[發明專利]風力發電場風能預測方法和設備有效
| 申請號： | 201710296557.8 | 申請日： | 2017-04-28 |
| 公開（公告）號： | CN107124003B | 公開（公告）日： | 2020-09-15 |
| 發明（設計）人： | 鄭德化;阿比內特·特斯法耶·艾希 | 申請（專利權）人： | 北京天誠同創電氣有限公司 |
| 主分類號： | H02J3/38 | 分類號： | H02J3/38 |
| 代理公司： | 北京銘碩知識產權代理有限公司 11286 | 代理人： | 張川緒;王兆賡 |
| 地址： | 100176 北京市大興*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 風力 電場 風能 預測 方法 設備 | ||
1.一種風力發電場風能預測方法，其特征在于，所述風力發電場風能預測方法包括：
獲取第一數據和第二數據，其中，第一數據包括歷史風速數據，第二數據包括與第一數據相應的歷史風能數據；
將第一數據作為用于預測風能數據的人工神經網絡的輸入變量并將第二數據作為所述人工神經網絡的目標變量，來訓練所述人工神經網絡；
獲取第三數據，其中，第三數據包括預測的風速數據；
通過將第三數據輸入到經過訓練的所述人工神經網絡，來獲得預測的風能數據；
其中，所述人工神經網絡是前饋反向傳播神經網絡，其具有多個相互連接的層的前饋網絡，所述層包括輸入層、多個隱藏層和輸出層；
其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經元，隱藏層包含多個隱藏神經元，輸出層包括用于描述輸出變量的輸出神經元；
所述輸入神經元表示所述歷史風速數據，所述輸出神經元表示所述歷史風能數據。
2.如權利要求1所述的風力發電場風能預測方法，其特征在于，所述前饋反向傳播神經網絡包括前向路徑和修正路徑；
所述前向路徑從輸入層的輸入神經元開始，依次經過每個隱藏層的隱藏神經元，到達輸出層的輸出神經元；所述前向路徑用于根據在線監測控制和數據采集系統監測的第一數據設置每個輸入神經元，依次計算每個隱藏層的隱藏神經元的數值，以及計算輸出神經元；該輸出神經元表示歷史風能數據；
所述修正路徑從輸出層的輸出神經元開始，反向依次經過每個隱藏層的隱藏神經元；所述修正路徑用于調整各層神經元的連接權重值，以構建新的前向路徑。
3.如權利要求1所述的風力發電場風能預測方法，其特征在于，第一數據包括第一時間范圍內的具有第一時間間隔的多條數據，第二數據包括第二時間范圍內的具有第二時間間隔的多條數據，第三數據包括第三時間范圍內的具有第三時間間隔的多條數據。
4.如權利要求1所述的風力發電場風能預測方法，其特征在于，第一數據還包括歷史溫度數據、歷史風向數據和歷史濕度數據中的至少一個，第三數據還包括預測的溫度數據、預測的風向數據和預測的濕度數據中的至少一個。
5.如權利要求1所述的風力發電場風能預測方法，其特征在于，第一數據和第二數據是來自在線監測控制和數據采集系統的歷史數據。
6.如權利要求1所述的風力發電場風能預測方法，其特征在于，第三數據是通過使用數值天氣預報模型預測的數據，其中，所述數值天氣預報模型用于確定在風力發電機輪轂高度處的風速。
7.一種風力發電場風能預測設備，其特征在于，所述風能預測設備包括：
獲取單元，其用于獲取第一數據、第二數據和第三數據，其中，第一數據包括歷史風速數據，第二數據包括與第一數據相應的歷史風能數據，第三數據包括預測的風速數據；
訓練單元，其用于將第一數據作為用于預測風能數據的人工神經網絡的輸入變量并將第二數據作為所述人工神經網絡的目標變量，來訓練所述人工神經網絡；
預測單元，其用于通過將第三數據輸入到經過訓練的所述人工神經網絡，來獲得預測的風能數據；
其中，所述人工神經網絡是前饋反向傳播神經網絡，其具有多個相互連接的層的前饋網絡，所述層包括輸入層、多個隱藏層和輸出層；
其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經元，隱藏層包含多個隱藏神經元，輸出層包括用于描述輸出變量的輸出神經元；
所述輸入神經元表示所述歷史風速數據，所述輸出神經元表示所述歷史風能數據。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京天誠同創電氣有限公司，未經北京天誠同創電氣有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710296557.8/1.html，轉載請聲明來源鉆瓜專利網。
