[發(fā)明專利]一種基于運行參數(shù)的風機功率建模方法

在審

• 申請?zhí)枺?/td>: 201910909668.0
• 申請日: 2019-09-24
• 公開（公告）號: CN110674605A
• 公開（公告）日: 2020-01-10
• 發(fā)明（設計）人: 文孝強;謝猛;王建國;孫靈芳;徐志明;張艾萍
• 申請（專利權）人: 東北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 44248 深圳市科吉華烽知識產權事務所(普通合伙)
• 代理人: 謝肖雄

1.一種基于運行參數(shù)的風機功率建模方法，其特征在于，它包含如下步驟：

1).數(shù)據(jù)的采集

通過相關測量元器件測得風場運行風機主要運行參數(shù)；

2).相關性分析

采用Pearson相關性分析公式計算風機主要運行參數(shù)與風機功率間的相關系數(shù)，其Pearson計算公式如下：

式(1)中，r表示相關性系數(shù)，無量綱；x_i、y_i表示待計算的兩個變量的第i個分量，i＝1，2，...，n；表示待計算的兩個變量的平均值；

采用公式(1)計算風機主要運行參數(shù)與風機功率間的相關系數(shù)后，將相關系數(shù)大于0.5的參數(shù)作為構建風機功率模型的輸入變量，以風機功率作為模型的輸出，采用Morlet小波神經(jīng)網(wǎng)絡構建風機功率模型；

3).風機功率模型的測試

利用測試樣本對所建風機功率模型進行泛化能力測試。

2.根據(jù)權利要求1所述的基于運行參數(shù)的風機功率建模方法，其特征在于，在第2)步中，構建Morlet小波神經(jīng)網(wǎng)絡風機功率模型的具體過程如下：

(1)模型的輸入變量和輸出變量

模型的輸入變量為由上面步驟2所確定的測量參數(shù)，輸出為風機的實際輸出功率(kW)；

(2)模型的隱層節(jié)點激勵函數(shù)

在此，所選擇的模型隱層節(jié)點的激勵函數(shù)為Morlet小波函數(shù)，其由一個cosine函數(shù)和高斯概率密度函數(shù)之積構成；它是高斯網(wǎng)絡下的單頻率負正弦函數(shù)，無限平滑、對稱，其緊支區(qū)間為[-4，4]；數(shù)學表達式：

(3)模型的前向傳遞算法

模型的輸入層-隱層傳遞函數(shù)為：

式(3)中，b_j為尺度因子；a_j為伸縮因子；I為輸入層輸入變量個數(shù)；w_ij為第i個輸入層到第j個隱層的連接權值；u_j為第j個隱層節(jié)點的輸入；v_j為j個隱層節(jié)點的輸出；ψ為Morlet小波激勵函數(shù)；

模型的隱層-輸出層傳遞函數(shù)為：

式(4)中，w_jk表示第j個隱層到第k個輸出層的連接權值；v_j為j個隱層節(jié)點的輸出；J為隱層節(jié)點數(shù)；p_k為輸出層節(jié)點的輸入；q_k為輸出層節(jié)點的輸出；Purelin表示線性傳輸函數(shù)；

模型的預測輸出為：

y_k＝q_k (5)

式(5)中，y_k表示模型的預測輸出；q_k為輸出層節(jié)點的輸出；

(4)模型的連接權值修正算法

求取第n+1步w_ij，w_jk，b_j，a_j的連接權值修正方程分別為：

式(6)、(7)、(8)、(9)中，η₁，η₂為學習因子，一般0＜η₁，η₂＜1；E為輸出層所有神經(jīng)元輸出誤差能量總和，其公式如下：

式(10)中，er_k為第k個輸出神經(jīng)元的誤差信號；o_k為實際值；y_k為模型的預測輸出。

3.根據(jù)權利要求2所述的一種基于運行參數(shù)的風機功率建模方法，其特征在于，Morlet小波神經(jīng)網(wǎng)絡模型的優(yōu)化：

(1)模型隱層節(jié)點數(shù)的優(yōu)化

為了確定最優(yōu)隱層節(jié)點數(shù)，依次將隱層節(jié)點數(shù)取為1，2，...，20，共20種情況，然后選取相同的訓練樣本、訓練次數(shù)，對比模型的訓練誤差，選取使得訓練誤差最小時所對應的隱層節(jié)點數(shù)，即為最優(yōu)隱層節(jié)點數(shù)，在此，所采用的誤差函數(shù)為均方根誤差：

式(11)中，RMSE表示均方根誤差；x_obs，i表示訓練樣本的實際值；x_{model，i}表示訓練樣本的模型預測值，i＝1，2，...，N；N表示訓練樣本的個數(shù)；

(2)學習因子的優(yōu)化

在最優(yōu)隱層節(jié)點數(shù)的模型下，為了獲得學習因子η₁和η₂的最優(yōu)組合，在此將η₁、η₂值分別取為0～1區(qū)間內0.1的整數(shù)倍，采用正交試驗法，共獲得81組(η₁，η₂)組合；利用模型的均方根誤差公式確定取得最小均方根誤差時所對應的學習因子組合為學習因子η₁、η₂的最優(yōu)組合；

(3)連接權值的優(yōu)化

在學習因子最優(yōu)組合的模型下，采用Matlab自帶Random函數(shù)生成初始連接權值w_ij，w_jk，b_j，a_j矩陣，在模型取得最佳訓練效果、最小訓練誤差的前提下，記錄此時的w_ij，w_jk，b_j，a_j四個矩陣的初始值。然后，分別改變w_ij，w_jk，b_j，a_j四個矩陣變量中的任意一個，同時保持其余三個矩陣變量不變，以進一步優(yōu)化模型參數(shù)。具體改變規(guī)則如下：在已知確定矩陣變量的基礎上，重新生成方差為0.1，均值為±1的新矩陣變量。以w_ij為例(其余矩陣變量類似)，其計算公式如下：

w′_ij＝±1+0.1w_ij (12)

式(12)中，w′_ij為新生成w_ij的初始化矩陣；w_ij為原初始化矩陣。通過這一處理過程，新的w′_ij內所有數(shù)值具有全正或全負的特點；

通過上述討論過程，最終確定使模型的訓練誤差最小時所對應的w_ij，w_jk，b_j，a_j四個矩陣變量的最優(yōu)值組合。