随着中国风能行业多年的快速发展，风能技术人员已经积累了大量的设计，测试和运行数据。大数据时代的背景下，如何分析和利用这些数据，总结内部规律并开发扩展应用程序对于风能技术的未来发展至关重要。工神经网络（缩写为神经网络）是一种非线性统计建模工具，通常用于对输入和输出之间的复杂关系进行建模。经网络可以通过监督学习观察有限数量的学习样本，其中包含预期的输入和输出，不断调整网络中节点之间的阈值和权重，最终形成预测能力。知样品。文档选择与风能存储单元的年发电量密切相关的冷库参数，包括额定功率，风轮直径，线速峰值速度比，最大风能利用率，截止速度，空气密度和年平均风速。共使用8个变量作为网络的输入，并结合相应Bladed模型计算出的年能源输出作为网络的输出，形成网络训练样本并使用平台优化算法。iSIGHT表格可补充冷风储能装置的年度能源产量预测设计模型。要给出输入参数，即使没有相关的冷藏单元模型，也可以预测该模型的设计年发电量或反转存储单元参数。预期的年能源产量影响寒冷。
　　BP神经元网络是由反向误差传播算法形成的前馈多层神经网络，它是最成熟且使用最广泛的神经网络类型之一。网络的特点是能够学习和存储大量I / O映射关系，而无需事先描述此类映射关系的数学模型。于反向传播，可以永久性地调整网络的权重和阈值，从而最小化网络误差的平方和，从而实现输入和输出的非线性映射。BP神经网络模型的拓扑通常包括输入层，隐藏层和输出层。图1所示。着神经网络技术的发展，大量的建模和仿真软件以及仿真语言应运而生。文描述的预测方法是使用集成到MATLAB神经网络中的工具包实现的。作的主要内容是选择网络的输入和输出参数，网络的结构，特别是隐藏层的数量和隐藏层节点的数量，以及网络性能评估。能存储单元的发电能力与许多因素有关：除了风能存储单元本身的设计规格外，它还与风能资源有关。际安装的风电场，冷库的故障率和控制策略。于本文的目的是设计年发电量并考虑到学习和预测数据形成的效率，冷库安装因此仅通过静态功率曲线计算年发电量并应用标准的瑞利分布。少因子。
　　定的网络输入参数进一步反映了风能冷库的关键指标以及风力涡轮机叶片的空气动力学特性。定功率是风能冷库的最基本参数之一。加额定功率可以增加单个冷风储能单元的年发电量。轮的直径也是风能存储单元的最基本参数之一。加风轮的直径可以提高风能存储单元捕获风能的能力，特别是在低风速地区，效果更加明显。此，最高速度包括在额定速度下的冷藏存储单元的最高速度。端线速度的正确增加，即标称速度的增加，可以增加发电量。是，由于峰值噪声以及叶片前缘的风沙磨损，最高速度通常设置为75 m / s至85 m / s。值速度比在这里具体地是指在追求最佳Cp的同时，变速步进制冷剂存储单元的设计速度与额定风速的比率。一定范围内，降低设计峰值速比会增加能量输出，但同时会增加刀片的负载和成本。计峰值速度比的确定是整体思维的结果。能利用系数是指风能冷库将风能转换为电能的转换效率。大风能利用率是考虑到不同的峰值速度比和俯仰角后的最大值。能的最大利用系数将增加，冷藏单元的发电量将相应增加。常，风能蓄冷单元的风速通常在20m / s至25m / s之间。于大直径风力涡轮机，出于负载考虑，切割风速被限制在一个较低的值，这将导致某些发电量的损失。是，这些冷库通常安装在低风速的地区，风速间隔的比例不是很大，这表明电力生产的损失一般可以接受的。于风能是空气流动产生的动能，因此动能与运动物体的质量有关，因此空气的密度也会影响所产生的能量。高的空气密度将导致更大的能量产生。速的变化与季节因素有关，因此，一年是平均风速的良好统计周期。平均风速还可用于反映风电场制冷存储单元整个生命周期内的平均风速。年平均风速高时，发电很重要。里描述的八个参数与理论年产量有关：前六个是冷藏存​​储单元的属性，而后两个在空气密度和年平均风速方面是外部环境条件。本文中，使用了现有的37个冷风蓄冷装置的叶片模型，标称功率在5.0 MW时覆盖1.5 MW的功率，风轮直径为88至130 m空气密度为0.85 kg / m3至1.225 kg / m3，年平均风速为5 m / s。库机组的年发电量为-10m / s，形成了15873个培训样本。了测试网络的预测性能，特别是内插和外推性能，还提供了7个模型的77个数据样本作为预测样本。
　　些样本的标称功率和转子直径与训练样本有很大不同。了避免数据量值之间的差异，对训练数据进行归一化，并在预测年发电量时执行反归一化。络层分为三层。述八个冷藏存储单元的层用作输入层。生成是唯一的退出层。入层和输出层包含一个隐藏层。藏层节点的数量为3到14是适当的。文采用测试方法确定掩蔽层节点数，主要从预测精度，单调性和预测性三个方面确定5到12个掩蔽层节点的预测以及网络结构。度调整。1列出了每个网络的预测精度以及被屏蔽的层节点数，并且预测结果已转换为具有预期结果的百分比。“预测均值”是77个预测的平均值，代表预测的平均值。测越接近100％，冷库安装预测就越准确。“预测的标准偏差”是77个预测的标准偏差，表示预测的稳定性。果标准偏差高，则意味着某些样本应准确无误，而某些样本则显示出明显的偏差。设Matlab随机给出网络的初始值，则将导致网络最终性能的差异，并且数组的值对应于5，000个网络的平均值。2显示，随着被掩盖层节点数量的增加，预测平均值趋于接近100％，被掩盖层节点数量从7逐渐稳定到12，并且标准偏差为预测逐渐降低。11点钟是在较低的位置。预测精度的观点来看，隐藏层节点11的数量构成了良好的平衡点。调性意味着最终网络必须能够显示输入参数和输出参数之间的单调关系。标称功率为例，当其他输入参数保持恒定时，当标称功率单调增加时，输出的年输出功率应呈现单调上升的趋势。2列出了每个输入参数和输出参数必须表现出的单调关系。2中的“○”表示增量，“○”表示减量。表的“增量-增量”关系外，除TSR峰值速度比外，所有其他参数均与单调的“增量-增量”关系一致。最佳情况下，网络可以遵守表2中的所有单调关系。是实际上，大多数经过培训的网络不能完全遵守这些单调关系。2说明了编号为“ net_Hid8_num74__ sum4”的网络的单调性。号名称中的“ Hid8”表示网络具有8个屏蔽层节点，并且数组“ num74”的生成顺序为第74个。“ _Sum4”表示仅最大风能利用系数Cpmax，风速Vout，空气密度AirD，年。均风速Vave后接总共四个参数，以满足单调的关系。于Matlab随机给出网络的初始值，从而导致最终网络具有不同的单调性能，因此可以通过大量的网络进行分析和选择。3使用Matlab随机生成一个网络：每个网络的被屏蔽层节点数生成5000，并计算每个网络的单调关系数之和，然后分配表中相应的节点数取决于蒙版层节点的数量。3显示，随着隐藏层节点数量的增加，响应于8、7、6和5的更单调关系的网络呈下降趋势，并且满足单调期望的网络数量为越来越重要。被屏蔽的层节点数为5时，在5000个随机生成的网络中，有36个都满足单调关系，但是当被屏蔽的节点数为10：00-12时，仅保留0到2。注意，当表3中的隐藏节点数等于11时，满足所有单调关系的网络数为0，这并不意味着这种网络结构无法生成网络满足所有单调关系，但仅是因为比例。

　　5，000个网络的基础非常小，远远不够。一步的研究表明，除了网络的单调关系和被遮盖层节点的数量外，单调曲线的规律性还与被遮盖层节点的数量有关。3显示了编号为“ net_Hid5_num672__sum8”的网络的单调表示。络是屏蔽层节点的数量。有参数均满足表2的单调关系，曲线平滑且均匀。4显示了数字“ net_Hid12_num1491__ sum8”的单调表示。络有12个屏蔽层节点。有参数还满足表2的单调关系，但是曲线不平滑，拐点更多。网络可能正在训练中，并且过度寻求与样本的近似度，从而导致网络的过度适应。度拟合还会影响网络的泛化能力。该注意的是，本文从理论上没有确定这些输入参数与能量产生之间的单调关系是否存在拐点。在过度适应的情况下，才应最终修改最终曲线。蔽层节点数与网络性能之间的基本关系总结如下：当掩蔽层节点数较小时，满足单调关系的网络更均匀，曲线更平滑，但是预测准确性通常较低；当被掩盖的层节点的数量很大时，这是令人满意的。有单调关系的网络较少，曲线不太平滑，容易过调整，但预测的准确性通常较好。了在预测的准确性，单调性和过度调整之间获得最佳平衡，隐藏层节点11的数量是更好的选择。是，实际上，当被掩盖的层节点的数量为11时，5，000个随机生成的网络找不到满足所有单调关系的网络，可见比率很小。使找到满足单调关系的网络，在大量掩盖层节点的前提下，单调曲线也有望保持平滑且不规则性变化，这也是一个事件低概率。使用大量生成和随机过滤的方法很难获得最佳性能的网络。践表明，由于BP的优化算法和神经网络的结合，可以很好地实现具有预期性能的网络。iSIGHT平台包括各种复杂的优化算法，提供各种设计解决方案以满足目标约束和功能，并支持各种商业CAD和CAE软件接口，可以直接调用Matlab程序，并且一种优化网络性能的更好方法。定iSIGHT输入变量。络结构由8个输入参数，11个屏蔽层节点，1个输出参数（包括99个权重，12个阈值和111个初始变量）组成，它们是iSIGHT的输入变量。定iSIGHT的约束条件和目标。须考虑单调关系的数量，即单调关系的数量限制为8。测的平均目标为1，这意味着预测的平均值尽可能接近1。预测标准偏差和预测范围被最小化，也就是说，预测的稳定性应该非常好。过希望单调曲线尽可能均匀地变化来最大化拐点的数量。定iSIGHT的优化算法。于优化问题的多目标性，不连续性和非线性特征以及不算长的简单计算时间，使用了AMGA优化算法并执行了5000次迭代。5显示了优化完成后网络的单调性。图5中可以看出，优化的晶格曲线均满足单调关系，变化平滑且均匀，拐点基本没有明显变化。表4可知，优化网络的预测平均值为100.8％，预测标准偏差为0.0143，预测范围小于9.7％，最终优化网络对这三个方面均适用。调性，过度适应性和预测准确性方面。求。

　　上所述，端网络已经完成了预测风能存储单元的发电容量的功能。而，在实际工作中，有时并不需要预测发电量，而是要寻找哪种类型的飞机，寻找哪种风能资源状态以及对某人的心理期望。以满足能源生产。与现有预测相反。了解决这个问题，当然可以替换样本数据的输入和输出，然后进行形成，过滤，评估和优化。疑，这需要巨大且重复的工作量，并且在实际问题出现之前，仍然很难知道哪些参数是输入和输出。解决此问题，您还可以使用nSIGHT进行反向和优化。如，目标风电场的空气密度为1.0 kg / m3，年平均风速为6.5m / s。电力生产的减少因子为75％时，预期的年度使用小时为2，200小时。到风轮的最小直径。设最大风能利用系数为0.48，倾斜速比为10.5，风速为20 m / s，设计速度为80 m / s，风轮直径由iSIGHT给出，为128.4 m。际上，已知的输入和输出参数之间的对应性问题是以风轮的直径作为目标解，这等于求解方程。际上，iSIGHT可以使用此映射模型来定义更多变量，约束和目标，以获取越来越有用的应用程序。据神经网络的基本原理，以与风能储能单元和发电量有关的参数为参数，建立了BP的神经网络模型。于预测的单调，过度调整和准确性，iSIGHT平台也可用于实施现有网络。化结果表明，该方法为风车制冷储能单元的年发电量提供了更好的预测性能。了进一步提高预测模型的实用性，已经使用iSIGHT平台完成了每个参数的逆和优化。文提出的方法在风力涡轮机叶片的开发，目标风电场的风能存储单元的选择以及风力涡轮机的新研究预产品方面具有重要的参考价值和指示价值。能存储单元。
　　本文转载自
　　冷库安装 https://www.iceage-china.com