一种基于剪枝优化的风机功率预测方法与流程

本发明属于风力发电领域，尤其涉及一种基于剪枝优化的风机功率预测方法。

背景技术：

1、风电受限于风力特性，具有较高的随机性和不可控性，且安装在户外的风电机组受到风雨等自然因素的影响，很容易产生性能退化甚至发生故障。风电机组的故障不论是对于发电效益还是维修成本来说，都是极为不利的，为了尽可能避免故障的发生，国内外学者对风机的故障诊断提出过很多理论与方法。

2、人工神经网络结构简单，且基于数据的算法相较物理模型而言，对风电机组这类非线性对象来说拟合效果更好，因此也被广泛应用在风机的状态监测和故障诊断之中。除此之外，为了更好的实现故障诊断的效果，及时进行对应的维修，往往还辅助以支持向量机等算法。

3、目前常用在风机故障诊断和状态监测中的方法是使用人工神经网络进行参数预测。具体是指通过scada系统读取现场的数据，当风电场拥有足够多历史数据后，可以使用这部分数据训练神经网络，使神经网络能在各种输入参数的组合下预测对应的功率输出。模型训练完成后可以实时输出常规状态下的功率预测值。通过比较预测值与实际值之间的残差，判断风电机组是否处于正常运行状态，进而实现故障判定，若能通过进一步的故障数据进行分类训练，则可以实现故障诊断。

4、现有应用在风电机组参数预测中的人工神经网络具有如下不足之处：

5、(1)scada系统读取的数据量过于庞大，对算力提出了一定的要求，特别是全连接的人工神经网络，其中可能包含大量的、无意义的计算。并且由于受到通信影响，可能存在部分噪音、跳变数据，这些数据参与训练后，会对神经网络的预测精度产生不利影响，甚至可能影响设备的安全性；

6、(2)人工神经网络完全脱离物理模型，尽管能够实现状态监测和故障诊断，但却无法揭示参数与故障之间的因果关系，在实际维护过程中仍然需要依靠相关人员的专业知识和经验判断。

技术实现思路

1、本发明的目的是提供一种基于剪枝优化的风机功率预测方法，通过自主搭建人工神经网络并应用于风电机组的功率预测，并在计算中加入数个滤波环节以减少数据噪声的影响，同时迁移相关性较高的，来自其它风电机组的数据作为补充，构建叠层网络，增加预测精度；在神经网络各连接层中使用剪枝法，去除权重过低的连接，对每个子部件的输入参数和输出做相关性分析，去除相关系数过小的参数输入，达到简化神经网络运算的目的，进而提高运算速度；通过相关系数分析各子部件参数对各类故障的影响，使故障诊断可以精确到某一参数的影响上，实现维护过程的简化。

2、本发明提供了一种基于剪枝优化的风机功率预测方法，在建立的神经网络功率预测模型中引入降噪环节、网络迁移叠层，以及剪枝优化方法；其中：

3、所述降噪环节包括：在输入神经网络进行训练和预测之前，通过高斯噪声概率函数法、滤波器、调制函数法中的任一种进行降噪处理；

4、所述网络迁移叠层构建方法包括：

5、通过有限的本机数据训练模型，将其它机组的数据用本机模型进行预测，得到不同机组数据对该模型的契合度，并用相关系数衡量这一指标；

6、将相关系数较高的数据保留，按相关系数从低到高分类，训练一个新的模型，该模型由多层神经网络叠加而成，其中浅层网络为相关度较低的数据训练所得，深层网络为相关度较高的数据训练所得；

7、所述剪枝优化方法包括非结构类剪枝及结构类剪枝，所述非结构类剪枝包括：将过小的权重更改为0，实现简化运算；所述结构类剪枝包括：通过计算各个参数与最终结果之间的相关系数确定需要删除的隐含层、神经元或输入参数，若相关系数低于一个阈值，则证明该参数在本预测中并未发挥作用，从输入端删除这个参数的输入。

8、进一步地，所述高斯噪声概率函数法用于处理传感器在数据采集过程中所产生的噪声，包括：通信信道受到环境因素的影响，产生一个概率密度函数服从正态分布的噪声，即噪声分布满足：

9、

10、其中，z为参数值，σ为样本标准差，μ为样本平均值；

11、根据实际情况设定一个置信区间，实现对神经网络训练质量的优化。

12、进一步地，所述滤波器包括卡尔曼滤波、组别滤波器。

13、进一步地，所述调制函数法用于对时间序列上的数据突变做出响应，通过对时间序列上相邻但跃变很大的数据做出限制，减少因传感器通信原因造成的数据读取不准确，使调制后的数据更加接近真实情况叠层神经网络。

14、进一步地，所述网络迁移叠层构建方法具体包括：

15、将本机参数用于基础神经网络模型的训练，即让训练后的神经网络预测值与实际值之间满足最小二乘原理：

16、

17、

18、其中，zi为第i组数据的预测值，为第i组数据的实际值；

19、完成训练后，将其它机组的数据通过该网络进行预测，并对预测结果进行分析；

20、将所有来源于其它机组的数据分类，分类依据为预测结果与准确值的相关系数大小；

21、完成分类后，按照相关系数小的数据训练浅层网络，相关系数大的数据训练深层网络，将本机数据用于训练输出层，构建叠层神经网络。

22、进一步地，所述剪枝优化方法包括：

23、每当数据进入下一隐含层时，进行一次权重与偏置运算，即

24、

25、其中，yj为该隐含层的第j个输出，xi为该隐含层的第i个输入，ωij与bij

26、分别为对应输入的权重与偏置，s为激活函数，使用sigmoid函数；

27、对每一个权重与偏置参数进行寻优，训练完成后，神经网络的每一个输入得到一组权重偏置参数，所有权重参数构成一个权重矩阵参与运算；

28、非结构性剪枝将过小的权重置零，将权重矩阵稀疏化，设定一个权重阈值ω

29、

30、对于隐含层的第j个输出yj，若所有输入与其连接的权重均被置零，则认为该神经元对神经网络预测结果不产生影响，将该神经元删除；若第i个输入连接下一层的所有权重均被置零，则认为该输入对神经网络预测结果不产生影响，即该参数与预测参数不存在关联，在输入层删除该参数，以实现结构性剪枝。

31、借由上述方案，通过基于剪枝优化的风机功率预测方法，具有如下技术效果：

32、1)通过引入降噪环节，提高了神经网络训练数据的质量，减少了机器学习过程中错误数据的引导，使得神经网络能够更好地模拟真实设备的情况，进而提高了参数的预测精度，以及故障诊断的可靠度。

33、2)通过引入叠层神经网络很好地解决了数据不足的问题，特别是对于新机组或翻新机组，且由于神经网络本身的自适应特性，这些机组也能在积累运行数据的途中不断更新迭代网络参数，实现对设备全生命周期的状态监测和故障诊断。

34、3)经过剪枝优化后，对于各个子部件及各种可能的故障，仅保留了相关性强的输入参数，进而揭示了部分参数与故障之间存在物理上的联系，对于设备日常维护和故障维修可提供一定的指导。

35、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。