本发明公开了一种风机机舱悬浮控制方法，是一种应用于非线性不稳定风力磁悬浮偏航系统的模型预测控制方法，属于电气工程控制领域。
背景技术：
风力磁悬浮偏航系统采用机舱悬浮后偏航，提升了机舱偏航稳定性，极大降低了偏航功耗。但悬浮控制策略的研究多集中在悬浮小球、悬浮列车以及悬浮轴承等领域，且多集中在pid控制、滑模控制、自适应控制等，但上述控制本质上都是有差调节，控制器是以控制器目标的偏差e为基础对系统调整，存在滞后性和不确定性。而模型预测具有超前性，已广泛应用于过程控制和工业控制领域，并取得显著控制效果，较多应用于线性系统。但风力机舱悬浮系统本质为非线性和不稳定系统，工况极其复杂多变，基于非稳定的模型进行预测未来时刻的控制输入，很难获取满意效果，特别是模型失配问题也严重影响机舱悬浮性能。发明专利2018104169712提出了含模型失配补偿的风力机舱悬浮控制，但模型失配补偿器采用自适应补偿方法实时补偿，但由于模型失配结构和参数的不确定性，使得模型失配补偿存在一定局限。
技术实现要素：
本发明的主要目的在于：针对现有技术的不足和空白，本发明提供一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及rbf神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统,作为模型预测的控制模型；机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，构建增广的风力机舱悬浮预测离散模型，以气隙参考输入跟踪和控制输入的限定，设置模型预测控制的优化指标，设定预测的悬浮电流；基于rbf神经网络的模型失配补偿器采用rbf神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿，基于模型失配观测器，构建模型失配动态系统lyapunov能量函数，推导获取rbf神经网络的权值更新自适应律；一种非线性不稳定风力机舱悬浮系统的模型预测控制方法的设计步骤为：
步骤1，针对风力机舱悬浮系统模型
其中，
步骤2，风力机舱悬浮镇定控制器设计
式(1)显见为能控系统，采用状态反馈的极点配置方法将不稳定系统(1)进行镇定控制，转化为
其中，
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期ts，对式(2)机舱悬浮镇定系统离散化处理，构建以x(k)＝[δxm(k)ty(k)]t为状态变量的机舱悬浮离散系统模型
其中，δxm(k 1)＝xm(k 1)-xm(k)；δu(k)＝u(k)-u(k-1)；
am＝i aats；bm＝bats；cm＝c；om＝[00]；i为单位阵；
第二步，设置预测域np＝5和控制域nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出y
y＝fx(ki) φδu(4)
其中，
y＝[y(ki 1|ki)y(ki 2|ki)…y(ki 5|ki)]t；
δu＝[δu(ki)δu(ki 1)δu(ki 2)]t；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数j
其中，rs＝[11111]tr(ki)；
第四步，对式(5)目标函数j进行控制输入偏导化处理，即
其中，
步骤4，rbf神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，
由式(2)和式(7)，模型失配动态方程为
其中，a0＝a-g，g＝[k1k2]，满足模型失配动态方程收敛；
第二步，设置rbf神经网络结构，采用em和
第三步，设置rbf神经网络模型失配补偿值为
其中，
第四步，设置rbf神经网络模型失配补偿误差
其中，θ*为rbf神经网络的最优权值，表示为
第五步，由式(8)，(9)和(10)可得基于rbf神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配lyapunov函数
其中，γ为正实数，
第七步，对模型失配lyapunov函数求导，推导rbf神经网络权值更新自适应律；
由于eytpbaed≤|eytpba||ed|(15)
由于
rbf神经网络模型失配补偿误差|ed|就会无限逼近0，可实现
第八步，rbf神经网络权值更新自适应律为
第九步基于rbf神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
本发明带来的有益效果是：
本发明提出的风力机舱悬浮的模型预测实现方法，有效提升了机舱悬浮系统的稳定性及鲁棒性；本发明提出的模型预测控制实现方法，将机舱悬浮系统的镇定和性能改善分开，首先设置镇定控制器，有效解决了非稳定系统模型预测控制的实现方法；本发明提出的基于rbf神经网络的模型失配补偿器，有效解决了模型失配对模型预测控制性能的影响，同时也为模型预测控制在线优化调整，提出了一条智能补偿途径，弱化了模型预测计算量大不易实时优化的缺陷。
附图说明
图1为本发明风力机舱悬浮控制结构框图。
图2为本发明与状态反馈控制下的多悬浮气隙跟踪图。
图3为本发明与状态反馈控制下高频干扰时悬浮气隙变化图。
图4为本发明悬浮系统交流信号跟踪图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，如图1所示，采用机舱悬浮气隙和电流双闭环的控制策略，本发明主要为机舱悬浮气隙环的控制器设计，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及rbf神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统；机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，以气隙参考输入跟踪和控制输入的限定，基于模型预测优化指标，设定预测的悬浮电流；基于rbf神经网络的模型失配补偿器采用rbf神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿；一种非线性不稳定风力机舱悬浮系统的模型预测控制方法的设计步骤为
步骤1，针对风力机舱悬浮系统模型
其中，
步骤2，风力机舱悬浮镇定控制器设计
采用状态反馈的极点配置方法将不稳定系统(22)进行镇定控制，转化为
其中，
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期ts，对式(23)机舱悬浮镇定系统离散化处理，构建以x(k)＝[δxm(k)ty(k)]t为状态变量的机舱悬浮离散系统模型
其中，δxm(k 1)＝xm(k 1)-xm(k)；δu(k)＝u(k)-u(k-1)；
am＝i aats；bm＝bats；cm＝c；om＝[00]；i为单位阵；
第二步，设置预测域np＝5和控制域nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出y
y＝fx(ki) φδu(25)
其中，
y＝[y(ki 1|ki)y(ki 2|ki)…y(ki 5|ki)]t；
δu＝[δu(ki)δu(ki 1)δu(ki 2)]t；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数j
其中，rs＝[11111]tr(ki)；
第四步，对式(26)目标函数j进行控制输入偏导化处理，即
其中，
步骤4，rbf神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，
模型失配动态方程为
其中，a0＝a-g，g＝[k1k2]，满足模型失配动态方程收敛；
第二步，设置rbf神经网络结构，采用em和
第三步，设置rbf神经网络模型失配补偿值为
其中，
第四步，设置rbf神经网络模型失配补偿误差
其中，θ*为rbf神经网络的最优权值，表示为
第五步，基于rbf神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配lyapunov函数
其中，γ为正实数，
第七步，对模型失配lyapunov函数求导，推导rbf神经网络权值更新自适应律；
由于eytpbaed≤|eytpba||ed|(36)
由于
rbf神经网络模型失配补偿误差|ed|就会无限逼近0，可实现
第八步，rbf神经网络权值更新自适应律为
第九步基于rbf神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
下面用一个优选实施例对本发明做进一步的说明。
搭建机舱悬浮系统仿真试验平台，机舱悬浮重量484kg，悬浮绕组内阻8.4欧姆，悬浮绕组匝数为1000，铁芯面积为0.13m2，额定悬浮气隙为10mm。
图2为本发明模型预测与状态反馈控制下悬浮气隙跟踪图，机舱气隙由额定悬浮气隙0.01m启动，3秒后变化为0.012m，并在运行6.5秒后重新恢复至额定悬浮气隙0.01m。仿真结果发现，状态反馈控制与本发明的模型预测控制都能实现稳定起浮，但状态反馈稳定时间比本发明的模型预测控制滞后了1秒。图3为本发明模型预测与状态反馈控制策略在应对高频干扰时的悬浮气隙变化，施加的为高频方波干扰(幅值500n，频率为5hz)的，本发明的悬浮气隙波动量比状态反馈波动量减小了0.5mm，此是模型失配补偿器实时调整补偿结果。图4为本发明模型预测控制对悬浮气隙交流参考信号的跟踪性能，悬浮气隙跟踪误差为仅为0.5mm。
上述结果表明，针对非线性不稳定的风力机舱悬浮系统，本发明的控制策略具有极强的鲁棒性和稳定性，确保了机舱悬浮系统的稳定运行。
1.一种非线性不稳定风力机舱悬浮系统的模型预测控制方法，其特征在于：将非线性不稳定的风力机舱悬浮系统控制分为镇定和性能改善两部分，包括机舱悬浮镇定控制器、机舱悬浮预测控制器以及rbf神经网络的模型失配补偿器，协同完成机舱悬浮电流参考设定；所述机舱悬浮镇定控制器采用状态反馈和极点配置方法，将非稳定的风力机舱悬浮系统转换成稳定系统,作为模型预测的控制模型；所述机舱悬浮预测控制器基于镇定后风力机舱悬浮系统模型，构建增广的风力机舱悬浮预测离散模型，以气隙参考输入跟踪和控制输入的限定，设置模型预测控制的优化指标，设定预测的悬浮电流；所述rbf神经网络的模型失配补偿器采用rbf神经网络在线逼近模型失配值以及模型失配动态调整系数，共同完成模型失配补偿，基于模型失配观测器，构建模型失配动态系统lyapunov能量函数，推导获取rbf神经网络的权值更新自适应律。
2.根据权利要求1所述的一种非线性不稳定风力机舱悬浮系统模型预测控制方法，其特征是设计步骤如下：
步骤1，针对风力机舱悬浮系统模型
其中，
步骤2，风力机舱悬浮镇定控制器设计
式(1)显见为能控系统，采用状态反馈的极点配置方法将不稳定系统(1)进行镇定控制，转化为
其中，
步骤3，机舱悬浮预测控制器设计
第一步，设置采样周期ts，对式(2)机舱悬浮镇定系统离散化处理，构建以x(k)＝[δxm(k)ty(k)]t为状态变量的机舱悬浮离散系统模型
其中，δxm(k 1)＝xm(k 1)-xm(k)，δu(k)＝u(k)-u(k-1)，
am＝i aats，bm＝bats，cm＝c，om＝[00]，i为单位阵；
第二步，设置预测域np＝5和控制域nc＝3，基于ki时刻的状态变量x(ki)，构建未来各预测域时刻的输出y
y＝fx(ki) φδu(4)
其中，
y＝[y(ki 1|ki)y(ki 2|ki)…y(ki 5|ki)]t，
δu＝[δu(ki)δu(ki 1)δu(ki 2)]t；
第三步，综合考虑对设定跟踪和控制输入有限约束的目标函数j
其中，rs＝[11111]tr(ki)，
第四步，对式(5)目标函数j进行控制输入的偏导处理，即
其中，
步骤4，rbf神经网络的模型失配补偿器设计
第一步，构造模型失配观测器
其中，
由式(2)和式(7)，模型失配动态方程为
其中，a0＝a-g，g＝[k1k2]，满足模型失配动态方程收敛；
第二步，设置rbf神经网络结构，采用em和
第三步，设置rbf神经网络模型失配补偿值为
其中，
第四步，设置rbf神经网络模型失配补偿误差
其中，θ*为rbf神经网络的最优权值，表示为
第五步，由式(8)，(9)和(10)可得基于rbf神经网路的模型失配动态方程
其中，
第六步，构建包含模型失配误差和权值最优两性能的模型失配lyapunov函数
其中，γ为正实数，
第七步，对模型失配lyapunov函数求导，推导rbf神经网络权值更新自适应律；
由于eytpbaed≤|eytpba||ed|(15)
由于
rbf神经网络模型失配补偿误差|ed|就会无限逼近0，可实现
第八步，rbf神经网络权值更新自适应律为
第九步，基于rbf神经网络的模型失配补偿器为
步骤5，由式风力机舱悬浮电流参考为
