文摘
在这项工作中,神经控制器的风力涡轮机音调控制。控制器是基于径向基函数(RBF)网络的无监督学习算法。RBF网络使用错误和输出功率之间的额定功率和它的导数作为输入,而积分误差源的学习算法。这个neurocontrol策略的性能分析,表明RBF参数的影响,风速、学习参数和控制,系统响应。neurocontroller已经比proportional-integral-derivative (PID)监管机构同样的小型风力涡轮机,获得更好的结果。仿真结果表明神经网络学习算法允许调整适当的控制律在额定功率稳定输出功率和减小均方误差(MSE)。
1。介绍
绿色指示在许多国家促进可再生能源的使用来改善全球能源系统的可持续性。的确,太瓦由清洁能源的数量每年增长(1]。清洁能源中,风能是第二大水电后使用自然资源,由于其效率高。尽管一项成熟的技术,仍有许多相关的工程挑战风力涡轮机(WTs)必须解决的2]。
根据风力发电机的类型,可以应用不同控制行动,即:叶片的螺旋角或转子控制,这是用作刹车保持一旦风力发电机的额定功率超过一定阈值;偏航角,用于改变发动机舱的态度与风流方向;最后,发电机转速控制,旨在达到最佳的转子速度当风低于额定输出速度。WT控制器是负责管理所有这些机制来优化系统的效率,而在所有可能的风力条件下必须保证安全。这一事实可能更浮动海上风力涡轮机的关键(FOWTs)已经证明,控制系统会影响稳定的浮动装置(3,4]。
风力涡轮机的音调控制是一项复杂的任务本身由于这些设备的高度非线性行为,内部变量之间的耦合,因为他们受到不确定的外部载荷和不同的参数,主要是风,而在FOWT,波浪和洋流。这些原因导致了探索智能控制技术来应对这些挑战[5]。在传统的控制解决方案,应用滑模控制最近成功的结果,如在6],PI-type滑模控制(SMC)策略,基于永磁同步发电机- (PMSG)风能转换系统(wec)的不确定性。Nasiri et al。7)提出了一个supertwisting滑模控制的无齿轮永磁同步发电机的风力涡轮机。一个健壮的SMC方法也提出了(8),作者使用叶片间距作为控制输入,以调节转子速度固定的额定值。在[9),一种自适应鲁棒积分SMC螺旋角控制器和一个投影类型适应法律合成来准确地跟踪期望的螺旋角轨迹,虽然补偿模型的不确定性和干扰。
关于智能控制,模糊逻辑已广泛应用于风力涡轮机音调控制。例如,在[10螺旋角,提出了模糊控制和PI控制器相比,真正的天气特征和负载变化。罗查et al。11)模糊控制器应用于变速风力涡轮机和比较结果与经典比例控制器的系统响应特性。卢比奥et al。12)提出了一种基于逻辑的模糊控制系统的控制风力发电机安装在半潜式平台。但神经网络应用于涡轮控制稀少,也许由于缺乏真正的数据训练网络(13]。然而,Asghar和刘14]neurofuzzy算法为优化设计的风力发电机的转子速度。在[15),人工神经网络的强化学习WT偏航控制。在[5),一个被动的强化学习算法解决粒子群优化用于处理是一种自适应neurofuzzy 2型推理系统控制真正的风力涡轮机的螺旋角。在[16),一个健壮的H∞observer-based设计模糊控制器来控制使用估计风速的涡轮机。两个人工神经网络用于精确模型空气动力曲线。从不同的角度,在17),作者提出了一个信息管理系统基于混合整数线性规划(MILP)风力发电生产商有储能系统和参与日前电力市场。
在这项工作中,我们专注于小型风力涡轮机的音调控制。基于神经控制策略提出了(18),我们已经延长处理的动态执行机构。此外,导数和权力添加了错误的集成学习算法的输入。这种方法误差变化和过去的错误值被认为是用于更新神经网络的权重;这有助于加快学习过程。本文的主要贡献是双重的。一方面,一个径向基(RBF)网络的风力涡轮机控制器设计和实现。该控制器使用更新权重的输出功率神经网络的无监督方法。另一方面,详细分析进行了神经网络的配置、学习算法和控制器参数影响控制性能和错误的发展。这里的方法提出的另一个优点是,与传统控制器的不同控制方案对不同风速地区,只有一个控制器是用于所有操作区域的风力涡轮机。
剩下的纸是组织如下。第二节描述了模型使用的小型风力涡轮机。第三节解释了神经控制器体系结构和无监督学习策略。不同的神经网络配置和学习参数的结果进行了分析和讨论第四节。本文结尾的结论和未来的工作。
2。风力涡轮机模型描述
小7 kW风力发电机的模型。齿轮箱的比例设置为1,所以转子力矩发生器的机械转矩是一样的,(Nm),由以下方程(19]: 在哪里是功率系数;ρ是空气密度(公斤/米3);一个该地区被涡轮叶片(m2);风速(米/秒);和角转子速度(rad / s)。刀片可以近似的扫掠面积一个=πR2,在那里R是半径或叶片长度。
每个涡轮机的功率系数通常是通过实验确定。有不同的近似表达式 ;在这种情况下,它被计算为尖速比的函数λ和叶片螺距角θ(rad): 系数的值在哪里来取决于风力涡轮机的特点。距角θ被定义为旋转平面之间的夹角和叶片截面弦,和尖端的速度比是由以下方程:
从方程(3),它可以观察减少螺距角。实际上,当θ= 0 (rad),叶片斜刀片是所有生产在其全部潜力,但是 (rad),叶片的风。
场上执行机构是描述为一个二阶系统。这个假设被广泛用于风力涡轮机模型距系统和其他机械执行机构(20.]。在这种情况下,输入球场的致动器和吗θ是它的输出:
迄今为止,该模型集中在机械方面的系统。但动力发电机结合机电领域。转子角速度之间的关系和机械转矩T米在连续电流发生器由以下给出表达式(21]: 在哪里电磁转矩(Nm),J转动惯量(公斤·m2),摩擦系数(N·m·s / rad),是一个无量纲恒的发电机,是磁流耦合常数(V∙s / rad),然后呢电枢电流(A)。
发电机的电枢电流是由以下方程: 在哪里电枢电感( ), 感生电动势( ), 发电机输出电压( ),和是电枢电阻 。为简单起见,一般认为,负载是纯电阻,由 。因此, ,和输出功率( )是 。
结合前面的方程(1)- (9),以下总结风力发电机的动态表达。
在这项工作中,我们专注于控制的输出功率通过螺旋角,所以输入控制变量和控制输出变量(粗体的方程(10)- (15)。状态变量是 ,和 。
3所示。神经音高控制策略
3.1。神经控制器体系结构
提出了风力涡轮机神经控制器的体系结构如图1。这个错误参考信号之间的差异的影响力吗(额定功率)和输出功率。标称功率的风力涡轮机是7 kW。权力的错误, ,和它的导数, ,饱和保持它们的值在一个合适的范围内;饱和信号和 ,分别。它们的输入径向基神经网络,用于实现控制器。神经网络的输出有偏见的 和经过饱和块适应范围 (rad)。这个过程是信号的结果球场将被用作参考的风力涡轮机控制。
神经网络必须学习控制律 ,这将能够稳定风力发电机输出功率在其标称值。这个函数是事先不知道。在其他控制方案,RBF网络的权重更新使用监督学习。需要一个已知的输入/输出数据集来训练神经网络。这种方式产生预期的输出当它收到类似输入的用于训练。然而,在我们的例子中,没有标签输出数据训练网络。
如果我们知道正确的音高控制信号和 ,我们会知道适当的控制律,我们不会需要一个神经网络来学习它。出于这个原因,它是不可能使用监督学习。这就是为什么在这种方法学习算法接收到错误信号 ,它的导数和积分,结合生成新的神经网络的权重。
这个方程neurocontrol策略如下: 在哪里是控制段(s);的最大和最小值变量, ,是常数,使控制器的调整范围,限制 和 ; RBF函数;和表示学习算法的功能。
方程的最小和最大运营商(18),(19)和(22)应用于维护信号值在边界条件。表达式 集上边界;下限;和随着信号饱和。马克斯运营商拥有超出了下界。马克斯操作符的输出保持低于最小算子的上限。
方程中的所有变量(16)- (22)更新每个第二个;否则,它们的值保持不变。
3.2。建立RBF
RBF的目的是计算二维的函数 实现了控制律,它能稳定吗周围 。众所周知,任何可诱导的连续函数可以用指数函数之和近似。在这项工作中,我们利用这个属性近似的RBF神经网络的控制律。为了将输入空间映射到输出空间,我们的二维输入空间离散化神经网络 应用网格。图2显示了×网格。中心神经元的初始化为网格线的交点。这将设置错误的精度。
行和列的数量,水平和垂直长度的细胞,和 ,分别和神经元的数量有关以下表达式: 水平线条的数量在哪里吗 ,也就是说,行,竖线的数量 。为了确保一个水平线和垂直线相交点(0,0),和必须是奇数,大于1。
一次和决心,神经元的中心是通过以下方程: 在哪里 的中心吗神经元。
RBF神经网络的输出(20.)是由以下表达式(变量t我为了简单,省略了): 在哪里是归一化距离测量,隐层神经元的数量,的重量吗我神经元,的宽度吗我神经元激活函数,它通常是相同的神经元。相关神经元的宽度也是错误的准确性。归一化距离(29日)是由二维欧氏距离计算每一维距离归一化的范围 。的范围是 ,所以部门可实现它 ,而的范围是 ,因此除可实现它 。这种方式的输出范围(29日)是 。
3.3。无监督学习算法
参数更新一个RBF神经网络的学习算法的中心是RBF神经元参数和输出权重。正如前面所解释的那样,中心神经元的输入空间是均匀分布的。此外,在这工作,因为很常见,它假定整个输入空间同样重要时获得的输出网络;因此,参数预先设置为相同的值的所有神经元。因此,只有更新权值的学习算法。
之前说过,许多控制方案与RBF神经网络使用监督学习更新权重,但这并非如此。没有标签输出数据训练网络,因此神经网络必须学习控制律前所未知的无监督的方法。这个学习过程如下。
pseudodiscretized输入空间,将RBF神经元在网格的中心。给定一个网络输入 ,最接近这对神经元有贡献最大的输出值映射。尽管这不会是唯一的神经元,影响输出,贡献随距离和激活函数的宽度增加。
如果中心神经元的分离和激活函数的宽度是正确选择,周围神经元的贡献可能被忽视和输入空间中的所有点是离散的中心最亲密的神经元。因此,通过更新重量的 - - - - - -神经元,可以调整输入的输出值 ,因为在这些点指数函数的值是1。因此,越接近输入副中心的一些神经元,更好的是RBF的近似函数 。学习算法将负责更新网络的权重根据输出功率错误,调整的映射函数。在神经网络的输出层,所有的部分贡献神经元是线性组合得到输出值(28)。
为了说明这个问题,无监督学习过程,图3(一个)显示了一个示例的神经网络的初始权重表面设置为1。图3 (b)显示对应的音高控制律的输出 在学习之前,和图4(一)介绍了控制表面应用学习策略后,与最终的权重值。音调控制律,之前和之后的学习,如图3和4 (b),分别。可以看到,正如预期的那样,积极的错误增加权重,向上弯曲的表面,从而增加输出值神经网络。这意味着减少螺距角参考, ,和扩大输出功率。
(一)
(b)
(一)
(b)
在这项工作中,我们需要为出发点的典型监督RBF的学习策略来减少误差在每个迭代中,由方程(27),预期的输出值和吗是当前输出值。
作为不可用,为了使功率误差为零,这个词吗取而代之的是 。方程(28)详细说明功能方程(21然后计算),RBF神经网络的权重是如何修改。 在哪里学习速率和吗 都是正的常数。因为它可能会观察到,方程的指数项是一样的(25)和(26)。
下面的伪代码细节更新权重的无监督算法的RBF网络算法1):
|
在这里,米神经元的数量,权重是一个数组,Nx神经元的数量吗x设在网格的输入空间,纽约神经元的数量吗y设在网格的输入空间。学习门槛,minErr,所以定义错误低于这个值被丢弃。中心神经元的数组中cNet表示。学习速率的调优参数μ,KP, KD,和KI;Tc控制采样时间,F是一个数组的每个指数函数的输出添加前的RBF神经元(28)和折叠是一个数组,保存前一个值F。
WT的模型,模型(),接收作为输入音调控制参考。函数的RBF()计算(28),DIV()整数除法,国防部()模块操作符,ABS()绝对值运营商和MIN()和MAX()最小和最大功能。因此,算法的外部参数PerrMin, PerrMax, dotPerrMin, dotPerrMax, Nx, Ny,μ,KP, KD, KI, minErr。
在程序的开始,所有的变量初始化,和RBF中心的计算。然后,每个Ts第二模拟运行。控制器是更新每个Tc第二;因此,必须大于Ts Tc。每个控制样品时间,Tc, RBF的输出,RBFout, WT髓参考,pitchCon,。如果上述误差阈值,错误的组合,它的导数,计算集成(变量errM)。然后,数组与权重的增加,绞车,从之前获得F数组,折叠,和当前误差测量,errM。
4所示。Neurocontrol策略的性能分析
这种无监督neurocontrol策略的性能分析进行了在不同的网络配置和不同球场的一些参数学习算法和控制律。软件Matlab / Simulink仿真使用。每个仿真的时间是100年代。为了减少离散误差,可变步长被用于仿真实验,以最大的步长设置为10 ms。控制样品的时间已经固定到100 ms。
neurocontroller性能比PID调节器。为了使一个公平的比较,PID输出已扩大调整范围 它也有偏见了 。有偏见的PID控制器的方程表示如下:
7 kW风力发电机额定功率,因此参考= 7000 W。调优参数 由试验和错误,它们的值(1、0.2、0.9),分别。学习算法的参数minErr设置为15。
控制器的性能评估与MSE,均值,方差,计算 在哪里仿真时间和吗采样时间这是必要的,由于使用可变步长。
图5(一个)显示了输出功率时应用不同的策略。蓝线代表输出音高是永久设置为0时,红色代表输出,当螺旋角将羽毛位置(90°),黄线是响应的PID,紫色的响应与神经控制器,最后绿线代表了额定功率。图5 (b)显示了前面的放大图,看到更好的信号的变化。在这个实验中,风是随机生成的速度在11.5和14米/秒之间,RBF 25隐层神经元,设置为0.1,最大值和最小值的参数 将(400−−1000年,1000年,400年),和学习速率是0.00011.5。
(一)
(b)
如图5,当间距设置为0时,输出功率总是大于额定功率,因为叶片利用风的最大功率。正如所料,距是固定的羽毛时,情况相反,面对风最小的表面。另一个有趣的结果是,提出neurocontroller不仅能够稳定输出功率标称值,但其性能优于PID,特别是50年代,更少的振荡。
随着输出功率取决于风,不同的模拟进行了不同风速。神经网络的学习算法的配置是一样的在前面的实验。图6显示风速的影响对于权力均方误差(MSE)。红酒吧的MSE神经控制器,和蓝色的MSE PID。正如所料,风越高,误差越大。范围内的风速、neurocontrol策略已经被证明是比PID。
表2详细总结了仿真实验的结果与不同的风速在12.2和12.8米/秒之间。在风速12.2米/秒以下,稳定输出功率总是低于7 kW,即使螺旋角设置为0。风速超过12.8 m / s,稳定输出功率总是高于7 kW即使音量设置为90°。在所有的情况下,误差较小的神经PID控制器比,但12.5,12.7,和12.8 m / s,意味着获得PID略小。
风一个正弦信号还测试了。平均风速12.5米/秒,0.6 m / s的振幅和一个50多岁的时期。实验结果如图7。输出功率与相同的颜色代码如图表示5。说明RBF的学习,图7(一)显示了迭代的响应从1到175。在图7 (b)之前,输出功率不同控制策略描述当系统已经学会表示。
(一)
(b)
的学习能力neurocontroller如图8。MSE很快在几个迭代收敛。也可以观察一个拐点迭代30左右。从这一点上,学习速度降低。的确,从他们,MSE几乎没有变化。
正弦风速信号的频率也会影响结果。图9显示了不同时期的结果(蓝色、PID;红色,neurocontrol)。最小均方误差达到最小段;这个值的均方误差。在20年代,出现神经控制器的局部最大值,同样发生在35 s PID。从那时起,错误减少的控制器。在所有的情况下,错误与neurocontroller小得多比PID。
表3总结了实验结果。在所有情况下,神经控制器的MSE要小得多。此外,可以观察神经控制器的响应时略有改善周期大于20年代:MSE和方差减少,意味着价值仍然几乎不变。同时,PID,有几个当地的最低标准和MSE和方差的最大值。这些上行和下行趋势也出现在MSE和方差进化。然而,风的影响周期是不相关的。
4.1。RBF的影响
配置的影响的RBF神经网络控制器的性能也被评估。不同数量的神经元,价值观的测试参数,和一些限制。风力涡轮机是受到随机风之间的平均速度11.5和14米/秒;λ是0.00011.5,设置为0.1在这个实验中,上下限制呢 将(400−−1000年,1000年,400年),和神经元的数量不同。
图10显示神经元的数量的影响,米MSE的演变。颜色相关神经元的数量(见传说)。这个图的曲线都有类似的形状,和之前的主要区别是斜率拐点。可以看到更多的神经元,斜坡越高。一般来说,误差减少神经元的数量,直到数量如此之多,网络不学习。例如,441个神经元的MSE大于121。
对宽度的影响进行评估的激活函数,RBF网络的配置设置为前面的值,与神经元的数量米= 9、25和121(图11从左到右)。的参数从0.05到0.75不等。在所有的情况下,MSE往往减少增加。有一个急剧下降MSE的值在第一次迭代大于0.25。下降率也随着神经元的数量。
(一)
(b)
(c)
图12显示了另一个角度的影响的错误。它代表了MSE在200对不同迭代价值观和不同数量的神经元。在这个图中,也可以看到MSE减少直到这个参数大约是0.25,它开始生长。这个拐点并不依赖于神经元的数量但秋天之前最低取决于数量的神经元(神经元的数目越大,下降率越大)。
neurocontroller的性能也可以调整修改的饱和输入空间的限制。不同的值 已经测试,一个不同和另一个改变 。在两个实验中,神经元的数量米设置为121,是0.25,5迭代运行。当 。的价值,改变了吗一直持续到400年,什么时候不同,极限是固定的1000。相应的负边界有相同的绝对值。
表4显示了MSE的变化,输出功率的意思,其方差时从100年到1500年被修改。MSE和中值降低 ;然而,方差增长。这可能是由于这一事实更大的价值意味着更大的输出功率的变化,从而获得更大的方差。以来的MSE解释更广泛的影响边界产生更少的饱和值和学习过程更多的可用信息。但是如果没有达到饱和,过高的价值可能会适得其反,因为神经元使更多的神经元的空间分布是无用的。
表5总结了均方误差的变化,输出功率的意思,其方差时改变从50到7050。类似于表4MSE和平均值时减少增加直到达到局部最小值。它也可能解释的减少饱和值。然而,在这种情况下,也能减少患方差 。
4.2。学习参数的影响
几个实验进行了学习参数的影响 , , , 。RBF网络的配置米= 121,= 0.1, 。在第一个实验中,200名迭代模拟和元组 被设置为 。图13显示了不同的学习速率的结果 。在每个迭代的MSE减少。正如预期的那样,学习速率的下降率增长。这些结果也可能出现在桌子上6(在迭代5)。输出功率值也随学习速率。然而,方差的增加,和更大的价值产生更大的增量在神经网络的权重28),因此大螺距的变化还参考和更大的输出功率的变化。
在接下来的实验中,和设置为0,是多种多样的。不同的影响比修改是一样的吗因为都是常数,乘以(虽然结果是不同的,因为= 0.1)在前面的实验。结果如表所示7。MSE和输出功率值降低和方差。
现在,和设置为0,是多种多样的。结果如表所示8。最初,MSE和输出功率的意思是减少但从 ,这些值不断增长。的增量使系统学习更快。此外,它反应,这样可以减少MSE的变化更快。然而,一个非常高的价值放大第一斜坡移动距参考为0。这个点后,系统需要很长时间来学习,因为它需要一个向下的斜坡,恢复神经网络的初始权重值。这也解释了为什么方差随 。在最初坡道,几乎是稳定生产差异极小值的权重,因此一个小方差。
最后,和设置为0,不同测试的影响。结果如表所示9。最初,MSE和输出功率降低直到= 0.1;从这个价值,不断生长。帮助控制器学习如何减少稳态误差,因此,MSE减少时增加。然而,如果这个参数过高,控制器变得缓慢和MSE的增长。方差也增加因为它使控制器更慢,所以更高的输出值。保持这些高输出时间生成一个更大的方差。
4.3。控制时间的影响
一旦神经网络配置和学习算法的影响参数进行了分析,最后实验评估如何控制时期影响neurocontroller的性能。神经元的数量设置为11,= 0.1, ,和 。表10显示了在迭代结果5当控制周期从10到100 ms。如果控制样本太小,神经控制器对风的嘈杂的组件,这增加了MSE和方差。在另一方面,一个非常大的控制周期使得系统太慢,也增加了MSE。因此,一个中间值将是最好的选择。在任何情况下,神经控制器的性能比所有控制的PID响应时间测试。
5。结论和未来的工作
在这项工作中,一个智能风力涡轮机音高控制策略,和neurocontrol系统的参数的影响分析。音调控制器是基于RBF神经网络的学习以一种无监督的方式。周围的控制目标是保持输出功率额定值,获得适当的螺旋角的参考。介绍了输出功率错误neurocontroller和学习算法。
广泛的模拟测试一直在进行一个7 kW风力涡轮机,不同的网络配置参数以及不同风速。neurocontroller的性能比较与优化PID在所有的情况下获得更好的结果。
这些实验导致得出一些有趣的结论。其中,我们可以强调小风频率的影响。然而,学习速率增长明显与神经元的数量。存在一个最佳的σ值不同数量的神经元,在0.2和0.4之间。另一个有趣的结果是收获和以及加快学习,一般来说,低价值的调优参数提高稳定性。控制样品时间有一个明确的对系统响应的影响,使它慢或更快。
在未来,这将是理想的测试建议真正的原型的风力涡轮机。此外,它将会是很有趣的这个控制策略应用于涡轮和更大,看看这种控制作用影响稳定性的一个浮动的离岸风力涡轮机。
数据可用性
这项研究的结果已经产生的文章中引用的公式和参数。
信息披露
本文的早期版本在15 Int。Conf.在工业和环境应用软计算模型,202018]。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
本研究部分支持的西班牙科技部创新和大学,在MCI AEI /项目没有菲德尔。rti2018 - 094902 b - c21。