[发明专利]基于优化RBF神经网络的大型风力机变桨距系统辨识方法

说明书

本发明请求保护一种基于RBF神经网络的大型风力机变桨距系统辨识方法，首先，本发明在传统神经网络辨识算法技术的基础上采用输出敏感度法对网络结构进行动态优化改进，采用英国Garrad Hassan Partners公司的Bladed风力机仿真软件控制仿真获取实验数据，风速v和桨距角β作为输入信号，发电功率P作为输出信号。进而，结合系统辨识原理，利用模型本身及相关的测量信息搭建辨识系统框架。其次，由于神经网络强大的非线性映射能力将RBF用于辨识算法，在系统输入信号激励下，使辨识系统输出无限逼近系统实际功率输出。最后，针对网络学习速率难以选取的问题，提出梯度下降法和优化算法相结合的方法导出网络结构的最优学习速率。本发明具有较强自适应能力和抗干扰能力，具有一定的实用价值。

技术领域

本发明属于风力机变桨距控制，系统辨识领域，具体是一种对风力机变桨距非线性系统的识别方法，该方法是基于优化RBF神经网络的大型风力机变桨距系统辨识方法。

背景技术

风力机的变桨控制通过改变桨距角来稳定风机的输出功率，以更大限度的获取风能，变桨距控制与定桨距相比,不仅可更大程度地获取风能,而且平稳了功率输出。变桨距执行系统是风力机的重要组成部分，当风速超过风力机额定风速时，桨距系统通过改变桨距角大小来调整所捕获风能，从而稳定风力机的输出功率维持在额定值左右[1-2]。但风电系统工作状态复杂，系统模型涉及空气动力学、机械、电子等各方面的知识，参数也很难确定，目前的研究方法大多是通过理论推导，但往往会忽略很多要素，外部干扰及自身参数变化等，导致得到的模型不精确，使系统产生很大的误差，而鲁棒控制，自适应控制等先进的控制算法都是基于受控对象模型的，系统的建模与辨识技术对于机组的控制和运行具有重要影响，为了提高受控模型的精度，因此对风力发电变桨距系统非线性模型辨识技术的研究引起了学界广泛关注。

近年来，国内外许多学者针对变桨距非线性系统辨识进行了许多相关研究，并取得了一定的成果，遗憾的是，其中一些辨识技术和算法由于对非线性和实时性考虑不全面，导致系统辨识精度不能够达到要求，实时性不强，造成非线性变桨距系统输出功率不稳定及误差较大等问题。D Wu等[3]多创新遗忘梯度(MIFG)识别算法对风力机变桨距故障系统进行识别，MIFG算法不仅使用当前数据，而且还使用每次迭代的过去数据，对参数的估计精度很高，但遗憾的是对参数难以确定的系统没有实用价值。BAbdelhadi等[4]将改进的自遗传算法用于电机识别中，解决了遗传算法在电机工程问题中进化缓慢，运行时间长等问题，但此算法要求假设的理想状态条件太多，不易运用于状态复杂的非线性系统的识别。VMJanakiraman等[5]采用径向基神经网络建立均质充气压缩点燃模型，并采用主成分分析(PCA)作为预处理步骤，从而降低输入维度，但是对激活函数等参数没有进行实时性优化，抗干扰能力不强。G Li等[6]采用了三种典型的神经网络，即自适应线性元素，反向传播和径向基函数构建风力机模型分别对北达科他州两个观测点收集的一小时平均风速进行预测，RBF的收敛速度最快的，但在平均绝对误差和绝对百分比误差方面，反向传播网络要由于其他两种，就三个评估指标来看，没有哪一种算法是完全最优的，所以不具有广泛适用性。MGD Giorgi等[7]通过人工神经网络构建模拟风力机非线性模型，进一步达到风速预测的目的，M Iribas等[8-9]提出了一个风力发电机组模型的闭环运行识别算法，使用非线性气动弹性代码的数据进行了测试，并从非线性气动弹性模拟器获得的数据的结果与通过线性化技术获得的模型进行了比较，这些数据在风力发电机组的实际运行条件情况下产生，但真实闭环系统与估计闭环系统之间的误差被馈送到更新估计参数的自适应算法中，由于反馈的原因，致使输出噪声和输入噪声之间的相关性很大。Petrovic V等[10]对单个桨距控制器设计的风力发电机模型进行辨识，将桨距角输入映射到直角坐标系，对两个直角轴进行模型辨识，PRBS信号作为d-q轴坐标系中俯仰角的参考值进行识别实验，但是本设计采用最小二乘法用于识别，不具有实时更新的性能，且计算量较大。林勇刚等[11]采用支持向量回归(SVR)算法对变桨距风力机模型进行辨识，SVR在SVM理论的基础上引入新的损失函数在系统稳定性上得到了改善，遗憾的是该方法受输入样本数目的限制，不具有泛化性。上述研究均针对风力机变桨局控制系统中存在的某一非线性特性或某个参数进行了侧重探讨，弱化了其他非线性特性、扰动及不确定因素对变桨距系统的影响。