一种基于贝叶斯神经网络的风电机组参数辨识方法技术

本发明专利技术公开了一种基于贝叶斯神经网络的风电机组参数辨识方法，包括以下步骤：S1，采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；S2，将全部风电机组历史数据分为训练数据及测试数据；S3，利用训练数据计算网络输出；S4，更新贝叶斯神经网络模型权值；S5，计算全局误差，判断是否满足要求，若满足要求，获得最终的网络权值矩阵，结束学习算法。否则，返回S3，进入下一轮的学习；S6，利用测试数据及网络权值计算网络输出，得到风电机组的参数辨识结果。本发明专利技术将贝叶斯理论与神经网络模型进行结合，与传统参数辨识方法相比，该方法在辨识过程中，考虑了外部环境不确定性变化时的影响，该方法具有全局误差容易收敛，迭代步数少的优点。

【技术实现步骤摘要】
一种基于贝叶斯神经网络的风电机组参数辨识方法
本专利技术涉及智能电网配电领域，更具体地，涉及一种基于贝叶斯神经网络的风电机组参数辨识方法。
技术介绍
随着风电等新能源接入电力系统中存在的不确定性愈专利技术显。不确定性的存在，使得系统模型难以用固定参数精确建模。忽略这些模型误差无法得到与实际电网相符的计算结果，无法准确判断电力系统的稳定状况。传统的模型参数辨识方法主要有最小二乘法、梯度下降法和神经网络法。其中前两种辨识方法主要用于线性模型参数辨识，而神经网络方法主要用于非线性模型参数的辨识。风电机组模型为非线性模型，因此对于确定的参数可以用神经网络模型来进行辨识。但由于风电并网运行中风速等外部条件的不确定性，风电机组部分参数会不断变化，传统的确定性参数辨识方法无法应对这种随机性变化。
技术实现思路
本专利技术为克服上述现有技术缺陷，提供一种基于贝叶斯神经网络的风电机组参数辨识方法。本专利技术方法考虑了外部环境不确定性变化时的影响，辨识对比结果显示，该方法具有全局误差容易收敛，迭代步数少的优点。>本专利技术的目的是本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，包括以下步骤：/n步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；所述风电机组历史数据包括风速和故障对应的参数数据；/n步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；/n步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：/n将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型为三层网络结构，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为y

【技术特征摘要】
1.一种基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，包括以下步骤：
步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；所述风电机组历史数据包括风速和故障对应的参数数据；
步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；
步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：
将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型为三层网络结构，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为ym(k)；其中，k表示正在迭代的次数，n表示输入和对应的输出的个数；x和y分别表示神经网络的输入和输出变量；将该神经网络模型视为条件模型P，该条件模型P是通过参数θ进行参数化的，并且在给定输入x时，需要得到对应的输出y；
根据贝叶斯定理得到当训练数据为D作为输入时的模型参数θ概率为：



其中，p(θ)表示参数θ的概率；p(D|θ)表示已知参数θ条件下D的概率；p(D)表示数据D的概率。
在新的输入x*与数据D同时输入到条件模型P中时，输出为y*的概率为：
p(y*|x*,D)＝∫p(y*|x*,θ)p(θ|D)dθ(2)
其中，p(y*|x*,θ)表示已知x*,θ时y*的条件分布。
在贝叶斯神经网络中：首先使用已知的分布q去逼近真实的分布p，其中q的具体形式通过参数θ表示；其次，利用等距采样法从分布q中采取样本数据，得到贝叶斯神经网络模型参数θ*如式(4)所示。



式中，表示当目标函数取最小值时θ的取值；表示已知参数D时参数的条件概率，qθ为使用参数θ表示的分布q，表示参数的概率；表示已知参数时数据D的条件概率，其中为模型权重参数，s＝1或2，s＝1时为输入层至隐藏层的权值，s＝2时为隐藏层至输出层的权值；
步骤S4为，更新贝叶斯神经网络模型权值，得到网络权值矩阵；权值更新过程包括以下步骤：
(1)采用梯度下降法，隐藏层至输出层权值的学习算法如下：


...

【专利技术属性】
技术研发人员：钱峰，刘俊磊，杨韵，宋子强，蔡秋娜，彭孝强，陈鹏，张韧，
申请(专利权)人：广东电网有限责任公司阳江供电局，
类型：发明
国别省市：广东;44