一种基于BP神经网络的风电场理论功率确定方法技术

本发明专利技术提供一种基于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。本发明专利技术提供的基于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。

【技术实现步骤摘要】

本专利技术属于风力发电
，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。
技术介绍
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。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于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。为了实现上述专利技术目的，本专利技术采取如下技术方案：本专利技术提供一种基于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：minE(w,v,θ,γ)=1pΣk=1N1Σj=1p[yk(t)-y^k(t)]2y^k(t)=Σj=1pvjk·f[Σi=1mxwij+θj]+γkf(x)=11+e-xs.t.wij∈Rm×p,vjk∈Rp×N1,θj∈Rp,γk∈RN1]]>其中，x为训练样本，为BP神经网络的实际输出，yk(t)为BP神经网络的期望输出，wij为输入层节点i到隐含层节点j的权值，vjk为隐含层节点j到输出层节点k的权值，θj为隐含层节点j的阈值，γk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：-∂E∂wij=Σk=1N1(-∂Ek∂wij)-∂E∂θj=Σk=1N1(-∂Ek∂θj)-∂E∂vjk=Σk=1N1(-∂Ek∂vjk)-∂E∂γk=Σk=1N1(-∂Ek∂γk)]]>其中，Ek为输出层节点k的全局误差函数值；按梯度下降规则，有：Δvjk=-η·∂Ek∂vjk=-η·∂Ek∂y^k·∂y^k∂vjkΔwij=-η·∂Ek∂wij=-η·∂Ek∂bj·∂bj∂sjΔγk=-η·∂Ek∂γk=-η·∂Ek∂y^k·∂y^k∂γkΔθj=-η·∂Ek∂θj-η·∂Ek∂bj·∂bj∂sj·∂sj∂θjbj=f(sj)sj=f(Σi=1mwijx+θj)]]>其中，bj为隐含层节点j的输出；sj为输出层节点k的输出；η为学习率，且0＜η＜1；Δvjk为隐含层节点j到输出层节点k的权值变化率；Δwij为输入层节点i到隐含层节点j的权值变化率；Δθj为隐含层节点j的阈值变化率，Δγk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：wij(l+1)=wij(l)+Δwijvjk(l+1)=vjk(l)+Δvjkθj(l+1)=θj(l)+Δθjγk(l+1)=γk(l)+Δγk]]>其中，l为训练次数；wij(l)和wij(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；vjk(l)和vjk(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；θj(l)和θj(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；γk(l)和γk(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；<本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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：
minE(w,v,θ,γ)=1pΣk=1N1Σj=1p[yk(t)-y^k(t)]2y^k(t)=Σj=1pvjk·f[Σi=1mxwij+θj]+γkf(x)=11+e-xs.t.wij∈Rm×p,vjk∈Rp×N1,θj∈Rp,γk∈RN1]]>其中，x为训练样本，为BP神经网络的实际输出，yk(t)为BP神经网络的期望输
出，wij为输入层节点i到隐含层节点j的权值，vjk为隐含层节点j到输出层节点k的权值，θj为隐含层节点j的阈值，γk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：
-∂E∂wij=Σk=1N1(-∂Ek∂wij)-∂E∂θj=Σk=1N1(-∂Ek∂θj)-∂E∂vjk=Σk=1N1(-∂Ek∂vjk)-∂E∂γk=Σk=1N1(-∂Ek∂γk)]]>其中，Ek为输出层节点k的全局误差函数值；<...

【专利技术属性】
技术研发人员：赵艳青，冯双磊，王勃，王伟胜，刘纯，白恺，姜文玲，柳玉，王铮，刘辉，杨红英，张菲，赵俊屹，杨超颖，
申请(专利权)人：国家电网公司，中国电力科学研究院，国网冀北电力有限公司电力科学研究院，中电普瑞张北风电研究检测有限公司，国网山西省电力公司，
类型：发明
国别省市：北京;11