[发明专利]一种用于风电机组零部件的需求预测方法

说明书

本发明公开了一种用于风电机组零部件的需求预测方法，该需求预测方法采用BP神经网络预测模型，BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测，BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络，得到一个能够反映出各种影响因素与设备故障之间数量关系的函数，并运用现有的数据预测结果，达到准确预测需求的目标。本发明中的需求预测方法是以专家经验得到需求数量的决策提供理论依据，将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义的可重复的系统库存管理方法，帮助风电企业更好地管理仓库，降低库存占用资金，从而达到减少成本的目的。

技术领域

本发明属于新能源发电运行管理技术领域，具体的说是涉及一种用于风电机组零部件的需求预测方法。

背景技术

目前现有技术中风电行业零部件的采购预测方法有三种，主要有基于威布尔分布的可靠性分布模型、马尔可夫模型和蒙特卡洛模型，而风电机的零部件采购决策一直都没有较为系统的理论依据，通常靠较为简单的数学模型和大量历史数据来模拟预测未来的设备数量。

基于威布尔分布的可靠性分布模型：此方法通过对产品的一系列数据进行初步分析和数据拟合，建立其寿命模型，再修正模型中的参数最后用模型概率图预测设备寿命。该方法的缺点为：该方法只是从设备损耗角度出发，没有充分考虑运行过程中其他因素对设备使用寿命的影响。

马尔可夫模型：是一种根据已有状态估计未来状态的模型，常用于语音识别、音字转换和人员流动等，该方法基于状态转移矩阵对下一个状态的情况进行预测。该方法的缺点为：通常情况下风电机组的设备故障因素较复杂，所以马尔可夫模型很难达到要求。

蒙特卡洛模型：是一种基于概率和统计理论的计算方法，将大量实验数据用来精确其曲线，得出最大值、最小值、均值和方差。显然，该方法的缺点为：风电机组的历史数据并不能够很好的用于收敛其模型。

目前现有技术中运用于风电零部件需求预测的方法主要就是上面所说的威布尔分布模型、蒙特卡洛模型和马尔可夫模型，这些方法中考虑到影响设备使用寿命的要素大多不全面或者实施的可行性不高。而且现有技术中已有的技术方案只是利用早期的数学模型，计算设备的使用寿命，以此推算出需要更换的设备数量，并没有考虑到影响设备使用寿命的因素和损耗数量之间的关系，所以不能够很好的达到预测目标。

发明内容

本发明为了克服现有技术存在的不足，提供一种用于风电机组零部件的需求预测方法。

本发明是通过以下技术方案实现的：一种用于风电机组零部件的需求预测方法，该需求预测方法采用BP神经网络预测模型，BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测，BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络，得到一个能够反映出各种影响因素与设备故障之间数量关系的函数，并运用现有的数据预测结果，达到准确预测需求的目标。

本发明建立BP神经网络预测模型的具体步骤为：

(1)首先将作为评价指标的影响因素无量纲化，并拟定四个影响因素，影响因素具体包括半年内设备随时间变化而磨损的数量、半年内的发电量、半年内超过极限温度的天数和半年内超过极限风速的次数；

(2)除了影响因素，还需要对目标量进行归一，目标量就是实际运行时半年内需要更换的零部件数量，提供各影响因素及目标量的初始数据，指标归一化后代入BP网络中开始训练，输入向量对应指标，并按照相应训练步骤进行BP网络训练；

(3)最后进行网络的检验和预测，BP神经网络预测模型训练完成后再将几组输入向量递送至网络，运行后比较误差以对网络进行检验，检验合格后利用现有的待预测数据预测未来运行周期内零部件的需求情况。