[發明專利]基于優化RBF神經網絡的大型風力機變槳距系統辨識方法

有效

• 申請號: 201711261506.8
• 申請日: 2017-12-04
• 公開（公告）號: CN108223274B
• 公開（公告）日: 2019-11-12
• 發明（設計）人: 任海軍;張萍;周桓輝;雷鑫;張浩;鄧廣;侯斌
• 申請（專利權）人: 重慶郵電大學
• 主分類號: F03D7/04
• 分類號: F03D7/04;G06N3/04;G06N3/08
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 劉小紅

1.一種基于優化RBF神經網絡的大型風力機變槳距系統辨識方法，其特征在于，包括以下步驟：

1)、采用Bladed風力機仿真軟件對變槳距風力機樣機進行變槳距控制仿真，采集包括風速、槳距角和風力機輸出功率在內的相關信息數據并歸一化處理，其中風速和槳葉節距角為輸入，風力機輸出功率為輸出；

2)、其次，結合系統辨識原理，搭建系統辨識框架，在辨識輸出與系統實際輸出無限逼近的準則條件下，輸入激勵信號，通過預報誤差的不斷迭代反饋至辨識框架，采用優化的RBF神經網絡作為辨識算法，高斯函數作為隱含層神經元的激活函數，采用輸出敏感度法對優化的RBF神經網絡結構進行動態優化；

采用輸出敏感度法對優化的RBF神經網絡結構進行動態優化，具體包括步驟：隱含層的輸出量作為敏感度法的輸入量，利用輸出敏感度公式對每個神經元的輸出敏感度進行分析，并計算出其對輸出的貢獻值，對于貢獻值小于c₂的神經元進行刪除，根據誤差函數對貢獻值大于c₁的神經元的結構進行調整，并對此神經元的權值，中心值和函數寬度進行修正；

4)、最后，通過優化的RBF神經網絡不斷地學習和訓練，采用梯度下降法和優化算法相結合的方法推導網絡結構的最優學習速率，直至預測模型最好的逼近風力機變槳距系統。

2.根據權利要求1所述的基于優化RBF神經網絡的大型風力機變槳距系統辨識方法，其特征在于，所述風力發電機模型的相關參數設置如下：齒輪傳動增速比取N設置為80，發動機轉動慣量J_g設置為15kg·m²，風輪轉動慣量J_ω設置為6.25×10⁶kg·m²，時間常數T_β設置為0.2s,r₁設置為0.0184Ω，槳距角變化范圍θ/(°)范圍取(0～30)，風輪半徑R取47.5m，在上述基礎上，采集相關實驗數據，從中選取80％的實驗數據用于神經網絡的訓練，剩余20％用于網絡測試。

3.根據權利要求1所述的基于優化RBF神經網絡的大型風力機變槳距系統辨識方法，其特征在于，所述步驟2)采集包括風速、槳距角和風力機輸出功率在內的相關信息數據并歸一化處理具體包括步驟：

網絡輸出層的輸出為:

式中ω_j(k-1)為(k-1)時刻第j個隱含層神經元至輸出層神經元的權值，R_j表示神經網絡隱含層輸出，u(k)表示系統輸入，m表示隱含層的個數，通過式(8)對y_I進行反歸一化處理：

取性能指標函數為:

式中，表示y_I(κ)集合中的最大值，表示y_I(κ)集合中的最小值，表示反歸一化輸出，y(κ)和y_I(κ)分別為系統的期望輸入和實際輸出。