[发明专利]一种基于贝叶斯神经网络的风电机组参数辨识方法

权利要求书

1.一种基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，包括以下步骤：

步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；所述风电机组历史数据包括风速和故障对应的参数数据；

步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；

步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：

将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型为三层网络结构，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为y_m(k)；其中，k表示正在迭代的次数，n表示输入和对应的输出的个数；x和y分别表示神经网络的输入和输出变量；将该神经网络模型视为条件模型P，该条件模型P是通过参数θ进行参数化的，并且在给定输入x时，需要得到对应的输出y；

根据贝叶斯定理得到当训练数据为D作为输入时的模型参数θ概率为：

其中，p(θ)表示参数θ的概率；p(D|θ)表示已知参数θ条件下D的概率；p(D)表示数据D的概率。

在新的输入x^*与数据D同时输入到条件模型P中时，输出为y^*的概率为：

p(y^*|x^*,D)＝∫p(y^*|x^*,θ)p(θ|D)dθ (2)

其中，p(y^*|x^*,θ)表示已知x^*,θ时y^*的条件分布。

在贝叶斯神经网络中：首先使用已知的分布q去逼近真实的分布p，其中q的具体形式通过参数θ表示；其次，利用等距采样法从分布q中采取样本数据，得到贝叶斯神经网络模型参数θ^*如式(4)所示。

式中，表示当目标函数取最小值时θ的取值；表示已知参数D时参数的条件概率，q_θ为使用参数θ表示的分布q，表示参数的概率；表示已知参数时数据D的条件概率，其中为模型权重参数，s＝1或2，s＝1时为输入层至隐藏层的权值，s＝2时为隐藏层至输出层的权值；

步骤S4为，更新贝叶斯神经网络模型权值，得到网络权值矩阵；权值更新过程包括以下步骤：

(1)采用梯度下降法，隐藏层至输出层权值的学习算法如下：

其中，δ²表示全局误差相应于输出误差的变化率，η表示学习速率，η＝0.5。表示隐藏层至输出层之间的连接函数；E(k)表示网络每一层的误差，e(k)为输出误差；表示ω_j(k)的二次微分，表示全局误差相应于的变化率，为第j个神经元第k次迭代时隐藏层至输出层的权值。

隐藏层至输出层的权值更新公式为：

(2)输入层至隐藏层权值的学习算法如下：

其中：表示输入层至隐藏层之间的连接函数；表示每次迭代时的更新值，表示从输入层j至隐藏层i的权重第k-1次迭代时的值；

表示k次迭代时第j个隐藏层单元的输入；

则输入层至隐藏层的权值更新公式为：

步骤S5为，计算全局误差，判断是否满足要求，当全局误差达到预先设置的全局误差精度或学习次数大于设定的最大次数时，获得最终步骤S4得到的网络权值矩阵，结束学习算法；否则，返回S3，进入下一轮的迭代学习。全局误差精度E_G＝0.002，全局误差计算过程如下：

全局误差E_g表达式如下所示：

其中：L表示网络的层数；

e(k)＝y(k)-y_m(k) (11)

其中，y(k)为第k次迭代时的输出；

步骤S6为，利用测试数据集及网络权值计算网络输出，得到风电机组的参数辨识结果。

2.根据权利要求1所述的基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，步骤S2中，训练数据集和测试数据集比例为7:3。