基于ADALINE技术的风力发电机组系统辨识方法

摘要

本发明公开了一种基于ADALINE技术的风力发电机组系统辨识方法。本发明针对风力发电机组运行机理，确定系统输入输出；然后基于LPV方法，依照有效风速划分稳定工作点；选取合适激励信号，以桨叶节距角或发电机转矩为测试输入信号，输出为发电机转速，在稳定工作点和介于工作点间过渡阶段进行激励，获取全域输入输出数据；提取测试数据中所有稳定工作点输入输出数据，采用基于ADALINE技术的辨识方法，获得各稳定工作点下的简单模型；再通过模型插值方法建立全局系统的LPV模型。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。

权利要求

1.基于ADALINE技术的风力发电机组系统辨识方法，其特征在于包括如下步骤：步骤1.系统测试数据的获取：

根据风力发电机组系统特性，选取激励信号,在稳定工作点WPk和介于两个稳定工作点之间的过渡阶段均进行激励，以获取该工作域的全域输入数据、输出数据；采样时间选取系统内部采样时间；桨距环辨识时激励信号为桨叶节距角β，即输入数据为桨叶节距角β，输出为发电机转速Ω，风速V为外部输入；转矩环辨识时，系统输入为发电机转矩Tg，输出数据为发电机转速Ω，风速V为外部输入；

所述的激励信号为正弦信号与白噪声信号的叠加信号；

步骤2.基于ADALINE技术对稳定工作点进行辨识：风力发电机组系统描述如下：

-1

y(t)=G(p,q )u(t)+v(t) （1）其中， 为系统的传递函数，u(t),y(t)-1

分别为系统输入、系统输出；v(t)为噪声信号，其均值为零，方差为有限值；q 为单位延迟控制器；p为调度参数，表征系统工作状态，且设定其区间跨度为[pmin,pmax]；

-1 -1

ai,bj(1≤i≤na,1≤j≤nb,na≤nb)为传递函数分母多项式A(p,q )、分子多项式B(p,q )的系数，i,j,na,nb均为自然数；在稳定工作点WPk(k=1,2,…,m)上，其调度参数为一常数pk(k=1,2,…,m)，m为自然数，此时系统方程描述为：在ADALINE单元的输入端信号加入TDL，即单位延迟控制器，连接到系统输入和系统输出，即有：T T

X=[x1 x2 … xH]=[u(t-1) … u(t-nb) y(t-1) … y(t-na)] （3）其中，X为ADALINE的输入，t为迭代指数，对应的ADALINE权值W为：(1≤i≤na,1≤j≤nb,na≤nb)为式（2）中传递函数分母多项式、分子多项式各系数ai,bj(1≤i≤na,1≤j≤nb,na≤nb)的估计值，H=na+nb为ADALINE输入个数；

则ADALINE的输出 为：

通过学习算法，在一定精度条件下能够认为权值的估计值即为系统传递函数分母多项式、分子多项式各系数，由此确定各稳态工作点模型为：其中 即为各稳态工作点的传递函数估计，且式（6）中的传递函数为定结构和定参数，表达式中不含调度参数变量p；

步骤3.基于ADALINE技术对全局LPV模型进行辨识：结合LPV方法，将系统全局模型表达为（6）中模型的插值：其中αk(p)(1≤k≤m)为基于调度参数p的插值函数，插值函数为多项式函数、分段线性函数、三次样条函数或高斯函数；

若插值函数为三次样条函数，则表达式如下：其中M为三次样条函数的阶数，M为自然数； 为调度参数取值范围[pmin,pmax]内给定的某一序列，针对任意工作点WPk(k=1,2,…,m)， 能够取不同序列，这里简化为取相同序列采用最小二乘法进行辨识，则式（8）中需要估计的系数构成的向量θ为：k

向量θ对应的调度参数向量φ(t)为：

将（9）和（10）代入（7）中可得：

则θ通过最小二乘准则获得的估计值 如下：采用以下方法结构替换式（12）：

将全局系统输入u(t)通过式（6）中传递函数 获得的估计值 与对应的序列Ψ(p)运算所得的结果 作为ADALINE输入，其中Ψ(p)为（10）中调度参数向量， 为Ψ(p)与各个稳态工作点模型输出 乘积，即：则全局LPV模型的输出 的表达式为：

将（15）与（11）相比较，得出W的估计即为θ的估计，则（7）中全局系统的LPV模型建立完成。

说明书

基于ADALINE技术的风力发电机组系统辨识方法

技术领域

[0001] 本发明属于风力发电、智能控制和系统辨识技术领域，具体涉及一种基于神经网络中ADALINE技术的系统辨识方法，并结合LPV方法用于复杂、非线性的风力发电机组系统辨识。

背景技术

[0002] 随着风力发电技术不断发展，以往小型的定桨风力发电机组逐渐被大型变桨、变速风力发电机组取代。这种变桨、变速风力发电机组结构更加复杂、功率输出曲线更加优化，对控制算法提出了更高要求，尤其在工作点和工作点之间切换的过渡阶段。而控制算法的精准性强烈依赖于对象模型的精准性。针对于风力发电机组系统，其主要包含：空气动力子系统，描述自然界的风如何转化为桨叶转动的驱动力；机械子系统，可划分为传动结构和支撑结构两个功能块，其中传动结构将桨叶上的空气动力转矩传递到发电机轴；电力子系统，描述发电机轴上如何将机械能转换为电能；执行子系统，对桨叶伺服行为进行建模。要建立风力发电机组系统各子系统乃至整机系统模型，严格理论意义上的解决方案是采用机理建模方法或者非线性系统辨识方法，但这两种方法并不易于实现。一方面，采用机理建模方法，即利用微分方程和代数方程来理解和描述风力发电机组系统的物理、化学过程需要耗费大量的人力物力，而且对于复杂非线性过程而言几乎不切实际。另一方面，采用非线性系统辨识方法，经验地依赖输入输出数据辨识非线性模型强烈依赖于激励信号，但对于风力发电机系统而言，激励测试可能会产生大量过激的扰动和产品损耗代价，而且难以在全局工作域上进行持续激励测试。为此，需要寻找更好的系统辨识技术，建立既能准确表述系统结构、特征，又能容易辨识参数、实施控制算法的模型。

发明内容

[0003] 本发明的目的是针对现有技术的不足，提出一种基于ADALINE(ADAptive LINear Element)技术的风力发电机组系统辨识方法。

[0004] 本发明主要针对风力发电机组系统由风能捕获至传动系统再至发电机转速这一过程，其中涉及空气动力学子系统、机械子系统、电力子系统部分模块，对不同风速状态下系统输入（桨距或发电机转矩）和系统输出（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。本发明的对象为变桨或变速风力发电机组，针对实际工况具有调节桨叶节距角β和发电机转矩Tg以控制发电机转速Ω两种工作机制，因此能将辨识分为桨距环辨识和转矩环辨识两个环节。若为桨距环辨识时，系统输入为桨叶节距角β，输出为发电机转速Ω，风速V为外部输入；若为转矩环辨识时，系统输入为发电机转矩Tg，输出为发电机转速Ω，风速V为外部输入。根据LPV(Linear parameter varying)方法，需要找寻一个合适调度参数p，以表征系统工作状态和划分系统稳定工作点。针对风力发电机组，将外部输入风速V表达为两个部分 其中 为表征风力发电机组运行状态的有效风速（以下简称有效风速），v表征在该有效风速上的干扰叠加，且V的不同取值决定了系统的不同工作点，故选取有效风速 作为调度参数变量。针对风力发电机组运行的某个有效风速段 根据系统特性划分出m个有效风速点，分别标记为对应系统稳定工作点为WPk(k=1,2,…,m)，m为自然数。

[0005] 本发明解决其技术问题所采用的技术方案包括如下步骤：

[0006] 步骤1.系统测试数据的获取：

[0007] 根据风力发电机组系统特性，选取激励信号,在稳定工作点WPk和介于两个稳定工作点WPk之间的过渡阶段均进行激励，以获取该工作域的全域输入数据、输出数据；采样时间选取系统内部采样时间；桨距环辨识时激励信号为桨叶节距角β，即输入数据为桨叶节距角β（转矩环则为发电机转矩Tg），输出数据为发电机转速Ω，同时包含外部输入风速V；

[0008] 所述的激励信号为正弦信号与白噪声信号的叠加信号；

[0009] 步骤2.基于ADALINE技术对稳定工作点进行辨识：

[0010] 风力发电机组系统描述如下（实际风力发电机系统应当不限于此表达式）：-1

[0011] y(t)=G(p,q )u(t)+v(t) （1）

[0012] 其中， 为系统的传递函数，u(t),y(t)分别为系统输入、系统输出；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，表征系统工作状态，且设定其区间跨度为[pmin,pmax]；
ai,bj(1≤i≤na,1≤j≤nb,na≤nb)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，i,j,na,nb均为自然数。

[0013] 在稳定工作点WPk(k=1,2,…,m)上，其调度参数为一常数pk(k=1,2,…,m)，此时系统方程描述为：

[0014]

[0015] 在ADALINE单元的输入端信号加入TDL，即单位延迟控制器，连接到系统输入和系统输出，即有：

[0016] X=[x1 x2 … xH]T=[u(t-1) …u(t-nb) y(t-1) … y(t-na)]T （3）[0017] 其中，X为ADALINE的输入，t为迭代指数，对应的ADALINE权值W为：

[0018]

[0019] (1≤i≤na,1≤j≤nb,na≤nb)为式（2）中传递函数分母多项式、分子多项式各系数ai,bj(1≤i≤na,1≤j≤nb,na≤nb)的估计值，H=na+nb为ADALINE输入个数。

[0020] 则ADALINE的输出 为：

[0021]

[0022] 通过学习算法，使ADALINE输出和系统输出不断逼近，在一定精度条件下能够认为权值的估计值即为系统传递函数分母多项式、分子多项式各系数，由此确定各稳态工作点模型为：

[0023]

[0024] 其中 即为各稳态工作点的传递函数估计，不同于式（1），式（6）中的传递函数为定结构和定参数，表达式中不含调度参数变量p。

[0025] 步骤3.基于ADALINE技术对全局LPV模型进行辨识：

[0026] 结合LPV方法，将系统全局模型表达为（6）中模型的插值：

[0027]

[0028] 其中αk(p)(1≤k≤m)为基于调度参数p的插值函数，插值函数可为多项式函数、分段线性函数、三次样条函数或高斯函数。

[0029] 若插值函数为三次样条函数，则表达式如下：

[0030]

[0031] 其中M为三次样条函数的阶数，M为自然数； 为调度参数取值范围[pmin,pmax]内给定的某一序列，针对任意工作点WPk(k=1,2,…,m)， 能够取不同序列，这里简化为取相同序列

[0032] 采用最小二乘法进行辨识，则式（8）中需要估计的系数构成的向量θ为：

[0033]

[0034] 向量θ对应的调度参数向量φk(t)为：

[0035]

[0036] 将（9）和（10）代入（7）中可得：

[0037]

[0038] 则θ通过最小二乘准则获得的估计值 如下：

[0039]

[0040] 直接对式（12）进行运算，若数据量较为庞大、三次样条的阶数较高，则会产生病态或者难以求解的问题；所以采用以下方法结构替换：

[0041] 将全局系统输入u通过式（6）中传递函数 获得的估计值 与对应的序列Ψ(p)运算所得的结果 作为ADALINE输入。这里取Ψ(p)为（10）中调度参数向量， 为Ψ(p)与各个稳态工作点模型输出 乘积，即：

[0042]

[0043]

[0044] 则全局LPV模型的输出 的表达式为：

[0045]

[0046] 将（15）与（11）相比较，能够得出W的估计即为θ的估计。如此，则建立好（7）中全局系统的LPV模型。模型的精确性能够通过迭代停止准则和基于ADALINE的网络规模改进来调节，以达到要求的模型精度。

[0047] 本发明有益效果如下：

[0048] 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

[0049] 图1变桨变速风力发电机组系统结构示意图

[0050] 图2基于ADALINE技术辨识稳定工作点的方法结构示意图

[0051] 图3基于ADALINE技术辨识全局LPV模型的方法结构示意图

具体实施方式

[0052] 下面结合附图内容对本发明做进一步说明。

[0053] 本发明主要针对风力发电机组系统由风能捕获至传动系统再至发电机转速这一过程，其中涉及空气动力学子系统、机械子系统、电力子系统部分模块，对不同风速状态下系统输入（桨距或发电机转矩）和系统输出（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。本发明的对象为变桨或变速风力发电机组，针对实际工况具有调节桨叶节距角β和发电机转矩Tg以控制发电机转速Ω两种工作机制，因此能将辨识分为桨距环辨识和转矩环辨识两个环节。若为桨距环辨识时，系统输入为桨叶节距角β，输出为发电机转速Ω，风速V为外部输入；若为转矩环辨识时，系统输入为发电机转矩Tg，输出为发电机转速Ω，风速V为外部输入。根据LPV(Linear parameter varying)方法，需要找寻一个合适调度参数p，以表征系统工作状态和划分系统稳定工作点。针对风力发电机组，将外部输入风速V表达为两个部分 其中 为表征风力发电机组运行状态的有效风速（以下简称有效风速），v表征在该有效风速上的干扰叠加，且 的不同取值决定了系统的不同工作点，故选取有效风速 作为调度参数变量。针对风力发电机组运行的某个有效风速段 根据系统特性划分出m个有效风速点，分别标记为对应系统稳定工作点为WPk(k=1,2,…,m)，m为自然数。

[0054] 实施例

[0055] 如图1所示，系统输入为桨叶节距角β和发电机转矩Tg，系统输出为发电机转速Ω；V为风速，λ为叶尖速比；R为风轮半径，Ta,Fa为风轮捕获风能产生的转矩和推力，2
f(λ,β,V)为某一非线性函数。根据LPV方法，需要找寻一个合适调度参数p，以表征系统工作状态和划分系统稳定工作点。针对风力发电机组，将外部输入风速V表达为两个部分 其中 为表征风力发电机组运行状态的有效风速（以下简称有效风速），v表征在该有效风速上的干扰叠加，且 的不同取值决定了系统的不同工作点，故选取有效风速 作为调度参数变量。针对风力发电机组运行的某个有效风速段 根
据系统特性划分出m个有效风速点，分别标记为 对应系统稳定工作点为
WPk(k=1,2,…,m)，m为自然数。

[0056] 步骤1.系统测试数据的获取：

[0057] 本实施例针对桨距环辨识进行说明，则选取激励信号为桨叶节距角β，信号类型为正弦信号与白噪声信号的叠加，在稳定工作点WPk和介于两个稳定工作点WPk之间的过渡阶段均进行激励，以获取该工作域的全域输入数据、输出数据；采样时间选取系统内部采样时间。获取的全域数据，包括输入数据为桨叶节距角β、输出数据为发电机转速Ω和外部输入风速V数据。

[0058] 步骤2.基于ADALINE技术对稳定工作点进行辨识：

[0059] 本实施例针对桨距环辨识，对应风力发电机组高风速工作段的变桨工作状态。此时系统输入为桨叶节距角β，输出为发电机转速Ω，调度参数为有效风速 。为简化说明，将给定的系统方程描述替换输入、输出及调度参数后如下，实际风力发电机系统应当不限于此表达式：

[0060]

[0061] 其 中 为 系 统 的 传 递 函 数，β(t),Ω(t)分别为系统输入、系统输出。有效风速 为调度参数，表征不同工作状态。
-1
v(t)为噪声信号，其均值为零，方差为有限值。q 为单位延迟控制器。设定有效风速段为 ai,bj(1≤i≤na,1≤j≤nb,na≤nb)为传递函数分母多项式
分子多项式 的系数，i,j,na,nb均为自然数。

[0062] 针对稳定工作点WPk(k=1,2,…,m)，对应调度参数为 则系统方程描述为：

[0063]

[0064] 这里由于 已知，则分子分母中各系数为常数。采用如图2所示方法结构进行辨识，即有：

[0065] X=[x1 x2 … xH]T=[β(t-1) … β(t-nb) Ω(t-1) … Ω(t-na)]T （3）[0066] 其中，X为ADALINE的输入，t为迭代指数，对应的ADALINE权值W为：

[0067]

[0068] (1≤i≤na,1≤j≤nb,na≤nb)为（2）中传递函数分母多项式、分子多项式各系数ai,bj(1≤i≤na,1≤j≤nb,na≤nb)的估计,H=na+nb为ADALINE输入个数。

[0069] 则ADALINE的输出 为：

[0070]

[0071] 通过学习算法，使ADALINE输出和系统输出不断逼近，在一定精度条件下能够认为权值的估计值即为系统传递函数分母多项式、分子多项式各系数，由此确定各稳态工作点模型为：

[0072]

[0073] 其中 即为各稳态工作点的传递函数估计，不同于式（1），式（6）中的传递函数为定结构和定参数，表达式中不含调度参数变量 。

[0074] 步骤3.基于ADALINE技术对全局LPV模型进行辨识：

[0075] 结合LPV方法，将系统全局模型表达为（6）中模型的插值：

[0076]

[0077] 其中 为基于调度参数 的插值函数，插值函数可为多项式函数、分段线性函数、三次样条函数或高斯函数等。

[0078] 若插值函数为三次样条函数，则表达式如下：

[0079]

[0080] 其中M为三次样条的阶数，M为自然数； 为调度参数取值范围内给定序列，针对任意工作点WPk(k=1,2,…,m)可以取不同序列，这里简化为取同样序列

[0081] 采用最小二乘法进行辨识，则式（8）中需要估计的系数构成的向量θ为：

[0082]

[0083] 向量θ对应的调度参数向量φk(t)为：

[0084]

[0085] 将（9）和（10）代入（7）中可得：

[0086]

[0087] 则θ通过最小二乘准则获得的估计值 如下：

[0088]

[0089] 直接进行（12）的运算，若数据量较为庞大、三次样条的阶数较高，则会产生病态或者难以求解的问题。因此采用图3中的结构进行估计。

[0090] 如图3所示，全局数据包含系统测试过程中的全局输入、全局输出及全局调度参数。左上角 为式（6）中所得到的稳态工作点的模型，则将全局系统输入u通过式（6）中传递函数 获得的估计值 与对应的序列Ψ(p)运算所得的结果作为ADALINE输入。

[0091] 在此方法结构中，关键的设计为 和 针对三次样条，取为调度参数向量， 为 与各个稳态工作点模型输出 乘积，即：

[0092]

[0093]

[0094] 则全局LPV模型的输出 的表达式为：

[0095]

[0096] 将（15）与（11）相比较，可以看到W的估计即为θ的估计。如此，则建立好（7）中全局系统的LPV模型。模型的精确性可以通过迭代停止准则和基于ADALINE的网络规模改进来调节，以达到要求的模型精度。