CN101976044A - 一种基于神经网络的风电***建模及dsp实现方法 - Google Patents

Abstract

一种基于神经网络的风电***建模及DSP实现方法。该方法通过分析风力发电***和神经网络的工作机理，确定其输入和输出信号；其输入信号包括风速和浆距角，输出信号有功率，风轮转速和风轮扭矩，利用BP神经网络与风力发电***结合，通过建立BP神经网络模型，把隐层数设为足够大可以达到任意的训练精度确定每层的权值，能很好地拟合建模对象的性能；同时为了实现其应用的可能性，本文将设计出采用DSP作为神经网络计算协处理器(SEED-C30PS实现)的神经网络实时仿真***。本发明根据DSP芯片特殊的硬件结构决定的其快速的运算能力，将用于风力发电***参数的BP神经网络在DSP***上实现，从而提高了***的运算速度，使***达到了实时性的要求。

Description

一种基于神经网络的风电***建模及DSP实现方法

【技术领域】：

本发明属于风力发电、智能控制和电力电子技术、数字信号处理技术领域。具体涉及一种基于神经网络的风电场建模方法及DSP实现。将典型的BP神经网络用于复杂、非线性的风电***。

【背景技术】：

随着中国可再生能源刺激政策的不断出台和电网配套建设的完善，中国巨大的风电发展潜力将得到进一步激发，中国有能力成为世界可再生能源的大国。从风力发电本身的特点可以看出：自然风速的大小和方向是随机和不可控的，这样作用在风力机桨叶上产生的风能也是随机的和不可控的；针对由于气动、机械等方面的复杂机理，使得大型风力机的建模非常困难，难以得到精确的机理模型，而且常规电力***是一个非线性的动态***。在大规模风电入网后，上述风电的显著特点使得风电***的非线性动态特征与常规电力***相比更加明显。

目前的建模方法是机理分析法。机理分析法的主要原理是从***内部的物理本质入手，通过选择适当的物理模型结构来模拟***的特性，主要是考虑力的平衡关系，建立了风力发电机组在标称状态下的数学模型。由于风力发电***的复杂性，建立的机理与实际有一定的偏差。因此，有必要采取一种较新、较准确的建模方法对非线性性强的风电***进行建模。人工神经网络具有模拟多变量而不需要对输入变量做复杂的相关假定的能力，所以寻找一种实现风电***准确建模的方法是其发展的一个重要研究方向。

【发明内容】：

本发明目的是克服现有技术存在的上述不足，提供一种基于神经网络的风力发电***建模及DSP实现方法。

本发明提供的基于神经网络的风力发电***建模及DSP实现方法包括：

第1、分析风力发电***和神经网络的工作机理，确定其输入信号和输出信号；

第2、将上步确定的输入信号和输出信号做预处理，主要对数据进行滤波，便于提高辨识精度；

第3、设计一个隐层神经元数目可变的BP，由此确定风电***神经网络模型的基本结构；

第4、用DSP实现BP算法，用于风电***建模中。

本发明所述的风力发电***包括：

风力发电***的输入信号：包括风速和浆距角，

输出信号：包括功率，风轮转速和风轮扭矩；

一般浆距角是一个伪随机输入，本发明设其平均值为3.7°，所以选择变化几率最大的风速作为BP神经网络的输入信号，功率为输出信号。

本发明利用BP神经网络与风力发电***结合，通过建立BP神经网络模型，把隐层神经元数目设为10个可以达到任意的训练精度确定每层的权值，能很好地拟合建模对象的性能；同时为了实现其应用的可能性，本文将设计出采用DSP作为神经网络计算协处理器(SEED2C30PS实现)的神经网络实时仿真***。

神经网络实时仿真***由三部分组成：

(1)神经网络仿真平台：它是一台PC机(主控机)，其作用是神经网络在线辨识、仿真结果显示；

(2)神经网络协处理器(插在主控机ISA槽中的SEED-C30PS)：由终端显示器计算机及插在其ISA插槽中的处理部分SEED-C30PS组成，它是以TMS320C5509为核心器件的DSP应用***，用DSP实现BP算法，本设计BP神经网络部分是由DSP芯片实现的，而参数的输入和计算结果的输出依靠一些外部设备。

(3)通讯模块：由于主控机中采用Window s98***，而该***不允许ring3级的运用程序直接对硬件进行操作，这样前两个模块间无法实现通讯，在本模块中设计了处于ring0级的虚拟设备驱动程序，将前两个模块连接起来。

本发明根据DSP芯片特殊的硬件结构决定的其快速的运算能力，将用于风力发电***参数的BP网络在DSP***上实现，从而提高了***的运算速度，使***达到了实时性的要求。

本发明所述的神经网络：解决风力发电***非线性这一问题的实质是逼近一个复杂的非线性函数，而BP神经网络的任意非线性映射能力可以模拟这一复杂的函数关系。本发明的工作原理：

风力发电***的输入信号包括风速和浆距角，输出信号有功率，风轮转速和风轮扭矩，利用BP神经网络与风力发电***结合，通过建立BP神经网络模型。

利用下式将输入信号和输出信号做预处理。

$x=\frac{{X-X}_{\min }}{X_{\max }-X_{\min }}$

式中：X_max、X_min分别为小时输入的最大值和最小值，x表示归一化后的值。

BP神经网络的输出：

$o_j\left(t\right)=f\left\{\right[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i(t-{\mathrm{\τ}}_{\mathrm{ij}})]-T_j\}$

τ_ij——输入输出间的突触时延；

T_j——神经元j的阈值；

w_ij——神经元i到j的突触连接系数或称权重值；

其采样反向传播(Back propagation)算法：从后向前(反向)逐层“传播”输出层的误差，以间接算出隐层误差，准则函数为：

$J=\mathrm{sse}=\frac{1}{2S}\underset{j}{\overset{S}{\mathrm{\Σ}}}{(t_j-a_j)}^2$

本发明选择变化几率最大的风速作为BP神经网络的输入，功率为输出。

根据经验公式，以及本例的实际情况，隐层神经元数目应在10-20，通过一个循环语句，设计一个隐层神经元数目从10到20可变的BP神经网络，每个隐层数对应误差结果对比后，确定BP神经网络结构为1-10-1型。

同时利用了DSP芯片强大的并行运算功能，来实现BP算法，也就是说，BP神经网络的主电路部分是由DSP芯片实现的，而参数的输入和计算结果的输出依靠一些外部设备。

本***采TMS320C5509有功能强大的开发工具的支持，该工具支持C语言开发，故可以大大缩短开发周期。

本发明的优点和积极效果：

本发明通过设计一个BP神经网络，使得网络模型达到精度要求，确定每层的权值，能很好地拟合建模对象即风力发电***的性能；根据DSP芯片特殊的硬件结构决定的其快速的运算能力，将用于风力发电***参数的BP神经网络在DSP***上实现，从而提高了***的运算速度，使***达到了实时性的要求。

用DSP编程实现BP神经网络算法，对于提高BP神经网络算法的快速性与更好的发挥BP神经网络算法的并行性是行之有效的。

【附图说明】：

图1为本发明所涉“一种基于神经网络的风电***建模及DSP实现方法”中的风电***模型结构图；

图2为本发明所涉“一种基于神经网络的风电***建模及DSP实现方法”中的BP算法流程图；

图3为BP神经网络结构图

图4为神经网络协处理器结构图；

图5为双电源转换电路图；

图6为SK5278与DSP接口电路；

图7为DSP5509与FM12232硬件接口示意图。

【具体实施方式】：

实施例1：一种基于神经网络的风电***建模及DSP实现方法，至少包括以下步骤：

步骤A、分析风电***和神经网络的工作机理，确定其输入信号和输出信号。

步骤B、将上步确定的输入信号和输出信号做预处理，主要对数据进行滤波，便于提高辨识精度。

步骤C、设计一个隐层神经元数目可变的BP神经网络，由此确定风力发电***神经网络模型的基本结构；

步骤D、用DSP实现BP算法，用于风电***建模中。

上述所说的步骤A中，如图1所示，风电***的输入信号包括风速和浆距角，输出信号有功率，风轮转速和风轮扭矩，一般浆距角是一个伪随机输入，本文设其平均值为3.7°。所以选择变化几率最大的风速作为BP网络的输入，功率最为输出。

上述所说的步骤B中，主要是对数据归一化，进行预处理，从而对数据进行滤波，便于提高辨识精度。

上述所说的步骤C中，如图2，设计一个隐层神经元数目可变的BP，误差对比后确定神经网络结构为1-10-1型。

上述所说的步骤D中，神经网络协处理器是由计算机及插在其ISA插槽中的SEED2C30PS组成。如图3所示，它是以TMS320C5509为核心器件的DSP应用***，板上包括三段“0”等待时间的128K×32内存空间：基本存储器，00000H-1FFFFH；双向存储器，20000H-3FFFFFH及40000H-5FFFFH。另外，同时主机(不包括在图4)可以申请SEED-C30PS(附图4)的INT0-INT2等三级中断，SEED-C30PS也可以向主机申请IRQ11和IRQ12中断，实现握手和中断应答。由于SEED-C30PS是直接插在标准的ISA总线插槽上的，适合于任何具有ISA总线的计算机，可以将多块SEED-C30PS插在同一台计算机中，构成多板并行处理***。本设计神经网络的部分(附图3)是由DSP芯片实现的，而参数的输入和计算结果的输出依靠一些外部设备。

采用的是TPS73HD301电源模块产生需要的电压。TI公司的TPS73HD3XX系列双电源输出芯片提供双路较低的电压。此系列芯片主要针对DSP应用而设计，同时可用于任何要求多路电源输出的情况。每路电源的最大输出可达750mA。图5是TPS73HD301与TMS320VC5509接口应用电路，经使用证实电压稳定可靠。

SK5278是福州贝能科技有限公司推出的采用PIC内核的键盘控制器，可管理16个按键，该器件内部具有去抖动处理电路，可直接输出按键的键值编码，并采用串行方式与单片机或微处理器进行接口。图6是本设计的键盘与DSP5509的接口。

在本设计中，当BP网络训练好以后，***便处于等待状态。当用户通过键盘输入V(1-25m/s)后，程序就开始正向计算，计算结束后，通过液晶显示屏给出计算结果，作为用户需要的加工参数。

本设计的液晶显示模块为广州市方舟电子有限公司生产的FM12232B型图形点阵液晶显示模块。如图7，本设计选用FM12232B是出于电压因素的考虑。FM12232B模块的工作电压为+3V-5V，这样对于工作电压为3.3V的DSP芯片就无需经过电压转换，起到了简化接口电路的作用。

Claims (3)

1.一种基于神经网络的风电***建模及DSP实现方法，其特征在于该方法包括：

第1、分析风力发电***和神经网络的工作机理，确定其输入信号和输出信号；

第2、将上步确定的输入信号和输出信号做预处理，主要对数据进行滤波，便于提高辨识精度；

第3、设计一个隐层神经元数目可变的BP，由此确定风电***神经网络模型的基本结构；

第4、用DSP实现BP算法，用于风电***建模中。

2.根据权利要求1所述的方法，其特征在于所述的风力发电***包括：

风力发电***的输入信号：包括风速和浆距角，

输出信号：包括功率，风轮转速和风轮扭矩；

一般浆距角是一个伪随机输入，本发明设其平均值为3.7°，所以选择变化几率最大的风速作为BP神经网络的输入信号，功率为输出信号。

3.根据权利要求1所述的方法，其特征在于所述的神经网络结构为1-10-1型，这样的神经网络实时仿真***由三部分组成：

(1)神经网络仿真平台：它是一台作为主控机的PC机，其作用是神经网络在线辨识、仿真结果显示；

(2)神经网络协处理器为插在主控机ISA槽中的SEED2C30PS：由计算机及插在其ISA插槽中的SEED-C30PS组成，它是以TMS320C5509为核心器件的DSP应用***，用DSP实现BP算法，本发明神经网络的部分是由DSP芯片实现的，而参数的输入和计算结果的输出依靠一些外部设备；

(3)通讯模块：由于主控机中采用Window s98***，而该***不允许ring3级的运用程序直接对硬件进行操作，这样前两个模块间无法实现通讯，在本模块中设计了处于ring0级的虚拟设备驱动程序，将前两个模块连接起来。

Images