偏航系统作为大型水平轴风电机组的重要组成部分,对其控制的优劣直接关系着风能的有效利用与系统的安全运行。偏航系统难于建立精确数学模型,其因为在于偏航电机的高阶非线性、多变量、强耦合本质并风向、风速的随机性而造成负载的随机变化本质。与此同时,风向标因位于下风向,受到紊流等各种不利因素影响,且自身的测向精度也存在不足,使得其所获控制信号不甚理想,进而影响对风精度。　　 与传统自动控制系统相比,智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力,能总体自寻优,自适应、自组织、自学习和自协调；同时也具有补偿及自修复能力和判断决策能力,能以知识表示的非数学广义模型和以数学表示的数学广义模型,采用开、闭环控制和定性及定量控制结合的多模态控制方式进行过程混合控制。为提高风电机组的可靠、安全运行,提高风电机组的运行效率,本文重点放在了将人工智能方法引入风电机组的偏航控制上。基于智能控制,本文主要研究了神经网络、模糊控制、爬山算法、以及最优粒子群算法在偏航控制系统中的应用。　　 本文首先介绍了风电机组的功用、偏航控制系统的研究现状和研究的主要内容等；接着给出了PIDNN神经网络的产生背景、内容与应用,并详细说明了CPSO算法的分享机制,提出了基于NARAM-L2模型的PIDNN神经网络偏航控制策略；然后基于模糊原理提出了两种模糊偏航控制策略,并基于爬山算法对偏航控制信号提出了改进方法；最后将提出的PIDNN神经网络偏航控制策略通过实验的方法给予了验证。本文研究的主要内容和创新点可概括如下:　　 (1)提出了一种基于PIDNN的偏航控制系统控制策略与控制器设计方法:首先,基于NARAM-L2模型,使用PIDNN构建偏航电机的辨识模型。通过随机给定电磁转矩大小并同时测量输出转速的方式得到辨识模型的训练数据。其次,训练模型。当辨识模型输出曲线与目标转速曲线拟合误差在允许范围内时,终止训练,保存最优权值解向量。此时,通过代数变换方式将辨识模型转换成控制模型。最后,设计积分控制器。由于辨识误差的不可消除性而导致微小稳态误差的存在。为消除静差,提出并设计了PIDNN积分(PIDNN-Ⅰ)复合控制器,同时与传统的PID控制策略做了比较。　　 (2)建议了一种PSO算法的改进形式--CPSO算法,并将该算法用于PIDNN辨识模型的训练。该算法使用多个种群同时搜索问题空间,在迭代的过程中,不同的种群以随机方式相互交换社会信息,同时种群内部各粒子之间也进行社会信息的交换。在CPSO算法中,粒子通过学习种群内的gbest与不同种群的gibest向量来更新自己的速度和位置,从而保持了种群的多样性；同时利用多个种群的有用信息保证了算法的收敛速度。因此,算法的全局和局部搜索能力得到了很好的平衡,有利于在PIDNN辨识模型的解空间中寻到最优权值解,从而保障PIDNN-Ⅰ控制器设计的顺利完成。　　 (3)建议了两种基于模糊算法的偏航控制系统控制策略与控制器设计方法:一种为基于参数自调整构建的模糊积分偏航矢量控制系统:另一种为基于合成控制方法的FUZZY-PID合成偏航矢量控制系统,该控制方法将整个速度控制域分成三个部分:大误差范围内的FUZZY控制部分；小误差范围内的FUZZY-Ⅰ控制部分；微误差范围内的FUZZY-Ⅰ-PD控制部分。对于二者,采用Matlab进行了仿真实验,并与常规PID控制模糊PID分段控制作了比较,给出了比较的结论。　　 (4)针对受到紊流等各种不利因素影响而导致对风精度不高的问题,给出了一种基于爬山算法的V-HC(Vane-Hill Climbing)迎风控制策略。该策略的核心内容是在大范围风向变化时采用风向标控制算法(V-C),而在小范围风向变化时则采用功率控制算法(H-C)。V-HC迎风控制策略发挥了功率控制与风向标控制的长处,为验证所提策略的有效性,基于PSCAD建立了WTGS仿真模型,并基于该模型做了仿真实验,给出了仿真结果。　　 (5)基于DSPIC控制器设计了偏航实验控制系统,并基于所设计的实验系统对所给出的PIDNN神经网络控制策略进行了实验验证。首先介绍DsPIC实验系统的设计过程,并通过随机给定系统输入并同时测量相应输出的方式得到实际训练数据；接着给出了基于所得数据并训练所得的辨识模型,通过该模型设计了实验用控制器:最后通过所设计的系统对转速、与转矩变化做了实验研究,并给出了实验结果。