一種基于narx神經網絡的風速預測方法及裝置的制造方法
【技術領域】
[0001]本發明涉及風電控制技術領域，特別是涉及一種基于NARX神經網絡(非線性自回歸神經網絡)的風速預測方法及裝置。
【背景技術】
[0002]在國家產業政策的支持下，近十年來，中國風電產業經歷了突飛猛進式的增長，中國已經成為名副其實的風電大國，風電和可再生能源的大發展是未來不可逆轉的趨勢。過去幾年，風電開發的重點從高風速向低風速區域轉移，中國風電整機企業通過自主創新，積極開發更大單機容量、更大葉輪、適應更低風速、更加智能的新機型，不斷提升風資源開發潛力和風能利用水平。風能利用效率更高的超低風速風機不斷涌現。
[0003]風速的準確測量對于變速風機最大限度的吸收風能至關重要，特別是在額定風速以下時，風速是變槳控制和轉矩控制的重要參數。而風速受氣壓和溫度等多種因素的影響，隨機性非常大，準確預測的難度很大。目前常見的預測方法有神經網絡法，卡爾曼濾波法，時間序列法等。其中時間序列法在高階模型的參數難以確定導致預測精度不高；卡爾曼濾波法對于非線性系統預測的難度較大;神經網絡法因其對于非線性系統特有的優勢近年來被深入研究。但模型結構基本都采用了傳統的后向傳播神經網絡(BP網絡)，預測精度不是很高；如專利CN104112166A，一種風電場的短期風速預測方法及系統就是采用了 BP網絡，同時對訓練數據進行了處理。專利CN103927460A，一種基于RBF的風電場短期風速預測方法，采用了RBF神經網絡，對輸入輸出數據進行歸一和反歸一化，以溫度、濕度、氣壓和風向作為輸入，但未能充分利用歷史數據對于預測風速的影響。
[0004]由此可見，上述現有的風速預測方法顯然仍存在有不便與缺陷，而亟待加以進一步改進。如何能創設一種可以充分利用現有的風機硬件及監控數據的、精確的、便利的風速預測方法和裝置，成為當前業界極需改進的目標。
【發明內容】
[0005]本發明要解決的技術問題是提供一種可以充分利用現有的風機硬件及監控數據的、精確的、便利的風速預測方法和裝置。
[0006]為實現上述目的，本發明采用如下技術方案:
[0007]一種基于NARX神經網絡的風速預測方法，包括如下步驟:步驟A，采集風速預測所需相關參數的歷史數據，所述相關參數包括風速、槳距角、轉速和功率;步驟B，對采集到的數據進行歸一化處理;步驟C，將處理后的數據作為訓練樣本輸入到NARX神經網絡中進行訓練;步驟D，將測試樣本輸入到訓練好的NARX神經網絡中，并將輸出值進行反歸一化，得到實際預測值。
[0008]進一步地，所述步驟B中，歸一化處理后的數據還需按組進行隨機排序處理。
[0009]進一步地，所述NARX神經網絡共有3層，分別為輸入層、隱層和輸出層;輸入層神經元數為4個，分別為功率、槳距角、轉速和風速;隱層神經元個數為8個;輸出層節點數為I個，代表對未來時刻風速的預測值;輸出的延時階數為2。
[0010]進一步地，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分別為歸一化后數據范圍的最大值和最小值;xmax和xmin分別為歸一化前數據的最大值和最小值;y為歸一化后的數據，X為歸一化前的數據，所述ymax和ymin分別取I和-1。
[0013]一種基于NARX神經網絡的風速預測裝置，包括:采集模塊，采集風速預測所需相關參數的歷史數據，所述相關參數包括風速、槳距角、轉速和功率;處理模塊，對采集到的數據進行歸一化處理；訓練模塊，將處理后的數據作為訓練樣本輸入到NARX神經網絡中進行訓練;計算輸出模塊，將測試樣本輸入到訓練好的NARX神經網絡中，并將輸出值進行反歸一化，得到實際預測值。
[0014]進一步地，所述處理模塊，對歸一化處理后的數據還需按組進行隨機排序處理。
[0015]進一步地，所述NARX神經網絡共有3層，分別為輸入層、隱層和輸出層;輸入層神經元數為4個，分別為功率、槳距角、轉速和風速;隱層神經元個數為8個;輸出層節點數為I個，代表對未來時刻風速的預測值;輸出的延時階數為2。
[0016]進一步地，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分別為歸一化后數據范圍的最大值和最小值;xmax和xmin分別為歸一化前數據的最大值和最小值;y為歸一化后的數據，X為歸一化前的數據，所述ymax和ymin分別取I和-1。
[0019]通過采用上述技術方案，本發明至少具有以下優點:
[0020]1、本發明采用了 NARX神經網絡建立模型對風速進行了預測，采用了一種新的模型來提高和便利風力發電機組的風速預測，從而提高風能捕獲能力，進而提高發電量。本發明利用風機空氣動力學的公式和原理選擇了網絡的輸入參數，即風速預測的相關參數。不同于傳統的風速預測方法常常選擇濕度、溫度和氣壓等信息作為神經網絡輸入參數，本發明參數選擇更有利于實時測量，從而提高預測的準確性。
[0021]2、訓練前的數據預處理，除了歸一化外，還對各組樣本進行了隨機排序，這樣可以增加NARX神經網絡學習的知識量和提高對未來新數據的識別能力。因為對訓練樣本進行了預處理，具有較高的學習效率和訓練效果。
[0022]3、本發明的NARX神經網絡有效的利用了風速相關因素數據，發揮了時間序列的作用，進一步提高了預測效果。
[0023]4、本發明充分利用現有的風機硬件及監控數據，不需要額外增加硬件，只需將本算法加入到風機的主控程序中，然后上傳至風機現有的主控制器即可實現。
【附圖說明】
[0024]上述僅是本發明技術方案的概述，為了能夠更清楚了解本發明的技術手段，以下結合附圖與【具體實施方式】對本發明作進一步的詳細說明。
[0025]圖1是本申請實施例提供的一種基于NARX神經網絡的風速預測方法流程圖；
[0026]圖2是本申請實施例提供的一種基于NARX神經網絡的風速預測裝置結構框圖；
[0027]圖3為傳統BP神經網絡風速預測結果曲線圖；
[0028]圖4為采用本發明的基于NARX神經網絡的風速預測方法的風速預測結果曲線圖；
[0029]圖5為風速預測比較圖(本發明的方法與傳統BP神經網絡風速預測對比)。
【具體實施方式】
[0030]實施例1
[0031 ]如圖1所示，本實施例的一種基于NARX神經網絡的風速預測方法，包括如下步驟:
[0032]步驟A，采集風速預測所需相關參數的歷史數據，相關參數包括風速、槳距角、轉速和功率，根據風機的空氣動力學模型，可知功率為風速、槳距角和轉速的函數，因此采集上述數據進行網絡訓練如下所示:
[0033]Pm= 1/2 XCp(A,0)pjiR2v3 = f (ν, ω，β)
[0034]步驟B，對采集到的數據進行歸一化處理，為神經網絡訓練做好準備，按照如下公式:
[0035]y = (ymax-ymin)*(x-xmin)/(xmax-xm in)+ym i η
[0036]其中，ymax和ymin分別為歸一化后數據范圍的最大值和最小