[发明专利]基于RBF神经网络技术的风力发电机组系统辨识方法

摘要

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。

主权项

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Tg，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滑动平均模型NARMAX描述：y(k)＝f(y(k‑1),···y(k‑ny)；u(k‑1),···u(k‑nu))    (2)u(·),y(·)分别为系统输入输出；nu,ny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Rj(x)，j＝1,2,···m；RBF神经网络的输入为：x＝[x1(k),x2(k),···xn(k)]T＝[y(k‑1),···y(k‑ny)；u(k‑1),···u(k‑nu)]T    (3)其中，n为输入节点个数(n＝ny+nu+1)RBF神经网络输出为ym(k)；隐含层的激励函数取高斯基函数，即：其中，cj为第j个基函数的中心点，且cj＝[cj1,cj2,···cjn]T,bj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。