[发明专利]基于ADALINE技术的风力发电机组系统辨识方法

说明书

技术领域

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

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

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。

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T_g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T_g，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WP_k(k=1,2,…,m)，m为自然数。

本发明解决其技术问题所采用的技术方案包括如下步骤：

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WP_k和介于两个稳定工作点WP_k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T_g），输出数据为发电机转速Ω，同时包含外部输入风速V；

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（实际风力发电机系统应当不限于此表达式）：

y(t)=G(p,q^-1)u(t)+v(t)    （1）