[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

说明书

本发明公开了一种基于贝叶斯神经网络的风电机组参数辨识方法，包括以下步骤：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；S2，将全部风电机组历史数据分为训练数据及测试数据；S3，利用训练数据计算网络输出；S4，更新贝叶斯神经网络模型权值；S5，计算全局误差，判断是否满足要求，若满足要求，获得最终的网络权值矩阵，结束学习算法。否则，返回S3，进入下一轮的学习；S6，利用测试数据及网络权值计算网络输出，得到风电机组的参数辨识结果。本发明将贝叶斯理论与神经网络模型进行结合，与传统参数辨识方法相比，该方法在辨识过程中，考虑了外部环境不确定性变化时的影响，该方法具有全局误差容易收敛，迭代步数少的优点。

技术领域

本发明涉及智能电网配电领域，更具体地，涉及一种基于贝叶斯神经网络的风电机组参数辨识方法。

背景技术

随着风电等新能源接入电力系统中存在的不确定性愈发明显。不确定性的存在，使得系统模型难以用固定参数精确建模。忽略这些模型误差无法得到与实际电网相符的计算结果，无法准确判断电力系统的稳定状况。

传统的模型参数辨识方法主要有最小二乘法、梯度下降法和神经网络法。其中前两种辨识方法主要用于线性模型参数辨识，而神经网络方法主要用于非线性模型参数的辨识。风电机组模型为非线性模型，因此对于确定的参数可以用神经网络模型来进行辨识。但由于风电并网运行中风速等外部条件的不确定性，风电机组部分参数会不断变化，传统的确定性参数辨识方法无法应对这种随机性变化。

发明内容

本发明为克服上述现有技术缺陷，提供一种基于贝叶斯神经网络的风电机组参数辨识方法。本发明方法考虑了外部环境不确定性变化时的影响，辨识对比结果显示，该方法具有全局误差容易收敛，迭代步数少的优点。

本发明的目的是通过以下技术方案来实现的：一种基于贝叶斯神经网络的风电机组参数辨识方法，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。