技术特征：
1.一种基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，包括以下步骤：步骤1：采集双风轮风力机控制系统极端风况下的风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角数据；步骤2：基于卷积神经网络对双风轮风力机极端风况下的载荷进行建模；步骤3：建立双风轮风力机控制系统的双输入双输出广义预测模型并进行解耦，求解广义预测模型的输出；步骤4：确定性能优化指标，利用混沌蝠鲼觅食算法对步骤3中解耦后的广义预测模型进行滚动优化，得到最优控制律与最优控制器输入。2.根据权利要求1所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2包括以下子步骤：步骤2.1：将步骤1中采集到的每项数据都按照7:3的比例划分为训练集与测试集；步骤2.2：将步骤1中采集到的风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角作为五维输入层构建卷积神经网络；步骤2.3：在步骤2.2的五维输入层后依次构建第一卷积模块和第二卷积模块，在第二卷积模块后依次设置全连接层、dropout层和二维输出层；步骤2.4：选取交叉熵函数l为目标函数，利用随机梯度下降法和训练集对卷积神经网络进行训练，再利用测试集对卷积神经网络进行测试；步骤2.5：判断交叉熵函数l是否小于等于
‑
5，若是，得到以风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角为输入和以前风轮叶根弯矩、后风轮叶根弯矩为输出的双风轮风力机五输入二输出模型；若否，再对卷积神经网络进行权值更新的迭代训练，直到交叉熵函数l小于等于
‑
5。3.根据权利要求2所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2.3中的第一卷积模块和第二卷积模块均包含一个卷积层、一个激活层和一个池化层。4.根据权利要求2所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤2.4中的交叉熵函数l为：式中，p
m1
、p
m2
为前后叶轮叶根弯矩的概率；e
m1
、e
m2
为前后叶轮叶根弯矩误差。5.根据权利要求1所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤3包括以下子步骤：步骤3.1：建立双风轮风力机控制系统双输入双输出广义预测模型如下：式中，m1(k)、m2(k)分别为第k时刻前、后风轮叶根弯曲力矩；u1(k
‑
1)、u2(k
‑
1)分别为变桨信号的前、后风轮控制输入；ξ1(k)、ξ2(k)分别为前、后风轮干扰信号；a
11
(z
‑1)、a
22
(z
‑1)、
b
11
(z
‑1)、b
12
(z
‑1)、b
21
(z
‑1)、b
22
(z
‑1)为关于z
‑1的形如的多项式，z
‑1为后移时间算子，系数与阶次均由步骤2.5中的模型得出；δ为差分算子；步骤3.2：对步骤3.1建立的广义预测模型进行前馈补偿解耦；引入串联补偿器b
d
(z
‑1)：得到解耦后的广义预测模型为：步骤3.3：引入丢番图方程，求解广义预测模型的输出，其中丢番图方程为：1＝e
i
(z
‑1)a
11
(z
‑1)δ+z
‑
i
f
i
(z
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)e
i
(z
‑1)b
11
(z
‑1)＝g
i
(z
‑1)+z
‑
i
h
i
(z
‑1)
ꢀꢀꢀꢀ
(6)式中，i为预测步长；e
i
(z
‑1)、f
i
(z
‑1)、g
i
(z
‑1)、h
i
(z
‑1)为关于z
‑1的多项式，系数与阶次均由迭代求解丢番图方程得出；得到预测模型的输出为：m1(k+i)＝g
i
(z
‑1)δu1(k+i
‑
1)+h
i
(z
‑1)δu1(k
‑
1)+f
i
(z
‑1)m1(k)
ꢀꢀꢀꢀꢀꢀꢀ
(7)。6.根据权利要求1所述基于神经网络预测控制的双风轮风力机变桨控制方法，其特征在于，所述步骤4包括以下子步骤：步骤4.1：确定适应度为性能优化指标：w1(k)＝m1(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式中，n为预测长度；w1(k)为第k时刻的参考轨迹；s1(k)为第k时刻的设定值；δu1(k)为第k时刻控制输入改变量；步骤4.2：设定空间维数、种群规模与最大迭代次数为初始参数初始化蝠鲼种群；步骤4.3：随机生成(0,1)内混沌序列初值p0，按步骤4.2的初始化蝠鲼种群规模生成tent混沌序列并将tent混沌序列附加到初始化蝠鲼种群的个体上，再结合步骤4.1得出初始化蝠鲼种群中个体的适应度；其中，tent混沌序列的生成公式为：
式中，p
d
为第d个混沌序列值；将tent混沌序列附加到初始化蝠鲼种群的个体上的方法为：将tent混沌序列附加到初始化蝠鲼种群的个体上的方法为：式中，是第j维第d个体，j的位置表示空间维度，d的位置表示种群规模；为初始种群、第d个体在j维上的值；步骤4.4：在[0,1]中生成一个随机数rand来判断觅食行为，若rand≥0.5，转到步骤4.5；若rand＜0.5，转到步骤4.6；步骤4.5：执行链式觅食更新方式，更新后的种群再计算新个体适应度，若新个体适应度小于原个体适应度，则新个体替换原个体，否则保留原个体，再转到步骤4.7；其中链式觅食更新公式为：式中，为第t代、第j个体在d维上的值；为第t代在d维上最优个体的值；n为个体数量；r为[0,1]上均匀分布的随机数；步骤4.6：执行螺旋觅食更新方式，更新后的种群再计算新个体适应度，若新个体适应度小于原个体适应度，则新个体替换原个体，否则保留原个体，再转到步骤4.7；其中螺旋觅食更新公式为：当t/t＜rand时：式中，t为最大迭代次数；ux
d
、lx
d
为第t代在d维上取值的上、下界；当t/t≥rand时：步骤4.7：判断是否到达最大迭代次数，若是，则得到最优控制律与控制器的输入；若
否，则转到步骤4.4；其中，最优控制律为：式中，为最优个体在第n维的值；控制器的输入为：u(k)＝u(k
‑
1)+δu(k)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(18)式中，δu(k)为控制律的第一个分量。
技术总结
本发明公开了属于风力机控制技术领域的一种基于神经网络预测控制的双风轮风力机变桨控制方法。包括步骤1：采集双风轮风力机控制系统极端风况下的风速、前风轮转速、后风轮转速、前风轮桨距角和后风轮桨距角数据；步骤2：基于卷积神经网络对双风轮风力机极端风况下的载荷进行建模；步骤3：建立双风轮风力机控制系统的双输入双输出广义预测模型并进行解耦，求解广义预测模型的输出；步骤4：确定性能优化指标，利用混沌蝠鲼觅食算法对步骤3中解耦后的广义预测模型进行滚动优化，得到最优控制律与最优控制器输入。本发明大大提高了保护控制系统的可靠性；大幅降低了网络复杂性；避免陷入局部最优，寻优能力强，收敛快。收敛快。收敛快。
技术研发人员：张文广 骆伟健 冯贤治 房方 胡阳 刘亚娟 王庆华
受保护的技术使用者：华北电力大学
技术研发日：2021.09.23
技术公布日：2021/11/14