参数选择模型，并提出模型输入参数的自动选择方法，如图1所示。
[0116] ①基于BP順的参数选择模型
[0117] 本方法建立基于BP順的输入参数选择模型。在确定了BP順网络结构的情况下，需 考虑如下两方面问题:一是神经网络中信号的传递函数，分别采用双极性S型函数和线性函 数作为BP顺模型中隐层和输出层的传递函数；二是BP顺中采用的梯度下降算法，采用 Levenbe;rg-Marqua;r化迭代算法优化BPNN模型的权值。
[0118] ②状态参数选择的评价方法
[0119] 采用重要度判断评价模型的输入参数对目标参数的影响程度。通过评估删除某一 输入参数对预测模型精度的影响W衡量该参数的重要度。逐一改变输入参数的大小，并采 用均方根误差(RMSE)判断模型精度变化的方法W评价各输入参数对目标参数的影响程度， 从而选择状态参数预测模型的输入参数。
[0120] ③模型输入参数的确定
[0121] 综合考虑各状态参数对某一参数的影响，选取机组的正常运行状态数据作为参数 选择模型的样本数据。样本数据从1年的数据中随机选择30000个数据，每个数据由20个状 态参数组成，其中27000个数据作为训练数据，3000个数据作为测试数据。假设W风电机组 的发电机轴承B溫度为目标参数，其余19个状态参数为BPr^N的输入参数。图2是状态参数预 测模型的输入参数确定过程，其步骤如下：
[0122] 1)选取3个RMSE较大的参数作为输入参数建立BP順模型。根据训练数据得到最优 的状态参数预测模型；
[0123] 2)用相同的测试数据测试新建立的模型，将新建立模型的RMSE与最初模型的RMSE 进行比较；
[0124] 3)当两个模型的RMSE之差的绝对值大于阔值时，增加表中的下一个参数为输入参 数，建立新的基于BP順的状态参数预测模型，并返回步骤2);
[0125] 4)当两个模型的RMSE之差的绝对值小于阔值时，模型的输入参数为最终选择的输 入参数集，即根据此输入参数集建立的预测模型能准确反映目标参数的变化。
[01 %] 2.状态参数异常分析子模型
[0127] ①状态参数组合预测模型
[0128] 组合预测模型是将各个不同的预测模型通过适当的加权组合起来所得到的预测 模型，组合预测综合利用了各预测方法所提供的信息，从而提高了预测的精确度和可靠 性。为更精确地预测风电机组状态参数，本方法建立W预测误差平方和最小为目标的线性 组合预测模型。状态参数组合预测模型由S个分别为基于BP順、RBF順和LS-SVM的单项预测 模型构成。
[01巧]1)单项模型
[0130] a)基于LS-SVM的状态参数预测模型
[0131] 设非线性回归函数为：
[0132]
妨
[0133] 式中，b为阔值，W为权向量，钟）是将原始空间映射到一个高维化化ert特征空间 的核空间映射函数。
[0134] LS-SVM回归对函数进行估计问题转化为如下优化问题：
[0135]
(8)
[0141 打-巧 > 0，抑')是将原始空间映射到一个高维化化ert特征空间的核空间映射函数。[01 401 由KKT化9"Tii qVi-IniVm-tilr*kp~r A舟I 对W - "h - Pir, 偏导，可手寻：
[0144] 式中，1 = [1; 1;; 1]，y= [yi;y2;... ;yN]，日二[日1;日2;... ;Qn]，。抽=碱聲)了碱X;,).， k, 1 = 1,2,... ,N。[0145] (12)[0146]
[0142
[0143 (U)
[0147] (。）
[014引式中，K(xk，xi)为支持向量机的核函数，Qk为拉格朗日算子，b为阔值。
[0149] 考虑样本数据、输入参数、支持向量机的核函数、正则化参数和核函数宽度，采用 LS-SVM回归函数对风电机组状态参数进行建模。
[0150] b)基于R邸順的状态参数预测模型
[0151 ] RBF順为S层网络结构，包括输入层、径向基层和输出层，其中径向基神经元和输 出层神经元的激发函数分别为高斯函数和线性函数，并采用最近邻聚类学习算法。RBFr^N输 入参数由本专利的参数自动选择方法确定。
[0152] RBF順的训练目的是为了确定径向基函数的中屯、和宽度，采用Mat 1 ab的神经网络 工具箱的函数newrb可实现。函数newrb的重要输入参数spread (径向基函数的扩展速度)对 RBFNN影响显著。通过多次训练RBF順可得到最佳的spread参数。
[0153] C)基于BPr^N的状态参数预测模型
[0154] BPN饰莫型为S层网络结构，包括输入层、隐层、输出层。分别采用双极性S型函数和 线性函数作为BP順模型隐层和输出层的传递函数。BP順输入参数同样由本专利的参数自动 选择方法确定。通过多次训练即可得到优化的隐层节点数目，并采用Levenberg-Marquardt 迭代算法优化权值。
[0巧日]2)组合预测模型建立方法
[0156]假设对同一预测对象的某个指标序列Ixt, t = l，2,…，N}，存在着m种单项预测方 法，其中第i种单项预测方法在第t时刻的预测值为xit，i = l，2,…，m，t = l，2,…，N，记eit = (Xt-Xit)为第i种单项预测方法在第t时刻的预测误差。
[0157]设h，l2,…，Im分别为m种单项预测方法的加权系数，为保证组合预测模型的无偏 性，应满足：
[015 引 h+l2+... + lm=l (1)
[0159]设為+化:,+-" + 44,为Xt的组合预测值，et为组合预测方法在第t时刻的 预测误差，则有：
[0160
風
[0161 ]记Ji为组合预测方法的预测误差平方和，则有：
[0162] (3)
[0163] 测模型，即如下优化问题：
[0164] (4)
[01 化]设L=[ll，l2，...，lm]T，R=[l,l,...,l]T，ei = [eil，ei2，...，eiN]T，贝lJL表示组合预测 加权系数列向量，R表示元素全为1的m维列向量，ei表示第i种单项预测方法的预测误差列 向量，记
[0166]
[0167] 则当i辛j时，Eu为第i种单项预测方法和第巧巾单项预测方法预测误差的协方差； 当i = j时，Eii表示第i种单项预测方法的预测误差的平方和;E为组合预测误差信息矩阵。
[0168] 式(4)的矩阵形式为：
[0169]
樹
[0170] 式中，Ji为组合预测的预测误差平方和;L为组合预测加权系数列向量;R为元素全 为1的m维列向量;E为组合预测误差信息矩阵；
[0171] 在计算组合预测加权系数时，应增加一个非负的约束条件，即如下非线性规划问 题：
[0172]
㈱
[0173] 式(6)为二次凸规划问题，在可行域内或可行域的边界上存在着唯一的最优解，本 专利采用非负权重最优组合预测的迭代算法，对模型进行求解。
[0174] 3)组合模型建模过程
[0175] BPN饰莫型、RBFN饰莫型和LS-SVM模型为独立的参数模型，采用W预测误差平方和最 小为目标的线性组合预测模型，建立风电机组状态参数的组合预测模型。假设W风电机组 轴承的盘度参数为目标参数进行建模，具体建模方法如下：
[0176] a)分析SCADA数据，选择风电机组正常运行状态下的数据，并将数据分为训练数据 和测试数据。为了更好地对模型结果进行对比分析选取运行状态数据作为参数模型的样本 数据，从近年的运行数据中随机选择30000个数据建立单项模型和组合模型的样本数据。
[0177] b)选择合适的单项模型。对BP順模型、RBF順模型和LS-SVM模型进行训练和测试， 选择精度较好的BPNN模型、RBFNN模型和LS-SVM模型。
[0178] C)选择组合模型，组合模型的建立过程如图3所示。从30000个数据中随机选择 3000个数据作为一个数据集，并重复N次，获得N个数据集，分别对BPr^N模型、RBFr^N模型和 LS-SVM模型进行测试，记录每组数据集对应的两个模型的残差序列。采用非负权重最优组 合预测的迭代算法，得到各单项模型的权重分布，最终获得组合模型。当N= 15时，组合模型 的权重分布如图4所示。
[0179] 由图4可知，在选定了训练数据和测试数据的情况下，BP順模型、RBF順模型和LS-SVM模型在组合模型中的权重将趋于常数，本专利选择15次的平均权重为组合模型的权重， 建立组合模型如下：
[0180]
(巧）
[0181] 式