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。

说明书

技术领域

本发明属于风力机变桨距控制，系统辨识领域，具体是一种对风力机变桨距非线性系统的识别方法，该方法是基于优化RBF神经网络的大型风力机变桨距系统辨识方法。

背景技术

风力机的变桨控制通过改变桨距角来稳定风机的输出功率，以更大限度的获取风能，变桨距控制与定桨距相比,不仅可更大程度地获取风能,而且平稳了功率输出。变桨距执行系统是风力机的重要组成部分，当风速超过风力机额定风速时，桨距系统通过改变桨距角大小来调整所捕获风能，从而稳定风力机的输出功率维持在额定值左右[1-2]。但风电系统工作状态复杂，系统模型涉及空气动力学、机械、电子等各方面的知识，参数也很难确定，目前的研究方法大多是通过理论推导，但往往会忽略很多要素，外部干扰及自身参数变化等，导致得到的模型不精确，使系统产生很大的误差，而鲁棒控制，自适应控制等先进的控制算法都是基于受控对象模型的，系统的建模与辨识技术对于机组的控制和运行具有重要影响，为了提高受控模型的精度，因此对风力发电变桨距系统非线性模型辨识技术的研究引起了学界广泛关注。

近年来，国内外许多学者针对变桨距非线性系统辨识进行了许多相关研究，并取得了一定的成果，遗憾的是，其中一些辨识技术和算法由于对非线性和实时性考虑不全面，导致系统辨识精度不能够达到要求，实时性不强，造成非线性变桨距系统输出功率不稳定及误差较大等问题。D Wu等[3]多创新遗忘梯度(MIFG)识别算法对风力机变桨距故障系统进行识别，MIFG算法不仅使用当前数据，而且还使用每次迭代的过去数据，对参数的估计精度很高，但遗憾的是对参数难以确定的系统没有实用价值。BAbdelhadi等[4]将改进的自遗传算法用于电机识别中，解决了遗传算法在电机工程问题中进化缓慢，运行时间长等问题，但此算法要求假设的理想状态条件太多，不易运用于状态复杂的非线性系统的识别。VMJanakiraman等[5]采用径向基神经网络建立均质充气压缩点燃模型，并采用主成分分析(PCA)作为预处理步骤，从而降低输入维度，但是对激活函数等参数没有进行实时性优化，抗干扰能力不强。G Li等[6]采用了三种典型的神经网络，即自适应线性元素，反向传播和径向基函数构建风力机模型分别对北达科他州两个观测点收集的一小时平均风速进行预测，RBF的收敛速度最快的，但在平均绝对误差和绝对百分比误差方面，反向传播网络要由于其他两种，就三个评估指标来看，没有哪一种算法是完全最优的，所以不具有广泛适用性。MGD Giorgi等[7]通过人工神经网络构建模拟风力机非线性模型，进一步达到风速预测的目的，M Iribas等[8-9]提出了一个风力发电机组模型的闭环运行识别算法，使用非线性气动弹性代码的数据进行了测试，并从非线性气动弹性模拟器获得的数据的结果与通过线性化技术获得的模型进行了比较，这些数据在风力发电机组的实际运行条件情况下产生，但真实闭环系统与估计闭环系统之间的误差被馈送到更新估计参数的自适应算法中，由于反馈的原因，致使输出噪声和输入噪声之间的相关性很大。Petrovic V等[10]对单个桨距控制器设计的风力发电机模型进行辨识，将桨距角输入映射到直角坐标系，对两个直角轴进行模型辨识，PRBS信号作为d-q轴坐标系中俯仰角的参考值进行识别实验，但是本设计采用最小二乘法用于识别，不具有实时更新的性能，且计算量较大。林勇刚等[11]采用支持向量回归(SVR)算法对变桨距风力机模型进行辨识，SVR在SVM理论的基础上引入新的损失函数在系统稳定性上得到了改善，遗憾的是该方法受输入样本数目的限制，不具有泛化性。上述研究均针对风力机变桨局控制系统中存在的某一非线性特性或某个参数进行了侧重探讨，弱化了其他非线性特性、扰动及不确定因素对变桨距系统的影响。

因此，针对现有风力机变桨距系统复杂，参数难以确定，难以建立精确数学模型的不足，需要采用一种合理且易实现的方法对变桨距系统进行识别，以提高变桨距风力机运行的精确性和稳定性。

发明内容

本发明旨在解决现有技术风力机变桨距系统运行过程难以建立精确数学模型的不足，利用优化的RBF神经网络可以逼近任意精度的非线性动态系统的特点。提出了一种实时适应性和较强的自校正功能、有效的解决了学习速率选取不当对辨识效果的影响的基于优化RBF神经网络的大型风力机变桨距系统辨识方法。本发明的技术方案如下：

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；

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。

进一步的，所述风力发电机模型的相关参数设置如下：齿轮传动增速比取N设置为80，发动机转动惯量J_g设置为15kg·m²，风轮转动惯量J_ω设置为6.25×10⁶kg·m²，时间常数T_β设置为0.2s,r₁设置为0.0184Ω，桨距角变化范围θ/(°)范围取(0～30)，风轮半径R取47.5m，在上述基础上，采集相关实验数据，从中选取80％的实验数据用于神经网络的训练，剩余20％用于网络测试。

进一步的，所述步骤2)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具体包括步骤：

网络输出层的输出为:

式中ω_j(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值，R_j表示神经网络隐含层输出，u(k)表示系统输入，m表示隐含层的个数，通过式(8)对y_I进行反归一化处理：

取性能指标函数为:

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，表示反归一化输出，y(κ)和y_I(κ)分别为系统的期望输入和实际输出。

进一步的，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。

本发明的优点及有益效果如下：

(1)由于风力机变桨距系统是一个复杂的机电耦合系统，包含诸多非线性因素，利用神经网络可以逼近任意精度的非线性动态系统的特点更有利于完成对风力机变桨距非线性系统的辨识。

(2)RBF隐含层神经网络采用局部RBF基函数，激励函数是局部的，与其他神经网络的全局逼近网络相比，收敛速度大大提高，并可避免局部极小问题，适于实时控制的要求。

(3)针对RBF神经网络的网络结构设计问题，采用输出敏感度的动态结构优化算法，即实时分析网络结构，参数及权值对网络输出的影响来动态调整网络结构，使网络具有实时适应性和较强的自校正功能。

(4)利用梯度下降法和优化算法相结合的方法导出神经网络结构的最优学习速率，有效的解决了学习速率选取不当对辨识效果的影响。

附图说明

图1是本发明提供优选实施例风力发电系统的子系统间相互连接关系图；

图2为变桨距系统风能利用系数非线性图；

图3为风力机变桨局系统输入输出数据；【图a是风速，图b是桨距角，图c是输出功率】

图4为系统辨识原理图；

图5为RBF神经网络结构；

图6为本发明控制方法辨识仿真效果图；【其中图a是变桨距系统辨识效果，图b是辨识误差曲线】。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

1)风力机非线性变桨距系统输入输出数据采集

变桨距风力机一般由风轮、传动机构、变桨距执行机构、发电机、塔架等结构组成,其各个系统之间的连接关系参照附图1。风力机变桨距控制实质为在风速高于额定风速时,调节桨叶节距角使发电机的输出功率稳定在额定功率左右。

外界风力的作用下,风轮不能捕获通过风轮扫及面内的全部风能,存在风能利用系数C_p，据有关资料记载和研究，风能利用系数C_p值为桨距角β和叶尖速比λ的非线性函数[12-13]，其函数关系如下，变桨距风力机特性曲线参照附图2。

而叶尖速比λ即桨叶尖部的线速度ω_r与风速之比，为

λ＝ω_r/v>

在三维风速作用下，风力机的空气动力学模型为

式中P为风力机捕获的机械能，ρ为空气密度，R为风轮半径，v为风轮风速，β为桨距角，λ为叶尖速比。

风力机变桨距系统中风轮吸收的功率与桨叶节距角、风速之间存在有很强的非线性关系，很难准确构建变桨距系统的机理模型，针对该问题，本文采用改进神经网络辨识算法，该算法能够准确的逼近风力机非线性变桨距系统。

采用英国Garrad Hassan Partners公司的Bladed风力机仿真软件[14]对3MW变桨距风力机样机进行变桨距控制仿真，Bladed使用复杂的风力涡轮机的气动和结构模型，并符合实际风力涡轮机的行为，结果非常可靠[15]，这已被主要的标准化和认证机构认可(如Germanischer Llyod)。采样点取500组，采样频率按照真实变桨距控制运行系统选取。风力发电机模型的相关参数设置如下：齿轮传动增速比取N设置为80，发动机转动惯量J_g设置为15kg·m²，风轮转动惯量J_ω设置为6.25×10⁶kg·m²，时间常数T_β设置为0.2s,r₁设置为0.0184Ω，桨距角变化范围θ/(°)范围取(0～30)，风轮半径R取47.5m，在上述基础上，采集相关实验数据，从中选取80％的实验数据用于神经网络的训练，剩余20％用于网络测试，采样数据参照附图3。

2)RBF神经网络学习速率的实时优化

采用三层RBF神经网络，其结构参照附图4。

因高斯(Gaussian)函数从中心到边缘是单调递减的关系，可以避免网络训练陷入局部极小值，因此隐含层神经元的激活函数R_j(μ)取高斯基函数，j＝1,2,…m，m为隐含层的个数。

式中，c_j为第j个基函数的中心点，且c_j＝[c_j1,c_j2,…c_jn]^T，c_i的选取采用正交最小二乘法，b_j是一个可以自由选择的参数，它决定该基函数围绕中心点的宽度，且为大于零的数，b_j＝[b₁,b₂,…b_m]^T，m为隐含层节点个数，范数||g||表示欧式距离，exp(g)表示指数函数。

网络输入层的输入为：

μ(k)＝{μ₁(k),μ₂(k),…μ_n(k)}>

式中，n为输入变量的个数，此处取ν和β作为BP神经网络的输入，则n＝2。

网络隐含层输入、输出为:

O_i(k)＝g(net_i(k)+r_i),i＝1,2,…,m>

式中，为隐含层加权系数，κ表示第κ次迭代。

网络输出层的输出为:

式中ω_j(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值。由于RBF神经网络输出y_I为归一化后的结果，为了得到实际的输出y，需要通过式(8)对y_I进行反归一化处理：

取性能指标函数为:

式中，y(κ)和y_I(κ)分别为系统的期望输入和实际输出。

利用梯度下降法对网络的权值系数进行修正，即按E(κ)对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局极小的惯性项，激励函数的导数如下:

根据求导的链式法则：

则由式(11)和式(12)得

通过上述分析可得网络输出层权值的学习算法为

式中：ρ(k+1)和ρ(k)分别为调整前后的权值参数，η为学习速率，亦搜索步长；λ为动量因子，Δρ(k)为第k次循环周期时的参数变化量。

针对人为选取固定学习速率的不便及可能造成的偏差，采用“动态可变方法选取学习速率”，在高斯函数基础上

设R_ij(μ)＝R(μ_i-c_j||),j＝1,2…m，式(8)进一步可转化为

若令ω＝[ω₁ω₂…ω_n]表示权值，y＝[y₁y₂…y_m]^T代表实际输出，代表网络输出，对性能函数采用梯度下降法进行处理，E(t)的梯度为

Δy(t)为实际输出值的变化量，为辨识系统输出值的变化量，实际输出值的改变量相对于网络输出值的改变量可以忽略，即可以认为由此公式(17)进一步可得

由此可得性能函数，即

由上式可知性能函数是关于学习速率的函数，可以通过函数最优解得到学习速率的最优值

E′|_η＝0,E″|_η＞0>

(1-η^*RR^T)[RR^Te(t-1)]^T+[e(t-1)-RR^Te(t-1)]RR^T＝0>

由公式(21)可得最优学习率为

3)基于输出敏感度法的RBF神经网络动态结构调整

神经网络的性能主要取决于神经网络的结构和参数学习算法，神经网络的结构固定，会使整个系统的性能有所限制的，因此采用输出敏感度法对RBF神经网络结构进行动态优化设计，即实时分析网络的参数和权值对网络输出的影响来动态调整网络结构，使网络具有自校正功能。隐含层的输出量作为敏感度法的输入量，其对网络输出影响的关系式为：

式中，y是神经网络输出量,X_h是敏感度法的输入向量，y与X的之间的关系为y＝f(X₁,X₂,…,X_j)，是X_h等于ω_jO_i时对y方差的影响，δ(y)是y的方差的影响，S_h是ω_jO_i对输出y的一阶灵敏度表示。对输入量ω_jO_i进行傅里叶变换，并选择合适的频率ω_h，在以上基础上，神经网络输出

其中，-π＜l＜π,从而式(8)可变换为

为了提高迭代效率，可以只取基频上的傅里叶振幅计算灵敏度，对傅里叶振幅计算灵敏度进行归一化处理

定义误差函数为

取每个神经元输出的最大值和最小值，利用式(28)对每个神经网络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，并根据式(29)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。

即对于lT_h小于c₂的神经元Q进行删除，与神经元Q离的最近的神经元为q参数按照式(30)进行调整

假设调整前神经元个数为M,运行时刻t,lT_h大于c₁的神经元个数为j，则新增加的神经元M+1的初始参数和输出敏感度需要调整的神经元j间的参数为

ω'_j(t)＝(1-λ)ω_j(t)>

式中，λ根据实时情况选取的常数。

根据目标函数，来调整其他神经元的输出权值，中心值和函数宽度。

图6采用本发明的基于优化RBF神经网络的大型风力机变桨距系统辨识方法的仿真效果图，结果表明该方法在不需要系统具体复杂参数的情况下就能够很好的对风力机变桨距系统进行识别，输出功率具有很好的拟合效果。图6(a)为风速和桨距角输入信号下对变桨距系统输出功率的拟合曲线，即对系统的辨识效果图，图6(b)为对系统模型的辨识误差曲线。从图6(a)曲线的拟合情况来分析,实际输出功率和辨识输出功率几乎完全重合，拟合度很高。由图6的(b)图可得出虽然不同风速变化率处辨识误差会有上下浮动，但整体辨识误差都接近10^-5，辨识算法依然具有较好的稳定性，从采样点辨识效果可以看出，本发明提出的输出敏感度法优化的RBF神经网络对大型风力机变桨距系统辨识方法辨识精度和泛化能力都很强。

参考文献：

[1]Watson S J,Xiang B J,Yang W,et al.Condition Monitoring of thePower Output of Wind Turbine Generators Using Wavelets[J].IEEE Transactionson Energy Conversion,2010,25(3):715-721.

[2]Muljadi E,Butterfield C P.Pitch-controlled variable-speed windturbine generation[J].Office of Scientific & Technical Information TechnicalReports,2000,1(1):240-246.

[3]Wu D,Li Y.Fault diagnosis of variable pitch for wind turbinesbased on the multi-innovation forgetting gradient identification algorithm[J].Nonlinear Dynamics,2014,79(3):2069-2077.

[4]Abdelhadi B,Benoudjit A,Nait-Said N.Application of geneticalgorithm with a novel adaptive scheme for the identification of inductionmachine parameters[J].IEEE Transactions on Energy Conversion,2005,20(2):284-291

[5]Janakiraman V M,Nguyen X L,Assanis D.Nonlinear identification of agasoline HCCI engine using neural networks coupled with principal componentanalysis[J].Applied Soft Computing Journal,2013,13(5):2375-2389.

[6]Li G,Shi J.On comparing three artificial neural networks for windspeed forecasting[J].Applied Energy,2010,87(7):2313-2320.

[7]Giorgi M G D,Russo M G,Ficarella A.Short-term wind forecastingusing artificial neural networks(ANNs)[J].Wit Transactions on Ecology & theEnvironment,2009,121.

[8]Iribas M,Landau I D.Identification of wind turbines in closed-loopoperation in the presence of three-dimensional turbulence wind speed:torquedemand to measured generator speed loop[J].WindEnergy,2010,12(7):660-675.

[9]Iribas M.Identification of wind turbines in closed loopoperation.Torque demand to measured generator speed loop.Proceedings of theEAWE Conference,Pamplona,2007

[10]Petrovic V,Jelavic M,Peric N.Identification of wind turbine modelfor individual pitch controller design[C]//Cd-Rom Proceedings of the,International Universities Power Engineering Conferencepadova,Italija.2008:1-5.

[11]林勇刚,李伟,崔宝玲.基于SVR增量学习算法的变桨距风力机系统在线辨识[J].太阳能学报,2006,27(3):223-229.

[12]Soliman M,Malik O P,Westwick D T.Multiple model MIMO predictivecontrol for variable speed variable pitch wind turbines[C]//American ControlConference.IEEE,2010:2778-2784

[13]Abdin E S,Xu W.Xu,W.:Control Design and Dynamic PerformanceAnalysis of a Wind Turbine-Induction Generator Unit.IEEE Transactions onEnergy Conversion 15(1),91-96[J].IEEE Transactions on Energy Conversion,2000,15(1):91-96.

[14]Jelavic M,Perc N,Petrovic I.Identification of Wind Turbine Modelfor Controller Design[C]//Power Electronics and Motion Control Conference,2006.Epe-Pemc 2006.International.IEEE,2009:1608-1613.

[15]E.A.Bossanyi,D.C.Quarton,“GH Bladed–Theory Manual”,Garrad Hassanand Partners Limited,2003.

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。