董海鷹，魏占宏，楊 璽，李曉青

（蘭州交通大學(xué)自動化與電氣工程學(xué)院，蘭州 730070）

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

為了解決此問題，軟測量技術(shù)得到了飛速發(fā)展。軟測量技術(shù)就是依據(jù)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(dǎo)變量）之間的數(shù)學(xué)關(guān)系，根據(jù)某種最優(yōu)準(zhǔn)則，采用各種計算方法，用軟件實現(xiàn)對待測量的估計或者測量。文獻[1]是針對神經(jīng)網(wǎng)絡(luò)算法在軟測量建模中的研究，文獻[2]將軟測量方法用于風(fēng)速的測量中，把風(fēng)力發(fā)電并網(wǎng)系統(tǒng)當(dāng)做風(fēng)速儀對風(fēng)速進行估計，并建立了風(fēng)速預(yù)測模型。文獻[3]是基于支持向量機的風(fēng)速軟測量，文獻[4]是基于最小二乘支持向量機的風(fēng)速軟測量，文獻[3]和文獻[4]都是把風(fēng)力發(fā)電機組當(dāng)做風(fēng)速儀，并建立了支持向量機的風(fēng)速軟測量模型，而由于支持向量機模型訓(xùn)練樣本時，參數(shù)選擇需要交叉驗證，所以訓(xùn)練的計算量是非常大的。文獻[5]是基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量，其有效風(fēng)速軟測量的基本思想是把風(fēng)力發(fā)電系統(tǒng)當(dāng)做風(fēng)速儀，建立基于神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量模型，雖然神經(jīng)網(wǎng)絡(luò)具有很強的映射能力和自學(xué)習(xí)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(yīng)模糊神經(jīng)網(wǎng)絡(luò)是模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，即保留了神經(jīng)網(wǎng)絡(luò)的優(yōu)點，又可以采用模糊規(guī)則來確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，更好地優(yōu)化權(quán)值和閾值。

本文將風(fēng)力發(fā)電系統(tǒng)的有效風(fēng)速估計作為軟測量中的主導(dǎo)變量，提出了基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量模型。仿真結(jié)果表明基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量模型能很好的跟蹤風(fēng)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(xiàn)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(dǎo)變量和可測輔助變量。輔助變量的選擇分為數(shù)量、類型和測點位置的選擇。變量數(shù)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(guān)。其下限值為被估計主導(dǎo)變量的個數(shù)。

1.2 軟測量的數(shù)據(jù)處理

軟測量是通過過程測量數(shù)據(jù)經(jīng)過數(shù)值計算而實現(xiàn)的。輸入數(shù)據(jù)預(yù)處理包括數(shù)據(jù)變換和誤差處理兩方面。數(shù)據(jù)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(shù)據(jù)準(zhǔn)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(chǎn)生，一般不可避免，但符合一定的統(tǒng)計規(guī)律，可采用數(shù)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(shù)據(jù)是十分必要的，常用的方法有隨機搜索法、神經(jīng)網(wǎng)絡(luò)等。

1.3 軟測量的模型建立

軟測量的原理是利用主導(dǎo)變量和輔助變量的數(shù)學(xué)關(guān)系，通過軟件計算得到主導(dǎo)變量的測量值。軟測量技術(shù)建模的實質(zhì)就是建立主導(dǎo)變量和輔助變量的數(shù)學(xué)關(guān)系模型。

現(xiàn)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(tài)估計的模型；④模糊建模；⑤基于機器學(xué)習(xí)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(fù)雜性和測量噪聲干擾等影響，控制對象的特性會發(fā)生變化。軟測量技術(shù)在使用過程中，在線校正是至關(guān)重要的。必須依據(jù)特性的變化及時修正軟測量模型來適應(yīng)過程的變化。

2 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量

2.1 自適應(yīng)T-S模糊神經(jīng)網(wǎng)絡(luò)

T-S模糊神經(jīng)模型采用系統(tǒng)狀態(tài)變量或者屬于變量的函數(shù)為IF-THEN模糊規(guī)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(tài)模型[11，12]。T-S模糊神經(jīng)系統(tǒng)是一種自適應(yīng)能力很強的模糊系統(tǒng)，該系統(tǒng)不僅能自動更新，而且能不斷修正模糊子集的隸屬函數(shù)。T-S模糊神經(jīng)系統(tǒng)用IF-THEN規(guī)則的形式來定義，在規(guī)則中為Ri的情況下，模糊推理為

將各隸屬度函數(shù)進行模糊計算，采用模糊算子為連乘算子。

根據(jù)模糊計算結(jié)果計算模糊模型的輸出值為

T-S模糊神經(jīng)系統(tǒng)模型對風(fēng)速軟測量這樣的復(fù)雜系統(tǒng)的建模和測量提供了有效的工具。

2.2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量建模

T-S模糊神經(jīng)網(wǎng)絡(luò)分為輸入層、模糊化層、模糊規(guī)則計算層和輸出層四層。輸入層用輸入向量xi連接，節(jié)點數(shù)與輸入向量的維數(shù)相同。模糊化層采用隸屬度函數(shù)式（1）對輸入值進行模糊化得到模糊隸屬度值，模糊規(guī)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(jīng)網(wǎng)絡(luò)的輸出。

有效風(fēng)速軟測量的輸入分別為風(fēng)力機的轉(zhuǎn)速n、發(fā)電機的功率P和槳距角β，主導(dǎo)變量為有效風(fēng)速v*。有效風(fēng)速的模型可以表示為n、P以及β的非線性函數(shù)，即

模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量模型基本結(jié)構(gòu)圖如圖1所示。

圖1 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)軟測量結(jié)構(gòu)Fig.1 Structure of adaptive fuzzy neural network soft sensor

在所建立的基于模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量模型中，v為風(fēng)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(shù)，也是用于軟測量模型的在線自校正；可測變量風(fēng)力機轉(zhuǎn)速n、控制輸入槳距角β以及可測變量發(fā)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(yōu)估計有效風(fēng)速v*為輸出，用模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)輸入輸出的非線性函數(shù)關(guān)系。在該風(fēng)速軟測量中模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上就是將常規(guī)神經(jīng)網(wǎng)絡(luò)賦予模糊輸入信號和模糊權(quán)值。所以建立模糊神經(jīng)網(wǎng)絡(luò)軟測量模型結(jié)構(gòu)如圖2所示。

在圖2中網(wǎng)絡(luò)對應(yīng)的輸入輸出映射關(guān)系如下。

輸入層輸入節(jié)點為

式中：xi表示網(wǎng)絡(luò)的輸入。

模糊化層輸入節(jié)點為

圖2 模糊神經(jīng)網(wǎng)絡(luò)軟測量模型Fig.2 Soft sensor model of fuzzy neural network

輸出節(jié)點為

模糊推理層輸入節(jié)點為

輸出節(jié)點為

去模糊化層輸入節(jié)點為

輸出節(jié)點為

模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下。

（1）誤差計算為

式中：yd是網(wǎng)絡(luò)期望輸出；yc是網(wǎng)絡(luò)實際輸出；e為期望輸出和實際輸出地誤差。

（2）系統(tǒng)修正為

參數(shù)修正公式為

2.3 基于模糊神經(jīng)網(wǎng)絡(luò)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(fēng)力機的轉(zhuǎn)速n、發(fā)電機的功率P和槳距角β，輸出變量為有效風(fēng)速v*。

（2）以風(fēng)電場的實測數(shù)據(jù)作為樣本數(shù)據(jù)，對樣本數(shù)據(jù)進行校驗和標(biāo)準(zhǔn)化變化。

（3）對樣本優(yōu)化組合，進行模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

（4）用確認集進行檢驗，提取模糊神經(jīng)網(wǎng)絡(luò)的各個參數(shù)建立T-S模糊神經(jīng)網(wǎng)絡(luò)模型。

2.4 基于自適應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量算法流程

基于T-S模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量算法流程見圖3。其中，模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)輸入/輸出節(jié)點數(shù)、模糊隸屬度函數(shù)個數(shù)，由于輸入數(shù)據(jù)為3維，輸出數(shù)據(jù)為1維，所以模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-6-1，即輸入層有3個節(jié)點，隱含層有6個節(jié)點，也即有6個隸屬度函數(shù)，輸出層有1個節(jié)點，選擇4組系數(shù)p0～p3，模糊隸屬度函數(shù)中心和寬度c和b隨機得到，網(wǎng)絡(luò)學(xué)習(xí)速率α采用變學(xué)習(xí)率方法得到，動量學(xué)習(xí)率β為0.5，迭代次數(shù)為100次，利用Matlab編寫.m文件實現(xiàn)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量仿真。

選用參數(shù)說明：網(wǎng)絡(luò)的隱含層節(jié)點數(shù)對網(wǎng)絡(luò)精度有較大的影響：節(jié)點數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合。最佳隱含層節(jié)點數(shù)選擇可參考公式

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

網(wǎng)絡(luò)學(xué)習(xí)率α的取值在[0，1]之間，學(xué)習(xí)率α越大，對權(quán)值的修改越大，網(wǎng)絡(luò)學(xué)習(xí)速度越快；但過大的學(xué)習(xí)率將使權(quán)值學(xué)習(xí)過程中產(chǎn)生震蕩，過小的學(xué)習(xí)率使網(wǎng)絡(luò)收斂過慢，權(quán)值難以趨于穩(wěn)定。本文采用變學(xué)習(xí)率方案，令學(xué)習(xí)率α隨著學(xué)習(xí)的進展而逐步減小，可收到較好的效果。變學(xué)習(xí)率為

式中：αmax為最大學(xué)習(xí)率；αmin為最小學(xué)習(xí)率；tmax為最大迭代次數(shù)；t為當(dāng)前迭代次數(shù)。

圖3 模糊神經(jīng)網(wǎng)絡(luò)風(fēng)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(jīng)網(wǎng)絡(luò)訓(xùn)練用訓(xùn)練數(shù)據(jù)訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)反復(fù)訓(xùn)練100次。模糊神經(jīng)網(wǎng)絡(luò)測量用訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)測量風(fēng)速。

3 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的風(fēng)速軟測量仿真實驗

本文采用內(nèi)蒙古某風(fēng)電場2009年3月1日到10日樣本數(shù)據(jù)，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(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，剩余144組數(shù)據(jù)作為網(wǎng)絡(luò)測試數(shù)據(jù)，樣本數(shù)據(jù)是從1.5 MW雙饋異步風(fēng)力發(fā)電機組獲得的，該樣本采集數(shù)據(jù)從切入風(fēng)速4 m/s到高于25 m/s時發(fā)電機組自動剎車為止。采集的數(shù)據(jù)包括風(fēng)速v，風(fēng)力發(fā)電機組轉(zhuǎn)速n、槳距角β和發(fā)電機輸出功率P，首先將變量樣本中經(jīng)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(shù)變量建立風(fēng)速的軟測量樣本集。風(fēng)力發(fā)電機的參數(shù)如表1所示。

基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速軟測量仿真和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差如圖4和圖5所示。

不同時間段對應(yīng)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差值如表2所示。

由表2中可以看出：風(fēng)速估計值和風(fēng)速樣本值基本吻合；由基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速仿真圖中可以看出：風(fēng)速估計值很好地跟蹤了風(fēng)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(jīng)網(wǎng)絡(luò)對有效風(fēng)速進行了估計?；谏窠?jīng)網(wǎng)絡(luò)風(fēng)速軟測量仿真和神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差如圖6和圖7所示。

表1 風(fēng)力發(fā)電機的參數(shù)Tab.1 Parameters of wind turbine generator

圖4 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速仿真Fig.4 Wind speed simulation of adaptive fuzzy neural network

圖5 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差Fig.5 Wind speed error simulation of adaptive fuzzy neural network

不同時間段對應(yīng)神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差見表3。

在相同的有效風(fēng)速訓(xùn)練樣本下，使用了神經(jīng)網(wǎng)絡(luò)進行有效風(fēng)速的估計，通過表2和表3比較可以看出：自適應(yīng)T-S模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練的風(fēng)速估計值的最大誤差為0.204 2 m/s，而神經(jīng)網(wǎng)絡(luò)訓(xùn)練有效風(fēng)速估計的最大誤差為0.391 6 m/s；從神經(jīng)網(wǎng)絡(luò)風(fēng)速仿真中可以看出：風(fēng)速估計值和風(fēng)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(jié)果表明了基于模糊神經(jīng)網(wǎng)絡(luò)的軟測量能夠高精度地估計出風(fēng)力發(fā)電系統(tǒng)的有效風(fēng)速。

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

圖6 神經(jīng)網(wǎng)絡(luò)風(fēng)速仿真Fig.6 Wind speed simulation of neural network

圖7 神經(jīng)網(wǎng)絡(luò)風(fēng)速誤差值Fig.7 Wind speed error simulation of neural network

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

4 結(jié)語

本文利用模糊控制和神經(jīng)網(wǎng)絡(luò)優(yōu)勢互補的特點，建立模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的自適應(yīng)T-S模糊神經(jīng)網(wǎng)絡(luò)對風(fēng)速模型進行分析研究，并進行了仿真實驗。仿真結(jié)果表明，風(fēng)速估計值很好地跟蹤了風(fēng)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(xué)習(xí)能力強和泛化能力好等優(yōu)點。證明了基于自適應(yīng)T-S模糊神經(jīng)網(wǎng)絡(luò)的軟測量對于大范圍的風(fēng)速變化時，能夠很好地跟蹤風(fēng)速的變化趨勢，是一種有效的風(fēng)速測量方法。

[1]郭慶武，張湜，林錦國（Guo Qingwu，Zhang Shi，Lin Jinguo）.Matlab神經(jīng)網(wǎng)絡(luò)工具箱及其在軟測量建模中的應(yīng)用（Neural network toolbox in Matlab and its application in building soft-sensing models）[J].東南大學(xué)學(xué)報：自然科學(xué)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(fēng)力發(fā)電機組的風(fēng)速軟測量（Wind speed soft sensor for large-scale variable speed wind turbines）[J].太陽能學(xué)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(fēng)力發(fā)電機組風(fēng)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(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)風(fēng)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(shù)原理與應(yīng)用[M].北京：中國電力出版社，2009.

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

[8]韓璞，喬弘，王東風(fēng)，等（Han Pu，Qiao Hong，Wang Dongfeng，et al）.火電廠熱工參數(shù)軟測量技術(shù)的發(fā)展和現(xiàn)狀（Development and current status of thermal parameter soft-sensing technique in power plant）[J].儀器儀表學(xué)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，F(xiàn)an 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，F(xiàn)uruhashi 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(fēng)電場風(fēng)速概率分布參數(shù)計算新方法（New computation method of wind speed probability distribution parameters in wind farm）[J].電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU-EPSA），2011，23（1）：46-51.