CN111079343B - 一种基于宽度学习的风电机组有效风速估计方法 - Google Patents

Abstract

本发明公开了一种基于宽度学习的有效风速估计方法，针对不同运行方式，根据互信息指标选择不同的机组输出数据作为风速估计模型的输入，并进行去相关处理以提高风速估计的准确率，对得到的机组输出数据进行归一化、加噪处理，构造宽度学习模型训练集，并使用该训练集确定宽度学习模型的结构和参数，训练得到的针对不同机组工作区域的有效风速估计模型根据机组的实时输出，在线给出有效风速估计值。本方法能够代替昂贵的激光雷达测风装置，极大地降低风电场的建设和运维成本，该方法不依赖于风电系统模型，得到的风速估计模型适应于不同的机组运行方式，鲁棒性好，实施成本低，具有较好的实用性和较高的准确率。

Description

一种基于宽度学习的风电机组有效风速估计方法

技术领域

本发明涉及风力发电机组控制技术领域，特别涉及一种基于宽度学习的风电机组有效风速估计方法。

背景技术

风速是风电系统的输入，也是决定系统运行工作点的关键变量之一，风电机组的有效风速定义为整个风轮扫略面对应的风速场的空间平均值，有效风速信息对于提高机组产能、改善发电质量和降低机组部件的机械载荷具有重要意义。激光雷达测风装置可以用来测量有效风速，然而，该装置的价格十分昂贵，因此，风电机组的有效风速估计已经成为风电技术领域的研究热点。

目前已有的风速估计方法可以分为两类：基于系统模型的方法和基于机组机械功率表达式的方法。基于系统模型的方法首先假设机组的数学模型已知，并将气动转矩看成系统的扩展状态，进而使用卡尔曼滤波或者扩展卡尔曼滤波的方法对系统的气动转矩进行估计，然后再根据气动转矩和有效风速之间的数学关系表达式，计算得到有效风速值；基于机组机械功率表达式的方法，首先是根据机械功率表达式获得关于风轮转速、桨距角、机械功率与风速的大量的样本点，进而使用诸如极限学习机、支持向量回归、模糊推理系统、人工神经网络等人工智能方法建立风轮转速、桨距角、机械功率与风速之间的非线性关系。然而，上述方法均依赖于预先得到的模型表达式，由于风电机组是一个结构十分复杂的强非线性系统，很难准确建模，因此，上述方法在实际测试中的效果较差。

本发明针对现有风速估计方法存在的问题，借鉴数据驱动的软测量理论，使用机组历史输出数据和历史有效风速数据，建立机组数据和有效风速之间的非线性关系，根据机组不同的控制方式，构建不同的基于宽度学习的风速估计模型，摆脱现有风速估计方法对系统模型的依赖，提高有效风速估计方法的实用性和准确率。

发明内容

为了提高有效风速估计方法的实用性和准确率，解决现有风速估计方法由于过分依赖系统模型而导致其准确率低问题，本发明提供一种不需要增加额定传感器、实现成本低的有效风速估计方法，能够大幅降低有效风速获取成本，进而降低风电场的建设和运维成本，增加风电场的经济效益。

本发明解决其技术问题所采用的技术方案是：一种基于宽度学习的风电机组有效风速估计方法，该方法包括以下步骤：

(1)获取机组T时间段内的有效风速信息，记为V'，对V'加入均值为0，方差为0.1的高斯噪声，得到V，V是宽度学习系统训练目标集，并对风电机组的运行区域进行分析，针对不同的运行区域，记录不同的机组输出数据；当机组运行在低风速工作区域时，使用SCADA系统记录对应T时间段内的机组输出数据X_a1＝[x_a1(i,j)],i＝1,...,l,j＝1,...,8，其中x_a1(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a1(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a是风轮角位移；当机组运行在高风速工作区域时，同样使用SCADA系统记录对应T时间段内的机组输出数据X_a2＝[x_a2(i,j)],i＝1,...,l,j＝1,...,6，其中x_a2(i,j)是SCADA系统的一次采样输出，其表达式为：

其中，β是桨距角，

是桨距角变化率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移。

进一步，根据互信息指标选择风速估计模型的特征输入；所述互信息指标的计算方式为：对于两个给定的离散变量A＝{A₁,A₂,...,A_m}和B＝{B₁,B₂,...,B_n}，其互信息计算公式如下：

其中，P(A_i)是变量A的概率分布，P(B_i)是变量B的概率分布，P(A_i,B_j)是变量A和B的联合概率分布。对计算获得的互信息进行正规化处理，选择正规化后的大于0.1的互信息对应的机组变量组成与有效风速相关的机组输出数据。当机组运行在低风速区域时，与有效风速相关的机组输出数据X₁'选择为：

X₁'＝[x₁'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4；

当机组运行在高风速区域时，与有效风速相关的机组输出数据X₂'选择为：

进一步，去除获取到的机组输出数据中的相关性使用的PCA算法，具体步骤包括对数据进行去中心化处理(即X₁'或X₂'的每一列数据减去各自的均值)、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序，并取前k列组成矩阵P(对于低风速工作区域的机组输出数据，k＝2；对于高风速工作区域的机组输出数据，k＝2)、将数据X₁'或X₂'投影到矩阵P中，得到去除相关性后的数据X_p”＝[x_p”(i,:)]，其中，p＝1,2；当p＝1时，为低风速工作区域去除相关性后的数据，当p＝2时，为高风速工作区域去除相关性后的数据。

(2)对步骤(1)获得的最终的机组输出变量组进行归一化处理，归一化处理后的数组的每一列加入均值为0，方差为0.05的高斯噪声后，得到宽度学习系统的训练特征集的列向量，构造宽度学习系统的训练特征集，加噪后的训练特征集和训练目标集V共同构成宽度学习系统的训练集X；

(3)宽度学习系统包括n个特征节点组、m个增强节点以及1个输出节点，针对不同机组不同运行区域的训练集构造不同的宽度学习系统，使用步骤(2)获得的宽度学习系统的训练集分别确定宽度学习系统的结构和参数；具体步骤如下：

(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；具体为：使用稀疏自编码网络对训练集X进行特征提取，所述稀疏自编码网络是包括输入层(包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3)、隐含层(包含m₁个节点，对于低风速工作区域的机组输出数据，m₁＝4；对于高风速工作区域的机组输出数据，m₁＝12)和输出层(包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3)的神经网络；进一步，求解如下的稀疏自编码优化问题：

其中Z＝ψ(XW+B)是所述稀疏自编码隐含层的输出，W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||₂和||·||₁分别表示矩阵的1范数和2范数，W₁是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题，得到稀疏自编码的解W_f。

(3.2)使用稀疏自编码的解对训练集进行特征提取，得到宽度学习系统特征节点组的输入，进而得到宽度学习系统特征节点组的输出；具体为：使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为：Z¹＝[Z₁,...,Z_i,...,Z_n]。

(3.3)将宽度学习系统的特征节点组的输出，输入到宽度学习系统的增强节点中，得到宽度学习系统的增强节点的输出；

(3.4)将宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的宽度学习系统；

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练好的宽度学习系统中，得到风电机组不同运行区域的有效风速估计值；

进一步地，所述步骤(2)中，归一化处理的具体操作为：

其中，x_p”(:,j)表示X”中的列分量，μ(j)和σ(j)分别是x_p”(:,j)的均值和标准差，x(:,j)组成宽度学习系统的训练特征集中的列分量，训练特征集和训练目标集V共同构成宽度学习系统的训练集X。

进一步地，所述步骤(3)中，所述宽度学习系统的n个特征节点组和m个增强节点，对于低风速工作区域的机组输出数据，n＝30，m＝50；对于高风速工作区域的机组输出数据，n＝25，m＝40。

进一步地，所述步骤(3.3)具体为：将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)，j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j是第j个增强节点的激活函数，取为sigmoid函数。m个增强节点的输出记为：H¹＝[H₁,...,H_i,...,H_m]。

进一步地，所述步骤(3.4)具体为：将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹ H¹]的伪逆。

进一步地，所述步骤(4)中，有效风速估计值

的表达式为：

其中，A是步骤(3)获得的宽度学习系统的特征节点和增强节点的联合输出。

本发明的有益效果是：本发明提供的风电机组有效风速估计方法能够代替昂贵的激光雷达测风装置，极大地降低风电场的建设和运维成本；本方法在进行风速估计的过程中，不依赖于系统模型，简单易行，具有较好的实用性；本方法使用互信息指标选择风速估计模型的特征输入，有效降低了计算量，同时提高了风速估计精度；本方法对风速估计模型的训练集进行加噪处理，提高了方法的鲁棒性和实用性；在本风速估计方法的在线运行过程中，本方法使用现有的SCADA系统采集的数据即可实时输出对应时刻的有效风速估计值，无需增加额外的传感器，不会增加系统成本；本方法针对机组不同的控制和运行方式，选择不同的机组输出和训练不同的风速估计模型，因此其风速估计值的准确率较高。

附图说明

图1为基于宽度学习的风电机组有效风速估计方法设计流程图；

图2为低风速段风速真实值与估计值对比图；

图3为低风速段风速估计误差图；

图4为高风速段风速真实值与估计值对比图；

图5为高风速段风速估计误差图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

对风电机组的控制和运行方式进行分析，针对不同的控制和运行方式选择不同的机组输出数据作为风速估计模型的输入。现代大型机组往往有低风速运行区域和高风速运行区域两种运行方式。在低风速运行区域，控制目标是实现最大风能捕获，一般维持桨距角在0度，将电磁转矩作为控制信号；在高风速运行区域，控制目标是维持风轮转速和发电机功率维持在额定值附近，往往将电磁转矩设置为额定值，而将桨距角作为控制信号。可见，在不同的运行方式下，机组的输出数据模式有大区别，因此要选择不同的输出变量进行不同运行区域的有效风速估计。

本发明提供的一种基于宽度学习的风电机组有效风速估计方法，该方法包括以下步骤：

(1)在机组正常运行的过程中，使用激光雷达测风装置获取机组T时间段内的有效风速信息，记为V'，对V'加入均值为0，方差为0.1的高斯噪声，得到V，V是宽度学习系统训练目标集，并对风电机组的运行区域进行分析，针对不同的运行区域，记录不同的机组输出数据；当机组运行在低风速工作区域时，使用SCADA系统记录对应T时间段内的机组输出数据X_a1＝[x_a1(i,j)],i＝1,...,l,j＝1,...,8，其中x_a1(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a1(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a是风轮角位移；当机组运行在高风速工作区域时，同样使用SCADA系统记录对应T时间段内的机组输出数据X_a2＝[x_a2(i,j)],i＝1,...,l,j＝1,...,6，其中x_a2(i,j)是SCADA系统的一次采样输出，其表达式为：

其中，β是桨距角，

是桨距角变化率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移。

进一步，为了确定与有效风速信息非线性相关程度较大的机组输出变量，提高风速估计准确率，分别计算机组输出数据的每一列数据与对应有效风速信息之间的互信息，根据互信息指标选择风速估计模型的特征输入；对于两个给定的离散变量A＝{A₁,A₂,...,A_m}和B＝{B₁,B₂,...,B_n}，其互信息计算公式如下：

其中，P(A_i)是变量A的概率分布，P(B_i)是变量B的概率分布，P(A_i,B_j)是变量A和B的联合概率分布。对计算获得的互信息进行正规化处理，选择正规化后的大于0.1的互信息对应的机组变量组成与有效风速相关的机组输出数据。当机组运行在低风速区域时，与有效风速相关的机组输出数据X₁'选择为：

X₁'＝[x₁'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4；

当机组运行在高风速区域时，与有效风速相关的机组输出数据X₂'选择为：

进一步，为了去除机组输出数据中的相关性，提高有效风速估计的准确率，使用PCA算法对输出数据进行降维处理，具体步骤包括对数据进行去中心化处理(即X₁'或X₂'的每一列数据减去各自的均值)、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序，并取前k列组成矩阵P(对于低风速工作区域的机组输出数据，k＝2；对于高风速工作区域的机组输出数据，k＝2)、将数据X₁'或X₂'投影到矩阵P中，得到去除相关性后的数据X_p”＝[x_p”(i,:)]，其中，p＝1,2；当p＝1时，为低风速工作区域去除相关性后的数据，当p＝2时，为高风速工作区域去除相关性后的数据。

(2)对步骤(1)获得的最终的机组输出变量组进行归一化处理，归一化处理后的数组的每一列加入均值为0，方差为0.05的高斯噪声后，得到宽度学习系统的训练特征集的列向量，构造宽度学习系统的训练特征集，加噪后的训练特征集和训练目标集V共同构成宽度学习系统的训练集X；

归一化处理的具体操作为：

其中，x_p”(:,j)表示X”中的列分量，μ(j)和σ(j)分别是x_p”(:,j)的均值和标准差，x(:,j)组成宽度学习系统的训练特征集中的列分量。

(3)宽度学习系统包括n个特征节点组、m个增强节点以及1个输出节点，对于低风速工作区域的机组输出数据，n＝30，m＝50；对于高风速工作区域的机组输出数据，n＝25，m＝40，针对不同机组不同运行区域的训练集构造不同的宽度学习系统，使用步骤(2)获得的宽度学习系统的训练集分别确定宽度学习系统的结构和参数；具体步骤如下：

(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；具体为：使用稀疏自编码网络对训练集X进行特征提取，所述稀疏自编码网络是包括输入层(包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3)、隐含层(包含m₁个节点，对于低风速工作区域的机组输出数据，m₁＝4；对于高风速工作区域的机组输出数据，m₁＝12)和输出层(包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3)的神经网络；进一步，求解如下的稀疏自编码优化问题：

其中Z＝ψ(XW+B)是所述稀疏自编码隐含层的输出，W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||₂和||·||₁分别表示矩阵的1范数和2范数，W₁是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数。求解所述稀疏自编码优化问题，得到稀疏自编码的解W_f。

(3.2)使用稀疏自编码的解对训练集进行特征提取，得到宽度学习系统特征节点组的输入，进而得到宽度学习系统特征节点组的输出；具体为：使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为：Z¹＝[Z₁,...,Z_i,...,Z_n]。

(3.3)将宽度学习系统的特征节点组的输出，输入到宽度学习系统的增强节点中，得到宽度学习系统的增强节点的输出；具体为：将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)，j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j是第j个增强节点的激活函数，取为sigmoid函数。m个增强节点的输出记为：H¹＝[H₁,...,H_i,...,H_m]。

(3.4)将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的宽度学习系统；特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹ H¹]的伪逆。

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练好的宽度学习系统中，得到风电机组不同运行区域的有效风速估计值；在线使用时，根据机组控制模式判断机组当前的运行工作区域，根据步骤(1)中的针对低风工作区域和高风速工作区域，选择相应的机组输出数据。将某一控制周期内的机组输出数据进行PCA和归一化处理，然后输入训练好的宽度学习模型中，得到每一个采样周期的风速估计值

其中，A是步骤(3)获得的宽度学习系统的特征节点和增强节点的联合输出，

即为最终求得的风电机组有效风速估计值。

实施例

本实施例使用GH Bladed风电开发软件，对本发明提供的方法的有效性进行验证，其中，对于低风速运行区域的机组，控制器选择最优转矩控制算法，其表达式如下：

其中，T_g是最优转矩控制算法给出的电磁转矩值，k_opt是控制参数，ω_g是发电机转速，ρ＝1.225Kg/m³是空气密度，R＝38.5m是风轮半径，C_pmax＝0.482是最大风能捕获系数，λ_opt＝8.5是最佳叶尖速比，n_g＝104.494是齿轮箱的传动比。

对于高风速运行区域的机组，控制器选择如下的PI控制算法：

其中，β是PI控制算法给出的桨距角值，e＝ω_r-ω_d是转速调节误差，ω_r是风轮转速，ω_d是额定风轮转速，K_p＝0.006是比例控制参数，K_i＝0.5是积分控制参数。

在具体实施中，对于运行在低风速工作区域的风电机组，PCA算法的参数k＝2，宽度学习系统的结构参数取为：n＝30，m＝50；对于运行在高风速运行区域的风电机组，PCA算法的参数k＝2，宽度学习系统的结构参数取为：n＝25，m＝40。

如图1所示，是基于宽度学习的风电机组有效风速估计方法设计流程图。首先，针对不同的控制和运行方式选择不同的机组输出数据作为风速估计模型的输入，并进行去相关处理以提高风速估计的准确率；其次，对得到的机组输出数据进行归一化，构造宽度学习模型训练集；进一步，构造宽度学习系统，并使用其训练集确定宽度学习模型的结构和参数；最后，得到的针对不同机组工作区域的有效风速估计模型根据机组的实时输出，在线给出有效风速估计值。

如图2所示，是低风速段风速真实值与估计值对比图，在低风速运行区域，风速估计值基本上描绘了风速的变化情况，经计算，风速估计值与风速真实值之间的MAPE＝3.72％，MSE是0.0663m²/s²，表明风速估计精度较高。

如图3所示，是低风速段风速估计误差图，风速估计误差定义为风速真实值减去风速估计值。风速估计误差基本都在±1m/s之间，说明了方法的有效性和准确性。如图4所示，是高风速段风速真实值与估计值对比图。在高风速运行区域，风速估计值也能基本上描绘风速的变化情况，这对于风电机组的优化控制是非常有益处的。经计算，风速估计值与风速真实值之间的MAPE＝5.16％，MSE是1.3416m²/s²。

如图5所示，是高风速段风速估计误差图。风速估计误差基本都在±3m/s之间，考虑到高风速运行区域风速本来就比较大，该风速估计误差也能说明方法的有效性和准确性。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于宽度学习的风电机组有效风速估计方法，其特征在于，该方法包括以下步骤：

(1)获取机组T时间段内的有效风速信息，记为V'，对V'加入均值为0，方差为0.1的高斯噪声，得到V，V是宽度学习系统训练目标集，并对风电机组的运行区域进行分析，针对不同的运行区域，记录不同的机组输出数据；当机组运行在低风速工作区域时，使用SCADA系统记录对应T时间段内的机组输出数据X_a1＝[x_a1(i,j)],i＝1,...,l,j＝1,...,8，其中x_a1(i,j)是SCADA系统的一次采样输出，其表达式为：

x_a1(i,:)＝[ω_r,ω_g,T_em,P_e,a_fa,v_fa,x_fa,R_a]

其中，ω_r是风轮转速，ω_g是发电机转速，T_em是电磁转矩，P_e是发电功率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移，R_a是风轮角位移；当机组运行在高风速工作区域时，同样使用SCADA系统记录对应T时间段内的机组输出数据X_a2＝[x_a2(i,j)],i＝1,...,l,j＝1,...,6，其中x_a2(i,j)是SCADA系统的一次采样输出，其表达式为：

其中，β是桨距角，

是桨距角变化率，a_fa是塔架前后加速度，v_fa是塔架前后速度，x_fa是塔架前后位移；

进一步，根据互信息指标选择风速估计模型的特征输入；对于两个给定的离散变量A＝{A₁,A₂,...,A_m}和B＝{B₁,B₂,...,B_n}，其互信息计算公式如下：

其中，P(A_i)是变量A的概率分布，P(B_i)是变量B的概率分布，P(A_i,B_j)是变量A和B的联合概率分布；对计算获得的互信息进行正规化处理，选择正规化后的大于0.1的互信息对应的机组变量组成与有效风速相关的机组输出数据；当机组运行在低风速区域时，与有效风速相关的机组输出数据X₁'选择为：

X₁'＝[x₁'(i,j)]＝[ω_r,ω_g,P_e,x_fa],i＝1,...,l,j＝1,...,4；

当机组运行在高风速区域时，与有效风速相关的机组输出数据X₂'选择为：

进一步，去除获取到的机组输出数据中的相关性使用的PCA算法，具体步骤包括对数据进行去中心化处理，即X₁'或X₂'的每一列数据减去各自的均值、计算协方差矩阵、计算协方差矩阵的特征值和特征向量、将特征向量按照特征值从大到小按列排序，并取前k列组成矩阵P，对于低风速工作区域的机组输出数据，k＝2；对于高风速工作区域的机组输出数据，k＝2、将数据X₁'或X₂'投影到矩阵P中，得到去除相关性后的数据X_p”＝[x_p”(i,:)]，其中，p＝1,2；当p＝1时，为低风速工作区域去除相关性后的数据，当p＝2时，为高风速工作区域去除相关性后的数据；

(2)对步骤(1)获得的最终的机组输出变量组进行归一化处理，归一化处理后的数组的每一列加入均值为0，方差为0.05的高斯噪声后，得到宽度学习系统的训练特征集的列向量，构造宽度学习系统的训练特征集，加噪后的训练特征集和训练目标集V共同构成宽度学习系统的训练集X；

(3)宽度学习系统包括n个特征节点组、m个增强节点以及1个输出节点，针对不同机组不同运行区域的训练集构造不同的宽度学习系统，使用步骤(2)获得的宽度学习系统的训练集分别确定宽度学习系统的结构和参数；具体步骤如下：

(3.1)使用稀疏自编码网络对训练集进行特征提取，求解所述稀疏自编码优化问题，得到稀疏自编码的解；具体为：使用稀疏自编码网络对训练集X进行特征提取，所述稀疏自编码网络是包括输入层、隐含层和输出层的神经网络，输入层包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3，隐含层包含m₁个节点，对于低风速工作区域的机组输出数据，m₁＝4；对于高风速工作区域的机组输出数据，m₁＝12，输出层包含n₁个节点，对于低风速工作区域的机组输出数据，n₁＝4；对于高风速工作区域的机组输出数据，n₁＝3；进一步，求解如下的稀疏自编码优化问题：

其中Z＝ψ(XW+B)是所述稀疏自编码隐含层的输出，W和B分别是所述稀疏自编码输入层到隐含层的权重和偏置，ψ是所述稀疏自编码隐含层节点的激活函数，选择为sigmoid函数，||·||₂和||·||₁分别表示矩阵的1范数和2范数，W₁是需要求解的隐含层到输出层的权重，λ是用户自行选择的惩罚参数；求解所述稀疏自编码优化问题，得到稀疏自编码的解W_f；

(3.2)使用稀疏自编码的解对训练集进行特征提取，得到宽度学习系统特征节点组的输入，进而得到宽度学习系统特征节点组的输出；具体为：使用稀疏自编码的解W_f对训练集X进行特征提取，得到宽度学习系统第i个特征节点组的输入XW_f+B_fi，其中B_fi随机产生的第i个特征节点组的偏置，i＝1,...,n，第i个特征节点组的输出Z_i可以表示为：Z_i＝φ_1i(XW_f+B_fi)，其中φ_1i是第i个特征节点组的激活函数，取为函数y＝x，宽度学习系统的n个特征节点组的输出记为：Z¹＝[Z₁,...,Z_i,...,Z_n]；

(3.3)将宽度学习系统的特征节点组的输出，输入到宽度学习系统的增强节点中，得到宽度学习系统的增强节点的输出；

(3.4)将宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，计算特征节点、增强节点与输出节点之间的权重，得到训练好的宽度学习系统；

(4)在线使用时，将去除相关性后的机组输出数据做归一化处理，输入步骤(3)训练好的宽度学习系统中，得到风电机组不同运行区域的有效风速估计值。

2.根据权利要求1所述的基于宽度学习的风电机组有效风速估计方法，其特征在于，所述步骤(2)中，归一化处理的具体操作为：

其中，x_p”(:,j)表示X”中的列分量，μ(j)和σ(j)分别是x_p”(:,j)的均值和标准差，x(:,j)组成宽度学习系统的训练特征集中的列分量。

3.根据权利要求1所述的基于宽度学习的风电机组有效风速估计方法，其特征在于，所述步骤(3)中，所述宽度学习系统的n个特征节点组和m个增强节点，对于低风速工作区域的机组输出数据，n＝30，m＝50；对于高风速工作区域的机组输出数据，n＝25，m＝40。

4.根据权利要求1所述的基于宽度学习的风电机组有效风速估计方法，其特征在于，所述步骤(3.3)具体为：将所述宽度学习系统的n个特征节点组的输出Z¹输入到宽度学习系统的增强节点中，第j个增强节点的输出H_j表示为：H_j＝φ_2j(Z¹W_ej+B_ej)，j＝1,2,...,m，其中W_ej和B_ej分别是随机产生的第j个增强节点的权重和偏置，且W_ej中的每一列之间都是正交的，φ_2j是第j个增强节点的激活函数，取为sigmoid函数；m个增强节点的输出记为：H¹＝[H₁,...,H_i,...,H_m]。

5.根据权利要求1所述的基于宽度学习的风电机组有效风速估计方法，其特征在于，所述步骤(3.4)具体为：将所述宽度学习系统的n个特征节点组和m个增强节点与宽度学习系统的输出节点相连，将特征节点、增强节点与输出节点之间的权重记为W^m，则W^m可求解为

W^m＝[Z¹ H¹]⁺V

其中[Z¹ H¹]⁺表示[Z¹ H¹]的伪逆。

6.根据权利要求5所述的基于宽度学习的风电机组有效风速估计方法，其特征在于，所述步骤(4)中，有效风速估计值

的表达式为：

其中，A是步骤(3)获得的宽度学习系统的特征节点和增强节点的联合输出。

Images