[发明专利]一种基于BP神经网络的风机载荷预测及分析方法、装置及存储介质

说明书

本发明公开了一种基于BP神经网络的风机载荷预测及分析方法，属于风力发电技术领域。本发明基于大量数值模拟结果，进行BP神经网络训练，建立适用的神经网络模型，实现风机关键部位载荷的快速准确预测。同时，利用Garson算法对不同输入风参变量对载荷的影响的权重进行评估，获得影响风力机关键部位载荷的核心参数，从而实现对特定机组在不同风况下关键部位的载荷情况的快速预测。本发明能够简化正常发电状态下不同风况的风机载荷计算流程，实现风机载荷预测的数字化、智能化，具有良好的应用前景。

技术领域

本发明属于风力发电技术领域，具体涉及一种基于BP神经网络的风机载荷预测及分析方法、装置及存储介质。

背景技术

风机载荷是影响风机运行安全性的重要因素，因此，对载荷的测量和计算在选址、机组选型以及风电机组运行过程中都尤为重要。

现有的对风电机组关键部位载荷的测量主要采用粘贴应变片的方法，而对风电机组载荷的计算方法，较为常用的采用基于叶素动量理论的计算工具Bladed等对不同工况下的风机载荷进行计算。但是，利用Bladed进行计算往往需要详细的机组模型，并且计算较为耗时。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于BP神经网络的风机载荷预测及分析方法、装置及存储介质，能够简化正常发电状态下不同风况的风机载荷计算流程，实现风机载荷预测的数字化、智能化。

本发明是通过以下技术方案来实现：

一种基于BP神经网络的风机载荷预测及分析方法，包括：

S1：利用bladed软件对需要进行载荷测算的机组进行建模；

S2：生成正常发电状态下若干风工况，利用S1建立的模型对风机在不同风工况下关键部位的载荷进行模拟，并统计形成数据集；

S3：建立BP神经网络，设置初始训练参数，并将S2形成的数据集划分为训练集、验证集和测试集；并采用训练集对BP神经网络进行训练，获得输入与输出的映射关系；

S4：对训练完成的BP神经网络进行迭代优化，获得优化后的BP神经网络；利用优化后的BP神经网络对测试集进行测试，获得输出结果，实现对特定机组在不同风况下关键部位载荷情况的预测；

S5：提取S4得到的优化后的BP神经网络的特征参数，利用Garson算法分析不同的输入变量对输出变量影响的权重，实现不同风况参数对机组载荷影响的敏感性分析。

优选地，S2中，通过在一定范围内生成随机数的方式产生风工况，生成的风工况数量≥100个。

优选地，S2中，对风机在不同风工况下关键部位的载荷进行模拟时，包括风速、空气密度、湍流强度、入流角，风切变、偏航误差对叶根和塔底关键部位的载荷影响。

优选地，S3中，BP神经网络的初始训练参数包括神经网络隐含层级数、隐含层神经元个数、训练次数、学习速率和误差限。

优选地，S3中，对BP神经网络进行初始训练时，通过BP神经网络的反向传播原理，利用梯度搜索技术，使BP神经网络的实际输出值和期望输出值的误差均方差为最小，获得最优训练参数。

优选地，S4中，对BP神经网络进行迭代优化时，调整隐藏层神经元节点数，分别对训练集进行训练，记录不同隐藏层神经元节点数所对应的验证集的均方误差，确定最优隐藏层神经元节点数。

进一步优选地，S4中，最优隐藏层神经元节点数的确定原则为，使验证集均方误差最小，同时多重确定系数R最大。

优选地，S5中，所述优化后的BP神经网络的特征参数，包括从输入层到隐藏层的权重矩阵、从隐藏层到输出层的权重矩阵和所有层的偏置矩阵；Garson算法的具体表示为：