基于人工神经网络与快速非奇异终端滑模控制的浮式海上风机（FOWT）叶片变桨控制

《Journal of Ocean Engineering and Science》：Fast Non-Singular Terminal Sliding Mode Blade Pitch Control with Adaptive Neural Network for Floating Offshore Wind Turbines

　　

研究人员提出了一种基于人工神经网络（ANN）与快速非奇异终端滑模控制（FNTSMC）的浮式海上风机（FOWT）叶片变桨控制策略，用于额定风速以上区域的转子转速调节与功率波动抑制。针对FOWT在风浪联合激励下存在的强非线性、模型不确定性与外部扰动问题，研究人员首先建立控制导向的降阶FOWT模型，并采用名义反馈线性化（feedback linearization）将叶片变桨控制通道显式化，同时将参数摄动、气动机理与水动耦合失配、未建模高阶气-液-弹性动力学以及风浪扰动等影响集合为集总不确定性（lumped uncertainty）。在此基础上，研究人员设计快速非奇异终端滑模面以避免传统终端滑模控制的奇异性问题，并构造等效控制与切换控制律以实现有限时间收敛；为进一步降低对集总不确定性保守上界的依赖，研究人员引入自适应径向基函数神经网络（RBFNN）对残差集总不确定性进行在线估计，并将其嵌入FNTSMC控制律中以动态补偿扰动，同时给出神经网络权值及辅助扰动参数的自适应更新律。研究人员通过Lyapunov稳定性分析证明了闭环信号有界且转子转速跟踪误差可在有限时间内收敛至零的小邻域内。为验证所提ANN-FNTSMC策略的有效性，研究人员在MATLAB/Simulink与ANSYS联合仿真平台上，基于NREL 5 MW参考FOWT（Hywind Spar平台）构建全风速协同仿真框架，并在额定风速以上区域对比增益调度PI（GSPI）、SMC、FNTSMC、ANN-SMC与ANN-FNTSMC五种策略：风速输入采用Kaimal湍流模型（7.45–13.45 m/s，湍流强度8%），波浪输入采用JONSWAP谱（有效波高3 m，谱峰周期10 s）。结果表明，所提ANN-FNTSMC在电磁功率波动指标（Eδ、STD、RMS）、叶片根部弯矩（挥舞/摆振方向的损伤等效载荷DEL、RMS、STD）以及平台运动（纵摇角、垂荡位移的均值、STD、RMS）方面均表现出较优的综合性能，其中功率波动抑制效果尤为显著，且未明显增加叶片载荷与平台运动水平。

论文解读：基于ANN-FNTSMC的浮式海上风机叶片变桨控制研究

研究背景与问题提出：浮式海上风机（floating offshore wind turbine, FOWT）因可部署于深水海域而成为海上风电重要发展方向，但FOWT在额定风速以上区域进行叶片变桨控制（blade pitch control）时，面临强非线性气动-水动-结构耦合、模型参数不确定性、未建模高阶弹性动力学以及风浪联合扰动等问题，导致转子转速与输出功率易产生波动，传统线性控制方法（如增益调度PI，GSPI）常难以兼顾动态响应速度与鲁棒性。现有滑模控制（sliding mode control, SMC）类方法虽具备对不确定性的鲁棒性，但往往需要保守的扰动上界已知，且可能引起控制量抖振；此外，FOWT运行环境复杂，难以事先精确获知集总扰动边界，从而限制控制性能与工程适用性。为此，研究人员开展一种融合自适应神经网络在线估计与快速非奇异终端滑模控制的叶片变桨控制方法研究，以期在额定风速以上区域实现更平稳的转子转速调节与功率波动抑制，同时尽量不放大叶片载荷与浮式平台运动。

主要技术方法：研究人员围绕NREL 5 MW级FOWT（Hywind Spar平台）对象，建立控制导向的降阶模型并进行名义反馈线性化，将系统描述为含集总不确定性的仿射非线性形式；设计快速非奇异终端滑模面与FNTSMC控制律以保证有限时间收敛并避免奇异性；引入三层RBF神经网络（RBFNN）以状态变量（转子角速度及其导数）为输入，在线逼近集总不确定性，并将神经网络估计项嵌入控制律以降低对保守扰动边界的依赖；构造Lyapunov函数并完成闭环稳定性证明；在MATLAB/Simulink–ANSYS联合仿真平台上搭建全风速协同仿真框架（低于额定风速区采用最大功率点跟踪转矩控制，过渡区采用线性切换控制，额定风速以上区激活叶片变桨控制），选用Kaimal湍流风与JONSWAP不规则波作为激励条件，设置GSPI、SMC、FNTSMC、ANN-SMC与ANN-FNTSMC五组对照，并采用功率波动指标（E_δ、STD、RMS）、叶片根部弯矩指标（DEL、RMS、STD）与平台运动指标（均值、STD、RMS）进行评价。

研究结果：

3.1 控制导向FOWT模型与反馈线性化：研究人员针对FOWT在额定风速以上区域建立转子转动动力学与叶片变桨伺服动力学，并将其整理为非线性仿射形式，状态变量包含转子角速度Ω_r、桨距角β与转子角加速度dΩ_r/dt；随后将反馈线性化应用于控制导向的名义FOWT模型而非全阶精确对象，因而线性化仅补偿主导名义非线性，而将参数变化、气动机理与水动系数失配、忽略的高阶气-液-弹性动力学及风浪扰动等归入集总不确定性f，并满足有界假设（|f|≤D）。

3.2 FNTSMC设计：研究人员定义转子转速跟踪误差e=Ω_r?Ω_ref，构造快速非奇异终端滑模面s=e+σ₁sig(e)^γ₁+σ₂sig(?)^γ₂，其中参数满足1< />₂<2、γ₁>γ₂与σ₁,σ₂>0，以避免奇异性并提高暂态调节速度；据此推导等效控制u_eq与切换控制u_sw=?k₁s?k₂sign(s)，形成FNTSMC桨距参考指令β_ref=u_eq+u_sw；通过Lyapunov函数V₁=s²/2证明滑模变量与跟踪误差均可在有限时间内收敛，并利用引理给出收敛时间估计。

3.3 ANN-FNTSMC控制器设计：研究人员指出FNTSMC仍需较保守的集总不确定性上界，而在FOWT受耦合风浪扰动时该上界难以准确确定，因此采用自适应RBFNN（三层结构，高斯径向基函数）以输入x=[Ω_r, dΩ_r/dt]^T在线估计集总不确定性f≈?^Th+μ；将神经网络估计项嵌入FNTSMC控制律得到ANN-FNTSMC桨距指令，并设计权值自适应律d?/dt与辅助扰动参数自适应律dθ?/dt；通过Lyapunov函数V₂=s²/2+ρ??^T??/2+γ₂θ?²/(2φ)证明闭环信号有界且跟踪误差可收敛至任意小邻域，同时说明可通过调节ρ与φ平衡自适应速度与测量噪声敏感性，并指出工程实现时可加入投影或泄漏修正以保证参数有界。

4 仿真结果与分析：研究人员在联合仿真平台上对比五种策略，风速为Kaimal湍流（7.45–13.45 m/s，8%湍流强度），波浪为JONSWAP谱（有效波高3 m，谱峰周期10 s），FOWT模型为NREL 5 MW Hywind Spar，控制器参数给定，桨距角限0–90°，桨距率限±8°/s，采样间隔0.01 s。结果显示：ANN-FNTSMC的电磁功率波动指标E_δ=0.0480%、STD=0.0019 MW、RMS=0.0019 MW，优于其余对照；平均电磁功率5.0004 MW最接近额定5 MW；相对于FNTSMC，E_δ、STD与RMS分别降低22.9%、43.5%、45.9%，相对于GSPI分别降低82.9%、90.8%、91.0%。桨距响应方面，ANN-FNTSMC在扰动出现时能较快动作并在扰动减弱后回到较小桨距角，整体行为合理。叶片根部弯矩结果表明ANN-FNTSMC的挥舞方向与摆振方向DEL、RMS、STD与对照相近，未出现明显载荷放大；平台纵摇角与垂荡位移的各评价指标在不同控制策略间差异较小，ANN-FNTSMC未放大平台运动，部分指标略有改善。研究人员认为ANN-FNTSMC在线计算负担随RBF隐藏神经元数近似线性增长，具备实时实现潜力，但也指出未来需关注测量噪声、作动器饱和与通信时延等工程因素，并开展更复杂海况、极端条件、塔基载荷、疲劳评估及硬件在环等验证。

讨论与结论（总结）：研究人员强调FOWT在额定风速以上区域的叶片变桨控制受强耦合非线性、模型不确定与风浪扰动影响显著，传统线性控制难以兼顾鲁棒性与动态性能。通过控制导向降阶建模与名义反馈线性化，研究人员将叶片变桨通道显式化并把多源不确定性归纳为集总不确定性，进而结合快速非奇异终端滑模面（有限时间收敛、无奇异性）与自适应RBFNN在线扰动估计（降低对保守扰动边界依赖、抑制抖振相关影响）形成ANN-FNTSMC策略。稳定性可由Lyapunov分析保证，仿真结果表明该方法在功率波动抑制上优于GSPI、SMC、FNTSMC与ANN-SMC，同时在叶片载荷与平台运动方面未产生明显不利放大，具备较好的综合控制性能与工程参考价值。论文发表在《Journal of Ocean Engineering and Science》。