[发明专利]基于神经网络的风电场发电功率后评估及监测方法

权利要求书

1.基于神经网络的风电场发电功率后评估及监测方法，其特征在于包括以下步骤：

步骤1：获取自由来流风速V、上游各风机与目标风机沿风来流方向投影距离d/D＝[d₁/D,d₂/D,…,d_s/D]，上游各风机及目标风机连线与风来流方向夹角θ_i＝[θ₁,θ₂,…,θ_s]作为神经网络模型的输入样本集；其中，d_i/D代表实际投影距离与风轮直径的比值，s为上游风机数最大值；将目标风机处的风速数据、发电量数据y作为神经网络模型的输出样本集；并将输入输出样本集按照一定比例划分为训练数据集X与测试数据集X’；

步骤2：将训练数据集X输入神经网络模型进行训练；

步骤3：通过测试数据集X’对已训练网络进行测试，神经网络模型误差达到预先设定条件后，神经网络模型训练完成；

步骤4：将训练好的神经网络模型作为风电场后评估及状态监测模型，在风电场后期运行阶段，通过输入实时获取的自由来流风速数据、上游各风机与目标风机相对位置参数，实时获得风机处预期风速或发电量情况，并通过神经网络模型进行结果输出；

步骤5：将神经网络模型一段时间内的输出风速数据与SCADA采集的机舱风速数据进行对比，判定风机处风速传感器正常运行或者出现故障；

步骤6：将神经网络模型一段时间内的输出功率结果与SCADA采集的风机功率数据进行对比，并结合步骤5风速对比结果，对风机发电量损耗进行定量评估；

所述步骤2中，神经网络模型由若干个自编码器AE和一个回归层组合而成；神经网络总共包含l+2层，其中，输入层表示为第0层，隐含层表示为第1层至第l层，输出层即回归层为第l+1层；设网络的第k个隐含层为h^k，与h^k-1和h^k(k＝1,2,…,l)相关的AE表示为AE^k；

给定AE^k的输入h^k-1，编码器和解码器的计算过程分别如公式(1)、公式(3)中所示:

f(x)＝g(x)＝1/(1+e^-x) (3)

式中：为编码器的权值矩阵；为编码器的偏置矩阵；为解码器的权值矩阵；为解码器的偏置矩阵；

通过最小化公式(4)中定义的重构误差，能够对参数集进行优化：

所述步骤2中，神经网络模型训练，包含预训练步骤、微调步骤：

预训练过程中，首先利用梯度下降法训练最底层的AE，训练目标为最小化公式(4)中的重构误差，该AE的输入采用来自实际现场的原始训练数据，该AE训练完成后，将生成的隐含层表达作为高一阶AE的输入，并采用同样的算法对其进行训练，通过这样的方式，所有AE都能够得到训练；

经过逐层的预训练后，将得到的所有隐含层进行叠加，并将回归层添加至神经网络顶部生成最终输出，利用梯度下降法对整个网络的参数进行微调。