[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

摘要

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。

主权项

1.一种基于优化RBF神经网络的大型风力机变桨距系统辨识方法，其特征在于，包括以下步骤：1)、采用Bladed风力机仿真软件对变桨距风力机样机进行变桨距控制仿真，采集包括风速、桨距角和风力机输出功率在内的相关信息数据并归一化处理，其中风速和桨叶节距角为输入，风力机输出功率为输出；2)、其次，结合系统辨识原理，搭建系统辨识框架，在辨识输出与系统实际输出无限逼近的准则条件下，输入激励信号，通过预报误差的不断迭代反馈至辨识框架，采用优化的RBF神经网络作为辨识算法，高斯函数作为隐含层神经元的激活函数，采用输出敏感度法对优化的RBF神经网络结构进行动态优化；采用输出敏感度法对优化的RBF神经网络结构进行动态优化，具体包括步骤：隐含层的输出量作为敏感度法的输入量，利用输出敏感度公式对每个神经元的输出敏感度进行分析，并计算出其对输出的贡献值，对于贡献值小于c₂的神经元进行删除，根据误差函数对贡献值大于c₁的神经元的结构进行调整，并对此神经元的权值，中心值和函数宽度进行修正；4)、最后，通过优化的RBF神经网络不断地学习和训练，采用梯度下降法和优化算法相结合的方法推导网络结构的最优学习速率，直至预测模型最好的逼近风力机变桨距系统。