[发明专利]基于改进深度信念网络的风电机组状态参数预测方法

权利要求书

1.基于改进深度信念网络的风电机组状态参数预测方法，其特征在于：包括以下步骤：

S1：选取风电机组状态参数的预测样本数据和输入参数；

S2：选择sigmoid函数作为隐含层的激活函数，构建基于深度信念网络的风电机组状态参数预测模型；

S3：采用遗传算法改进神经网络的训练过程，完成逐层预训练，得到预测模型中所有神经元的权重矩阵参数变量w和偏置变量b；所述神经网络的训练优化模型为：

式中：w₁、b₁为输入层的权重矩阵参数和偏置，w₁'和b₁'为输出层的权重矩阵参数和偏置；d^j和y^j分别表示第j个样本的输入变量和输出变量；S是训练样本总量；L_oss表示训练误差；L_ossj表示第j个样本的训练误差；

S4：完成步骤S3的预训练后采用BP算法对所有参数进行统一训练，调整参数得到输出层的最终参数；

S5：完成步骤S4的参数训练之后，依次计算预测样本的每一层神经元的输出，得到输出层神经元的输出，即为待预测样本的状态参数预测值；

S6：计算状态参数预测的均方根误差、平均绝对误差、平均相对误差，验证风电机组状态参数预测的准确度；所述均方根误差、平均绝对误差、平均相对误差的计算方式如下：

均方根误差为：

平均绝对误差为：

平均相对误差为：

式中，y_t’为时刻t的预测值，y_t为时刻t的实测值，n为序列的长度。

2.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法，其特征在于：所述步骤S1中选取风电机组状态参数的预测样本数据和输入参数具体为：

将风速3～25m/s区间划分为Wx个取值区间，将主轴承叶轮侧温度5～50℃划分为Wy个取值区间，构成的每一个区间均为对应状态参数的子样本，所有的子样本共同构成对应状态参数的样本数；选取发电机后端轴承温度、风速作为状态参数的输入参数。

3.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法，其特征在于：所述步骤S2中隐含层的激活函数如下所示：

4.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法，其特征在于：所述步骤S2中构建的基于深度信念网络的风电机组状态参数预测模型的隐含层数量设置为6层，每层隐含层的神经元数量分别为100、80、60、40、30、20。