的调节时间，动态响应速度较慢。
[0182] 从图7、图8可以看出，本发明基于滑模神经网络模型预测控制的悬浮控制方法能够提高整个系统的快速性、精确性、稳定性。
[0183] 总之，本发明将BP神经网络与多步模型预测控制(MPC)相结合，采用神经网络模型逼近强耦合、非线性的低风速垂直轴风力机的悬浮系统，无需线性化处理，以有效应对风速、风向的波动性及不确定性给磁悬浮系统带来的时变、非线性干扰以及模型失配等问题；同时考虑到N‑R方法具有二阶收敛性，收敛速度较快，采用N‑R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，保证系统快速跟踪能力和稳定性。同时，悬浮电流控制器采用滑模控制器，其滑模指数趋近律采用光滑的双曲正切函数，能够使系统在较短的时间内达到稳定，且控制精度更高。与常规控制相比，本发明所提方法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，实时获得系统未来有限时域内的最优控制量，因而其抗干扰能力更强，同时能耗最低，尤其适合非线性、强耦合、存在时变非线性干扰的低风速风电悬浮系统的控制。
