基于神经网络的超螺旋控制策略在漂浮式风力发电机中的设计与实时验证

为解决漂浮式海上风力发电机(FOWT)在Region III运行时的非线性控制难题，研究人员提出了一种结合径向基函数神经网络(RBFNN)与超螺旋算法(STA)的智能控制策略。该研究通过建立非线性控制导向模型，开发了硬件在环(HIL)验证平台，实验表明该控制器能有效抑制平台俯仰运动并稳定发电机转速，为浮动风电系统提供了鲁棒性解决方案。

　　

随着全球对清洁能源需求的增长，漂浮式海上风力发电机(FOWT)因其能开发深远海风能资源的优势备受关注。然而，这类系统在Region III(额定风速以上区域)运行时面临严峻挑战——强风浪耦合作用导致平台六自由度运动与风机动力学产生复杂非线性交互，传统基于线性模型的桨距控制策略难以应对突变环境载荷，易引发负阻尼效应和功率波动。更棘手的是，现有控制方法依赖精确数学模型，而FOWT的流体-结构-伺服-气动耦合特性使建模误差不可避免，严重制约了控制性能。

为突破这一瓶颈，研究人员创新性地将数据驱动与模型控制相结合，提出基于径向基函数神经网络(RBFNN)的超螺旋控制(STA)框架。研究团队首先重构了Homer控制导向模型(COM)，将复杂的16自由度系统简化为包含平台空间位姿、转子转速等关键状态的非线性方程。通过多项式拟合方法，将传统依赖查表的气动系数(C_t/C_p)转化为解析形式，为控制律设计奠定基础。

关键技术包括：(1)建立包含平台-转子耦合动力学的降阶模型；(2)设计RBFNN扰动观测器实时估计未建模动态；(3)构建超螺旋控制器实现有限时间收敛；(4)开发严格同步的硬件在环(HIL)验证平台，集成OpenFAST高保真仿真。

FOWT建模
通过坐标系统变换和牛顿-欧拉公式，建立了包含平台平移(x_g,y_g,z_g)、旋转(θ_x,θ_y,θ_z)及转子运动的动力学方程。关键创新在于将推力系数C_t(λ,β)表达为关于叶尖速比λ和桨距角β的多项式函数，解决了传统查表法导致的控制滞后问题。

平台俯仰率动力学
推导显示俯仰加速度ω?_y与桨距角β呈线性关系，但受气动载荷非线性干扰。通过引入RBFNN逼近器，将系统不确定性分解为已知结构部分g_yβ和神经网络补偿项D_y，有效解决了模型不精确问题。

转子转速控制
基于功率系数C_p的解析表达式，建立了包含发电机转矩T_g的转速动力学方程。STA控制器的设计保证了在存在风浪扰动时，转子速度ω_r能快速收敛到额定值12.1rpm，功率波动降低37%。

硬件在环验证
开发的HIL平台实现了控制器与OpenFAST模型的微秒级同步，测试表明：相比传统增益调度PI控制，RBFNN-STA使平台俯仰角标准差降低52%，在极端湍流风况下仍保持稳定。神经网络仅需5个隐层节点即可有效补偿未建模动态，计算耗时<0.5ms，满足实时性要求。

这项研究的重要意义在于：首次将神经网络与高阶滑模控制结合应用于FOWT，通过理论证明闭环系统有限时间稳定性；开发的HIL平台为浮动风电控制策略提供了经济高效的验证手段；所提方法无需精确模型，对推进深远海风电商业化具有重要价值。未来可扩展至全工况自适应控制，并为其他海洋能装置控制提供新思路。