[发明专利]基于神经网络的风电场弃风电量评估方法

摘要

本发明提供一种基于神经网络的风电场弃风电量评估方法，包括：建立BP神经网络模型；采用所述训练样本数据，基于步骤2中的初始化BP神经网络模型的基本参数，对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；将时刻t时的风场j全场场外弃风电量和时刻t时的风场j全场场内弃风电量求和，得到时刻t时的风场j全场弃风电量值。优点为：能够简单、快速、精确的评估得到风电场弃风电量，从而有利于电力网络调度中心进行更好地调峰、调潮流。

主权项

一种基于神经网络的风电场弃风电量评估方法，其特征在于，包括以下步骤：步骤1，建立BP神经网络模型；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层的神经元个数为n，隐含层的神经元个数为l，输出层的神经元个数为m；任意输入层神经元为xi，i∈(1、2…n)；任意隐含层神经元为hj，j∈(1、2…l)；任意输出层神经元为ok，k∈(1、2…m)；步骤2，初始化BP神经网络模型的基本参数，包括：学习速率μ、输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数t(x)；其中，输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化值为(‑1,1)内的随机数；其中：输入层到隐含层的权重wij含义为：任意的输入层神经元xi到任意的隐含层神经元hj之间的权重；隐含层到输出层的权重wjk含义为：任意的隐含层神经元hj到任意的输出层神经元ok之间的权重；输入层到隐含层的偏置数aj含义为：各输入层神经元到任意的隐含层神经元hj的偏置数；隐含层到输出层的偏置数bk含义为：各隐含层神经元到任意的输出层神经元ok的偏置数步骤3，获取训练样本数据；其中，所述训练样本数据为单台风机历史运行状态的三维数据，包括：风机风速、风机风向和空气密度；采用所述训练样本数据，基于步骤2中的初始化BP神经网络模型的基本参数，对所述BP神经网络模型进行训练，得到训练后的BP神经网络模型；其中，采用以下方法对所述BP神经网络模型进行训练：步骤3.1，输入层包括三个神经元，每个输入层神经元分别为处于发电状态风机的风机风速、风机风向和空气密度；采用以下公式计算隐含层神经元hj的输出值：hj=t(Σi=1nwijxi+aj)]]>再采用以下公式计算输出层神经元ok的输出值：ok=Σj=1lhjwjk+bk]]>步骤3.2，定义损失函数如下：E=12Σk=1m(yk-ok)2]]>其中：yk为输出层神经元的期望输出值，初始值为每个训练样本数据对应的历史实际有功功率值；E为偏差值；令ek＝yk‑ok，ek为第k个输出层神经元对应的偏差值；则E可以表示为：E=12Σk=1mek2]]>将步骤3.2计算得到的输出层神经元ok的输出值代入损失函数，计算得到偏差值E；步骤3.3，判断偏差值E是否满足要求，若满足要求，转到步骤3.10；若不满足要求，转步骤3.4；步骤3.4，采用下式计算隐含层到输出层的权重调整量为：Δwjk(q+1)＝(1‑γ)hjek+γΔwjk(q)其中：γ=1,|eq||eq-1|<11-5|eq|6|eq-1|,1≤|eq||eq-1|≤20,1.2<|eq||eq-1|]]>其中：γ为权值惯性系数，eq和eq‑1分别为第q和q‑1次训练误差；Δwjk(q)为第q次训练时隐含层神经元hj到输出层神经元ok的权重调整量；Δwjk(q+1)为第q+1次训练时隐含层神经元hj到输出层神经元ok的权重调整量；步骤3.5，再采用下式计算输入层到隐含层的权重调整量为：Δwij(q+1)=(1-γ)μhj(1-hj)xiΣk=1mwjkek+γΔwij(q)]]>其中：γ为权值惯性系数；Δwij(q)为第q次训练时输入层神经元xi到隐含层神经元hj的权重调整量；Δwij(q+1)为第q+1次训练时输入层神经元xi到隐含层神经元hj的权重调整量；步骤3.6，采用下式计算偏置数bk的更新值：bk＝bk+μek步骤3.7，采用下式计算偏置数ak的更新值：ak=ak+μhj(1-hj)Σk=1mwjkek]]>步骤3.8，因此，采用步骤3.4计算得到的隐含层到输出层的权重调整量、步骤3.5计算得到的输入层到隐含层的权重调整量、步骤3.6计算得到的偏置数bk的更新值以及步骤3.7计算得到的偏置数ak的更新值优化调整前一次训练得到的BP神经网络模型的对应参数，由此得到更新后的BP神经网络模型；步骤3.9，基于步骤3.8得到的更新后的BP神经网络模型，返回步骤3.1，步骤3.10，得到训练后的BP神经网络模型；步骤4，风场中存在多台风机，每台风机包括以下9种状态，分别为待风状态、发电状态、降额发电状态、计划停运状态、非计划停运状态、调度停运状态、通讯中断状态、场内受累停运状态和场外受累停运状态；根据每台风机的历史运行数据，均可训练得到该风机对应的训练后的BP神经网络模型；因此，如果单台风机i处于降额发电状态或和调度停运状态，则将单台风机i在时刻t的风机风速、风机风向和空气密度输入到与单台风机i对应的训练后的BP神经网络模型中，得到单台风机i在时刻t的理论有功出力P理论.t.i；再获得单台风机i在时刻t的实际有功出力P实际.t.i，依据下式计算得到单台风机i在时刻t的场外弃风电量Q场外.t.i：因此，将时刻t时风场j中的所有处于降额发电状态或和调度停运状态的单台风机的场外弃风电量求和，得到时刻t时的风场j全场场外弃风电量Q场外.t.j；如果单台风机i处于待风状态、发电状态、计划停运状态、非计划停运状态、通讯中断状态、场内受累停运状态和场外受累停运状态时，则将单台风机i在时刻t的风机风速、风机风向和空气密度输入到与单台风机i对应的训练后的BP神经网络模型中，得到单台风机i在时刻t的理论有功出力P理论.t.i；再获得单台风机i在时刻t的实际有功出力P实际.t.i，依据下式计算得到单台风机i在时刻t的场内弃风电量Q场内t.i：因此，将时刻t时风场j中的所有处于待风状态、发电状态、计划停运状态、非计划停运状态、通讯中断状态、场内受累停运状态和场外受累停运状态的单台风机的场内弃风电量求和，得到时刻t时的风场j全场场内弃风电量Q场内.t.j；将时刻t时的风场j全场场外弃风电量Q场外.t.j和时刻t时的风场j全场场内弃风电量Q场内.t.j求和，得到时刻t时的风场j全场弃风电量值。