基于BP神經網絡PID控制的風電葉片靜力加載系統

張玲玲

(北京鑒衡認證中心有限公司，北京 100013)

風力發電作為綠色環保能源技術，在清潔能源開發中得到了廣泛應用。風力發電葉片是捕捉風能的基礎部件，對于葉形尺寸、疲勞強度和機械性能有很高的要求。風機葉片是風機機組的重要組成部分，也是風機機組中較易發生損傷的部件。風機葉片靜力加載試驗的主要目的是對其承受的極限載荷進行檢驗，以及對其強度極限和剛度性能的考核驗證，為結構優化提供必要的試驗數據及分析結果。

兆瓦級風機葉片的靜力加載試驗多采用多點同步加載拉力的方法實現，即采用多級多點同步加載方式。在載荷拉力加載過程中，應確保每個加載點的載荷拉力勻速變化，以保證隨著載荷拉力的增加而保持載荷分布的形狀。

1 靜力加載試驗臺構成

風電葉片全尺寸結構靜力加載系統是對大型葉片加載力、撓度力、撓度、應變等相關參數進行測試的綜合性試驗平臺，主要由加載試驗臺基座、操作監控室、側向地軌以及8個(可擴展)加載模塊(由加載支架、伺服絞車、加載纜索、拉力傳感器組件和從站電氣箱組成)和控制系統等組成，見圖1。

圖1 葉片全尺寸結構靜力加載系統示意

2 控制系統硬件組成

控制系統硬件主要由上位機、主站電氣箱和8個從站電氣箱、驅動器、伺服電機、拉力傳感器、位移傳感器等組成，見圖2。

圖2 葉片全尺寸結構靜力加載系統網絡拓撲結構

3 控制系統軟件設計

軟件組成包括人機界面、主站PLC程序、從站PLC程序等。上位機PC通過以太網與主站PLC通訊：主站PLC發送控制數據至各從站點PLC，各從站點PLC控制驅動器使伺服電機運動，各從站PLC將拉力、轉速等數據發送至主站PLC。各個驅動器與從站PLC通過485串口，將電流等數據發送至從站PLC，見圖3。

圖3 上、下位機各主要功能模塊組成

4 BP神經網絡PID控制策略

在葉片多點靜力加載過程中，系統表現出非線性、強耦合、變參數的特征，嚴重影響葉片靜力加載的穩定性和精確性，需要通過強有力的解耦措施來實現精準加載。

在沒有解耦控制算法的情況下，實際反饋曲線如圖4所示，各加載載荷之間出現了嚴重的交叉干擾，這種多點加載載荷之間交叉干擾的情況稱為“交聯耦合”。

圖4 3點靜力加載交聯耦合曲線

對多種解耦控制策略進行分析可知，由于BP神經網絡PID解耦控制可在線實時整定PID控制器參數，實現對靜力測試過程中參數變化的實時解耦，是解決葉片多點加載交聯耦合的有效控制策略。

基于BP神經網絡的PID控制系統結構框圖如圖5所示。

圖5 基于BP神經網絡的PID控制系統結構

控制器由2部分組成：BP神經網絡、PID控制器。

PID算法通過誤差信號控制被控量，而控制器本身就是比例(Kp)、積分(Ki)、微分(Kd)3個環節的加和。

神經網絡具有任意非線性表達能力，可以通過對系統性能的學習來實現具有最佳組合的PID控制。利用BP神經網絡可以建立參數Kp、Ki、Kd自整定的PID控制器。

4.1 變步長BP神經網絡算法

BP神經網絡是一種按誤差反向傳播學習訓練的多層前饋網絡，是目前應用最廣泛、最成熟的神經網絡模型之一。BP網絡運算、儲存大量建立在層級之間的輸入—輸出模式映射關系上，無需事前揭示描述這種映射關系的數學方程，通過梯度下降法學習自適應調整，理論上可以逼近任意非線性的連續函數。

BP神經網絡由一個輸入層，多個隱含層，一個輸出層組成。變步長算法通過引入修正項對反向傳播進行優化，使神經網絡在穩定時加速收斂。正反向傳播法如圖6所示。

圖6 BP網絡算法流程

當拉力誤差性能指標大于閾值時，開啟反向傳播算法，利用誤差負梯度調整輸入層至隱含層與隱含層至輸出層神經元之間的權值。梯度下降法步驟流程如圖7所示。

圖7 梯度下降法步驟流程

4.2 靜力測試系統 BP神經網絡PID參數自整定算法

整個BP神經網絡PID控制網絡(如圖8)中，每個節點當前預設拉力與當前反饋拉力作為輸入值。兩者偏差量以及偏差和、偏差的差值一方面作為經典PID控制器的輸入，運算出輸出值u(k)電機轉速；另一方面，偏差量也是BP神經網絡的輸入，計算出經典PID 3個參數Kp、Ki、Kd的整定值，而控制器的輸出u(k)用于在線調整神經網絡。每個節點的輸出量作為每個加載點的使動量，經過一系列的傳動系統，最終以絞車卷動加載纜索的方式產生作用力施加在風電葉片上，多條加載纜索的協同動作即實現了風電葉片多點靜力同步載。

圖8 靜力加載系統BP神經網絡PID控制系統結構

5 現場加載試驗

對83.6 m的葉片進行靜力加載試驗，檢驗其載荷的承受能力，現場如圖9所示。根據IEC61400-23標準，每個加載點的加載過程從0%載荷開始按照最大目標載荷的40%—60%—80%—100%分級加載；卸載過程則按照上述相反順序逐級卸載，完成整個加載過程。極限載荷保持階段的加載力必須大于100%目標載荷，但一般不超過目標載荷的101%，其連續保持時間不少于10 s。理想的葉片靜力加載、卸載過程如圖10所示。按照試驗大綱，試驗選用5個加載點，葉根至葉尖的位置分別為25 m、38 m、53 m、68 m、75 m處，對應的極限載荷分別為243 kN、140 kN、101 kN、65 kN、33 kN，極限載荷的保持時間為15 s。測試加載曲線如圖11所示。

圖9 83.6 m葉片靜力加載測試

圖10 靜力分段加載過程示意

圖11 靜力測試加載曲線

極限載荷保持階段的測試值與目標值對比見表1。

表1 極限載荷目標值與測試值對比

6 結 語

此風電葉片全尺寸靜力加載系統屬于目前世界最大的風機葉片檢測平臺。采用的基于BP神經網絡PID參數自整定控制算法，是解決葉片多點加載交聯耦合的有效控制策略，試驗結果表明，極限載荷保持階段的加載力大于100%目標載荷，不超過目標載荷的101%，其連續保持時間不少于10 s，滿足兆瓦級風電葉片全尺寸靜力加載試驗要求。