CN103733210A - 用于对技术系统进行计算机辅助的建模的方法 - Google Patents

Abstract

本发明涉及一种用于对技术系统进行计算机辅助的建模的方法，其中依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量。所述神经网络（NN）在此是具有输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O）的前馈网络。该网络的特点在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。本发明的方法尤其适用于对再生发电设备、例如风力发电设备或太阳能设备形式的技术系统建模。在此，该神经网络优选依据预测的天气数据来预测未来的、由该发电设备生成的能量量。

Description

用于对技术系统进行计算机辅助的建模的方法

技术领域

本发明涉及一种用于对技术系统进行计算机辅助的建模的方法以及一种用于预测技术系统的一个或多个运行参数的方法。

背景技术

在多个应用领域中，值得期望的是计算机辅助地对技术系统的特性建模，以由此预计该技术系统的特定运行参数。例如，在电能产生的领域中越来越频繁地采用再生发电设备，这些再生发电设备的所产生的能量量（Energiemenge）强烈受到外部参量以及尤其是天气条件的影响。由此对于再生发电设备形式的技术系统来说，期望适当地预计未来所产生的能量量，以由此能够更好地规划这样的发电设备的能量馈送。

发明内容

因此本发明的任务是计算机辅助地对技术系统建模，使得其运行参数可以被可靠和精确地预测。

该任务通过根据权利要求1和权利要求14的方法以及通过根据权利要求16的计算机程序产品来解决。本发明的改进方案被定义在从属权利要求中。

本发明的方法为了对技术系统进行计算机辅助的建模而使用人工神经网络。在此，依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络，对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及其中相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量。

神经网络在此是前馈网络的特殊变型。前馈网络的特征在于，多个相叠的神经元层在从较低层到较高层的处理方向上通过合适的加权而以加权矩阵的形式相互耦合，其中在一个层内的神经元相互之间不具有连接。在本发明中使用的前馈网络是具有多个相互连接的层的多层网络，这些层包括输入层、多个隐藏层以及输出层。在此，输入层包含用于描述所述一个或多个输入向量的多个输入神经元。与此相应地，相应的隐藏层包括多个隐藏神经元，并且输出层包含用于描述所述一个或多个输出向量的多个输出神经元。

本发明的神经网络的特点在于，输出层包括与多个隐藏层对应的多个输出集群，这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群描述相同的输出向量并且与另一个隐藏层连接。由此向每个隐藏层分配输出集群，其中该隐藏层仅与该输出集群耦合。因此实现了单独的、在神经网络中彼此无关地描述技术系统的相同运行参数的输出集群。与常规的前馈网络不同，在本发明的神经网络中位于最上面的隐藏层下方的隐藏层不仅与较高的隐藏层连接，而且与输出层的输出集群连接。由此向该输出层输送附加的误差信息，使得对应学习的神经网络可以更好地预计技术系统的运行参数。由于每个所述输出集群都提供相同的运行参数，因此所预测的运行参数例如可以通过在输出集群上求平均来代表。

在本发明方法的特别优选的实施方式中，神经网络的输入层与隐藏层中的每一个连接，这在常规的前馈网络中不是这样。在那里输入层仅与最下面的隐藏层耦合。通过这种方式，影响技术系统的运行的输入参量直接流入每个隐藏层中，这又导致对该技术系统的运行参量的改善的预测。

在本发明方法的特别优选的实施方式中，技术系统的对应运行参量在较长的未来时间段通过神经网络来加以建模。在此，相应的输出向量包括针对在未来时间段内的多个相继的未来时间点的一个或多个运行参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。这种时间段尤其适合于预测通过再生发电设备产生的能量量，如下面还要更详细描述的。

在本发明的另一优选实施方式中，神经网络的输入层的输入向量也是预测的参量。在此，相应的输入向量包括针对在未来时间段内的相继的未来时间点中的一个未来时间点的一个或多个预测的输入参量，其中与输出向量类似，该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。针对输入向量的对应预测时间点必要时可以与针对输出向量的预测时间点一致。

如上面已经提到的，利用本发明的方法在一种优选的变型中对发电设备形式以及尤其是再生发电设备形式的技术系统进行建模。尤其是该发电设备在此是具有一个或多个风力涡轮机、例如以风电场（Windpark）的形式的风力发电设备。该发电设备还可以是太阳能设备，尤其是太阳热能设备和/或光伏设备。

在将本发明的方法用于发电设备的情况下，在一种优选的变型中相应的输出向量作为运行参量包括针对多个相继的未来时间点通过该发电设备生成的能量量。概念“能量量”在此应当广泛地理解，并且可以涉及在特定时间段内产生的能量量或涉及每时间单位的能量量并由此涉及电功率。优选地，能量量是在两个相继的未来时间点之间生成的能量量。该能量量对于所观察的相应时间点来说是在先前的时间点和所观察的时间点之间产生的能量量，该能量量也可以以电功率的形式来加以说明（也就是说，能量量除以时间点之间的时间区间）。

在另一优选的实施方式中，在对发电设备建模时使用分别作为输入参量包括针对来自多个未来时间点的一个未来时间点的一个或多个预测的环境条件的输入向量，其中预测的环境条件尤其是例如来自气象服务的天气数据或天气预报。预测的天气数据在此涉及在以下地点处测定的数据：其处于或尽可能靠近对应发电设备的地理地点。优选地，预测的环境条件在此包括以下参量中的一个或多个：

- 一个或多个环境温度；

- 一个或多个空气湿度值；

- 一个或多个风速和/或风向。

这些参量尤其是与风力发电设备形式的发电设备结合地使用。在此，例如可以考虑针对不同高度的温度值，尤其是针对25m、50m或150m的温度值，由此考虑以下事实：风力发电设备的风力涡轮机具有大的直径。附加于或替换所提到的参量，作为其它环境条件可以考虑一个或多个与天空被云遮蔽有关的值或一个或多个太阳辐射值（例如以光强来加以说明）。最后提到的环境条件尤其是在将本发明的方法用于对太阳能设备建模时一起提及。

在本发明的一种优选变型中，对技术系统的建模和基于此的预测通过以下方式得到改善，即也考虑分析模型的输出。在这种情况下，神经网络的输入层包括一个或多个用于描述一个或多个其它输入向量的输入神经元。所述其它输入向量不同于用于描述输入参量的输入向量。代替地，所述其它输入向量是技术系统的利用适当的分析模式确定的运行参量中的一个或多个。与神经网络类似地，分析模型也基于对应的输入参量来提供技术系统的运行参量。

隐藏层和隐藏神经元的数量在本发明的神经网络中可以根据应用情况不同地来选择。在本发明的一种变型中，在神经网络中可以设置10个或更多隐藏层，并由此也可以设置10个或更多输出集群。在隐藏层中的隐藏神经元的数量例如在20和30个神经元之间。

神经网络在本发明方法的范围中可以利用本身已知的学习方法来加以学习。尤其是在此在学习的范围内对每个输出集群，作为目标参量将通过该输出集群描述的输出向量与根据训练数据的输出向量之间的差异最小化。在一种优选的变型中，该学习利用由现有技术充分已知的误差反向传播方法（英语：Error Backpropagation）来实现。

除了上述用于对技术系统建模的方法之外，本发明还涉及一种用于预测技术系统的一个或多个运行参数的方法，其中向已利用本发明的方法学习的神经网络经由输入层输送一个或多个输入参量，接着通过神经网络为神经网络的输出层的至少一个输出集群确定具有该技术系统的一个或多个运行参数的对应输出向量。该预测方法的优点是：必要时在预测的范围内仅能使用神经网络的特定部分并且在预测时略去更高的隐藏层连同与这些隐藏层耦合的输出向量。尤其是可以在此依据预测品质适当确定神经网络的用于预测所使用的片段。

在本发明预测方法的变型中，对于多个输出集群并且尤其是对于所有输出集群确定对应的输出向量。在此可以接着对它们的运行参量求平均，其中于是该平均值是预测的运行参量。

除了上述方法之外，本发明还涉及计算机程序产品，其具有存储在机器可读数据载体上的程序代码，当该程序代码在计算机上被执行时，该程序代码用于执行对应方法或该方法的优选变型。

附图说明

下面借助附图详细描述本发明的实施例。

图1示出在本发明的方法中使用的神经网络结构的实施方式的示意图；以及

图2示出将利用本发明的方法预测的风力发电设备的能量量与实际产生的能量量相比较的图表。

具体实施方式

下面借助风力发电设备形式的技术系统阐述本发明方法的实施方式，其中利用该方法经由神经网络来预测馈送到电流网络中的由风力发电设备生成的能量量。该预测使用该风力发电设备所遭受的环境条件。这些环境条件在此是同样是预测的天气数据，其例如来自气象服务。在这里所描述的实施方式中，在此对于该风力发电设备的风力涡轮机所安装在的地点考虑温度、空气湿度以及风向和风力作为环境条件。在此可以提及针对不同高度的温度，因为各个风力涡轮机的主机在垂直方向上在更大的长度上延伸。尤其是例如可以考虑在25m、50m和150m的高度中的温度值。

本发明的方法必要时还可以被用于不同于风力发电设备的发电设备。例如，该方法可以被用于预测由光伏设备产生的能量量。在这种情况下，作为输入参量优选同样提及温度、空气湿度、风向和风力。附加地，在此还考虑天空被云遮蔽程度或太阳辐射。但是不再需要测定针对不同高度的温度值，因为光伏设备的嵌板一般位于统一的高度水平上。

利用本发明的方法执行的预测经由神经网络来加以实现，该神经网络利用由已知的产生的能量量和已知的环境条件组成的适当训练数据被学习。在此，该神经网络具有专门的网络结构，其在图1中示出。

图1的神经网络是具有多个相叠的层的前馈网络，其中不同层的耦合仅在从较低层到较高层的处理方向上进行并且在一个层内在该层中包含的神经元不相互耦合。图1的网络包括具有输入神经元的输入层I、三个具有隐藏神经元的隐藏层H1、H2和H3，以及被划分为由输出神经元组成的三个单独输出集群O1，O2和O3的输出层O。在层之间的、本身已知的耦合通过箭头来表示，一个层的神经元经由所述耦合借助于对应的加权矩阵与另一层的神经元连接。各个神经元的激活函数在图1的网络中是非线性的并且例如通过双曲正切（Tanh）代表。

与常规的前馈网络不同，图1的神经网络的特点在于，对于每个所述隐藏层H1，H2或H3存在单独的输出集群O1，O2或O3。也就是说，每个隐藏层恰好被分配了一个输出集群并且每个输出集群通过加权矩阵仅与一个隐藏层耦合。常规地，前馈网络仅包含在最上面的隐藏层与输出层之间的连接。通过根据本发明使用附加的、与较低的隐藏层连接的输出集群，向输出层输送附加的误差信息，由此避免了针对小加权的误差信息消失。

每个所述输出集群O1至O3都针对多个未来时间点预测风力发电设备的相同能量量。也就是说，通过每个输出集群预计风力发电设备的相同运行参量。由此每个输出集群都与其它集群无关地提供针对能量量的预计值。作为针对相应未来时间点的最终预测值，在此例如可以从各个输出集群的能量量中确定平均值。在这里描述的实施方式中，输出集群描述在从一天或也几天的预计时间段内针对利用风力发电设备产生的能量量的每小时预计。在此，单个输出神经元代表针对特定时间点的预计的能量量。由此如果作为预测时间段考察一天的间隔，则输出集群对于一天内的每个小时包含24个神经元。

图1的网络相对于常规前馈网络的另一区别在于，输入层I不仅与最下面的隐藏层H1直接连接，而且与其它、位于该最下面的隐藏层上方的隐藏层H2和H3直接连接。通过这种将输入层输送给所有隐藏层，避免了输入层的信息在神经网络中的处理的范围中遭到丢失。

在使用神经网络来用于风力发电设备的范围中，输入层I包含多个形成对应的输入向量的输入神经元，其中每个输入向量是在特定预计时间点的预测的天气数据。与输出层类似，可以对于接着的24个小时考虑在每小时的间隔中的预测的天气数据。也就是说，输入层对每个小时都包含对应的输入向量，该输入向量包括用于每个预测的值的输入神经元。根据应用情况，在神经网络中使用的隐藏层的数量可以变化。例如，可以使用10个隐藏层，于是这些隐藏层导致10个输出集群。在各个隐藏层中的神经元的数量同样可以变化。尤其是一个隐藏层可以包括20至30个神经元。

在图1的神经网络的变体中，除了描述环境条件的输入向量之外还考虑是能量量的预计的其它输入向量，所述能量量的预计是经由分析模型来确定的。在由发明人所实施的变型中，在此使用由现有技术本身已知的Jensen模型作为分析模型。该模型描述由风力发电设备依据天气数据生成的能量量并且例如被描述在出版物[1]和[2]中。通过使用经由分析模型预测的运行参数作为其它输入向量，可以进一步改善神经网络的预测品质。

在图1的神经网络的学习范围中，利用由已知的预计的天气数据和基于此的能量量组成的训练数据对每个所述输出集群O1至O3进行学习，其中该学习的目标值是经由相应输出集群输出的能量量与根据训练数据的能量量之间的偏差的最小化。该神经网络在此可以按照本身已知的方式用常规的学习方法来学习。在特别优选的变型中，采用由现有技术已知的误差反向传播方法（英语：Error Backpropagation）。

于是在利用适当的训练数据学习了神经网络之后，在风力发电设备的真实运行中可以预计未来产生的馈电功率。由此使得风力发电设备的运营者在提供所产生的能量量时可以更好地规划。尤其是，该运营者可以将其对能量量在能量市场上的供应与预测值相匹配。由于对未来能量产生的适当预测，所产生的能量量也可以更好地用作能量网中的调节能量。在技术系统的真实运行中使用神经网络的情况下，必要时还存在基于新添加的实际产生的能量量以规则的间隔在运行中在线地进一步学习该网络的可能性。

图2示出将利用本发明的神经网络预测的风力发电设备的能量量与实际产生的能量量加以比较的图表。在此，沿着该图表的横坐标以天为单位绘出时间t，并且沿着纵坐标绘出针对对应的一天所产生的能量量ES（ES=Energy Supply，能量供应）。虚线L2在此代表利用本发明的神经网络预计的、针对未来12个小时中的一个预测时间点的能量量。与此相应地，实线L1是风力发电设备的实际产生的能量量。看出的是，利用本发明的神经网络实际上可以实现对能量量的非常好的预测并且由此可以实现对风力发电设备的馈电功率的非常好的预测。

前面描述的本发明方法的实施方式具有一系列优点。尤其是利用本发明的、其中为每个隐藏层设置输出集群的神经网络结构可以以高度的非线性性地非常好地预计技术系统的运行参数。该方法特别良好地适用于基于预计的天气数据预计由再生发电设备产生的能量量，其中必要时附加地可以将经由分析或物理模型测定的能量量输送给神经网络的输入层。

文献目录：

第407-410页，

         

。

Claims (16)

1.用于对技术系统进行计算机辅助的建模的方法，其中：

-依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量；

-所述神经网络（NN）是具有多个相互连接的层（I，H1，H2，H3，O）的前馈网络，这些层包括输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O），其中输入层（I）包含用于描述所述一个或多个输入向量的多个输入神经元，以及其中相应的隐藏层（H1，H2，H3）包含多个隐藏神经元，并且输出层（O）包含用于描述所述一个或多个输出向量的多个输出神经元；

其特征在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。

2.根据权利要求1所述的方法，其中所述神经网络（NN）的输入层（I）与隐藏层（H1，H2，H3）中的每一个连接。

3.根据权利要求1或2所述的方法，其中相应的输出向量包括针对在未来时间段内的多个相继的未来时间点的一个或多个运行参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。

4.根据上述权利要求之一所述的方法，其中相应的输入向量包括针对在未来时间段内的相继的未来时间点中的一个未来时间点的一个或多个预测的输入参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。

5.根据上述权利要求之一所述的方法，其中利用该方法对发电设备以及尤其是再生发电设备形式的技术系统进行建模。

6.根据权利要求5所述的方法，其中该发电设备包括风力发电设备和/或太阳能设备，尤其是太阳热能设备和/或光伏设备。

7.根据权利要求5或6所述的方法，其中相应的输出向量作为运行参量包括针对多个相继的未来时间点的通过该发电设备生成的能量量（ES），其中能量量（ES）优选是在两个相继的未来时间点之间生成的能量量。

8.根据权利要求5至7之一所述的方法，其中相应的输入向量作为输入参量包括针对来自多个未来时间点的一个未来时间点的一个或多个预测的环境条件，其中预测的环境条件尤其是天气数据。

9.根据权利要求8所述的方法，其中所述一个预测的环境条件或多个预测的环境条件包括以下参量中的一个或多个：

-一个或多个环境温度；

-一个或多个空气湿度值；

-一个或多个风速和/或风向；

-一个或多个涉及与天空被云遮蔽有关的值；

-一个或多个太阳辐射值。

10.根据上述权利要求之一所述的方法，其中所述输入层（I）还包括一个或多个用于描述一个或多个其它输入向量的输入神经元，其中所述一个或多个其它输入向量包括技术系统的用分析模型确定的运行参量中的一个或多个。

11.根据上述权利要求之一所述的方法，其中设置10个或更多隐藏层，和/或每个隐藏层包括在20与30个之间的隐藏神经元。

12.根据上述权利要求之一所述的方法，其中在神经网络学习的范围内对每个输出集群（O1，O2，O3），作为目标参量将通过该输出集群（O1，O2，O3）描述的输出向量与根据训练数据的输出向量之间的差异最小化。

13.根据上述权利要求之一所述的方法，其中神经网络的学习基于误差反向传播进行。

14.用于预测技术系统的一个或多个运行参数的方法，其中向利用根据上述权利要求之一所述的方法学习的神经网络（NN）经由输入层（I）输送一个或多个输入参量，接着通过该神经网络（NN）为输出层（O）的至少一个输出集群（O1，O2，O3）确定具有该技术系统的一个或多个运行参数的对应输出向量。

15.根据权利要求14所述的方法，其中对于多个输出集群并且尤其是对于所有输出集群（O1，O2，O3）确定对应的输出向量，接着对这些输出向量的运行参量求平均。

16.计算机程序产品，具有存储在机器可读数据载体上的程序代码，当该程序代码在计算机上被执行时，该程序代码用于执行根据上述权利要求之一所述的方法。

Images