CN104484704A - 一种基于bp神经网络的风电场理论功率确定方法 - Google Patents

Abstract

本发明提供一种基于BP神经网络的风电场理论功率确定方法，包括以下步骤：历史气象要素数据与风电场发电功率数据的预处理；建立BP神经网络的数学模型；确定风电场理论功率。本发明提供的基于BP神经网络的风电场理论功率确定方法，考虑到气象要素，能大幅降低风电场的运维成本，也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。

Description

一种基于BP神经网络的风电场理论功率确定方法

技术领域

本发明属于风力发电技术领域，具体涉及一种基于BP神经网络的风电场理论功率确定方法。

背景技术

随着风电的快速发展，由于消纳能力有限造成的弃风现象频现，同时也存在由于故障停机等原因造成的电量损失，如何科学评估这些电量损失及其成因已经越来越受到业内的广泛关注。要评估电量损失，首先需要对风电场的理论功率进行评估，该能力也称“理论功率”。

在实际生产中，风电场向调度上报的电量损失，有的用装机容量作为理论功率，有的采用计算时段起、止时刻功率的平均值作为理论功率，有的用预测功率作为理论功率，这些方法由于缺乏理论基础或误差过大，不宜作为评估风电场发电能力的依据。近几年，出现了一些针对弃风电量评估风电场理论功率的方法，如标杆风机法，即在弃风时段保留几台风机正常运行，根据这几台风机的实际功率推算整个风电场的理论功率。由于风机出力受到地表状况、风向、风机尾流等因素的影响，不同风机的出力并非简单的线性关系，且实时发生着变化，因而标杆风机法存在过度简化的问题，特别是在风电场地形等条件较为复杂的情况下,容易带来较大的计算误差。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于BP神经网络的风电场理论功率确定方法，考虑到气象要素，能大幅降低风电场的运维成本，也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于BP神经网络的风电场理论功率确定方法，所述方法包括以下步骤：

步骤1：历史气象要素数据与风电场发电功率数据的预处理；

步骤2：建立BP神经网络的数学模型；

步骤3：确定风电场理论功率。

所述步骤1具体包括以下步骤：

步骤1-1：删除历史气象要素数据中的异常数据，异常数据包括超过风速阈值的风速数据；

步骤1-2：删除风电场发电功率数据中的以下两种数据：

1)风速数据正常，且连续3小时以上为0的数据；

2)风速数据正常，且连续3小时以上保持不变的数据。

所述步骤2中，BP神经网络包括输入层、隐含层和输出层；步骤2具体包括以下步骤：

步骤2-1：建立BP神经网络的数学模型；

步骤2-2：确定隐含层各节点的输出和输出层各节点的输出；

步骤2-3：进行权值学习，若训练次数达到设定次数，则训练结束。

所述步骤2-1中，BP神经网络的数学模型表示为：

$\left\{\begin{array}{c}\min E(w,v,\mathrm{\θ},\mathrm{\γ})=\frac{1}{p}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{[y_k\left(t\right)-{\hat{y}}_k\left(t\right)]}^2\\ {\hat{y}}_k\left(t\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jk}}\·f[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}x{w}_{\mathrm{ij}}+{\mathrm{\θ}}_j]+{\mathrm{\γ}}_k\\ f\left(x\right)=\frac{1}{1+e^{-x}}\\ s.t.w_{\mathrm{ij}}\∈R^{m\×p},v_{\mathrm{jk}}\∈R^{p\×N_1},{\mathrm{\θ}}_j\∈R^p,{\mathrm{\γ}}_k\∈R^{N_1}\end{array}\right.$

其中，x为训练样本，为BP神经网络的实际输出，y_k(t)为BP神经网络的期望输出，w_ij为输入层节点i到隐含层节点j的权值，v_jk为隐含层节点j到输出层节点k的权值，θ_j为隐含层节点j的阈值，γ_k为输出层节点k的阈值，p为隐含层节点个数，m为输入层节点的个数，N₁为输出层节点的个数，f(x)为激活函数，R为实数，j∈[1,p]，i∈[1,m]，k∈[1,N₁]。

所述步骤2-2中，实现全局误差函数E在曲面上按梯度下降，有：

$\left\{\begin{array}{c}-\frac{\∂E}{\∂w_{\mathrm{ij}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂w_{\mathrm{ij}}})\\ -\frac{\∂E}{\∂{\mathrm{\θ}}_j}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\θ}}_j})\\ -\frac{\∂E}{\∂v_{\mathrm{jk}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂v_{\mathrm{jk}}})\\ -\frac{\∂E}{\∂{\mathrm{\γ}}_k}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\γ}}_k})\end{array}\right.$

其中，E_k为输出层节点k的全局误差函数值；

按梯度下降规则，有：

$\left\{\begin{array}{c}\mathrm{\Δ}{v}_{\mathrm{jk}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂v_{\mathrm{jk}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂v_{\mathrm{jk}}}\\ \mathrm{\Δ}{w}_{\mathrm{ij}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂w_{\mathrm{ij}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\\ \mathrm{\Δ}{\mathrm{\γ}}_k=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\γ}}_k}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂{\mathrm{\γ}}_k}\\ \mathrm{\Δ}{\mathrm{\θ}}_j=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\θ}}_j}-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\·\frac{\∂s_j}{\∂{\mathrm{\θ}}_j}\\ b_j=f\left(s_j\right)\\ s_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}x+{\mathrm{\θ}}_j)\end{array}\right.$

其中，b_j为隐含层节点j的输出；s_j为输出层节点k的输出；η为学习率，且0＜η＜1；Δv_jk为隐含层节点j到输出层节点k的权值变化率；Δw_ij为输入层节点i到隐含层节点j的权值变化率；Δθ_j为隐含层节点j的阈值变化率，Δγ_k为输出层节点k的阈值变化率。

所述步骤2-3中，权值学习过程中，有：

$\left\{\begin{array}{c}{w}_{\mathrm{ij}}(l+1)=w_{\mathrm{ij}}\left(l\right)+\mathrm{\Δ}{w}_{\mathrm{ij}}\\ v_{\mathrm{jk}}(l+1)=v_{\mathrm{jk}}\left(l\right)+\mathrm{\Δ}{v}_{\mathrm{jk}}\\ {\mathrm{\θ}}_j(l+1)={\mathrm{\θ}}_j\left(l\right)+\mathrm{\Δ}{\mathrm{\θ}}_j\\ {\mathrm{\γ}}_k(l+1)={\mathrm{\γ}}_k\left(l\right)+\mathrm{\Δ}{\mathrm{\γ}}_k\end{array}\right.$

其中，l为训练次数；w_ij(l)和w_ij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值；v_jk(l)和v_jk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值；θ_j(l)和θ_j(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值；γ_k(l)和γ_k(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值；

权值学习后，分别由w_ij、v_jk、θ_j和γ_k即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。

所述步骤3中，风电场理论功率表示为：

Y＝V·f(W·X+Φ)+Υ

其中，X为实时气象要素数据，Y为风电场理论功率。

与现有技术相比，本发明的有益效果在于：

本发明提供的基于BP神经网络的风电场理论功率确定方法，通过建立BP神经网络的数学模型，考虑到气象要素，能大幅降低风电场的运维成本，也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。

附图说明

图1是本发明实施例中基于BP神经网络的风电场理论功率确定方法流程图；

图2是本发明实施例中BP神经网络结构示意图；

图3是本发明实施例中BP神经网络的数学模型的建模流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1，本发明提供一种基于BP神经网络的风电场理论功率确定方法，所述方法包括以下步骤：

步骤1：历史气象要素数据与风电场发电功率数据的预处理；

步骤2：建立BP神经网络的数学模型；

步骤3：确定风电场理论功率。

所述步骤1具体包括以下步骤：

步骤1-1：删除历史气象要素数据中的异常数据，异常数据包括超过风速阈值的风速数据；

步骤1-2：删除风电场发电功率数据中的以下两种数据：

1)风速数据正常，且连续3小时以上为0的数据；

2)风速数据正常，且连续3小时以上保持不变的数据。

(如图2)BP神经网络包括输入层、隐含层和输出层；BP神经网络(Back PropagationNeural Network)是指基于误差反向传播算法的多层前向神经网络，采用有导师的训练方式。BP网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入节点一次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。

如图3，步骤2具体包括以下步骤：

步骤2-1：建立BP神经网络的数学模型；

步骤2-2：确定隐含层各节点的输出和输出层各节点的输出；

步骤2-3：进行权值学习，若训练次数达到设定次数，则训练结束。

所述步骤2-1中，BP神经网络的数学模型表示为：

$\left\{\begin{array}{c}\min E(w,v,\mathrm{\θ},\mathrm{\γ})=\frac{1}{p}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{[y_k\left(t\right)-{\hat{y}}_k\left(t\right)]}^2\\ {\hat{y}}_k\left(t\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jk}}\·f[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}x{w}_{\mathrm{ij}}+{\mathrm{\θ}}_j]+{\mathrm{\γ}}_k\\ f\left(x\right)=\frac{1}{1+e^{-x}}\\ s.t.w_{\mathrm{ij}}\∈R^{m\×p},v_{\mathrm{jk}}\∈R^{p\×N_1},{\mathrm{\θ}}_j\∈R^p,{\mathrm{\γ}}_k\∈R^{N_1}\end{array}\right.$

其中，x为训练样本，为BP神经网络的实际输出，y_k(t)为BP神经网络的期望输出，w_ij为输入层节点i到隐含层节点j的权值，v_jk为隐含层节点j到输出层节点k的权值，θ_j为隐含层节点j的阈值，γ_k为输出层节点k的阈值，p为隐含层节点个数，m为输入层节点的个数，N₁为输出层节点的个数，f(x)为激活函数，R为实数，j∈[1,p]，i∈[1,m]，k∈[1,N₁]。

所述步骤2-2中，实现全局误差函数E在曲面上按梯度下降，有：

$\left\{\begin{array}{c}-\frac{\∂E}{\∂w_{\mathrm{ij}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂w_{\mathrm{ij}}})\\ -\frac{\∂E}{\∂{\mathrm{\θ}}_j}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\θ}}_j})\\ -\frac{\∂E}{\∂v_{\mathrm{jk}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂v_{\mathrm{jk}}})\\ -\frac{\∂E}{\∂{\mathrm{\γ}}_k}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\γ}}_k})\end{array}\right.$

其中，E_k为输出层节点k的全局误差函数值；

按梯度下降规则，有：

$\left\{\begin{array}{c}\mathrm{\Δ}{v}_{\mathrm{jk}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂v_{\mathrm{jk}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂v_{\mathrm{jk}}}\\ \mathrm{\Δ}{w}_{\mathrm{ij}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂w_{\mathrm{ij}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\\ \mathrm{\Δ}{\mathrm{\γ}}_k=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\γ}}_k}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂{\mathrm{\γ}}_k}\\ \mathrm{\Δ}{\mathrm{\θ}}_j=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\θ}}_j}-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\·\frac{\∂s_j}{\∂{\mathrm{\θ}}_j}\\ b_j=f\left(s_j\right)\\ s_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}x+{\mathrm{\θ}}_j)\end{array}\right.$

其中，b_j为隐含层节点j的输出；s_j为输出层节点k的输出；η为学习率，且0＜η＜1；Δv_jk为隐含层节点j到输出层节点k的权值变化率；Δw_ij为输入层节点i到隐含层节点j的权值变化率；Δθ_j为隐含层节点j的阈值变化率，Δγ_k为输出层节点k的阈值变化率。

所述步骤2-3中，权值学习过程中，有：

$\left\{\begin{array}{c}{w}_{\mathrm{ij}}(l+1)=w_{\mathrm{ij}}\left(l\right)+\mathrm{\Δ}{w}_{\mathrm{ij}}\\ v_{\mathrm{jk}}(l+1)=v_{\mathrm{jk}}\left(l\right)+\mathrm{\Δ}{v}_{\mathrm{jk}}\\ {\mathrm{\θ}}_j(l+1)={\mathrm{\θ}}_j\left(l\right)+\mathrm{\Δ}{\mathrm{\θ}}_j\\ {\mathrm{\γ}}_k(l+1)={\mathrm{\γ}}_k\left(l\right)+\mathrm{\Δ}{\mathrm{\γ}}_k\end{array}\right.$

其中，l为训练次数；w_ij(l)和w_ij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值；v_jk(l)和v_jk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值；θ_j(l)和θ_j(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值；γ_k(l)和γ_k(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值；

为计算风电场理论功率，选取风电场正常运行时段，提取这些时段内的气象要素数据及风电场实发功率。以此数据为输入数据，基于BP网络，建立BP神经网络的数学模型。从物理意义方面考虑，风速、风向、气温、气压、湿度等气象要素数据都是预测模型的必要输入。

权值学习后，分别由w_ij、v_jk、θ_j和γ_k即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。

在风电机组非正常运行时段，将实时气象要素数据输入到此前建立的统计模型，可以输出该时段风电场的应有输出功率，也称风电场理论功率。于是步骤3中，风电场理论功率表示为：

Y＝V·f(W·X+Φ)+Υ

其中，X为实时气象要素数据，Y为风电场理论功率。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种基于BP神经网络的风电场理论功率确定方法，其特征在于：所述方法包括以下步骤：

步骤1：历史气象要素数据与风电场发电功率数据的预处理；

步骤2：建立BP神经网络的数学模型；

步骤3：确定风电场理论功率。

2.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤1具体包括以下步骤：

步骤1-1：删除历史气象要素数据中的异常数据，异常数据包括超过风速阈值的风速数据；

步骤1-2：删除风电场发电功率数据中的以下两种数据：

1)风速数据正常，且连续3小时以上为0的数据；

2)风速数据正常，且连续3小时以上保持不变的数据。

3.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤2中，BP神经网络包括输入层、隐含层和输出层；步骤2具体包括以下步骤：

步骤2-1：建立BP神经网络的数学模型；

步骤2-2：确定隐含层各节点的输出和输出层各节点的输出；

步骤2-3：进行权值学习，若训练次数达到设定次数，则训练结束。

4.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤2-1中，BP神经网络的数学模型表示为：

$\left\{\begin{array}{c}\min E(w,v,\mathrm{\θ},\mathrm{\γ})=\frac{1}{p}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{[y_k\left(t\right)-{\hat{y}}_k\left(t\right)]}^2\\ {\hat{y}}_k\left(t\right)=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{v}_{\mathrm{jk}}\·f[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}x{w}_{\mathrm{ij}}+{\mathrm{\θ}}_j]+{\mathrm{\γ}}_k\\ f\left(x\right)=\frac{1}{1+e^{-x}}\\ s.t.w_{\mathrm{ij}}\∈R^{m\×p},v_{\mathrm{jk}}\∈R^{p\×N_1},{\mathrm{\θ}}_j\∈R^p,{\mathrm{\γ}}_k\∈R^{N_1}\end{array}\right.$

其中，x为训练样本，为BP神经网络的实际输出，y_k(t)为BP神经网络的期望输出，w_ij为输入层节点i到隐含层节点j的权值，v_jk为隐含层节点j到输出层节点k的权值，θ_j为隐含层节点j的阈值，γ_k为输出层节点k的阈值，p为隐含层节点个数，m为输入层节点的个数，N₁为输出层节点的个数，f(x)为激活函数，R为实数，j∈[1,p]，i∈[1,m]，k∈[1,N₁]。

5.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤2-2中，实现全局误差函数E在曲面上按梯度下降，有：

$\left\{\begin{array}{c}-\frac{\∂E}{\∂w_{\mathrm{ij}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂w_{\mathrm{ij}}})\\ -\frac{\∂E}{\∂{\mathrm{\θ}}_j}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\θ}}_j})\\ -\frac{\∂E}{\∂v_{\mathrm{jk}}}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂v_{\mathrm{jk}}})\\ -\frac{\∂E}{\∂{\mathrm{\γ}}_k}=\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}(-\frac{\∂E_k}{\∂{\mathrm{\γ}}_k})\end{array}\right.$

其中，E_k为输出层节点k的全局误差函数值；

按梯度下降规则，有：

$\left\{\begin{array}{c}\mathrm{\Δ}{v}_{\mathrm{jk}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂v_{\mathrm{jk}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂v_{\mathrm{jk}}}\\ \mathrm{\Δ}{w}_{\mathrm{ij}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂w_{\mathrm{ij}}}=-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\\ \mathrm{\Δ}{\mathrm{\γ}}_k=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\γ}}_k}=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\hat{y}}_k}\·\frac{\∂{\hat{y}}_k}{\∂{\mathrm{\γ}}_k}\\ \mathrm{\Δ}{\mathrm{\θ}}_j=-\mathrm{\η}\·\frac{\∂E_k}{\∂{\mathrm{\θ}}_j}=-\mathrm{\η}\·\frac{\∂E_k}{\∂b_j}\·\frac{\∂b_j}{\∂s_j}\·\frac{\∂s_j}{\∂{\mathrm{\θ}}_j}\\ b_j=f\left(s_j\right)\\ s_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}x+{\mathrm{\θ}}_j)\end{array}\right.$

其中，b_j为隐含层节点j的输出；s_j为输出层节点k的输出；η为学习率，且0＜η＜1；Δv_jk为隐含层节点j到输出层节点k的权值变化率；Δw_ij为输入层节点i到隐含层节点j的权值变化率；Δθ_j为隐含层节点j的阈值变化率，Δγ_k为输出层节点k的阈值变化率。

6.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤2-3中，权值学习过程中，有：

$\left\{\begin{array}{c}{w}_{\mathrm{ij}}(l+1)=w_{\mathrm{ij}}\left(l\right)+\mathrm{\Δ}{w}_{\mathrm{ij}}\\ v_{\mathrm{jk}}(l+1)=v_{\mathrm{jk}}\left(l\right)+\mathrm{\Δ}{v}_{\mathrm{jk}}\\ {\mathrm{\θ}}_j(l+1)={\mathrm{\θ}}_j\left(l\right)+\mathrm{\Δ}{\mathrm{\θ}}_j\\ {\mathrm{\γ}}_k(l+1)={\mathrm{\γ}}_k\left(l\right)+\mathrm{\Δ}{\mathrm{\γ}}_k\end{array}\right.$

其中，l为训练次数；w_ij(l)和w_ij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值；v_jk(l)和v_jk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值；θ_j(l)和θ_j(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值；γ_k(l)和γ_k(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值；

权值学习后，分别由w_ij、v_jk、θ_j和γ_k即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。

7.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法，其特征在于：所述步骤3中，风电场理论功率表示为：

Y＝V·f(W·X+Φ)+Υ

其中，X为实时气象要素数据，Y为风电场理论功率。