秦 斌, 易懷洋, 王 欣
(湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院,湖南 株洲 412007)
風(fēng)電機(jī)組單機(jī)容量不斷增大,風(fēng)機(jī)尺寸 增加,零部件柔度變大,由于風(fēng)的隨機(jī)性以及風(fēng)剪切、塔影效應(yīng)和湍流的影響,使得作用于風(fēng)輪葉片和塔架等部件上的載荷存在不平衡性,引起機(jī)組零部件劇烈振動(dòng),導(dǎo)致零部件的疲勞損傷[1-2]。葉根部位載荷種類(lèi)多、最復(fù)雜、影響大而且最易受到疲勞損傷,是風(fēng)輪載荷比較集中的地方,進(jìn)行葉根載荷主動(dòng)控制研究極其重要。由于葉根載荷復(fù)雜、強(qiáng)耦合、不確定影響因素多,風(fēng)的隨機(jī)性以及風(fēng)速、槳距角等主要影響因素與載荷的非線(xiàn)性關(guān)系,使得用傳統(tǒng)基于內(nèi)部機(jī)理分析為基礎(chǔ)的機(jī)理建模方法很難建立葉根載荷的精確模型,且運(yùn)算量大難以滿(mǎn)足控制實(shí)時(shí)性要求[3],文獻(xiàn)[4]采用自由渦尾跡方法提高風(fēng)力機(jī)氣動(dòng)載荷計(jì)算精度,構(gòu)建了葉片的非線(xiàn)性動(dòng)力學(xué)模型,但該方法比較復(fù)雜,計(jì)算量大。神經(jīng)網(wǎng)絡(luò)對(duì)非線(xiàn)性映射有任意逼近能力,為復(fù)雜非線(xiàn)性系統(tǒng)建模提供了理論基礎(chǔ)。文獻(xiàn)[5]基于現(xiàn)場(chǎng)數(shù)據(jù)利用BP算法建立了風(fēng)電機(jī)組的BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模型;文獻(xiàn)[6]利用SVM 建立了飛機(jī)機(jī)翼的載荷模型;文獻(xiàn)[7]用極限學(xué)習(xí)機(jī)算法(ELM)建立了風(fēng)功率密度預(yù)測(cè)模型。相比于傳統(tǒng)的學(xué)習(xí)算法,ELM算法隨機(jī)初始化輸入權(quán)重和隱層偏置,不需要反復(fù)調(diào)節(jié)網(wǎng)絡(luò)參數(shù),泛化性能好,收斂速度快[8]。該研究將ELM算法首次引用到葉根載荷建模,建立ELM葉根載荷預(yù)測(cè)模型,并與利用SVM建立的葉根載荷模型進(jìn)行比較,并與實(shí)際數(shù)據(jù)對(duì)比,驗(yàn)證了用ELM建立葉根載荷預(yù)測(cè)模型的可行性和精確性。
風(fēng)電機(jī)組承受的載荷主要有空氣動(dòng)力載荷、重力載荷、慣性載荷以及由變槳距、偏航控制等引起的載荷[9]。葉根載荷基于葉根坐標(biāo)系,主要包括揮舞方向剪力和彎矩、擺振方向的剪力和彎矩以及俯仰力矩。為了分析葉根載荷的影響因素,可根據(jù)傳統(tǒng)的數(shù)理方法進(jìn)行分析。
圖1為葉片受力示意圖,空氣動(dòng)力載荷是葉片承受的主要載荷,假設(shè)葉素距葉根距離為r,根據(jù)葉素動(dòng)量理論,葉片揮舞方向的剪力和擺振方向的剪力可以表示為:
(1)
(2)
式中:Vrel為葉素處合成風(fēng)速;ν為風(fēng)速大?。沪貫轱L(fēng)輪旋轉(zhuǎn)角速度;a為軸向誘導(dǎo)因子;b為周向誘導(dǎo)因子;ρ是空氣密度;r0為輪轂半徑;R為風(fēng)輪半徑;c是葉素的剖面弦長(zhǎng);Cl是升力系數(shù);Cd是阻力系數(shù);φ=α+β為入流角;α為攻角;β為槳距角。
圖1 葉片受力分析示意圖Fig.1 Diagram of blade force analysis
風(fēng)輪葉片根部的擺振力矩和揮舞力矩可以表示為[10]:
(3)
(4)
重力載荷主要使風(fēng)輪葉片在擺振方向產(chǎn)生彎矩。方位角θ對(duì)擺振彎矩的大小有重要影響,詳細(xì)可參考文獻(xiàn)[11]。
風(fēng)輪葉片除受到上述空氣動(dòng)力載荷、重力載荷外還有風(fēng)輪旋轉(zhuǎn)產(chǎn)生的離心力載荷,當(dāng)風(fēng)輪旋轉(zhuǎn)并同時(shí)作偏航運(yùn)動(dòng)時(shí),葉片上會(huì)產(chǎn)生垂直于風(fēng)輪旋轉(zhuǎn)平面的科氏力載荷,另外由于風(fēng)機(jī)所處環(huán)境復(fù)雜,風(fēng)速隨機(jī)波動(dòng),以及風(fēng)剪切、塔影效應(yīng)和湍流的影響,風(fēng)輪葉片所受載荷非常復(fù)雜,葉根部位的載荷就是這些載荷綜合作用和耦合的結(jié)果,很難建立葉根載荷的精確模型。從上述基于葉素動(dòng)量理論的葉片載荷分析中,可知葉根部位的載荷大小與風(fēng)輪的規(guī)格尺寸和各項(xiàng)參數(shù)、風(fēng)速、入流角、槳距角、方位角、風(fēng)輪轉(zhuǎn)速等因素有關(guān),影響因素很多且相互耦合。該研究基于NREL 陸基5 WM風(fēng)機(jī)數(shù)據(jù),風(fēng)機(jī)的輪轂高度90 m,風(fēng)輪半徑63 m,首先選取風(fēng)速大小、槳距角、方位角、風(fēng)輪轉(zhuǎn)速、風(fēng)速矢量與慣性坐標(biāo)系3個(gè)軸的夾角等7個(gè)變量,取上述7個(gè)變量的數(shù)據(jù),組成矩陣X(X1,X2,…X7),對(duì)X進(jìn)行主元分析,計(jì)算各主元的貢獻(xiàn)率,矩陣X的協(xié)方差矩陣的前k個(gè)特征值的和除以它的所有特征值的和被稱(chēng)為X的前k個(gè)主元的累計(jì)貢獻(xiàn)率,它表示了前k個(gè)主元包含的數(shù)據(jù)信息占全部數(shù)據(jù)信息的比例。前3個(gè)主元t1,t2,t3的貢獻(xiàn)率分別為57.6%、23.9%和9.2%,累積貢獻(xiàn)率達(dá)到90%以上,將原始數(shù)據(jù)7個(gè)變量降維為3個(gè)主元,然后通過(guò)計(jì)算HotellingT2統(tǒng)計(jì)量,T2統(tǒng)計(jì)量表示測(cè)量值在變動(dòng)趨勢(shì)和變化幅值上對(duì)模型的偏離度,計(jì)算出各變量對(duì)T2統(tǒng)計(jì)量的貢獻(xiàn)大小[12],根據(jù)貢獻(xiàn)大小可確定葉根載荷的4個(gè)主要影響因素:風(fēng)速ν、槳距角β、方位角θ和風(fēng)輪轉(zhuǎn)速ω,下文的葉根載荷ELM神經(jīng)網(wǎng)絡(luò)建模將以此為輸入變量。
極限學(xué)習(xí)機(jī)(ELM)是由南洋理工大學(xué)黃廣斌教授提出來(lái)的求解單隱層神經(jīng)網(wǎng)絡(luò)的算法。相比于傳統(tǒng)的單隱層神經(jīng)網(wǎng)絡(luò)算法,ELM在保證學(xué)習(xí)精度較高的前提下,學(xué)習(xí)速度大大提高。
圖2 單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of single hidden layer feedforward neural network
設(shè)有N個(gè)不同的樣本(Xi,ti)∈Rn×Rm,其中Xi=[xi1,xi2…xin]T,ti=[ti1,ti2,…tim]T對(duì)于如圖2所示有L個(gè)隱層節(jié)點(diǎn)的單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示為:
(5)
(6)
式(6)的N個(gè)等式可用矩陣表示:
Hβ=T
(7)
式中:H為隱層節(jié)點(diǎn)的輸出矩陣;β為輸出權(quán)重矩陣;T為期望輸出矩陣。
(8)
這等價(jià)于最小化損失函數(shù):
(9)
(10)
變槳距風(fēng)電機(jī)組根據(jù)風(fēng)速情況和風(fēng)力機(jī)功率特性的不同,可分為低于額定風(fēng)速和高于額定風(fēng)速兩種工況,不同工況風(fēng)速大小、功率和載荷情況有較大差別,該研究主要針對(duì)高于額定風(fēng)速恒功率階段,建立葉根載荷的ELM神經(jīng)網(wǎng)絡(luò)模型。運(yùn)用雨流計(jì)數(shù)法對(duì)葉根部位疲勞載荷計(jì)算分析,發(fā)現(xiàn)葉根擺振方向彎矩Mx和揮舞方向彎矩My對(duì)葉根的影響較大,葉根部位俯仰彎矩Mz對(duì)葉根的影響較小[15-16]。綜合考慮各種載荷對(duì)葉根部位的影響和建模的繁簡(jiǎn),確定以擺振方向彎矩Mx和揮舞方向彎矩My為研究對(duì)象,以NREL 5 MW風(fēng)電機(jī)組數(shù)據(jù)為基礎(chǔ),選取部分?jǐn)?shù)據(jù)經(jīng)過(guò)處理后作為ELM辨識(shí)建模的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),最后將測(cè)試數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比分析,驗(yàn)證ELM葉根載荷模型的精確性。建模步驟如圖3。
圖3 建模流程圖Fig.3 The flow diagram of modeling
以美國(guó)可再生能源實(shí)驗(yàn)室(NREL)[https://nwtc.nrel.gov/]陸基5 MW風(fēng)機(jī)在研究工況下運(yùn)行的數(shù)據(jù)為基礎(chǔ),隨機(jī)選取900組數(shù)據(jù)作為ELM模型的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),驗(yàn)證ELM用于葉根載荷預(yù)測(cè)模型建模的可行性和精確性。如上文所述,以擺振方向彎矩Mx和揮舞方向彎矩My為研究對(duì)象,即以{Mx,My}作為ELM載荷預(yù)測(cè)模型的輸出變量。經(jīng)過(guò)上文分析葉根載荷有關(guān)的影響因素,以風(fēng)速ν、槳距角β、方位角θ和風(fēng)輪轉(zhuǎn)速ω為模型的輸入變量,即訓(xùn)練樣本集為{ν,β,θ,ω;Mx,My}。在NREL 5 MW風(fēng)機(jī)運(yùn)行數(shù)據(jù)中,隨機(jī)選取900組數(shù)據(jù),其中720組數(shù)據(jù)作為訓(xùn)練集,剩下180組數(shù)據(jù)作為測(cè)試集。
為了消除量綱和單位不同對(duì)網(wǎng)絡(luò)學(xué)習(xí)的影響,保證網(wǎng)絡(luò)神經(jīng)元的非線(xiàn)性作用及較快的學(xué)習(xí)速度,避免因凈輸入絕對(duì)值過(guò)大造成神經(jīng)元的輸出飽和,應(yīng)將神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)進(jìn)行歸一化處理。按照歸一化公式(11)將樣本數(shù)據(jù)歸一化到[0,1]區(qū)間。
(11)
選用的網(wǎng)絡(luò)結(jié)構(gòu)為單隱層3層網(wǎng)絡(luò)結(jié)構(gòu),激活函數(shù)采用Sigmoid函數(shù),網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)個(gè)數(shù)由網(wǎng)絡(luò)輸入輸出變量而定,要建立的ELM神經(jīng)網(wǎng)絡(luò)葉根載荷預(yù)測(cè)模型有ν,β,θ,ω共4個(gè)輸入變量以及Mx,My共2個(gè)輸出變量,即所建ELM神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)個(gè)數(shù)確定為n=4,輸出節(jié)點(diǎn)個(gè)數(shù)為m=2;在ELM算法中隨機(jī)初始化輸入權(quán)重Wi和隱層節(jié)點(diǎn)偏置bi,不需要迭代調(diào)整,只需要設(shè)置隱層節(jié)點(diǎn)個(gè)數(shù),隱層節(jié)點(diǎn)個(gè)數(shù)的確定目前尚無(wú)理論指導(dǎo)。隱層節(jié)點(diǎn)數(shù)在一定范圍內(nèi)選取,ELM模型能保持穩(wěn)定的泛化性能,但隱層節(jié)點(diǎn)過(guò)多或過(guò)少會(huì)使模型的泛化性能降低[8]。該研究用訓(xùn)練集和測(cè)試集進(jìn)行測(cè)試驗(yàn)證的方法,以尋求測(cè)試誤差最小來(lái)確定最優(yōu)的節(jié)點(diǎn)數(shù)。圖4表示隱層節(jié)點(diǎn)數(shù)目對(duì)ELM葉根載荷預(yù)測(cè)模型性能的影響,RMSE表示均方根誤差,可以看出當(dāng)隱層節(jié)點(diǎn)數(shù)較少時(shí),ELM模型的訓(xùn)練誤差和測(cè)試誤差均隨著隱層節(jié)點(diǎn)數(shù)的增加而急劇減小,當(dāng)隱層節(jié)點(diǎn)數(shù)達(dá)到50左右,繼續(xù)增加隱層節(jié)點(diǎn)數(shù),訓(xùn)練誤差和測(cè)試誤差變化不顯著,當(dāng)節(jié)點(diǎn)數(shù)達(dá)到220點(diǎn)左右后,繼續(xù)增加隱層節(jié)點(diǎn)數(shù),測(cè)試誤差反而增大且不穩(wěn)定。在區(qū)間[100,220]范圍內(nèi)選取隱層節(jié)點(diǎn)數(shù)均能使ELM模型獲得較好的預(yù)測(cè)精度,該研究隱層節(jié)點(diǎn)數(shù)選取為L(zhǎng)=150。
圖4 隱層節(jié)點(diǎn)個(gè)數(shù)對(duì)ELM模型性能的影響Fig.4 The influence of the number of hidden nodes on the performance of ELM model
ELM神經(jīng)網(wǎng)絡(luò)模型對(duì)復(fù)雜的非線(xiàn)性系統(tǒng)有較強(qiáng)的擬合能力,能根據(jù)給定的輸入數(shù)據(jù)和輸出的目標(biāo)數(shù)據(jù),尋找到輸入數(shù)據(jù)和輸出目標(biāo)數(shù)據(jù)之間的映射關(guān)系。本研究用ELM算法對(duì)風(fēng)電機(jī)組葉根載荷進(jìn)行神經(jīng)網(wǎng)絡(luò)建模,是以ν,β,θ,ω4個(gè)輸入變量和Mx,My2個(gè)輸出變量的數(shù)據(jù)建立樣本集,構(gòu)建輸入到輸出的映射網(wǎng)絡(luò)結(jié)構(gòu),對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,神經(jīng)網(wǎng)絡(luò)就能找到輸入和輸出之間包含的映射關(guān)系,從而在相同的工況條件下任意給定輸入也能給出較準(zhǔn)確的預(yù)測(cè)輸出,使網(wǎng)絡(luò)具備泛化能力。建模過(guò)程如圖3所示,ELM網(wǎng)絡(luò)結(jié)構(gòu)確定后,用5 MW風(fēng)機(jī)的運(yùn)行數(shù)據(jù)經(jīng)過(guò)歸一化處理后,建立輸入和輸出樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,目的在于找出蘊(yùn)含在樣本數(shù)據(jù)中的輸入和輸出之間的關(guān)系,當(dāng)學(xué)習(xí)精度達(dá)到要求,網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)固定下來(lái),網(wǎng)絡(luò)的輸出權(quán)重向量也隨之確定,這樣ELM神經(jīng)網(wǎng)絡(luò)模型就已構(gòu)建完成,任意給出同工況條件下的輸入,就能根據(jù)公式(7)給出合適的輸出。
為了比較ELM葉根載荷預(yù)測(cè)模型的性能,建立了葉根載荷SVM模型,并將ELM模型和SVM模型進(jìn)行了對(duì)比研究。SVM葉根載荷建?;谂_(tái)灣林智仁(Chih-Jen Lin)教授開(kāi)發(fā)的支持向量機(jī)工具包LIBSVM,由于運(yùn)用LIBSVM做回歸預(yù)測(cè)時(shí),只能對(duì)單輸出變量建模,也就是一次只能對(duì)一個(gè)輸出變量做擬合回歸建模,所以分別建立擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型。葉根載荷SVM模型的核函數(shù)采用徑向基函數(shù)g(x)=exp(-γ*‖μ-ν‖2),核函數(shù)參數(shù)γ和懲罰系數(shù)C是SVM建模的兩個(gè)重要參數(shù),兩個(gè)參數(shù)對(duì)模型的預(yù)測(cè)精度和泛化性能影響很大,其中C用于調(diào)節(jié)置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)的比重,是調(diào)整模型復(fù)雜性和經(jīng)驗(yàn)風(fēng)險(xiǎn)的參數(shù)。擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型的核函數(shù)參數(shù)γ和懲罰系數(shù)C用網(wǎng)格搜索法尋優(yōu),以尋求一組合適的參數(shù),使SVM模型擁有較小的訓(xùn)練誤差和良好的泛化能力。通過(guò)參數(shù)尋優(yōu),葉根擺振方向彎矩SVM模型參數(shù)選取為γ=27.86,C=1.74;揮舞方向彎矩SVM模型參數(shù)選取為γ=84.45,C=1。圖5和圖6分別是擺振方向彎矩Mx和揮舞方向彎矩My的SVM模型的核函數(shù)參數(shù)γ和懲罰系數(shù)C用網(wǎng)格搜索法尋優(yōu)的3D視圖,其中縱坐標(biāo)表示對(duì)應(yīng)不同參數(shù)γ和C時(shí)SVM模型的訓(xùn)練誤差,以均方誤差MSE表示。
圖5 Mx的SVM模型參數(shù)對(duì)訓(xùn)練誤差的影響Fig.5 The influence of SVM model parameters on training error of Mx
圖6 My的SVM模型參數(shù)對(duì)訓(xùn)練誤差的影響Fig.6 The influence of SVM model parameters on training error of My
為了比較ELM載荷模型和SVM載荷模型的性能,分別對(duì)ELM模型和SVM模型進(jìn)行了20次網(wǎng)絡(luò)訓(xùn)練和測(cè)試,表1是一些指標(biāo)的平均值。
表1 ELM模型和SVM模型性能比較
用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試的電腦處理器是Intel Core i3-3240 3.4GHZ CPU,用MATLAB R2014b軟件進(jìn)行。因?yàn)镋LM算法隱層節(jié)點(diǎn)個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響并不靈敏,具有相同復(fù)雜度和樣本個(gè)數(shù)的數(shù)據(jù)所需設(shè)置的隱層節(jié)點(diǎn)個(gè)數(shù)基本相同,可以通過(guò)選取900組數(shù)據(jù)進(jìn)行訓(xùn)練來(lái)提前確定隱層節(jié)點(diǎn)的個(gè)數(shù)[17],所以ELM訓(xùn)練時(shí)間沒(méi)有計(jì)及確定隱層節(jié)點(diǎn)所需的時(shí)間;另外由于樣本數(shù)較少,各模型的測(cè)試時(shí)間均較小且差別不大,故沒(méi)有列出。由表1可以看出,ELM算法建立葉根載荷預(yù)測(cè)模型時(shí),用均方根誤差(RMSE)表示的訓(xùn)練誤差與用SVM算法建立葉根載荷模型時(shí)的訓(xùn)練誤差比較接近,但測(cè)試誤差卻小于SVM模型,預(yù)測(cè)精度比SVM高。而且運(yùn)用ELM算法建模時(shí),用于訓(xùn)練網(wǎng)絡(luò)的時(shí)間要遠(yuǎn)遠(yuǎn)小于SVM建模時(shí)所需時(shí)間,表中數(shù)據(jù)顯示ELM模型的訓(xùn)練速度是SVM的近千倍,即使計(jì)及隱層節(jié)點(diǎn)選取時(shí)間,ELM模型的訓(xùn)練速度也是SVM模型的數(shù)百倍,這是因?yàn)镾VM模型訓(xùn)練過(guò)程中參數(shù)C和γ選取較麻煩費(fèi)時(shí)。
圖7~圖10是用測(cè)試集的180組數(shù)據(jù)對(duì)ELM模型和SVM模型進(jìn)行驗(yàn)證的仿真結(jié)果,分別運(yùn)用ELM模型和SVM模型對(duì)葉根載荷進(jìn)行預(yù)測(cè)后產(chǎn)生的載荷數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比。
圖7 ELM模型預(yù)測(cè)的葉根擺振彎矩MxFig.7 Blade root edgewise moment Mx predicted by ELM model
圖8 ELM模型預(yù)測(cè)葉根揮舞彎矩MyFig.8 Blade root flapwise moment My predicted by ELM model
圖9 SVM模型預(yù)測(cè)的葉根擺振彎矩MxFig.9 Blade root edgewise moment Mx predicted by SVM model
圖10 SVM模型預(yù)測(cè)的葉根揮舞彎矩MyFig.10 Blade root flapwise moment My predicted by SVM model
圖7是葉根擺振方向彎矩Mx的ELM模型預(yù)測(cè)數(shù)據(jù)和實(shí)際數(shù)據(jù)的對(duì)比圖,可以看出ELM葉根載荷預(yù)測(cè)模型能夠根據(jù)輸入變量較準(zhǔn)確地預(yù)測(cè)葉根載荷Mx的大小,預(yù)測(cè)可靠性較高,預(yù)測(cè)誤差較??;圖8是葉根揮舞彎矩My的ELM模型預(yù)測(cè)數(shù)據(jù)和實(shí)際數(shù)據(jù)的對(duì)比圖,可以看出ELM葉根載荷預(yù)測(cè)模型根據(jù)風(fēng)速、方位角等輸入數(shù)據(jù)預(yù)測(cè)葉根揮舞彎矩My的準(zhǔn)確率非常高;圖9和圖10分別是葉根擺振彎矩和揮舞彎矩的實(shí)際數(shù)據(jù)與SVM預(yù)測(cè)模型預(yù)測(cè)數(shù)據(jù)的對(duì)比圖,可以看出SVM建立葉根載荷模型的預(yù)測(cè)精度不及ELM模型的預(yù)測(cè)精度,預(yù)測(cè)誤差較大,而且預(yù)測(cè)誤差的波動(dòng)較大。從表1及圖7~圖10可以得出:在葉根載荷辨識(shí)建模上,ELM模型的精確度不僅高于SVM模型的精度,而且在葉根載荷建模網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,ELM模型的訓(xùn)練時(shí)間要遠(yuǎn)遠(yuǎn)小于SVM模型的訓(xùn)練時(shí)間,這種優(yōu)良的性能將使ELM在復(fù)雜非線(xiàn)性系統(tǒng)辨識(shí)建模領(lǐng)域有更加廣闊的應(yīng)用前景。
針對(duì)葉根部位擺振彎矩和揮舞彎矩建立了ELM葉根載荷預(yù)測(cè)模型,并與SVM建立的葉根載荷模型進(jìn)行了對(duì)比分析,結(jié)果表明ELM算法用于風(fēng)輪葉根載荷建模的精確性較高,模型訓(xùn)練速度快,建模簡(jiǎn)單,從而說(shuō)明ELM算法用于建立葉根載荷神經(jīng)網(wǎng)絡(luò)模型的可行性和精確性?,F(xiàn)在大型風(fēng)電場(chǎng)都有數(shù)據(jù)采集系統(tǒng),這些采集的大量數(shù)據(jù)是一筆寶貴的資源,這些數(shù)據(jù)中蘊(yùn)含著風(fēng)電機(jī)組各方面的信息,而神經(jīng)網(wǎng)絡(luò)模型正可以利用這些數(shù)據(jù)辨識(shí)機(jī)組各方面的狀態(tài)和性能,運(yùn)用ELM算法進(jìn)行風(fēng)電機(jī)組建模不僅簡(jiǎn)單,而且預(yù)測(cè)精度高,可對(duì)機(jī)組性能和狀態(tài)進(jìn)行快速識(shí)別,為風(fēng)機(jī)載荷建模和在線(xiàn)控制研究提供了一種行之有效的方法。葉根部位是風(fēng)機(jī)載荷承載的關(guān)鍵部位,建立葉根載荷精確的預(yù)測(cè)模型對(duì)風(fēng)電機(jī)組減振控制、控制性能優(yōu)化有重要的作用。
[ 1 ] JOHNSONS J,BAKER J P, VAN D C P, et al. An overview of active load control techniques for wind turbine with an emphasis on microtabs[J]. Wind Energy, 2010, 13(2/3):239-253
[ 2 ] 肖帥, 楊耕, 耿華. 抑制載荷的大型風(fēng)電機(jī)組滑模變槳距控制[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(7):145-150.
XIAO Shuai, YANG Geng, GENG Hua. Sliding-mode pitch control strategy for large wind turbines to reduce loads[J]. Transactions of China Electrotechnical Society, 2013, 28(7):145-150.
[ 3 ] YAO X, WANG X, XING Z, et al. Individual pitch control for variable speed turbine blade load mitigation[C]// IEEE International Conference on Sustainable Energy Technologies. IEEE, 2008:769-772.
[ 4 ] 曹九發(fā), 王同光, 王梟. 大型風(fēng)力機(jī)的幾何非線(xiàn)性動(dòng)態(tài)響應(yīng)研究[J]. 振動(dòng)與沖擊, 2016, 35(14):182-187.
CAO Jiufa, WANG Tongguang, WANG Xiao. Geometric nonlinear dynamics response of large-scale wind turbine[J]. Journal of Vibration and Shock, 2016, 35(14):182-187.
[ 5 ] 王爽心, 李朝霞. 變槳距風(fēng)電機(jī)組自適應(yīng)PI優(yōu)化控制[J]. 太陽(yáng)能學(xué)報(bào), 2013, 34(9):1579-1586.
WANG Shuangxin, LI Zhaoxia. Adaptive PI optimization control for variable-pitch wind turbines[J]. Acta Energiae Solaris Sinica,2013, 34(9):1579-1586.
[ 6 ] 郝云霄, 閆楚良, 劉克格. 基于支持向量機(jī)的機(jī)翼載荷模型研究[J]. 科學(xué)技術(shù)與工程, 2013, 13(25):7432-7437.
HAO Yunxiao, YAN Chuliang, LIU Kege. Modeling aircraft wing loads based on support vector machine[J]. Science Technology & Engineering, 2013,13(25):7432-7437.
[ 7 ] MOHAMMADI K, SHAMSHIRBAND S, YEE P L, et al. Predicting the wind power density based upon extreme learning machine[J]. Energy, 2015, 16:232-239.
[ 8 ] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1/2/3):489-501.
[ 9 ] 劉軍, 陳東亮. 基于神經(jīng)網(wǎng)絡(luò)風(fēng)力發(fā)電機(jī)組載荷優(yōu)化控制策略研究[J]. 電氣傳動(dòng), 2014, 44(2):59-63.
LIU Jun, CHEN Dongliang. Optimal control strategy for wind turbine load reduction based on neural network[J]. Electric Drive, 2014,44(2):59-63.
[10] 劉皓明, 唐俏俏, 張占奎,等. 基于方位角和載荷聯(lián)合反饋的獨(dú)立變槳距控制策略研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(14):3798-3805.
LIU Haoming, TANG Qiaoqiao, ZHANG Zhankui, et al. Study of individual pitch control based on azimuth angle and load feedback[J]. Proceedings of The Chinese Society for Electrical Engineering, 2016, 36(14):3798-3805.
[11] 何偉. 湍流風(fēng)場(chǎng)模擬與風(fēng)力發(fā)電機(jī)組載荷特性研究[D]. 保定:華北電力大學(xué), 2013.
[12] 張小桃, 倪維斗, 李政,等. 基于主元分析與現(xiàn)場(chǎng)數(shù)據(jù)的過(guò)熱汽溫動(dòng)態(tài)建模研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(5):131-135.
ZHANG Xiaotao, NI Weidou, LI Zheng, et al. Dynamic modeling study of superheater steam temperature based on principal component analysis method and online data[J]. Proceedings of the Csee, 2005, 25(5):131-135.
[13] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[J]. Proc.int.joint Conf.neural Netw, 2004(2):985-990.
[14] BARTLETT P L. For valid generalization, the size of the weights is more important than the size of the network[J]. Advances in Neural Information Processing Systems, 1997:134-140.
[15] 陳嚴(yán), 張林偉, 劉雄,等. 水平軸風(fēng)力機(jī)葉片疲勞載荷的計(jì)算分析[J]. 太陽(yáng)能學(xué)報(bào), 2013, 34(5):902-908.
CHEN Yan, ZHANG Linwei, LIU Xiong, et al. Fatigue load calculation and analysis of the blade of horizontal axis wind turbine[J]. Ata Energiae Solaris Sinica, 2013, 34(5):902-908.
[16] DING C Y, LI G Q, GUO H C. Fatigue analysis of wind turbine[J]. Applied Mechanics & Materials, 2012, 229/230/231:621-624.
[17] 張穎, 李梅, 高倩倩,等. 基于 ELMR-SVMR 的海水水質(zhì)預(yù)警模型研究[J]. 大連理工大學(xué)學(xué)報(bào), 2016, 56(2):185-192.
ZHANG Ying, LI Mei, GAO Qianqian, et al. Research on forewarning model of seawater quality based on ELMR-SVMR[J]. Journal of Dalian University of Technology, 2016,56(2):185-192.