[发明专利]基于极限学习机的风电机组叶根载荷估计方法

权利要求书

1.一种基于极限学习机(ELM)的风电机组叶根载荷估计方法，其特征主要包括估计模型输入输出确定和估计模型极限学习机学习两个部分；

1)估计模型输入输出变量的确定：根据建模要求，以挥舞方向剪力F_x和弯矩M_y，摆振方向剪力F_y和弯矩M_x作为估计模型输出；输入变量确定：首先选取风速大小、桨距角、方位角、风轮转速、风速矢量与惯性坐标系3个轴的夹角等7个变量，取上述7个变量的数据，组成输入矩阵X(X1,X2,K,X7)，对X进行主元分析，计算各主元的贡献率，前四个主元的累积贡献率达到90％以上，故将原始7个变量数据降维为4个主元X(X1,X2,K,X4)，根据贡献大小可确定叶根载荷的4个主要影响因素：风速v、桨距角β、方位角θ和风轮转速ω作为为模型输入变量；

2)估计模型输入输出归一化处理：为保证ELM神经网络神经元的非线性作用及较快的学习速度,避免因净输入绝对值过大造成神经元的输出饱和,应将ELM神经网络的输入归一化到一个较小的数值范围内；ELM算法用于拟合回归时，一般将输入输出值归一化到[0,1]区间；按照归一化公式对样本数据进行归一化计算:

式中x_i为待处理数据，x_p为归一化处理后的数据，x_min和x_max为待处理数据最小值和最大值；

设有N个不同的样本(X_i,t_i)∈Rⁿ×R^m，其中X_i＝[x_i1,x_i2…x_in]^T，t_i＝[t_i1,t_i2…t_im]^T i＝1,…,N；对于X输入O输出，有L个隐层节点的单隐层前馈神经网络可以表示为：

其中g(x)是激活函数；W_i＝[w_i1,w_i2,…,w_in]^T是连接第i个隐层节点的输入权重向量；β_i＝[β_i1,β_i2,…,β_im]^T是第i个隐层节点的输出权重向量；b_i是第i个隐层节点的阈值；激活函数为g(x)的单隐层神经网络，若以零误差逼近N个样本(X_i,t_i)，也就是要满足等式即存在β_i,W_i,bi满足：

式(3)可用矩阵表示为：

Hβ＝T (4)

其中H是隐层节点的输出矩阵，β为输出权重矩阵，T为期望输出矩阵

当隐层节点数L等于样本数N，即L＝N，则矩阵H是方阵可求其逆矩阵，单隐层前馈神经网络可以以零误差逼近样本值，然而在很多情况下，样本数N要远远大于隐层节点数L，此时H非方阵，可能不存在β_i,W_i,b_i(i＝1,L,L)满足等式(4)，这时我们希望找到满足等式：

既最小化损失函数：

一旦W_i,b_i确定，则隐层节点的输出矩阵H被唯一确定；此时等式(1-4)为求解线性系统Hβ＝T的最小二乘解即：

可求得其中H⁺是矩阵H的Moore-Penrose广义逆；

综上所述，具体的ELM算法实现可列为如下步骤：

(1)给出训练集ξ＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,L,N}，激活函数g(x)和隐层节点数L；

(2)随机初始化输入权重W_i和隐层节点阈值b_i，i＝1,L,L；

(3)计算隐层输出矩阵H；

(4)计算输出权重β＝H⁺T；

3)整个建模过程由下列步骤组成：

第一步：要建立的ELM神经网络叶根载荷估计模型以挥舞方向剪力F_x和弯矩M_y，摆振方向剪力F_y和弯矩M_x作为模型输出；采用主元分析方法，确定风速v、桨距角β、方位角θ和风轮转速ω作为为输入变量；即所建ELM神经网络模型的输入结点个数确定为4个，输出结点个数为4个；从实验采集数据中随机选取输入输出数据，按(1-α)：α(测试比例因子)百分比分成训练数据和测试数据，确定激励函数G,激励函数可选取sin、sig、hardlmi函数，在ELM算法中随机初始化输入权重W_i和隐层节点阈值b_i，不需要迭代调整，只需要设置隐层结点个数初始值L_s和结束值L_f；

第二步：确定神经网络的基本结构和参数

应用ELM算法学习神经网络参数，从设置隐层结点个数初始值L_s开始，然后不断增加隐层节点个数到预置最大值L_f，但隐层节个数最大值L_f一般小于训练数据个数，训练和测试在不同隐层节点下的ELM网络，计算训练和测试均方根误差，对训练和测试均方根误差进行相加，均方根误差之和为最小值时的L值即为该网络的隐含层神经元个数；

对于任意给定的输入条件，按(1)式归一化后输入到训练好的神经网络模型，按(4)计算神经网络的输出T后其中的相应输出变量x_p按(8)式变换成工程量后即可估计相应的载荷值x_i；

x_i＝x_p*(x_max-x_min)+x_min (8)

式中x_min和x_max为待处理数据最小值和最大值。