基于动态模糊神经网络的变桨距系统辨识.docVIP

基于动态模糊神经网络的变桨距系统辨识 研究与开发 基于动态模糊神经网络的变桨距系统辨识 陈彦李月明2 (1.沈阳工业大学,沈阳110178;2.浙江吉利汽车研究院,杭州317000) 摘要针对风力发电机组运行过程难以建立精确的数学模型的特点,将动态模糊神经网络应 用于风力发电变桨距系统的辨识中.该模糊神经网络的结构基于扩展的径向基神经网络,在功能 上等价于TSK模糊系统,其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速 度快.通过对风力发电变桨距系统中桨距角和风力机转速的非线性动态过程所进行的仿真实验, 表明该方法在变桨距系统辨识中具有比较高的辨识精度和效率. 关键词:风力发电;变桨距;动态模糊神经网络;辨识 IdentificationofVariable-pitchSystemBasedon DynamicFuzzyNeuralNetwork ChenYanLiYueming2 (1.ShenyangUniversityofTechnology,Shenyang110178; 2.ZhejiangGeelyAutomobileResearchInstitute,Hangzhou317000) AbstractForltISdiniculttoestablishtheaccuratemathematicalmodelofwindpowergeneration. iidentificationofvariable—pitchsystembasedondynamicfuzzyneuralnetworkispresentedinthispaper.The structureofthefuzzyneuralnetworkisbasedontheextendedradialbasisneuralnetwork,whosefunctionis equivalenttoTSKfuzzysystems.Andthegreatestfeatureofthelearningalgorithmsisthattoadjustthe parametersandtoidentifythestructureareatthesametime,whichlearningspeedisveryfast.Throughthe nonlineardynamicsystemsimulationofthepitchangleandthewindturbinespeedinthewindpowersystem. Theresultsshowthatthemethodhashigherrecognitionaccuracyandefficiency. Keywords:windpowergeneration;variablepitch;dynamicfuzzyneuralnetwork:identification 1引言 风力发电变桨距系统是一个复杂的非线性时变 系统,很难建立其精确的数学模型.由于常规线性 模型的控制系统在运行工况发生变化时,控制品质 会下降,甚至影响整个系统的正常运行,因此,建 立风力发电变桨距非线性模型,为风力机的优化运 行提供基础,具有重要意义. 文献[1】基于叶素理论建立了风力机传统机理模 型.此种风力机模型在已知风力机固有参数(升力系 数Cl,阻力系数cd,弦长,,安装角)的条件下, 首先输入风力机角速度,风速v,以及可调桨距角 ,然后根据复杂的能量转化和空气动力学知识来进 行一系列的公式推导和简化计算,最终得到风力机模 型.然而风力机固有参数可能难以获得,简化条件与 18I电皇量i技7lt2o11年第1期 真实运行环境可能不符,这些问题会带来一定的模 型误差,而且理论推导复杂繁琐.为避免上述问题, 文献【2]采用BP神经网络建立了风力机的智能模型, 该模型不需要风力机的各种参数和结构,也不需要 推导模型的计算过程,但是如果BP神经网络结构选 取的不合适,极易影响辨识的效果.针对这一问题, 本文提出用动态模糊神经网络(D.FNN)对风力发 电变桨距系统进行辨识.该动态模糊神经网络不仅 参数可以在学习过程中调整,同时,可以根据样本 数自动增加,删除或者修改模糊规则来优化模糊模 型,并确定模糊神经网络的结构[jJ. 2D—FNN的结构和学习算法 2.1D.FNN的结构 动态模糊神经网络的结构如图1所示. 1j筇23:笫4筇5 }R . N 图1动态模糊神经网络的结构 X,X2,…,Xr是输入语言变量,Y是系统的输出, MFij是第i个输入变量的第个隶属函数,,表示第 -,条模糊规则,是第个归一化节点,W/是第个 规则的结果参数或者连接权,指系统总的规则数. 第1层为输入层,每个节点分别表示一个输入 的语言变量. 第2层为隶属函数层,