CN106499583A - 基于rbf神经网络技术的风力发电机组系统辨识方法 - Google Patents

Abstract

一种基于RBF神经网络技术的风力发电机组系统辨识方法，包括以下步骤：步骤1获取系统辨识所需数据：根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据；采样时间选取系统内部采样时间；转矩环辨识时输入信号为发电机转矩T_g，桨距环辨识时为桨叶节距角β，输出数据为发电机转速Ω；步骤2基于RBF技术进行系统辨识，描述风力发电机组系统，将转矩环或者桨距环设为非线性SISO系统，采用非线性扩展自回归华东平均模型NARMAX描述，RBF神经网络训练过程如下：信号前向传播：计算RBF神经网络的输出；误差反向传播：采用δ学习算法，调整RBF网络各层间的权值。本发明具有良好的运算速度和较低的计算量、稳定性较好。

Description

基于RBF神经网络技术的风力发电机组系统辨识方法

技术领域

本发明涉及风力发电、非线性系统辨识以及智能控制技术领域，具体涉及一种基于RBF神经网络技术的系统辨识方法。

背景技术

风力发电机组系统是复杂的非线性时变系统，很难获得系统精确的数学模型。当系统工况发生变化时，常规线性模型的控制系统的控制效果会降低，甚至影响整个系统的正常运行。因此，建立系统的精确模型，为优化风电机提供理论基础，具有重要意义。

要建立风力发电机组系统模型，解决方案是采用机理建模方法、非线性系统辨识方法。采用机理建模方法，即利用各种数学方程来描述风力发电机组系统，具体是在已知风电机固有参数(升力系数，阻力系数，桨叶弦长，安装角等等)的条件下，输入相关参数(风角速度、风速、可调桨距角等)，再根据复杂的能量转换和空气动力学原理进行一系列的复杂公式推导和简化条件得到，该方法操作复杂且得到的数学模型由于经过了条件简化，其与实际工况下的模型会有较大差距。非线性系统辨识方法，增加激励信号，采用各种智能算法对非线性系统进行在线或离线辨识，该方法理论成熟，操作简单，目前在其他控制领域得到了广泛的应用。

发明内容

为了克服已有风力发电机组系统辨识方法的操作复杂、计算量较大、运算速度较慢、稳定性较差的不足，本发明提供一种简化操作、具有良好的运算速度和较低的计算量、稳定性较好的基于RBF(Radical Basis Function)神经网络技术的风力发电机组系统辨识方法。

本发明解决其技术问题所采用的技术方案是：

一种基于RBF神经网络技术的风力发电机组系统辨识方法，所述方法包括以下步骤：

步骤1.系统辨识所需数据的获取：

根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据；采样时间选取系统内部采样时间；转矩环辨识时输入信号为发电机转矩T_g，桨距环辨识时输入信号为桨叶节距角β，输出数据为发电机转速Ω；

步骤2.基于RBF技术进行系统辨识：

风力发电机组系统描述如下：

y(t)＝G(p,q^-1)u(t)+v(t) (1)

其中，G为系统的传递函数，u(t),y(t)分别为系统输入输出；v(t)为噪声信号，其均值为零，方差为有限值；q^-1、为单位延迟控制器；p为调度参数，n_a,n_b分别为输入输出阶数，表征系统工作状态，且设定其区间跨度为[p_min,p_max]；a_i,b_i为传递函数分母多项式A(p,q^-1)、分子多项式B(p,q^-1)的系数，1≤i≤n_a,1≤j≤n_b,n_a≤n_b，i,j,n_a,n_b均为自然数；

将转矩环或者桨距环设为非线性SISO系统，采用如下非线性扩展自回归华东平均模型NARMAX描述：

y(k)＝f(y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)) (2)

u(·),y(·)分别为系统输入输出；n_u,n_y分别为输入输出阶数；f(·)表示系统输入与输出之间的非线性关系；

设定RBF辨识过程中的径向函数为R_j(x)，j＝1,2,…m；

RBF神经网络的输入为：

x＝[x₁(k),x₂(k),…x_n(k)]^T＝[y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)]^T (3)

其中，n为输入节点个数(n＝n_y+n_u+1)

RBF神经网络输出为y_m(k)；

隐含层的激励函数取高斯基函数，即：

其中，c_j为第j个基函数的中心点，且c_j＝[c_j1,c_j2,…c_jn]^T,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，m为隐含层节点个数。

进一步，RBF神经网络训练过程如下：：2.1)信号前向传播：计算RBF神经网络的输出；2.2)误差反向传播：采用δ学习算法，调整RBF网络各层间的权值。

再进一步，所述步骤2.1)中，信号前向传播的过程如下：

输入层神经元的输出为x＝[x₁(k),x₂(k),…x_n(k)]^T，而由式4知，隐含层神经元的输出为

输出层神经元的输出为

其中，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；

用于训练RBF网络的误差为

e(k)＝y(k)-y_m(k) (7)

其中，y(k)为实际输出，y_m(k)为模型输出。

取性能指标为

更进一步，所述步骤2.2)中，误差反向传播的过程如下：

a)隐含层至输出层的权值ω_j：

由式(7)和式(8)得

由式(9)和式(6)得

则隐含层至输出层的权值ω_j(k)的学习算法为：

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α(ω_j(k-1)-ω_j(k-2)) (11b)

其中，η为学习速率(η＞0),α为动量项因子(α∈[0,1))。

隐含层高斯基函数参数b_j(k)和c_ji(k)：

由式(9)和式(6)得

则由式(12)和(3)得

则b_j(k)、c_ji(k)的学习算法为

b_j(k)＝b_j(k-1)+Δb_j(k)+α(b_j(k-1)-b_j(k-2)) (15b)

c_ji(k)＝c_ji(k-1)+Δc_ji(k)+α(c_ji(k-1)-c_ji(k-2)) (16b)。

本发明针对风力发电机组系统由风能捕获经过传动系统最后到发电机转速这一过程。对系统输入为发电机转矩或桨距，系统输出为发电机转速的模型进行辨识，提出一种结构较简单的系统辨识方法。本发明的对象变速变桨风力发电机组，分别进行桨距环辨识和转矩环辨识。转环辨识，系统输入为发电机转矩T_g，输出为发电机转速Ω；桨距环辨识，系统输入为桨叶节距角β，输出为发电机转速Ω。针对转矩环或者桨距环，系统可看作是非线性SISO系统，该系统采用非线性扩展自回归滑动模型(NARMAX)，输入分别为发电机转矩和桨叶节距角β，输出为发电机转速，系统使用的激励函数为RBF基函数。

本发明有益效果如下：本发明算法简单，容易实施，具有良好的运行速度和较低的计算量，模型性能及稳定性能够得到保证。

附图说明

图1为变桨变速风力发电机组系统结构示意图。

图2为RBF神经网络结构图。

图3为基于RBF神经网络技术的风电机组辨识结构示意图。

具体实施方式

下面结合附图内容对本发明做进一步说明。

参照图1～图3，一种基于RBF神经网络技术的风力发电机组系统辨识方法，所述方法包括以下步骤：

步骤1.系统辨识所需数据的获取：

根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据；采样时间选取系统内部采样时间；转矩环辨识时输入信号为发电机转矩T_g，桨距环辨识时输入信号为桨叶节距角β，输出数据为发电机转速Ω；

步骤2.基于RBF技术进行系统辨识：

风力发电机组系统描述如下：

y(t)＝G(p,q^-1)u(t)+v(t) (1)

其中，G为系统的传递函数，u(t),y(t)分别为系统输入输出；v(t)为噪声信号，其均值为零，方差为有限值；q^-1、为单位延迟控制器；p为调度参数，n_a,n_b分别为输入输出阶数，表征系统工作状态，且设定其区间跨度为[p_min,p_max]；a_i,b_i为传递函数分母多项式A(p,q^-1)、分子多项式B(p,q^-1)的系数，1≤i≤n_a,1≤j≤n_b,n_a≤n_b，i,j,n_a,n_b均为自然数；

将转矩环或者桨距环设为非线性SISO系统，采用如下非线性扩展自回归华东平均模型NARMAX描述：

y(k)＝f(y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)) (2)

u(·),y(·)分别为系统输入输出；n_u,n_y分别为输入输出阶数；f(·)表示系统输入与输出之间的非线性关系；

设定RBF辨识过程中的径向函数为R_j(x)，j＝1,2,…m；

RBF神经网络的输入为：

x＝[x₁(k),x₂(k),…x_n(k)]^T＝[y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)]^T (3)

其中，n为输入节点个数(n＝n_y+n_u+1)

RBF神经网络输出为y_m(k)；

隐含层的激励函数取高斯基函数，即：

其中，c_j为第j个基函数的中心点，且c_j＝[c_j1,c_j2,…c_jn]^T,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，m为隐含层节点个数。

进一步，RBF神经网络训练过程如下：：2.1)信号前向传播：计算RBF神经网络的输出；2.2)误差反向传播：采用δ学习算法，调整RBF网络各层间的权值。

再进一步，所述步骤2.1)中，信号前向传播的过程如下：

输入层神经元的输出为x＝[x₁(k),x₂(k),…x_n(k)]^T，而由式4知，隐含层神经元的输出为

输出层神经元的输出为

其中，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；

用于训练RBF网络的误差为

e(k)＝y(k)-y_m(k) (7)

其中，y(k)为实际输出，y_m(k)为模型输出。

取性能指标为

更进一步，所述步骤2.2)中，误差反向传播的过程如下：

b)隐含层至输出层的权值ω_j：

由式(7)和式(8)得

由式(9)和式(6)得

则隐含层至输出层的权值ω_j(k)的学习算法为：

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α(ω_j(k-1)-ω_j(k-2)) (11b)

其中，η为学习速率(η＞0),α为动量项因子(α∈[0,1))。

隐含层高斯基函数参数b_j(k)和c_ji(k)：

由式(9)和式(6)得

则由式(12)和(3)得

则b_j(k)、c_ji(k)的学习算法为

b_j(k)＝b_j(k-1)+Δb_j(k)+α(b_j(k-1)-b_j(k-2))(15b)

c_ji(k)＝c_ji(k-1)+Δc_ji(k)+α(c_ji(k-1)-c_ji(k-2)) (16b)。

本实施例的风力发电机组系统辨识方法的操作步骤如下：

设定已知非线性结构参数(n_y、n_u)

Step1输入初始数据，设置RBF网络参数初值b_j(0)、c_ji(0)、ω_j(0)以及调节参数，如隐含层神经元个数m，学习速率η、动量项因子α等

Step2采样实际系统输出y(k)(发电机的转速)，并由式(5)和式(6)计算当前网络输出y_m(k)；

Step3利用式(11a)、式(15a)以及式(16a)计算网络参数增量Δω_j(k)、Δb_j(k)和Δc_ji(k)；

Step4利用式(11b)、式(15b)以及式(16b)计算网络参数增量ω_j(k)、b_j(k)和c_ji(k)；

Step5返回Step2(k→k+1)，继续循环。

Claims (4)

1.一种基于RBF神经网络技术的风力发电机组系统辨识方法，其特征在于：所述方法包括以下步骤：

步骤1.系统辨识所需数据的获取：

根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据；采样时间选取系统内部采样时间；转矩环辨识时输入信号为发电机转矩T_g，桨距环辨识时输入信号为桨叶节距角β，输出数据为发电机转速Ω；

步骤2.基于RBF技术进行系统辨识：

风力发电机组系统描述如下：

y(t)＝G(p,q^-1)u(t)+v(t) (1)

其中，G为系统的传递函数，u(t),y(t)分别为系统输入输出；v(t)为噪声信号，其均值为零，方差为有限值；q^-1、为单位延迟控制器；p为调度参数，n_a,n_b分别为输入输出阶数，表征系统工作状态，且设定其区间跨度为[p_min,p_max]；a_i,b_i为传递函数分母多项式A(p,q^-1)、分子多项式B(p,q^-1)的系数，1≤i≤n_a,1≤j≤n_b,n_a≤n_b，i,j,n_a,n_b均为自然数；

将转矩环或者桨距环设为非线性SISO系统，采用如下非线性扩展自回归华东平均模型NARMAX描述：

y(k)＝f(y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)) (2)

u(·),y(·)分别为系统输入输出；n_u,n_y分别为输入输出阶数；f(·)表示系统输入与输出之间的非线性关系；

设定RBF辨识过程中的径向函数为R_j(x)，j＝1,2,…m；

RBF神经网络的输入为：

x＝[x₁(k),x₂(k),…x_n(k)]^T＝[y(k-1),…y(k-n_y)；u(k-1),…u(k-n_u)]^T (3)

其中，n为输入节点个数(n＝n_y+n_u+1)

RBF神经网络输出为y_m(k)；

隐含层的激励函数取高斯基函数，即：

$R_j\left(x\right)=\exp (-\frac{\left|\right|x-c_j|{|}^2}{2b_j^2}),j=1,2,...,m---\left(4\right)$

其中，c_j为第j个基函数的中心点，且c_j＝[c_j1,c_j2,…c_jn]^T,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，m为隐含层节点个数。

2.如权利要求1所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法，其特征在于：RBF神经网络训练过程如下：：2.1)信号前向传播：计算RBF神经网络的输出；2.2)误差反向传播：采用δ学习算法，调整RBF网络各层间的权值。

3.如权利要求2所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法，其特征在于：所述步骤2.1)中，信号前向传播的过程如下：

输入层神经元的输出为x＝[x₁(k),x₂(k),…x_n(k)]^T，而由式4知，隐含层神经元的输出为

$R_j\left(x\right(k\left)\right)=\exp (-\frac{\left|\right|x\left(k\right)-c_j(k-1)|{|}^2}{2b_j^2(k-1)})---\left(5\right)$

输出层神经元的输出为

$y_m\left(k\right)=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\ω}}_j(k-1)R_j\left(x\right(k\left)\right)---\left(6\right)$

其中，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；

用于训练RBF网络的误差为

e(k)＝y(k)-y_m(k) (7)

其中，y(k)为实际输出，y_m(k)为模型输出；

取性能指标为

$E\left(k\right)=\frac{1}{2}{e}^2\left(k\right)---\left(8\right).$

4.如权利要求3所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法，其特征在于：所述步骤2.2)中，误差反向传播的过程如下：

a)隐含层至输出层的权值ω_j：

由式(7)和式(8)得

${\mathrm{\δ}}^{\left(2\right)}=\frac{\∂E\left(k\right)}{\∂y_m\left(k\right)}=\frac{\∂E\left(k\right)}{\∂e\left(k\right)}\frac{\∂e\left(k\right)}{\∂y_m\left(k\right)}=-e\left(k\right)---\left(9\right)$

由式(9)和式(6)得

$\frac{\∂E\left(k\right)}{\∂{\mathrm{\ω}}_j(k-1)}=\frac{\∂E\left(k\right)}{\∂y_m\left(k\right)}\frac{\∂y_m\left(k\right)}{\∂{\mathrm{\ω}}_j(k-1)}={\mathrm{\δ}}^{\left(2\right)}{R}_j\left(x\right(k\left)\right)=-e\left(k\right)R_j\left(x\right(k\left)\right)---\left(10\right)$

则隐含层至输出层的权值ω_j(k)的学习算法为：

${\mathrm{\Δ\ω}}_j\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂{\mathrm{\ω}}_j(k-1)}=\mathrm{\η}e\left(k\right)R_j\left(x\right(k\left)\right)---\left(11a\right)$

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α(ω_j(k-1)-ω_j(k-2)) (11b)

其中，η为学习速率(η＞0),α为动量项因子(α∈[0,1))；

隐含层高斯基函数参数b_j(k)和c_ji(k)：

由式(9)和式(6)得

${\mathrm{\δ}}^{\left(1\right)}=\frac{\∂E\left(k\right)}{\∂R_j\left(x\right(k\left)\right)}=\frac{\∂E\left(k\right)}{\∂y_m\left(k\right)}\frac{\∂y_m\left(k\right)}{\∂R_j\left(x\right(k\left)\right)}={\mathrm{\δ}}^{\′\left(2\right)}{\mathrm{\ω}}_j(k-1)---\left(12\right)$

则由式(12)和(3)得

$\frac{\∂E\left(k\right)}{\∂b_j(k-1)}=\frac{\∂E\left(k\right)}{\∂R_j\left(x\right(k\left)\right)}\frac{\∂R_j\left(x\right(k\left)\right)}{\∂b_j(k-1)}=-e\left(k\right){\mathrm{\ω}}_j(k-1)R_j\left(x\right(k\left)\right)\frac{\left|\right|x\left(k\right)-c_j(k-1)|{|}^2}{b_j^3(k-1)}---\left(13\right)$

$\frac{\∂E\left(k\right)}{\∂c_j(k-1)}=\frac{\∂E\left(k\right)}{\∂R_j\left(x\right(k\left)\right)}\frac{\∂R_j\left(x\right(k\left)\right)}{\∂c_j(k-1)}=-e\left(k\right){\mathrm{\ω}}_j(k-1)R_j\left(x\right(k\left)\right)\frac{x_i\left(k\right)-c_{ji}(k-1)}{b_j^2(k-1)}---\left(14\right)$

则b_j(k)、c_ji(k)的学习算法为

${\mathrm{\Δb}}_j\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂b_j(k-1)}=\mathrm{\η}e\left(k\right){\mathrm{\ω}}_j(k-1)R_j\left(x\right(k\left)\right)\frac{\left|\right|x\left(k\right)-c_j(k-1)|{|}^2}{b_j^3(k-1)}---\left(15a\right)$

b_j(k)＝b_j(k-1)+Δb_j(k)+α(b_j(k-1)-b_j(k-2)) (15b)

${\mathrm{\Δc}}_{ji}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂c_{ji}(k-1)}=\mathrm{\η}e\left(k\right){\mathrm{\ω}}_j(k-1)R_j\left(x\right(k\left)\right)\frac{x_i\left(k\right)-c_{ji}(k-1)}{b_j^2(k-1)}---\left(16a\right)$

c_ji(k)＝c_ji(k-1)+Δc_ji(k)+α(c_ji(k-1)-c_ji(k-2)) (16b)。