[发明专利]用于对技术系统进行计算机辅助的建模的方法

说明书

技术领域

本发明涉及一种用于对技术系统进行计算机辅助的建模的方法以及一种用于预测技术系统的一个或多个运行参数的方法。

背景技术

在多个应用领域中，值得期望的是计算机辅助地对技术系统的特性建模，以由此预计该技术系统的特定运行参数。例如，在电能产生的领域中越来越频繁地采用再生发电设备，这些再生发电设备的所产生的能量量（Energiemenge）强烈受到外部参量以及尤其是天气条件的影响。由此对于再生发电设备形式的技术系统来说，期望适当地预计未来所产生的能量量，以由此能够更好地规划这样的发电设备的能量馈送。

发明内容

因此本发明的任务是计算机辅助地对技术系统建模，使得其运行参数可以被可靠和精确地预测。

该任务通过根据权利要求1和权利要求14的方法以及通过根据权利要求16的计算机程序产品来解决。本发明的改进方案被定义在从属权利要求中。

本发明的方法为了对技术系统进行计算机辅助的建模而使用人工神经网络。在此，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，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，以及其中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。

神经网络在此是前馈网络的特殊变型。前馈网络的特征在于，多个相叠的神经元层在从较低层到较高层的处理方向上通过合适的加权而以加权矩阵的形式相互耦合，其中在一个层内的神经元相互之间不具有连接。在本发明中使用的前馈网络是具有多个相互连接的层的多层网络，这些层包括输入层、多个隐藏层以及输出层。在此，输入层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。与此相应地，相应的隐藏层包括多个隐藏神经元，并且输出层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。

本发明的神经网络的特点在于，输出层包括与多个隐藏层对应的多个输出集群，这些输出集群分别由一个或多个输出神经元组成，其中每个输出集群描述相同的输出向量并且与另一个隐藏层连接。由此向每个隐藏层分配输出集群，其中该隐藏层仅与该输出集群耦合。因此实现了单独的、在神经网络中彼此无关地描述技术系统的相同运行参数的输出集群。与常规的前馈网络不同，在本发明的神经网络中位于最上面的隐藏层下方的隐藏层不仅与较高的隐藏层连接，而且与输出层的输出集群连接。由此向该输出层输送附加的误差信息，使得对应学习的神经网络可以更好地预计技术系统的运行参数。由于每个所述输出集群都提供相同的运行参数，因此所预测的运行参数例如可以通过在输出集群上求平均来代表。

在本发明方法的特别优选的实施方式中，神经网络的输入层与隐藏层中的每一个连接，这在常规的前馈网络中不是这样。在那里输入层仅与最下面的隐藏层耦合。通过这种方式，影响技术系统的运行的输入参量直接流入每个隐藏层中，这又导致对该技术系统的运行参量的改善的预测。

在本发明方法的特别优选的实施方式中，技术系统的对应运行参量在较长的未来时间段通过神经网络来加以建模。在此，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。这种时间段尤其适合于预测通过再生发电设备产生的能量量，如下面还要更详细描述的。

在本发明的另一优选实施方式中，神经网络的输入层的输入向量也是预测的参量。在此，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，其中与输出向量类似，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。针对输入向量的对应预测时间点必要时可以与针对输出向量的预测时间点一致。

如上面已经提到的，利用本发明的方法在一种优选的变型中对发电设备形式以及尤其是再生发电设备形式的技术系统进行建模。尤其是该发电设备在此是具有一个或多个风力涡轮机、例如以风电场（Windpark）的形式的风力发电设备。该发电设备还可以是太阳能设备，尤其是太阳热能设备和/或光伏设备。