[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

本發明請求保護一種基于RBF神經網絡的大型風力機變槳距系統辨識方法，首先，本發明在傳統神經網絡辨識算法技術的基礎上采用輸出敏感度法對網絡結構進行動態優化改進，采用英國Garrad Hassan Partners公司的Bladed風力機仿真軟件控制仿真獲取實驗數據，風速v和槳距角β作為輸入信號，發電功率P作為輸出信號。進而，結合系統辨識原理，利用模型本身及相關的測量信息搭建辨識系統框架。其次，由于神經網絡強大的非線性映射能力將RBF用于辨識算法，在系統輸入信號激勵下，使辨識系統輸出無限逼近系統實際功率輸出。最后，針對網絡學習速率難以選取的問題，提出梯度下降法和優化算法相結合的方法導出網絡結構的最優學習速率。本發明具有較強自適應能力和抗干擾能力，具有一定的實用價值。

技術領域

本發明屬于風力機變槳距控制，系統辨識領域，具體是一種對風力機變槳距非線性系統的識別方法，該方法是基于優化RBF神經網絡的大型風力機變槳距系統辨識方法。

背景技術

風力機的變槳控制通過改變槳距角來穩定風機的輸出功率，以更大限度的獲取風能，變槳距控制與定槳距相比,不僅可更大程度地獲取風能,而且平穩了功率輸出。變槳距執行系統是風力機的重要組成部分，當風速超過風力機額定風速時，槳距系統通過改變槳距角大小來調整所捕獲風能，從而穩定風力機的輸出功率維持在額定值左右[1-2]。但風電系統工作狀態復雜，系統模型涉及空氣動力學、機械、電子等各方面的知識，參數也很難確定，目前的研究方法大多是通過理論推導，但往往會忽略很多要素，外部干擾及自身參數變化等，導致得到的模型不精確，使系統產生很大的誤差，而魯棒控制，自適應控制等先進的控制算法都是基于受控對象模型的，系統的建模與辨識技術對于機組的控制和運行具有重要影響，為了提高受控模型的精度，因此對風力發電變槳距系統非線性模型辨識技術的研究引起了學界廣泛關注。

近年來，國內外許多學者針對變槳距非線性系統辨識進行了許多相關研究，并取得了一定的成果，遺憾的是，其中一些辨識技術和算法由于對非線性和實時性考慮不全面，導致系統辨識精度不能夠達到要求，實時性不強，造成非線性變槳距系統輸出功率不穩定及誤差較大等問題。D Wu等[3]多創新遺忘梯度(MIFG)識別算法對風力機變槳距故障系統進行識別，MIFG算法不僅使用當前數據，而且還使用每次迭代的過去數據，對參數的估計精度很高，但遺憾的是對參數難以確定的系統沒有實用價值。BAbdelhadi等[4]將改進的自遺傳算法用于電機識別中，解決了遺傳算法在電機工程問題中進化緩慢，運行時間長等問題，但此算法要求假設的理想狀態條件太多，不易運用于狀態復雜的非線性系統的識別。VMJanakiraman等[5]采用徑向基神經網絡建立均質充氣壓縮點燃模型，并采用主成分分析(PCA)作為預處理步驟，從而降低輸入維度，但是對激活函數等參數沒有進行實時性優化，抗干擾能力不強。G Li等[6]采用了三種典型的神經網絡，即自適應線性元素，反向傳播和徑向基函數構建風力機模型分別對北達科他州兩個觀測點收集的一小時平均風速進行預測，RBF的收斂速度最快的，但在平均絕對誤差和絕對百分比誤差方面，反向傳播網絡要由于其他兩種，就三個評估指標來看，沒有哪一種算法是完全最優的，所以不具有廣泛適用性。MGD Giorgi等[7]通過人工神經網絡構建模擬風力機非線性模型，進一步達到風速預測的目的，M Iribas等[8-9]提出了一個風力發電機組模型的閉環運行識別算法，使用非線性氣動彈性代碼的數據進行了測試，并從非線性氣動彈性模擬器獲得的數據的結果與通過線性化技術獲得的模型進行了比較，這些數據在風力發電機組的實際運行條件情況下產生，但真實閉環系統與估計閉環系統之間的誤差被饋送到更新估計參數的自適應算法中，由于反饋的原因，致使輸出噪聲和輸入噪聲之間的相關性很大。Petrovic V等[10]對單個槳距控制器設計的風力發電機模型進行辨識，將槳距角輸入映射到直角坐標系，對兩個直角軸進行模型辨識，PRBS信號作為d-q軸坐標系中俯仰角的參考值進行識別實驗，但是本設計采用最小二乘法用于識別，不具有實時更新的性能，且計算量較大。林勇剛等[11]采用支持向量回歸(SVR)算法對變槳距風力機模型進行辨識，SVR在SVM理論的基礎上引入新的損失函數在系統穩定性上得到了改善，遺憾的是該方法受輸入樣本數目的限制，不具有泛化性。上述研究均針對風力機變槳局控制系統中存在的某一非線性特性或某個參數進行了側重探討，弱化了其他非線性特性、擾動及不確定因素對變槳距系統的影響。