用于对技术系统进行计算机辅助的建模的方法技术方案

本发明专利技术涉及一种用于对技术系统进行计算机辅助的建模的方法，其中依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量。所述神经网络（NN）在此是具有输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O）的前馈网络。该网络的特点在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。本发明专利技术的方法尤其适用于对再生发电设备、例如风力发电设备或太阳能设备形式的技术系统建模。在此，该神经网络优选依据预测的天气数据来预测未来的、由该发电设备生成的能量量。

【技术实现步骤摘要】
【国外来华专利技术】【专利摘要】本专利技术涉及一种，其中依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量。所述神经网络（NN）在此是具有输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O）的前馈网络。该网络的特点在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。本专利技术的方法尤其适用于对再生发电设备、例如风力发电设备或太阳能设备形式的技术系统建模。在此，该神经网络优选依据预测的天气数据来预测未来的、由该发电设备生成的能量量。【专利说明】
本专利技术涉及一种以及一种用于预测技术系统的一个或多个运行参数的方法。
技术介绍
在多个应用领域中，值得期望的是计算机辅助地对技术系统的特性建模，以由此预计该技术系统的特定运行参数。例如，在电能产生的领域中越来越频繁地采用再生发电设备，这些再生发电设备的所产生的能量量(Energiemenge)强烈受到外部参量以及尤其是天气条件的影响。由此对于再生发电设备形式的技术系统来说，期望适当地预计未来所产生的能量量，以由此能够更好地规划这样的发电设备的能量馈送。
技术实现思路
因此本专利技术的任务是计算机辅助地对技术系统建模，使得其运行参数可以被可靠和精确地预测。该任务通过根据权利要求1和权利要求14的方法以及通过根据权利要求16的计算机程序产品来解决。本专利技术的改进方案被定义在从属权利要求中。本专利技术的方法为了对技术系统进行计算机辅助的建模而使用人工神经网络。在此，依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络，对一个或多个输出向量建模,其中相应的输出向量包括该技术系统的一个或多个运行参量，以及其中相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量。神经网络在此是前馈网络的特殊变型。前馈网络的特征在于，多个相叠的神经元层在从较低层到较高层的处理方向上通过合适的加权而以加权矩阵的形式相互耦合，其中在一个层内的神经元相互之间不具有连接。在本专利技术中使用的前馈网络是具有多个相互连接的层的多层网络，这些层包括输入层、多个隐藏层以及输出层。在此，输入层包含用于描述所述一个或多个输入向量的多个输入神经元。与此相应地，相应的隐藏层包括多个隐藏神经兀，并且输出层包含用于描述所述一个或多个输出向量的多个输出神经兀。本专利技术的神经网络的特点在于，输出层包括与多个隐藏层对应的多个输出集群，这些输出集群分别由一个或多个输出神经兀组成，其中每个输出集群描述相同的输出向量并且与另一个隐藏层连接。由此向每个隐藏层分配输出集群，其中该隐藏层仅与该输出集群耦合。因此实现了单独的、在神经网络中彼此无关地描述技术系统的相同运行参数的输出集群。与常规的前馈网络不同，在本专利技术的神经网络中位于最上面的隐藏层下方的隐藏层不仅与较高的隐藏层连接，而且与输出层的输出集群连接。由此向该输出层输送附加的误差信息，使得对应学习的神经网络可以更好地预计技术系统的运行参数。由于每个所述输出集群都提供相同的运行参数，因此所预测的运行参数例如可以通过在输出集群上求平均来代表。在本专利技术方法的特别优选的实施方式中，神经网络的输入层与隐藏层中的每一个连接，这在常规的前馈网络中不是这样。在那里输入层仅与最下面的隐藏层耦合。通过这种方式，影响技术系统的运行的输入参量直接流入每个隐藏层中，这又导致对该技术系统的运行参量的改善的预测。在本专利技术方法的特别优选的实施方式中，技术系统的对应运行参量在较长的未来时间段通过神经网络来加以建模。在此，相应的输出向量包括针对在未来时间段内的多个相继的未来时间点的一个或多个运行参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。这种时间段尤其适合于预测通过再生发电设备产生的能量量，如下面还要更详细描述的。在本专利技术的另一优选实施方式中，神经网络的输入层的输入向量也是预测的参量。在此，相应的输入向量包括针对在未来时间段内的相继的未来时间点中的一个未来时间点的一个或多个预测的输入参量，其中与输出向量类似，该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。针对输入向量的对应预测时间点必要时可以与针对输出向量的预测时间点一致。如上面已经提到的，利用本专利技术的方法在一种优选的变型中对发电设备形式以及尤其是再生发电设备形式的技术系统进行建模。尤其是该发电设备在此是具有一个或多个风力涡轮机、例如以风电场(Windpark)的形式的风力发电设备。该发电设备还可以是太阳能设备，尤其是太阳热能设备和/或光伏设备。在将本专利技术的方法用于发电设备的情况下，在一种优选的变型中相应的输出向量作为运行参量包括针对多个相继的未来时间点通过该发电设备生成的能量量。概念“能量量”在此应当广泛地理解，并且可以涉及在特定时间段内产生的能量量或涉及每时间单位的能量量并由此涉及电功率。优选地，能量量是在两个相继的未来时间点之间生成的能量量。该能量量对于所观察的相应时间点来说是在先前的时间点和所观察的时间点之间产生的能量量，该能量量也可以以电功率的形式来加以说明(也就是说，能量量除以时间点之间的时间区间)。在另一优选的实施方式中，在对发电设备建模时使用分别作为输入参量包括针对来自多个未来时间点的一个未来时间点的一个或多个预测的环境条件的输入向量，其中预测的环境条件尤其是例如来自气象服务的天气数据或天气预报。预测的天气数据在此涉及在以下地点处测定的数据:其处于或尽可能靠近对应发电设备的地理地点。优选地，预测的环境条件在此包括以下参量中的一个或多个: -一个或多个环境温度； -一个或多个空气湿度值； -一个或多个风速和/或风向。这些参量尤其是与风力发电设备形式的发电设备结合地使用。在此，例如可以考虑针对不同高度的温度值，尤其是针对25m、50m或150m的温度值，由此考虑以下事实:风力发电设备的风力涡轮机具有大的直径。附加于或替换所提到的参量，作为其它环境条件可以考虑一个或多个与天空被云遮蔽有关的值或一个或多个太阳辐射值(例如以光强来加以说明)。最后提到的环境条件尤其是在将本专利技术的方法用于对太阳能设备建模时一起提及。在本专利技术的一种优选变型中，对技术系统的建模和基于此的预测通过以下方式得到改善，即也考虑分析模型的输出。在这种情况下，神经网络的输入层包括一个或多个用于描述一个或多个其它输入向量的输入神经兀。所述其它输入向量不同于用于描述输入参量的输入向量。代替地，所述其它输入向量是技术系统的利用适当的分析模式确定的运行参量中的一个或多个。与神经网络类似地，分析模型也基于对应的输入参量来提供技术系统的运行参量。隐藏层和隐藏神经元的数量在本专利技术的神经网络中可以根据应用情况不同地来选择。在本专利技术的一种变型中，在神经网络中可以设置10个或更多隐藏层，并由此也可以设置10个或更多输出集群。在隐藏层中的隐藏神经元的本文档来自技高网...

【技术保护点】
用于对技术系统进行计算机辅助的建模的方法，其中：‑依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量；‑所述神经网络（NN）是具有多个相互连接的层（I，H1，H2，H3，O）的前馈网络，这些层包括输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O），其中输入层（I）包含用于描述所述一个或多个输入向量的多个输入神经元，以及其中相应的隐藏层（H1，H2，H3）包含多个隐藏神经元，并且输出层（O）包含用于描述所述一个或多个输出向量的多个输出神经元；其特征在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：J克莱夫，R格罗特曼，K赫舍，C蒂茨，HG齐默曼，
申请(专利权)人：西门子公司，
类型：发明
国别省市：德国;DE