一種基于narx神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及風(fēng)電控制技術(shù)領(lǐng)域，特別是涉及一種基于NARX神經(jīng)網(wǎng)絡(luò)(非線性自回歸神經(jīng)網(wǎng)絡(luò))的風(fēng)速預(yù)測方法及裝置。
【背景技術(shù)】
[0002]在國家產(chǎn)業(yè)政策的支持下，近十年來，中國風(fēng)電產(chǎn)業(yè)經(jīng)歷了突飛猛進(jìn)式的增長，中國已經(jīng)成為名副其實(shí)的風(fēng)電大國，風(fēng)電和可再生能源的大發(fā)展是未來不可逆轉(zhuǎn)的趨勢。過去幾年，風(fēng)電開發(fā)的重點(diǎn)從高風(fēng)速向低風(fēng)速區(qū)域轉(zhuǎn)移，中國風(fēng)電整機(jī)企業(yè)通過自主創(chuàng)新，積極開發(fā)更大單機(jī)容量、更大葉輪、適應(yīng)更低風(fēng)速、更加智能的新機(jī)型，不斷提升風(fēng)資源開發(fā)潛力和風(fēng)能利用水平。風(fēng)能利用效率更高的超低風(fēng)速風(fēng)機(jī)不斷涌現(xiàn)。
[0003]風(fēng)速的準(zhǔn)確測量對于變速風(fēng)機(jī)最大限度的吸收風(fēng)能至關(guān)重要，特別是在額定風(fēng)速以下時(shí)，風(fēng)速是變槳控制和轉(zhuǎn)矩控制的重要參數(shù)。而風(fēng)速受氣壓和溫度等多種因素的影響，隨機(jī)性非常大，準(zhǔn)確預(yù)測的難度很大。目前常見的預(yù)測方法有神經(jīng)網(wǎng)絡(luò)法，卡爾曼濾波法，時(shí)間序列法等。其中時(shí)間序列法在高階模型的參數(shù)難以確定導(dǎo)致預(yù)測精度不高；卡爾曼濾波法對于非線性系統(tǒng)預(yù)測的難度較大;神經(jīng)網(wǎng)絡(luò)法因其對于非線性系統(tǒng)特有的優(yōu)勢近年來被深入研究。但模型結(jié)構(gòu)基本都采用了傳統(tǒng)的后向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))，預(yù)測精度不是很高；如專利CN104112166A，一種風(fēng)電場的短期風(fēng)速預(yù)測方法及系統(tǒng)就是采用了 BP網(wǎng)絡(luò)，同時(shí)對訓(xùn)練數(shù)據(jù)進(jìn)行了處理。專利CN103927460A，一種基于RBF的風(fēng)電場短期風(fēng)速預(yù)測方法，采用了RBF神經(jīng)網(wǎng)絡(luò)，對輸入輸出數(shù)據(jù)進(jìn)行歸一和反歸一化，以溫度、濕度、氣壓和風(fēng)向作為輸入，但未能充分利用歷史數(shù)據(jù)對于預(yù)測風(fēng)速的影響。
[0004]由此可見，上述現(xiàn)有的風(fēng)速預(yù)測方法顯然仍存在有不便與缺陷，而亟待加以進(jìn)一步改進(jìn)。如何能創(chuàng)設(shè)一種可以充分利用現(xiàn)有的風(fēng)機(jī)硬件及監(jiān)控?cái)?shù)據(jù)的、精確的、便利的風(fēng)速預(yù)測方法和裝置，成為當(dāng)前業(yè)界極需改進(jìn)的目標(biāo)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明要解決的技術(shù)問題是提供一種可以充分利用現(xiàn)有的風(fēng)機(jī)硬件及監(jiān)控?cái)?shù)據(jù)的、精確的、便利的風(fēng)速預(yù)測方法和裝置。
[0006]為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0007]一種基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測方法，包括如下步驟:步驟A，采集風(fēng)速預(yù)測所需相關(guān)參數(shù)的歷史數(shù)據(jù)，所述相關(guān)參數(shù)包括風(fēng)速、槳距角、轉(zhuǎn)速和功率;步驟B，對采集到的數(shù)據(jù)進(jìn)行歸一化處理;步驟C，將處理后的數(shù)據(jù)作為訓(xùn)練樣本輸入到NARX神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練;步驟D，將測試樣本輸入到訓(xùn)練好的NARX神經(jīng)網(wǎng)絡(luò)中，并將輸出值進(jìn)行反歸一化，得到實(shí)際預(yù)測值。
[0008]進(jìn)一步地，所述步驟B中，歸一化處理后的數(shù)據(jù)還需按組進(jìn)行隨機(jī)排序處理。
[0009]進(jìn)一步地，所述NARX神經(jīng)網(wǎng)絡(luò)共有3層，分別為輸入層、隱層和輸出層;輸入層神經(jīng)元數(shù)為4個(gè)，分別為功率、槳距角、轉(zhuǎn)速和風(fēng)速;隱層神經(jīng)元個(gè)數(shù)為8個(gè);輸出層節(jié)點(diǎn)數(shù)為I個(gè)，代表對未來時(shí)刻風(fēng)速的預(yù)測值;輸出的延時(shí)階數(shù)為2。
[0010]進(jìn)一步地，所述步驟B中歸一化處理按照如下公式:
[0011 ] y = (ymax-ymin)*(x-xmin)/(xmax-xm in)+ym i η
[0012]其中，ymax和ymin分別為歸一化后數(shù)據(jù)范圍的最大值和最小值;xmax和xmin分別為歸一化前數(shù)據(jù)的最大值和最小值;y為歸一化后的數(shù)據(jù)，X為歸一化前的數(shù)據(jù)，所述ymax和ymin分別取I和-1。
[0013]一種基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測裝置，包括:采集模塊，采集風(fēng)速預(yù)測所需相關(guān)參數(shù)的歷史數(shù)據(jù)，所述相關(guān)參數(shù)包括風(fēng)速、槳距角、轉(zhuǎn)速和功率;處理模塊，對采集到的數(shù)據(jù)進(jìn)行歸一化處理；訓(xùn)練模塊，將處理后的數(shù)據(jù)作為訓(xùn)練樣本輸入到NARX神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練;計(jì)算輸出模塊，將測試樣本輸入到訓(xùn)練好的NARX神經(jīng)網(wǎng)絡(luò)中，并將輸出值進(jìn)行反歸一化，得到實(shí)際預(yù)測值。
[0014]進(jìn)一步地，所述處理模塊，對歸一化處理后的數(shù)據(jù)還需按組進(jìn)行隨機(jī)排序處理。
[0015]進(jìn)一步地，所述NARX神經(jīng)網(wǎng)絡(luò)共有3層，分別為輸入層、隱層和輸出層;輸入層神經(jīng)元數(shù)為4個(gè)，分別為功率、槳距角、轉(zhuǎn)速和風(fēng)速;隱層神經(jīng)元個(gè)數(shù)為8個(gè);輸出層節(jié)點(diǎn)數(shù)為I個(gè)，代表對未來時(shí)刻風(fēng)速的預(yù)測值;輸出的延時(shí)階數(shù)為2。
[0016]進(jìn)一步地，所述處理模塊，歸一化處理按照如下公式:
[0017]y = (ymax-ymin)*(x-xmin)/(xmax-xm in)+ym i η
[0018]其中，ymax和ymin分別為歸一化后數(shù)據(jù)范圍的最大值和最小值;xmax和xmin分別為歸一化前數(shù)據(jù)的最大值和最小值;y為歸一化后的數(shù)據(jù)，X為歸一化前的數(shù)據(jù)，所述ymax和ymin分別取I和-1。
[0019]通過采用上述技術(shù)方案，本發(fā)明至少具有以下優(yōu)點(diǎn):
[0020]1、本發(fā)明采用了 NARX神經(jīng)網(wǎng)絡(luò)建立模型對風(fēng)速進(jìn)行了預(yù)測，采用了一種新的模型來提高和便利風(fēng)力發(fā)電機(jī)組的風(fēng)速預(yù)測，從而提高風(fēng)能捕獲能力，進(jìn)而提高發(fā)電量。本發(fā)明利用風(fēng)機(jī)空氣動(dòng)力學(xué)的公式和原理選擇了網(wǎng)絡(luò)的輸入?yún)?shù)，即風(fēng)速預(yù)測的相關(guān)參數(shù)。不同于傳統(tǒng)的風(fēng)速預(yù)測方法常常選擇濕度、溫度和氣壓等信息作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，本發(fā)明參數(shù)選擇更有利于實(shí)時(shí)測量，從而提高預(yù)測的準(zhǔn)確性。
[0021]2、訓(xùn)練前的數(shù)據(jù)預(yù)處理，除了歸一化外，還對各組樣本進(jìn)行了隨機(jī)排序，這樣可以增加NARX神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的知識量和提高對未來新數(shù)據(jù)的識別能力。因?yàn)閷τ?xùn)練樣本進(jìn)行了預(yù)處理，具有較高的學(xué)習(xí)效率和訓(xùn)練效果。
[0022]3、本發(fā)明的NARX神經(jīng)網(wǎng)絡(luò)有效的利用了風(fēng)速相關(guān)因素?cái)?shù)據(jù)，發(fā)揮了時(shí)間序列的作用，進(jìn)一步提高了預(yù)測效果。
[0023]4、本發(fā)明充分利用現(xiàn)有的風(fēng)機(jī)硬件及監(jiān)控?cái)?shù)據(jù)，不需要額外增加硬件，只需將本算法加入到風(fēng)機(jī)的主控程序中，然后上傳至風(fēng)機(jī)現(xiàn)有的主控制器即可實(shí)現(xiàn)。
【附圖說明】
[0024]上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下結(jié)合附圖與【具體實(shí)施方式】對本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0025]圖1是本申請實(shí)施例提供的一種基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測方法流程圖；
[0026]圖2是本申請實(shí)施例提供的一種基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測裝置結(jié)構(gòu)框圖；
[0027]圖3為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測結(jié)果曲線圖；
[0028]圖4為采用本發(fā)明的基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測方法的風(fēng)速預(yù)測結(jié)果曲線圖；
[0029]圖5為風(fēng)速預(yù)測比較圖(本發(fā)明的方法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測對比)。
【具體實(shí)施方式】
[0030]實(shí)施例1
[0031 ]如圖1所示，本實(shí)施例的一種基于NARX神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測方法，包括如下步驟:
[0032]步驟A，采集風(fēng)速預(yù)測所需相關(guān)參數(shù)的歷史數(shù)據(jù)，相關(guān)參數(shù)包括風(fēng)速、槳距角、轉(zhuǎn)速和功率，根據(jù)風(fēng)機(jī)的空氣動(dòng)力學(xué)模型，可知功率為風(fēng)速、槳距角和轉(zhuǎn)速的函數(shù)，因此采集上述數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練如下所示:
[0033]Pm= 1/2 XCp(A,0)pjiR2v3 = f (ν, ω，β)
[0034]步驟B，對采集到的數(shù)據(jù)進(jìn)行歸一化處理，為神經(jīng)網(wǎng)絡(luò)訓(xùn)練做好準(zhǔn)備，按照如下公式:
[0035]y = (ymax-ymin)*(x-xmin)/(xmax-xm in)+ym i η
[0036]其中，ymax和ymin分別為歸一化后數(shù)據(jù)范圍的最大值和最小