| 主权项 |
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T<sub>g</sub>，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<sup>‑1</sup>)u(t)+v(t) (1)其中，<img file="FDA0001129806070000011.GIF" wi="1078" he="147" />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<sup>‑1</sup>、<img file="FDA0001129806070000012.GIF" wi="213" he="58" />为单位延迟控制器；p为调度参数，n<sub>a</sub>,n<sub>b</sub>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<sub>min</sub>,p<sub>max</sub>]；a<sub>i</sub>,b<sub>i</sub>为传递函数分母多项式A(p,q<sup>‑1</sup>)、分子多项式B(p,q<sup>‑1</sup>)的系数，1≤i≤n<sub>a</sub>,1≤j≤n<sub>b</sub>,n<sub>a</sub>≤n<sub>b</sub>，i,j,n<sub>a</sub>,n<sub>b</sub>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华东平均模型NARMAX描述：y(k)＝f(y(k‑1),…y(k‑n<sub>y</sub>)；u(k‑1),…u(k‑n<sub>u</sub>)) (2)u(·),y(·)分别为系统输入输出；n<sub>u</sub>,n<sub>y</sub>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R<sub>j</sub>(x)，j＝1,2,…m；RBF神经网络的输入为：x＝[x<sub>1</sub>(k),x<sub>2</sub>(k),…x<sub>n</sub>(k)]<sup>T</sup>＝[y(k‑1),…y(k‑n<sub>y</sub>)；u(k‑1),…u(k‑n<sub>u</sub>)]<sup>T</sup> (3)其中，n为输入节点个数(n＝n<sub>y</sub>+n<sub>u</sub>+1)RBF神经网络输出为y<sub>m</sub>(k)；隐含层的激励函数取高斯基函数，即：<maths num="0001"><math><![CDATA[<mrow><msub><mi>R</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><mi>x</mi><mo>-</mo><msub><mi>c</mi><mi>j</mi></msub><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup></mrow><mrow><mn>2</mn><msubsup><mi>b</mi><mi>j</mi><mn>2</mn></msubsup></mrow></mfrac><mo>)</mo></mrow><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001129806070000013.GIF" wi="1598" he="167" /></maths>其中，c<sub>j</sub>为第j个基函数的中心点，且c<sub>j</sub>＝[c<sub>j1</sub>,c<sub>j2</sub>,…c<sub>jn</sub>]<sup>T</sup>,b<sub>j</sub>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。 |
