随着风力发电技术的不断更新和发展,变桨距风力机以其系统稳定,安全高效,停机方便等优势在风机领域得到了广泛的应用。但值得注意的是,变桨距风力机系统涉及空气动力学、机械、电子、能源等方面的知识,且受外部干扰和自身参数变化等原因的影响,导致运行过程中难以建立精确的数学模型,而许多先进的控制技术都是基于受控对象模型基础上的,这使得变桨距风力机非线性系统模型的辨识成为了风电技术研究的重点和难点。对此,本文基于MATLAB和BLADE平台,围绕变桨距风力机系统输出功率控制和系统辨识的问题展开,主要研究内容包括:1.变桨距风力机系统模型辨识研究(1)在对变桨距风力机系统非线性特性分析的基础上,结合神经网络自学习能力强,可以逼近任意精度的非线性动态系统的特点,将神经网络辨识的方法运用到对复杂的变桨距风力机系统模型的识别中。针对BP神经网络采用log-sigmoid函数易陷入局部最小值,且训练迭代时间长的不足,采用局部逼近的RBF神经网络算法对变桨距风力机非线性系统进行拟合训练以解决上述问题。(2)针对神经网络权值训练过程中涉及的学习步长参数选取不当易对网络输出造成偏差的问题,采用梯度下降法和误差动态反馈优化相结合的算法对学习步长进行优化。实验结果表明,该优化算法有效的提高了对变桨距风力机系统的辨识精度。(3)针对网络结构难以确定和实时性不强的问题,本文采用敏感度分析法对神经网络结构进行动态优化调整,删除对输出影响较小的节点,并对输出影响较大的节点及参数进行更新。通过仿真实验证明,该改进算法使网络具有很强的自校正功能,预测模型能最好的逼近变桨距风力机非线性系统。2.变桨距风力机系统输出功率控制方法研究(1)高精度的控制是风机功率稳定输出的前提,因此在辨识所得模型的基础上设计合适的控制器对风机输出功率进行稳定性控制。但传统常规PID控制对其参数不能自适应调整,容易造成控制器输出不稳定。考虑到模糊系统易建立模糊语言控制规则,鲁棒性和抗干扰能力强等特点,易用于非线性系统的控制中,因此将其与学习能力强的径向基神经网络相结合,并选用高度对称,光滑无零点的高斯函数作为其隶属度函数,用于对PID参数进行动态修正,设计了基于模糊径向基神经网络的PID控制器对变桨距风力机系统进行控制。(2)针对模糊神经网络PID控制器参数初始值选取不当易对控制系统造成振荡的问题,采用遗传优化算法对PID参数的初始值进行寻优求解,并在优化指标中加入控制量的平方项来防止超调。仿真结果表明,设计的基于模糊径向基神经网络的PID控制器要优于常规PID控制器的控制效果,且训练迭代次数少,效率高,说明设计的基于模糊径向基神经网络的PID控制器对变桨距风力机系统输出功率具有较好的控制性能。