基于自適應模糊神經網絡的風速軟測量

董海鷹，魏占宏，楊 璽，李曉青

（蘭州交通大學自動化與電氣工程學院，蘭州 730070）

風速的研究是風力發電系統的重要組成部分，尤其對于大型的風力發電系統的研究具有重要的現實意義。風力發電中風速影響其輸出功率，風速是重要參數，因此獲得精確風速，更安全有效地控制風力發電機組運行是本文研究的意義所在。目前在許多風力發電機組控制系統中，根據位于機艙頂部的風速計測得的風速調節風力發電機組的輸出功率。由于風力發電機組的的動態性能受多種因素的影響，隨著時間的推移和工作環境的變化，機組特性會發生變化，為此應采取相應的軟測量模型校正措施。在實踐上可以通過軟件實現或者神經網絡芯片將有效風速軟測量實際應用于風力發電機組的控制系統中，作為風速計的冗余，使風電機組安全、可靠的運行。

為了解決此問題，軟測量技術得到了飛速發展。軟測量技術就是依據可測、易測的過程變量（稱為輔助變量）與難以直接測量的待測變量（稱為主導變量）之間的數學關系，根據某種最優準則，采用各種計算方法，用軟件實現對待測量的估計或者測量。文獻[1]是針對神經網絡算法在軟測量建模中的研究，文獻[2]將軟測量方法用于風速的測量中，把風力發電并網系統當做風速儀對風速進行估計，并建立了風速預測模型。文獻[3]是基于支持向量機的風速軟測量，文獻[4]是基于最小二乘支持向量機的風速軟測量，文獻[3]和文獻[4]都是把風力發電機組當做風速儀，并建立了支持向量機的風速軟測量模型，而由于支持向量機模型訓練樣本時，參數選擇需要交叉驗證，所以訓練的計算量是非常大的。文獻[5]是基于神經網絡的風速軟測量，其有效風速軟測量的基本思想是把風力發電系統當做風速儀，建立基于神經網絡的風速軟測量模型，雖然神經網絡具有很強的映射能力和自學習能力，但其收斂速度比較慢，且易陷入局部最小值問題。而自適應模糊神經網絡是模糊系統和神經網絡相結合，即保留了神經網絡的優點，又可以采用模糊規則來確定神經網絡結構，更好地優化權值和閾值。

本文將風力發電系統的有效風速估計作為軟測量中的主導變量，提出了基于自適應模糊神經網絡的風速軟測量模型。仿真結果表明基于自適應模糊神經網絡的風速軟測量模型能很好的跟蹤風速的變化趨勢，具有很好的精度。

1 軟測量的原理

1.1 軟測量輔助變量選擇

軟測量的目的是利用所有易于獲取的可測信息，通過計算實現對被測變量的估計。其中可利用的信息包括：可測量的輸入，可測主導變量和可測輔助變量。輔助變量的選擇分為數量、類型和測點位置的選擇。變量數量的選擇和過程的自由度、測量噪聲和模型的不確定性等有關。其下限值為被估計主導變量的個數。

1.2 軟測量的數據處理

軟測量是通過過程測量數據經過數值計算而實現的。輸入數據預處理包括數據變換和誤差處理兩方面。數據處理對模型的精度、非線性映射能力都有重要作用。誤差處理是保證輸入數據準確、有效的必要手段。誤差可分為隨機誤差和過失誤差，隨機誤差是由于隨機因素的影響而產生，一般不可避免，但符合一定的統計規律，可采用數字濾波方法來消除。過失誤差會極大地影響軟測量的在線精度，為此及時剔除和校正這類數據是十分必要的，常用的方法有隨機搜索法、神經網絡等。

1.3 軟測量的模型建立

軟測量的原理是利用主導變量和輔助變量的數學關系，通過軟件計算得到主導變量的測量值。軟測量技術建模的實質就是建立主導變量和輔助變量的數學關系模型。

現在，軟測量建模的主要方法有：①機理建模；②回歸分析建模；③基于狀態估計的模型；④模糊建模；⑤基于機器學習理論的建模；⑥混合建模[6-9]。

1.4 軟測量的在線校正

由于過程的時變性、復雜性和測量噪聲干擾等影響，控制對象的特性會發生變化。軟測量技術在使用過程中，在線校正是至關重要的。必須依據特性的變化及時修正軟測量模型來適應過程的變化。

2 基于自適應模糊神經網絡的風速軟測量

2.1 自適應T-S模糊神經網絡

T-S模糊神經模型采用系統狀態變量或者屬于變量的函數為IF-THEN模糊規則的后件，不僅可以用來描述模糊控制器，也可以描述被控對象的動態模型[11，12]。T-S模糊神經系統是一種自適應能力很強的模糊系統，該系統不僅能自動更新，而且能不斷修正模糊子集的隸屬函數。T-S模糊神經系統用IF-THEN規則的形式來定義，在規則中為Ri的情況下，模糊推理為

將各隸屬度函數進行模糊計算，采用模糊算子為連乘算子。

根據模糊計算結果計算模糊模型的輸出值為

T-S模糊神經系統模型對風速軟測量這樣的復雜系統的建模和測量提供了有效的工具。

2.2 自適應模糊神經網絡風速軟測量建模

T-S模糊神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層四層。輸入層用輸入向量xi連接，節點數與輸入向量的維數相同。模糊化層采用隸屬度函數式（1）對輸入值進行模糊化得到模糊隸屬度值，模糊規則計算層采用模糊連乘式（2）計算得到ω，輸出層采用式（3）計算模糊神經網絡的輸出。

有效風速軟測量的輸入分別為風力機的轉速n、發電機的功率P和槳距角β，主導變量為有效風速v*。有效風速的模型可以表示為n、P以及β的非線性函數，即

模糊神經網絡風速軟測量模型基本結構圖如圖1所示。

圖1 自適應模糊神經網絡軟測量結構Fig.1 Structure of adaptive fuzzy neural network soft sensor

在所建立的基于模糊神經網絡風速軟測量模型中，v為風速儀輸出的大采樣間隔的測量值，它是用于離線辨識模型的參數，也是用于軟測量模型的在線自校正；可測變量風力機轉速n、控制輸入槳距角β以及可測變量發電機功率P都是軟測量模型的輸入變量，被估計變量的最優估計有效風速v*為輸出，用模糊神經網絡實現輸入輸出的非線性函數關系。在該風速軟測量中模糊神經網絡在本質上就是將常規神經網絡賦予模糊輸入信號和模糊權值。所以建立模糊神經網絡軟測量模型結構如圖2所示。

在圖2中網絡對應的輸入輸出映射關系如下。

輸入層輸入節點為

式中：xi表示網絡的輸入。

模糊化層輸入節點為

圖2 模糊神經網絡軟測量模型Fig.2 Soft sensor model of fuzzy neural network

輸出節點為

模糊推理層輸入節點為

輸出節點為

去模糊化層輸入節點為

輸出節點為

模糊神經網絡的學習算法如下。

（1）誤差計算為

式中：yd是網絡期望輸出；yc是網絡實際輸出；e為期望輸出和實際輸出地誤差。

（2）系統修正為

參數修正公式為

2.3 基于模糊神經網絡的軟測量建模步驟

（1）確定采集樣本的輸入輸出變量，輸入變量分別是風力機的轉速n、發電機的功率P和槳距角β，輸出變量為有效風速v*。

（2）以風電場的實測數據作為樣本數據，對樣本數據進行校驗和標準化變化。

（3）對樣本優化組合，進行模糊神經網絡訓練。

（4）用確認集進行檢驗，提取模糊神經網絡的各個參數建立T-S模糊神經網絡模型。

2.4 基于自適應的模糊神經網絡風速軟測量算法流程

基于T-S模糊神經網絡風速軟測量算法流程見圖3。其中，模糊神經網絡構建根據訓練樣本維數確定模糊神經網絡輸入/輸出節點數、模糊隸屬度函數個數，由于輸入數據為3維，輸出數據為1維，所以模糊神經網絡結構為3-6-1，即輸入層有3個節點，隱含層有6個節點，也即有6個隸屬度函數，輸出層有1個節點，選擇4組系數p0～p3，模糊隸屬度函數中心和寬度c和b隨機得到，網絡學習速率α采用變學習率方法得到，動量學習率β為0.5，迭代次數為100次，利用Matlab編寫.m文件實現自適應模糊神經網絡風速軟測量仿真。

選用參數說明：網絡的隱含層節點數對網絡精度有較大的影響：節點數太少，網絡不能很好地學習，需要增加訓練次數，訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合。最佳隱含層節點數選擇可參考公式

式中：n為輸入層節點數；l為隱含層節點數；m為輸出層節點數；a為0～10之間的常數。在實際問題中，隱含層節點數的選擇首先是參考公式來確定節點數的大概范圍，然后用試湊法確定最佳的節點數，針對此網絡結構試湊得出a=5。

網絡學習率α的取值在[0，1]之間，學習率α越大，對權值的修改越大，網絡學習速度越快；但過大的學習率將使權值學習過程中產生震蕩，過小的學習率使網絡收斂過慢，權值難以趨于穩定。本文采用變學習率方案，令學習率α隨著學習的進展而逐步減小，可收到較好的效果。變學習率為

式中：αmax為最大學習率；αmin為最小學習率；tmax為最大迭代次數；t為當前迭代次數。

圖3 模糊神經網絡風速軟測量算法流程Fig.3 Algorithm flow chart of fuzzy neural network wind speed soft sensor

模糊神經網絡訓練用訓練數據訓練模糊神經網絡，網絡反復訓練100次。模糊神經網絡測量用訓練好的模糊神經網絡測量風速。

3 基于自適應模糊神經網絡的風速軟測量仿真實驗

本文采用內蒙古某風電場2009年3月1日到10日樣本數據，采用每10 min記錄一次，共1 440組樣本，從中選取1 296組作為網絡訓練數據，剩余144組數據作為網絡測試數據，樣本數據是從1.5 MW雙饋異步風力發電機組獲得的，該樣本采集數據從切入風速4 m/s到高于25 m/s時發電機組自動剎車為止。采集的數據包括風速v，風力發電機組轉速n、槳距角β和發電機輸出功率P，首先將變量樣本中經過顯著誤差剔除和濾波處理后得到一個樣本集，然后再利用處理后的參數變量建立風速的軟測量樣本集。風力發電機的參數如表1所示。

基于自適應模糊神經網絡風速軟測量仿真和自適應模糊神經網絡風速誤差如圖4和圖5所示。

不同時間段對應的自適應模糊神經網絡風速誤差值如表2所示。

由表2中可以看出：風速估計值和風速樣本值基本吻合；由基于自適應模糊神經網絡風速仿真圖中可以看出：風速估計值很好地跟蹤了風速樣本值；測量誤差中最大的誤差為0.212 4 m/s。

為了進行對比，利用神經網絡對有效風速進行了估計。基于神經網絡風速軟測量仿真和神經網絡風速誤差如圖6和圖7所示。

表1 風力發電機的參數Tab.1 Parameters of wind turbine generator

圖4 自適應模糊神經網絡風速仿真Fig.4 Wind speed simulation of adaptive fuzzy neural network

圖5 自適應模糊神經網絡風速誤差Fig.5 Wind speed error simulation of adaptive fuzzy neural network

不同時間段對應神經網絡風速誤差見表3。

在相同的有效風速訓練樣本下，使用了神經網絡進行有效風速的估計，通過表2和表3比較可以看出：自適應T-S模糊神經網絡訓練的風速估計值的最大誤差為0.204 2 m/s，而神經網絡訓練有效風速估計的最大誤差為0.391 6 m/s；從神經網絡風速仿真中可以看出：風速估計值和風速樣本值的誤差相對較大；仿真中測量誤差中最大的誤差為0.462 4 m/s。仿真結果表明了基于模糊神經網絡的軟測量能夠高精度地估計出風力發電系統的有效風速。

表2 不同時間段對應的誤差值（Ⅰ）Tab.2 Error values corresponding to different time periods（Ⅰ）

圖6 神經網絡風速仿真Fig.6 Wind speed simulation of neural network

圖7 神經網絡風速誤差值Fig.7 Wind speed error simulation of neural network

表3 不同時間段對應的誤差值（Ⅱ）Tab.3 Error values corresponding to different time periods（Ⅱ）

4 結語

本文利用模糊控制和神經網絡優勢互補的特點，建立模糊控制和神經網絡相結合的自適應T-S模糊神經網絡對風速模型進行分析研究，并進行了仿真實驗。仿真結果表明，風速估計值很好地跟蹤了風速樣本值，不僅可以加快收斂速度和改善局部收斂性，而且具有學習能力強和泛化能力好等優點。證明了基于自適應T-S模糊神經網絡的軟測量對于大范圍的風速變化時，能夠很好地跟蹤風速的變化趨勢，是一種有效的風速測量方法。

[1]郭慶武，張湜，林錦國（Guo Qingwu，Zhang Shi，Lin Jinguo）.Matlab神經網絡工具箱及其在軟測量建模中的應用（Neural network toolbox in Matlab and its application in building soft-sensing models）[J].東南大學學報：自然科學版 （Journal of Southeast University：Natural Science Edition），2003，33（S1）：209-212.

[2]Leith D J，Leithead W E.Application of nonlinear control to a HAWT[C]//3rd IEEE Conference on Control Applications，Glasgow，UK：1994.

[3]張新房，徐大平，柳亦兵，等（Zhang Xinfang，Xu Daping，Liu Yibing，et al）.大型變速風力發電機組的風速軟測量（Wind speed soft sensor for large-scale variable speed wind turbines）[J].太陽能學報（Acta Energiae Solaris Sinica），2006，27（4）：321-325.

[4]紀國銳，董澤，韓璞，等（Ji Guorui，Dong Ze，Han Pu，et al）.基于最小二乘支持向量機的風力發電機組風速軟測量（Wind speed soft sensor for wind turbines based on least square SVM）[J].中國電力（Electric Power），2009，42（2）：75-78.

[5]劉震，汪令祥（Liu Zhen，Wang Lingxiang）.基于神經網絡的風力發電系統風速軟測量（Study on wind speed soft sensing based on neural networks for wind power generators）[J].中國電力（Electric Power），2010，43（11）：87-91.

[6]潘立登，李大宇，馬俊英.軟測量技術原理與應用[M].北京：中國電力出版社，2009.

[7]吳燕玲，盧建剛，孫優賢（Wu Yanling，Lu Jiangang，Sun Youxian）.基于多目標遺傳規劃的軟測量建模方法（Soft sensor modeling based on multi-objective genetic programming）[J].傳感技術學報（Chinese Journal of Sensors and Actuators），2007，20（9）：2029-2034.

[8]韓璞，喬弘，王東風，等（Han Pu，Qiao Hong，Wang Dongfeng，et al）.火電廠熱工參數軟測量技術的發展和現狀（Development and current status of thermal parameter soft-sensing technique in power plant）[J].儀器儀表學報 （Chinese Journal of Scientific Instrument），2007，28（6）：1139-1146.

[9]Gonzalez G D，Redard J P，Barrera R，et al.Issues in softsensor applications in industrial plants[C]//IEEE International Symposium on Industrial Electronics.Santiago，Chile：1994.

[10]Han Min，Sun Yannan，Fan Yingnan.An improved fuzzy neural network based on T-S model[J].Expert Systems with Applications，2008，34（4）：2905-2920.

[11]Horikawa Shin-ichi，Furuhashi Takeshi，Uchikawa Yoshiki.On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm [J].IEEE Trans on Neural Networks，1992，3（5）：801-806.

[12]Zhang J，Morris A J.Fuzzy neural networks for nonlinear systems modelling[J].IEEE Proceedings-Control Theory and Applications，1995，142（6）：551-561.

[13]陳國初，楊維，張延遲，等（Chen Guochu，Yang Wei，Zhang Yanchi，et al）.風電場風速概率分布參數計算新方法（New computation method of wind speed probability distribution parameters in wind farm）[J].電力系統及其自動化學報（Proceedings of the CSU-EPSA），2011，23（1）：46-51.