[發明專利]基于極限學習機的風電機組葉根載荷估計方法

有效

• 申請號: 201810134688.0
• 申請日: 2018-02-09
• 公開（公告）號: CN108468622B
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 秦斌;王欣;易懷洋
• 申請（專利權）人: 湖南工業大學
• 主分類號: F03D17/00
• 分類號: F03D17/00;F03D80/00;G06Q50/06
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本發明公開了基于極限學習機的風電機組葉根載荷估計方法，充分利用風電數據采集系統信息資源和極限學習機快速學習的優點，根據建模要求確定輸出變量，采用主元分析確定系統輸入變量，通過極限學習機建立風電機組葉根載荷估計模型，通過模型計算相應輸入狀態下載荷估計值。運用極限學習機算法進行風電機組建模不僅簡單，而且收斂速度快，可對機組性能和狀態進行快速識別估計，為風機建模研究提供了一種行之有效的方法。

技術領域

本發明涉及風力發電建模估計方法技術領域，具體涉及基于極限學習機的風電機組葉根載荷估計方法。

背景技術

為了最大限度的利用風能，提高風電的經濟效益和競爭力，風電機組向大型化、輕量化方向發展。由于風的隨機性以及風切效應、塔影效應和湍流的影響，使得作用于風輪葉片和塔架等部件上的載荷存在時間上和空間上的不均勻性，不平衡載荷引起機組零部件長時間振動,會導致零部件的嚴重疲勞損壞，于是通過控制策略降低機組的動態載荷，提高機組可靠性和使用壽命越來越受到重視。

動態載荷控制主要關注風電機組關鍵部件和關鍵部位的載荷控制，葉片和傳動鏈受到的載荷較大，為機組可靠性較為脆弱的部件。其中葉片的葉根部位載荷種類多、最復雜、影響大而且最易受到疲勞損，所以受到研究人員的重點關注。

在動態載荷主動控制策略研究中，建立精確的載荷模型極其重要，由于葉根載荷復雜、強耦合、不確定影響因素多，風速的隨機性以及風速、槳距角等主要影響因素與載荷的非線性關系，使得傳統的基于內部機理分析為基礎，依靠經驗公式和假設簡化為前提的機理建模很難滿足要求。

發明內容

本發明針對現有技術的不足，提供了基于極限學習機的風電機組葉根載荷估計方法。

本發明提出的基于極限學習機的風電機組葉根載荷估計方法，包括估計模型輸入輸出確定和估計模型極限學習機學習兩個部分；

估計模型輸入輸出變量的確定：根據建模要求，以揮舞方向剪力F_x和彎矩M_y，擺振方向剪力F_y和彎矩M_x作為估計模型輸出。輸入變量確定：首先選取風速大小、槳距角、方位角、風輪轉速、風速矢量與慣性坐標系3個軸的夾角等7個變量，取上述7個變量的數據，組成輸入矩陣X(X1,X2,...,X7)，對X進行主元分析，計算各主元的貢獻率，前四個主元的累積貢獻率達到90％以上，故將原始7個變量數據降維為4個主元X(X1,X2,...,X4)，根據貢獻大小可確定葉根載荷的4個主要影響因素：風速v、槳距角β、方位角θ和風輪轉速ω，作為模型輸入變量。

估計模型輸入輸出歸一化處理：為保證極限學習機(ELM)神經網絡神經元的非線性作用及較快的學習速度,避免因凈輸入絕對值過大造成神經元的輸出飽和,應將ELM神經網絡的輸入歸一化到一個較小的數值范圍內；ELM算法用于擬合回歸時，一般將輸入輸出值歸一化到[0,1]區間。按照歸一化公式對樣本數據進行歸一化計算:

式中x_i為待處理數據，x_p為歸一化處理后的數據，x_min和x_max為待處理數據最小值和最大值。

極限學習機(ELM)是由南洋理工大學黃廣斌教授提出來的求解單隱層神經網絡的算法。設有N個不同的樣本(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。對于X輸入O輸出，有L個隱層節點的單隱層前饋神經網絡可以表示為：