[发明专利]基于圆周割线改进型粒子群算法的叶片临界颤振系统参数辨识方法

说明书

本发明公开了一种基于圆周割线改进型粒子群算法的风力机叶片临界颤振系统参数辨识方法，首次将几何学的圆周割线理论与传统粒子群算法相结合，提出新型的CMS‑PSO优化辨识算法：引入圆心角决定学习因子的圆周动态调节速率，提高学习因子调节的平滑性，从而增强全局搜索和局部搜索的动态平衡，避免陷入局部最优、加快收敛速度；引入圆周割线理论更新学习因子，局部学习因子和全局学习因子的均方和具有不变性，提高优化算法的鲁棒性。针对基于NACA0012翼型的叶片临界颤振系统，应用本发明设计的辨识算法，与多种已有的改进型粒子群算法相比，大幅度提高了叶片临界颤振系统参数的辨识精度、降低了计算成本、并显著增强了优化辨识的鲁棒性。

技术领域

本发明涉及风力机叶片系统辨识领域，尤其是一种基于圆周割线改进型粒子群算法的风力机叶片临界颤振系统参数辨识方法。

背景技术

为了更高效地开发利用风能，近年来我国风力发电机组的装机容量日益扩大，风机叶片的尺寸也随之不断增加。目前我国已下线最长的风力机叶片达到91m，国际上最长的风力机叶片达到了107m，大尺寸叶片在气弹作用下易产生振动问题，危机风力机的安全稳定运行。风力机叶片临界颤振状态是一种临界稳定的振动状态，对其进行辨识研究对于叶片状态估计、保证风力发电机组有效运行具有重要意义。

目前，针对风力机叶片振动参数的辨识方法有最小二乘法、双参数法和自回归法等，并获取了良好的辨识结果。然而，这些方法主要针对较为容易辨识的叶片衰减颤振系统，并未涉及较难辨识的叶片临界颤振系统，同时还存在实际应用难的问题。近年，智能优化算法，如差分进化算法被应用到风力机叶片衰减振动系统的参数辨识，进一步提高了最小二乘辨识的精度，改善了辨识效果，具有辨识精度高、应用性好等优点。但智能优化算法本身的辨识性能和适用性，针对不同问题其效果差异较大，针对本发明的问题，在算法策略、优化效率和适用性上还有进一步提高的空间。

发明内容

本发明所要解决的技术问题在于，针对具有等幅高频振动特性的叶片临界颤振系统，利用智能优化算法，解决待辨识参数多、参数数量级相差大、临界颤振参数最优解唯一的辨识问题，实现高精度、智能化和低计算成本的叶片临界颤振系统辨识，具体为一种基于圆周割线改进型粒子群算法的风力机叶片临界颤振系统参数辨识方法。

本发明的目的是这样实现的，一种基于圆周割线改进型粒子群算法的风力机叶片临界颤振系统参数辨识方法，其特征在于，包括如下步骤：

步骤1：获取风力机叶片翼型的颤振系统模型，系统模型对应的等效传递函数为：

式中，a₁,a₂,a₃,b₁,b₂,b₃,b₄为7个待辨识的系统参数，s为传递函数变量；

步骤2：利用系统仿真，获取系统的颤振风速U*，在颤振风速下获得叶片临界颤振系统的真实系统参数；

步骤3：将系统待辨识参数设置为粒子、将辨识误差函数作为适应度函数；

粒子为X＝[a₁ a₂ a₃ b₁ b₂ b₃ b₄]，

辨识误差函数J为：

式中，n为输出信号的采样个数，j对应第j个采样值，y(j)为实际输出信号，为辨识输出信号，系统输入信号为8级线性反馈移位寄存器产生的M序列，当所述步骤1中的系统参数为所述步骤2中的真实系统参数时，记输出系统信号为实际输出信号；当所述步骤1中的系统参数为所述步骤9中的最优辨识参数时，记输出系统信号为辨识输出信号。