[发明专利]基于极限学习机的风电机组叶根载荷估计方法

说明书

本发明公开了基于极限学习机的风电机组叶根载荷估计方法，充分利用风电数据采集系统信息资源和极限学习机快速学习的优点，根据建模要求确定输出变量，采用主元分析确定系统输入变量，通过极限学习机建立风电机组叶根载荷估计模型，通过模型计算相应输入状态下载荷估计值。运用极限学习机算法进行风电机组建模不仅简单，而且收敛速度快，可对机组性能和状态进行快速识别估计，为风机建模研究提供了一种行之有效的方法。

技术领域

本发明涉及风力发电建模估计方法技术领域，具体涉及基于极限学习机的风电机组叶根载荷估计方法。

背景技术

为了最大限度的利用风能，提高风电的经济效益和竞争力，风电机组向大型化、轻量化方向发展。由于风的随机性以及风切效应、塔影效应和湍流的影响，使得作用于风轮叶片和塔架等部件上的载荷存在时间上和空间上的不均匀性，不平衡载荷引起机组零部件长时间振动,会导致零部件的严重疲劳损坏，于是通过控制策略降低机组的动态载荷，提高机组可靠性和使用寿命越来越受到重视。

动态载荷控制主要关注风电机组关键部件和关键部位的载荷控制，叶片和传动链受到的载荷较大，为机组可靠性较为脆弱的部件。其中叶片的叶根部位载荷种类多、最复杂、影响大而且最易受到疲劳损，所以受到研究人员的重点关注。

在动态载荷主动控制策略研究中，建立精确的载荷模型极其重要，由于叶根载荷复杂、强耦合、不确定影响因素多，风速的随机性以及风速、桨距角等主要影响因素与载荷的非线性关系，使得传统的基于内部机理分析为基础，依靠经验公式和假设简化为前提的机理建模很难满足要求。

发明内容

本发明针对现有技术的不足，提供了基于极限学习机的风电机组叶根载荷估计方法。

本发明提出的基于极限学习机的风电机组叶根载荷估计方法，包括估计模型输入输出确定和估计模型极限学习机学习两个部分；

估计模型输入输出变量的确定：根据建模要求，以挥舞方向剪力F_x和弯矩M_y，摆振方向剪力F_y和弯矩M_x作为估计模型输出。输入变量确定：首先选取风速大小、桨距角、方位角、风轮转速、风速矢量与惯性坐标系3个轴的夹角等7个变量，取上述7个变量的数据，组成输入矩阵X(X1,X2,...,X7)，对X进行主元分析，计算各主元的贡献率，前四个主元的累积贡献率达到90％以上，故将原始7个变量数据降维为4个主元X(X1,X2,...,X4)，根据贡献大小可确定叶根载荷的4个主要影响因素：风速v、桨距角β、方位角θ和风轮转速ω，作为模型输入变量。

估计模型输入输出归一化处理：为保证极限学习机(ELM)神经网络神经元的非线性作用及较快的学习速度,避免因净输入绝对值过大造成神经元的输出饱和,应将ELM神经网络的输入归一化到一个较小的数值范围内；ELM算法用于拟合回归时，一般将输入输出值归一化到[0,1]区间。按照归一化公式对样本数据进行归一化计算:

式中x_i为待处理数据，x_p为归一化处理后的数据，x_min和x_max为待处理数据最小值和最大值。

极限学习机(ELM)是由南洋理工大学黄广斌教授提出来的求解单隐层神经网络的算法。设有N个不同的样本(X_i,t_i)∈Rⁿ×R^m，其中X_i＝[x_i1,x_i2···x_in]^T，t_i＝[t_i1,t_i2···t_im]^T i＝1,···,N。对于X输入O输出，有L个隐层节点的单隐层前馈神经网络可以表示为：