[发明专利]用于对技术系统进行计算机辅助的建模的方法

权利要求书

1.用于对技术系统进行计算机辅助的建模的方法，其中：

-依据一个或多个输入向量通过基于由已知输入向量和输出向量组成的训练数据来学习神经网络（NN），对一个或多个输出向量建模，其中相应的输出向量包括该技术系统的一个或多个运行参量，以及相应的输入向量包括一个或多个影响所述一个运行参量或多个运行参量的输入参量；

-所述神经网络（NN）是具有多个相互连接的层（I，H1，H2，H3，O）的前馈网络，这些层包括输入层（I）、多个隐藏层（H1，H2，H3）以及输出层（O），其中输入层（I）包含用于描述所述一个或多个输入向量的多个输入神经元，以及其中相应的隐藏层（H1，H2，H3）包含多个隐藏神经元，并且输出层（O）包含用于描述所述一个或多个输出向量的多个输出神经元；

其特征在于，输出层（O）包括与多个隐藏层（H1，H2，H3）对应的多个输出集群（O1，O2，O3），这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群（O1，O2，O3）描述相同的输出向量并且与另一个隐藏层（H1，H2，H3）连接。

2.根据权利要求1所述的方法，其中所述神经网络（NN）的输入层（I）与隐藏层（H1，H2，H3）中的每一个连接。

3.根据权利要求1或2所述的方法，其中相应的输出向量包括针对在未来时间段内的多个相继的未来时间点的一个或多个运行参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。

4.根据上述权利要求之一所述的方法，其中相应的输入向量包括针对在未来时间段内的相继的未来时间点中的一个未来时间点的一个或多个预测的输入参量，其中该未来时间段优选地包括一天或多天并且这些时间点优选具有一小时的间隔。

5.根据上述权利要求之一所述的方法，其中利用该方法对发电设备以及尤其是再生发电设备形式的技术系统进行建模。

6.根据权利要求5所述的方法，其中该发电设备包括风力发电设备和/或太阳能设备，尤其是太阳热能设备和/或光伏设备。

7.根据权利要求5或6所述的方法，其中相应的输出向量作为运行参量包括针对多个相继的未来时间点的通过该发电设备生成的能量量（ES），其中能量量（ES）优选是在两个相继的未来时间点之间生成的能量量。

8.根据权利要求5至7之一所述的方法，其中相应的输入向量作为输入参量包括针对来自多个未来时间点的一个未来时间点的一个或多个预测的环境条件，其中预测的环境条件尤其是天气数据。

9.根据权利要求8所述的方法，其中所述一个预测的环境条件或多个预测的环境条件包括以下参量中的一个或多个：

-一个或多个环境温度；

-一个或多个空气湿度值；

-一个或多个风速和/或风向；

-一个或多个涉及与天空被云遮蔽有关的值；

-一个或多个太阳辐射值。

10.根据上述权利要求之一所述的方法，其中所述输入层（I）还包括一个或多个用于描述一个或多个其它输入向量的输入神经元，其中所述一个或多个其它输入向量包括技术系统的用分析模型确定的运行参量中的一个或多个。

11.根据上述权利要求之一所述的方法，其中设置10个或更多隐藏层，和/或每个隐藏层包括在20与30个之间的隐藏神经元。

12.根据上述权利要求之一所述的方法，其中在神经网络学习的范围内对每个输出集群（O1，O2，O3），作为目标参量将通过该输出集群（O1，O2，O3）描述的输出向量与根据训练数据的输出向量之间的差异最小化。

13.根据上述权利要求之一所述的方法，其中神经网络的学习基于误差反向传播进行。

14.用于预测技术系统的一个或多个运行参数的方法，其中向利用根据上述权利要求之一所述的方法学习的神经网络（NN）经由输入层（I）输送一个或多个输入参量，接着通过该神经网络（NN）为输出层（O）的至少一个输出集群（O1，O2，O3）确定具有该技术系统的一个或多个运行参数的对应输出向量。

15.根据权利要求14所述的方法，其中对于多个输出集群并且尤其是对于所有输出集群（O1，O2，O3）确定对应的输出向量，接着对这些输出向量的运行参量求平均。

16.计算机程序产品，具有存储在机器可读数据载体上的程序代码，当该程序代码在计算机上被执行时，该程序代码用于执行根据上述权利要求之一所述的方法。