CN110674605A - 一种基于运行参数的风机功率建模方法 - Google Patents

Abstract

本发明公开了一种基于运行参数的风机功率建模方法，它包含如下步骤：通过相关测量元器件测得风场运行风机主要运行参数；利用相关性分析方法确定模型的输入变量，模型的输出变量为风机功率；基于Morlet小波神经网络构建风机功率预测模型；为了提高模型的预测精度，分别对模型的隐层节点数、学习因子及连接权值进行优化。本发明和众多国内外风机功率建模与预测模型相比，由于采用了模型结构、模型参数逐次优化，步步逼近的方法，提高了模型预测精度，预测偏差满足工程要求，因此所建模型有实际工程参考与应用价值。

Description

一种基于运行参数的风机功率建模方法

技术领域

本发明涉及风力发电领域，尤其涉及风机功率预测与建模，是一种基于运行参数的风机功率建模方法。

背景技术

近年来，环境问题成为了各国经济发展道路上不可忽视的问题，因此，各国政府积极发展可再生能源技术，风力发电在电力行业中异军突起。在过去的15年中，全球新增电力容量同比增长17.25％，全球风电累计装机容量同比增长25.25％；中国新增装机容量跃升为世界第一位，占全球新增装机容量的44.77％。目前看来，全球风电市场主要集中在中国、美国、德国、西班牙和印度。现阶段，风能是发展最为迅猛的可再生能源之一，在全球能源结构中的占比呈现逐年上升的趋势，发展前景十分广阔，并且在未来的一段时间内，风电规模仍然会以不俗的速度保持稳定增长。

随着风电并网技术的日臻成熟，风电在电网所占的比重也越来越大。但是，风电这种可再生能源发电的局限性也逐渐暴露出来：间歇性和随机性，因此风机的功率输出极不稳定。因此，将大型风力发电场在并网运行，将对电力系统的安全稳定和系统内电能质量造成不成程度的损害。当下，西部地区是我国大型风力发电厂的集中地带，恰恰西部地区的电网系统可靠性相对脆弱，因此更加容易受到风电波动性的冲击和影响。所以说，如何在减轻对电网的损害基础上提高风电利用率和并网率，是目前我国在风电行业发展进程中亟待解决的两大问题。现如今，精准的风电功率预测已经成为减小风电并网对电网系统不利影响的重要途径之一。在此，拟通过实时测量得到的风电机组运行数据，基于Morlet小波神经网络，提出一种基于运行参数的风机功率建模方法。

发明内容

本文主要解决的技术问题是：提出了一种基于运行参数的风机功率建模方法，该方法仅需要将现场实时采集的风电机组运行数据，代人提前训练好的功率预测模型，便可以直接预知风电机组未来的输出功率，为风电厂及电网优化调度提供依据。

为了实现上述目的，本发明采用了如下技术方案：

一种基于运行参数的风机功率建模方法，它包含如下步骤：

1.数据的采集

通过相关测量元器件测得风场运行风机主要运行参数；

2.相关性分析

采用Pearson相关性分析公式计算风机主要运行参数与风机功率间的相关系数，其Pearson计算公式如下：

式(1)中，r表示相关性系数，无量纲；xi、yi表示待计算的两个变量的第i个分量，i＝1，2，...，n；

表示待计算的两个变量的平均值。

采用公式(1)计算风机主要运行参数与风机功率间的相关系数后，将相关系数大于0.5的参数作为构建风机功率模型的输入变量，以风机功率作为模型的输出，采用Morlet小波神经网络构建风机功率模型，具体过程如下：

3.构建Morlet小波神经网络风机功率模型

(1)模型的输入变量和输出变量

模型的输入变量为由上面步骤2所确定的测量参数，输出为风机的实际输出功率(kW)。

(2)模型的隐层节点激励函数

在此，所选择的模型隐层节点的激励函数为Morlet小波函数，其由一个cosine函数和高斯概率密度函数之积构成。它是高斯网络下的单频率负正弦函数，无限平滑、对称，其紧支区间为[-4，4]。数学表达式：

(3)模型的前向传递算法

模型的输入层-隐层传递函数为：

式(3)中，bj为尺度因子；a_j为伸缩因子；l为输入层输入变量个数；w_ij为第i个输入层到第j个隐层的连接权值；u_j为第j个隐层节点的输入；v_j为j个隐层节点的输出；ψ为Morlet小波激励函数。

模型的隐层-输出层传递函数为：

式(4)中，W_jk表示第j个隐层到第k个输出层的连接权值；v_j为j个隐层节点的输出；J为隐层节点数；p_k为输出层节点的输入；q_k为输出层节点的输出；Purelin表示线性传输函数。

模型的预测输出为：

y_k＝q_k (5)

式(5)中，y_k表示模型的预测输出；q_k为输出层节点的输出。

(4)模型的连接权值修正算法

求取第n+1步w_ij，W_jk，b_j，a_j的连接权值修正方程分别为：

式(6)、(7)、(8)、(9)中，η₁，η₂为学习因子，一般0＜η₁，η₂＜1；E为输出层所有神经元输出误差能量总和，其公式如下：

式(10)中，er_k为第k个输出神经元的误差信号；o_k为实际值；y_k为模型的预测输出。

4.Morlet小波神经网络模型的优化

(1)模型隐层节点数的优化

为了确定最优隐层节点数，依次将隐层节点数取为1，2，...，20，共20种情况，然后选取相同的训练样本、训练次数，对比模型的训练误差，选取使得训练误差最小时所对应的隐层节点数，即为最优隐层节点数，在此，所采用的误差函数为均方根误差：

式(11)中，RMSE表示均方根误差；x_obs，i表示训练样本的实际值；x_model，i表示训练样本的模型预测值，i＝1，2，...，N；N表示训练样本的个数。

(2)学习因子的优化

在最优隐层节点数的模型下，为了获得学习因子η₁和η₂的最优组合，在此将η₁、η₂值分别取为0～1区间内0.1的整数倍，采用正交试验法，共获得81组(η₁，η₂)组合。利用模型的均方根误差公式确定取得最小均方根误差时所对应的学习因子组合为学习因子η₁、η₂的最优组合。

(3)连接权值的优化

在学习因子最优组合的模型下，采用Matlab自带Random函数生成初始连接权值w_ij，w_jk，b_j，a_j矩阵，在模型取得最佳训练效果、最小训练误差的前提下，记录此时的w_ij，w_jk，b_j，a_j四个矩阵的初始值。然后，分别改变w_ij，w_jk，b_j，a_j四个矩阵变量中的任意一个，同时保持其余三个矩阵变量不变，以进一步优化模型参数。具体改变规则如下：在已知确定矩阵变量的基础上，重新生成方差为0.1，均值为±1的新矩阵变量。以w_ij为例(其余矩阵变量类似)，其计算公式如下：

w′_ij＝±1+0.1w_ij (12)

式(12)中，w′_ij为新生成w_ij的初始化矩阵；w_ij为原初始化矩阵。通过这一处理过程，新的w′_ij内所有数值具有全正或全负的特点。

通过上述讨论过程，最终确定使模型的训练误差最小时所对应的w_ij，w_jk，b_j，a_j四个矩阵变量的最优值组合。

5.风机功率模型的测试

利用测试样本对所建风机功率模型进行泛化能力测试。

本发明的有益效果为：

本发明基于风机运行参数的风机功率建模方法，和众多国内外风机功率建模与预测模型相比，由于采用了模型结构、参数逐次优化，步步逼近的方法，提高了模型预测精度，预测偏差满足工程要求，因此所建模型有实际工程参考与应用价值。

附图说明

图1为本发明所搭建的风机实时数据采集系统；

图2为本发明所构建的预测模型对测试样本的预测结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1-2，本发明为一种基于运行参数的风机功率建模方法，它包含如下步骤：

1.风机实时数据的采集

启动风机实时数据采集系统，如图1所示。实时采集风机运行过程中的相关参数，并实时测量风机的实际输出功率(kW)。

2.模型输入变量的确定

采用Pearson相关性分析公式计算风机主要运行参数与风机功率间的相关系数，其Pearson计算公式如下：

式(1)中，r表示相关性系数，无量纲；xi、yi表示待计算的两个变量的第i个分量，i＝1，2，...，n；

表示待计算的两个变量的平均值。

通过公式(1)，如图1所示，共确定齿轮箱油温1，齿轮箱前端轴承温度2，齿轮箱后端轴承温度3，发电机转速4，发电机前端轴承温度5，发电机后端轴承温度6，发电机冷却风温度7，发电机定子A相绕组温度8，发电机定子B相绕组温度9，发电机定子C相绕组温度10和风速11，共11个参数作为风机功率预测模型的输入变量。

3.构建Morlet小波神经网络风机功率模型

(1)模型的输入变量和输出变量

模型的输入变量为以上11个测量参数，输出为风机的实际输出功率(kW)。在此，将数据采集系统所测得数据的80％用于模型的训练，其余20％用于模型泛化能力的测试。

(2)模型的隐层节点激励函数

在此，所选择的模型隐层节点的激励函数为Morlet小波函数，其由一个cosine函数和高斯概率密度函数之积构成。它是高斯网络下的单频率负正弦函数，无限平滑、对称，其紧支区间为[-4，4]。数学表达式：

(3)模型的前向传递算法

模型的输入层-隐层传递函数为：

式(3)中，b_j为尺度因子；a_j为伸缩因子；l为输入层输入变量个数；w_ij为第i个输入层到第j个隐层的连接权值；u_j为第j个隐层节点的输入；v_j为j个隐层节点的输出；ψ为Morlet小波激励函数。

模型的隐含层-输出层传递函数为：

式(4)中，w_jk表示第j个隐层到第k个输出层的连接权值；v_j为j个隐层节点的输出；J为隐层节点数；p_k为输出层节点的输入；q_k为输出层节点的输出；Purelin表示线性传输函数。

模型的预测输出为：

y_k＝q_k (5)

式(5)中，y_k表示模型的预测输出；q_k为输出层节点的输出。

(4)模型的连接权值修正算法

以求第n+1步为例，模型训练过程中，采用如下的连接权值修正算法：

第n+1步w_ij，w_jk，b_j，a_j的连接权值修正方程分别为：

式(6)、(7)、(8)、(9)中，η₁，η₂为学习因子，一般0＜η₁，η₂＜1；E为输出层所有神经元输出误差能量总和，其公式如下：

式(10)中，er_k为第k个输出神经元的误差信号；o_k为实际值；y_k为模型的预测输出o

4.Morlet小波神经网络模型的优化

为了获取预测精度最高的风机功率模型，在此进行如下优化过程：

(1)模型隐层节点数的优化

为了确定最优隐层节点数，依次将隐层节点数取为1，2，...，20，共20种情况，然后选取相同的训练样本、训练次数，对比模型的训练误差，选取使得训练误差最小时所对应的隐层节点数，即为最优隐层节点数，在此，所采用的误差函数为均方根误差：

式(11)中，RMSE表示均方根误差；x_obs，i表示训练样本的实际值；x_model，i表示训练样本的模型预测值，i＝1，2，...，N；N表示训练样本的个数o

(2)学习因子的优化

在最优隐层节点数的模型下，为了获得学习因子η₁和η₂的最优组合，在此将η₁、η₂值分别取为0～1区间内0.1的整数倍，采用正交试验法，共获得81组(η₁，η₂)组合。利用模型的均方根误差公式确定取得最小均方根误差时所对应的学习因子组合为学习因子η₁、η₂的最优组合o

(3)连接权值的优化

在学习因子最优组合的模型下，采用Matlab自带Random函数生成初始连接权值w_ij，w_jk，b_j，a_j矩阵，在模型取得最佳训练效果、最小训练误差的前提下，记录此时的w_ij，w_jk，b_j，a_j四个矩阵的初始值。然后，分别改变w_ij，w_jk，b_j，a_j四个矩阵变量中的任意一个，同时保持其余三个矩阵变量不变，以进一步优化模型参数。具体改变规则如下：在已知确定矩阵变量的基础上，重新生成方差为0.1，均值为±1的新矩阵变量。以w_ij为例(其余矩阵变量类似)，其计算公式如下：

w′_ij＝±1+0.1w_ij (12)

式(12)中，w′_ij为新生成w_ij的初始化矩阵；w_ij为原初始化矩阵。通过这一处理过程，新的w′_ij内所有数值具有全正或全负的特点。

通过上述讨论过程，最终确定使模型的训练误差最小时所对应的w_ij，w_jk，b_j，a_j四个矩阵变量的最优值组合。

5.风机功率模型的测试

利用测试样本对所建风机功率模型进行泛化能力测试，测试结果如图2所示。由图2可以看出，模型对测试样本的预测精度仍然较高，可以满足工程实际要求，由此说明本方法是合理可行的。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于运行参数的风机功率建模方法，其特征在于，它包含如下步骤：

1).数据的采集

通过相关测量元器件测得风场运行风机主要运行参数；

2).相关性分析

采用Pearson相关性分析公式计算风机主要运行参数与风机功率间的相关系数，其Pearson计算公式如下：

式(1)中，r表示相关性系数，无量纲；x_i、y_i表示待计算的两个变量的第i个分量，i＝1，2，...，n；

表示待计算的两个变量的平均值；

采用公式(1)计算风机主要运行参数与风机功率间的相关系数后，将相关系数大于0.5的参数作为构建风机功率模型的输入变量，以风机功率作为模型的输出，采用Morlet小波神经网络构建风机功率模型；

3).风机功率模型的测试

利用测试样本对所建风机功率模型进行泛化能力测试。

2.根据权利要求1所述的基于运行参数的风机功率建模方法，其特征在于，在第2)步中，构建Morlet小波神经网络风机功率模型的具体过程如下：

(1)模型的输入变量和输出变量

模型的输入变量为由上面步骤2所确定的测量参数，输出为风机的实际输出功率(kW)；

(2)模型的隐层节点激励函数

在此，所选择的模型隐层节点的激励函数为Morlet小波函数，其由一个cosine函数和高斯概率密度函数之积构成；它是高斯网络下的单频率负正弦函数，无限平滑、对称，其紧支区间为[-4，4]；数学表达式：

(3)模型的前向传递算法

模型的输入层-隐层传递函数为：

式(3)中，b_j为尺度因子；a_j为伸缩因子；I为输入层输入变量个数；w_ij为第i个输入层到第j个隐层的连接权值；u_j为第j个隐层节点的输入；v_j为j个隐层节点的输出；ψ为Morlet小波激励函数；

模型的隐层-输出层传递函数为：

式(4)中，w_jk表示第j个隐层到第k个输出层的连接权值；v_j为j个隐层节点的输出；J为隐层节点数；p_k为输出层节点的输入；q_k为输出层节点的输出；Purelin表示线性传输函数；

模型的预测输出为：

y_k＝q_k (5)

式(5)中，y_k表示模型的预测输出；q_k为输出层节点的输出；

(4)模型的连接权值修正算法

求取第n+1步w_ij，w_jk，b_j，a_j的连接权值修正方程分别为：

式(6)、(7)、(8)、(9)中，η₁，η₂为学习因子，一般0＜η₁，η₂＜1；E为输出层所有神经元输出误差能量总和，其公式如下：

式(10)中，er_k为第k个输出神经元的误差信号；o_k为实际值；y_k为模型的预测输出。

3.根据权利要求2所述的一种基于运行参数的风机功率建模方法，其特征在于，Morlet小波神经网络模型的优化：

(1)模型隐层节点数的优化

为了确定最优隐层节点数，依次将隐层节点数取为1，2，...，20，共20种情况，然后选取相同的训练样本、训练次数，对比模型的训练误差，选取使得训练误差最小时所对应的隐层节点数，即为最优隐层节点数，在此，所采用的误差函数为均方根误差：

式(11)中，RMSE表示均方根误差；x_obs，i表示训练样本的实际值；x_model，i表示训练样本的模型预测值，i＝1，2，...，N；N表示训练样本的个数；

(2)学习因子的优化

在最优隐层节点数的模型下，为了获得学习因子η₁和η₂的最优组合，在此将η₁、η₂值分别取为0～1区间内0.1的整数倍，采用正交试验法，共获得81组(η₁，η₂)组合；利用模型的均方根误差公式确定取得最小均方根误差时所对应的学习因子组合为学习因子η₁、η₂的最优组合；

(3)连接权值的优化

在学习因子最优组合的模型下，采用Matlab自带Random函数生成初始连接权值w_ij，w_jk，b_j，a_j矩阵，在模型取得最佳训练效果、最小训练误差的前提下，记录此时的w_ij，w_jk，b_j，a_j四个矩阵的初始值。然后，分别改变w_ij，w_jk，b_j，a_j四个矩阵变量中的任意一个，同时保持其余三个矩阵变量不变，以进一步优化模型参数。具体改变规则如下：在已知确定矩阵变量的基础上，重新生成方差为0.1，均值为±1的新矩阵变量。以w_ij为例(其余矩阵变量类似)，其计算公式如下：

w′_ij＝±1+0.1w_ij (12)

式(12)中，w′_ij为新生成w_ij的初始化矩阵；w_ij为原初始化矩阵。通过这一处理过程，新的w′_ij内所有数值具有全正或全负的特点；

通过上述讨论过程，最终确定使模型的训练误差最小时所对应的w_ij，w_jk，b_j，a_j四个矩阵变量的最优值组合。

Images