风力机系统与神经网络模型辨识.docVIP

风力机系统的神经网络模型辨识 金? 增? 包能胜 ? 陈庆新? 姜? 桐（汕头大学能源与环境研究所，汕头515063） 文? 摘：应用人工神经网络的建模方法，采用多层感知器的模型结构，利用自适应学习速率的BP学习算法，辨识出风力机系统的功能模型，并把辨识模型的仿真结果与系统实验测量数据相对比，开展了与经典系统辨识方法的比较研究，以检验神经网络模型的可靠性。实验结果表明，这种新的风力机系统建模方法具有很高的精度。关键词：风力机，系统辨识，神经网络，BP算法０? 引? 言　　风力机控制系统的设计必须以风力机的模型为基础，由于气动、机械等方面的复杂机理，使得大型、变转速、变桨距柔性风力机的建模非常困难，难以得到精确的机理模型。系统辨识理论的发展，提供了建立风力机系统模型的另一条有效的途径。通过实验采集系统的输入输出数据，应用系统辨识的方法，可以得到系统的功能模型〔１〕。但是，经典系统辨识方法的前提条件是对系统在线线性化，而对风力机这样的复杂非线性系统，只能在某工况下在线线性化，功能模型的精度将取决于算法对工况变化的适应程度。　　神经网络对非线性映射有任意近似能力，基于神经网络的智能辨识方法正广泛地被用于复杂系统的辨识与控制，本文利用国外的合作单位所提供的一套实验数据，应用BP算法建立实验风力机的神经网络SＩSＯ和MＩMＯ模型，并把辨识模型的仿真结果与系统实验测量数据相对比，在此基础上开展了与经典辨识方法的对比研究，以检验神经网络辨识模型的可靠性。１? 系统实验描述　　本次辨识的实验数据取自荷兰得伏特技术大学机械工程与控制教研组(Mechanical　Engingeering Systems and Control Group, Delft University of Technology The Netherlands)博士生 图1 UNＩWEX实验风力机框图Peter M.M.Bongers在做博士论文〔２〕工作期间所测量的数据。实验采用UNＩWEX实验风力机，如图１所示。系统有两片叶片，每片长8ｍ、重75ｋｇ。通过铰链把两片叶片和轮毂相连，水力测功器通过改变阀门开度Ｘv调节其扭矩Ｔg与转速之间的特性，使之模拟柔性风力机的特性。在讨论桨距角与风轮转速ωr关系时，阀门开度Ｘv调整后不再改变，仅仅改变桨距角β，图１给出了ＵＮＩＷＥＸ实验风力机的结构框图。 　　实验时风力机是一个开环系统，没有控制投入，为了保证风力机系统的安全与稳定，风力机工作在低风速，平均风速为3.26ｍ／ｓ。此时，风力机平均转速为34.1ｒ／min。风轮的平均尖速比为8.79。桨距角是一个伪随机输入，平均桨距角为3.76。风力机的偏航闸打开，实验中平均偏航角为6.26（°）。２? 模型辨识2.1输入输出信号　风力机系统的输入信号ｕ包括风速和桨距角β，输出信号ｙ包括风轮转速ωr和风轮扭矩Ｔr。考虑到实际系统中风速是不可控的，并且有很强的随机性，因此，SＩSＯ模型的输入只取桨距角，然后分别建立风轮转速和风轮扭矩对桨距角的SＩSＯ模型。　　如图２所示，神经网络模型与实验风力机系统是一种串并联的关系，神经网络的输入包括系统的输入信号迟延和系统的输出信号迟延，在辨识时，分别取输入输出信号的迟延为两阶。 图2 神经网络串并联模型 图3至4中共有10020个数据点，由于神经网络相当于一个非线性插值器，通常它在内插时精度较高，外插时精度低，因此应尽量避免出现外插，也就是说，所选的标准输入输出数据序列，应尽量包含实际系统中可能出现的各个变量的最大最小值，综合比较图3和图4，选取最后的2000个点作为学习用的标准输入输出数据序列。 图3 辨识输入数据 2.2模型结构　已经确定了神经网络的输入输出变量后，模型结构由隐含层的层数及其隐节点的数目决定。文献〔３〕指出双隐层的网络用于表达非线性映射更具适应性，因此，本文中所有的模型均采用双隐层结构。根据试算和经验，在SＩSＯ模型中，第一隐层的节点数取为３，第二隐层的节点数取为２，输入节点数为４，输出节点数为１。图4 辨识输出数据 在MＩMＯ模型中，第一隐层的节点数取为8，第二隐层的节点数取为4，输入节点数为8，输出节点数为2。2.3学习算法多层感知器的学习算法最常用的就是BP算法，能量函数J定义为 式中，ｙi（t）、i（t）分别是网络的期望输出和实际输出，ｉ是指第ｉ个输出，ｔ是指第ｔ个标准样本点。BP算法沿J的负梯度方向修正待定参数，由于每个样本点的梯度值受样本中噪声的影响较大，所以有必要使用批处理方法，在第ｋ次迭代时，把所有样本的梯度进行求和平均，以得到梯度的估计，当然这时的能量函数是： 当神经元的激活函数为S型函数时： ＢＰ算法的具体实现： 式中：ｗ—网络的连接权值，