亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于BP神經(jīng)網(wǎng)絡(luò)方法的風(fēng)電場風(fēng)速插補(bǔ)分析應(yīng)用

        2021-03-29 04:09:08鄭侃魏煜鋒文智勝朱夢霞何宇翔
        南方能源建設(shè) 2021年1期
        關(guān)鍵詞:風(fēng)速方法

        鄭侃,魏煜鋒,文智勝,朱夢霞,何宇翔

        (明陽智慧能源集團(tuán)股份公司,中山528437)

        隨著人工智能技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)的應(yīng)用被引入風(fēng)電行業(yè)。朱曉玲等人通過BP 神經(jīng)網(wǎng)絡(luò)對單臺測風(fēng)塔不同高度層風(fēng)速進(jìn)行訓(xùn)練,并完成單臺測風(fēng)塔指定高度層風(fēng)速的插補(bǔ),效果較好。羅恩博等人通過改進(jìn)型的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)功率預(yù)測,并驗(yàn)證了LM-BP 神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。向健平等人通過粒子群化BP 神經(jīng)網(wǎng)絡(luò),分析風(fēng)機(jī)SCADA 系統(tǒng)的歷史數(shù)據(jù),建立主軸承故障預(yù)警模型,實(shí)現(xiàn)主軸承故障預(yù)警。針對傳統(tǒng)方法風(fēng)速插補(bǔ)的諸多不足,本文引入神經(jīng)網(wǎng)絡(luò)方法,采用BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行風(fēng)速插補(bǔ),對歷史的風(fēng)速數(shù)據(jù)進(jìn)行訓(xùn)練建模,并根據(jù)模型對未來缺失的風(fēng)速值進(jìn)行插補(bǔ)?;诖朔椒ǎ疚膶⑵鋺?yīng)用于測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)機(jī)風(fēng)速插補(bǔ)兩種應(yīng)用場景,以插補(bǔ)和比對風(fēng)電場內(nèi)的實(shí)測風(fēng)速。

        1 BP神經(jīng)網(wǎng)絡(luò)

        BP(Back Propagation)網(wǎng)絡(luò)是一種多層感知器,包括輸入層、中間層和輸出層,層與層之間的神經(jīng)元采用全互連的連接方式,通過相應(yīng)的網(wǎng)絡(luò)權(quán)函數(shù)相互連接;每層內(nèi)的神經(jīng)元之間沒有連接。BP 算法包括信號的正向傳播和誤差的反向傳播兩個(gè)過程,正向傳播時(shí),輸入信號通過隱含層作用于輸出節(jié)點(diǎn),通過每個(gè)節(jié)點(diǎn)的權(quán)重參數(shù)進(jìn)行非線性變換產(chǎn)生輸出信號,比較輸出值與期望值的大小,若實(shí)際輸出與期望輸出不相符,則轉(zhuǎn)入誤差的反向傳播過程。反向傳播由輸出層向輸入層方向逐層反轉(zhuǎn),并將誤差分?jǐn)偟礁鲗铀袉卧⒄{(diào)整各單元的權(quán)重值。當(dāng)下一次訓(xùn)練開始后,信號再次經(jīng)過神經(jīng)單元,并正向傳播,重復(fù)上述過程,直至輸出值與期望值誤差滿足要求為止,BP 神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)示意圖如圖1所示。

        本文基于pytorch 環(huán)境搭建BP 神經(jīng)網(wǎng)絡(luò),以歷史風(fēng)速相關(guān)量作為輸入?yún)?shù),輸出量為預(yù)測插補(bǔ)風(fēng)速值,BP神經(jīng)網(wǎng)絡(luò)插補(bǔ)流程如圖2所示。

        具體流程為:

        1)選取風(fēng)電場風(fēng)速相關(guān)變量,并進(jìn)行歸一化處理。

        2)將相關(guān)變量由輸入層傳入神經(jīng)網(wǎng)絡(luò),通過神經(jīng)網(wǎng)絡(luò)的前向轉(zhuǎn)播,計(jì)算傳播過程中的每個(gè)神經(jīng)元的權(quán)重值和誤差值。

        3)比較最后的風(fēng)速誤差,并反向傳遞誤差值,調(diào)整權(quán)重,直到最后符合精度為止。

        所謂“補(bǔ)換水”,就是利用黃河汛期的間隙水,通過渠道注入烏梁素海,進(jìn)行生態(tài)補(bǔ)水、置換湖水,從而達(dá)到改善烏梁素海水質(zhì)的目的。2003年實(shí)施“引黃入?!惫こ?,烏梁素海已利用黃河凌汛間隙水,獲得生態(tài)補(bǔ)水累計(jì)3.2億m3,平均每年有約7 000萬m3的水補(bǔ)充。然而,據(jù)初步估算,要徹底解決烏梁素海水質(zhì)問題,需對湖水每兩年置換一次,即年均補(bǔ)水1.5億m3,按照目前的生態(tài)補(bǔ)水總量來看,還遠(yuǎn)遠(yuǎn)滿足不了烏梁素海改善水質(zhì)需要的補(bǔ)水量。因此,烏梁素海補(bǔ)換水嚴(yán)重不足,水體無法得到有效稀釋,富營養(yǎng)化程度加重,也是促使黃藻暴發(fā)的一個(gè)原因。

        圖1 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)示意圖Fig.1 Wind speed interpolation diagram of BP neural network

        圖2 BP神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)流程圖Fig.2 Flow chart of wind speed interpolation based on BP neural network method

        2 測風(fēng)塔風(fēng)速插補(bǔ)

        選取明陽智能西北地區(qū)某平坦地形風(fēng)電場,該風(fēng)電場平均海拔1 340 m,地勢最大高差為2 m,地形圖如圖3所示。

        選取場內(nèi)測風(fēng)塔實(shí)測風(fēng)速相關(guān)數(shù)據(jù),包括風(fēng)速、風(fēng)向、溫度、濕度、氣壓數(shù)據(jù),該數(shù)據(jù)為每10 min采樣一次。選用風(fēng)電場內(nèi)3座測風(fēng)塔10 m、40 m、60 m、80 m 和100 m 高度處的測風(fēng)數(shù)據(jù)作為數(shù)據(jù)集,并根據(jù)需要將歷史數(shù)據(jù)劃分為數(shù)據(jù)訓(xùn)練集,需要插補(bǔ)的風(fēng)速時(shí)間段劃分為測試集。訓(xùn)練集選取2017 年7 月10 日0 點(diǎn)至2018 年2 月15 日9 時(shí)的3座測風(fēng)塔風(fēng)速相關(guān)歷時(shí)數(shù)據(jù);通過BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練建模,將生成的模型用于對目標(biāo)測風(fēng)塔風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測插補(bǔ)。測試集選取2018 年2月15日9時(shí)20分至2018年4月15日7時(shí)30的風(fēng)速相關(guān)歷時(shí)數(shù)據(jù)。通過前兩座測風(fēng)塔所有高度層的風(fēng)速相關(guān)有效數(shù)據(jù),通過模型插補(bǔ)出第3 座測風(fēng)塔100 m 高度處的風(fēng)速數(shù)據(jù)。平坦地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)與實(shí)測數(shù)據(jù)對比結(jié)果如圖4所示。

        圖3 平坦地形示意圖Fig.3 Flat terrain map

        圖4 平坦地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)-實(shí)測對比圖Fig.4 Comparison between BP neural network interpolation and actually measured values for flat terrain

        選取明陽智能西南地區(qū)某復(fù)雜地形風(fēng)電場,該風(fēng)電場平均海拔281 m,場內(nèi)地勢高差達(dá)到了50 m,復(fù)雜地形示意圖如圖5所示。

        選取場內(nèi)5 個(gè)測風(fēng)塔10 m、40 m、60 m、80 m和100 m 高度處的測風(fēng)數(shù)據(jù)(包括風(fēng)速、風(fēng)向、溫度、濕度、氣壓數(shù)據(jù))作為數(shù)據(jù)集,分別采用BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)插補(bǔ)方式對目標(biāo)風(fēng)速進(jìn)行插補(bǔ)。其中,復(fù)雜地形訓(xùn)練集選取2017 年3 月18 日0 時(shí)至2019 年1 月1 日0 時(shí)風(fēng)電場測風(fēng)塔數(shù)據(jù),測試集選取2019 年1 月1 日0 時(shí)至2019 年5 月4 日0 時(shí)風(fēng)電場測風(fēng)塔,計(jì)算結(jié)果如圖6所示。

        圖5 復(fù)雜地形示意圖Fig.5 Complex terrain map

        圖6 復(fù)雜地形神經(jīng)網(wǎng)絡(luò)插補(bǔ)-實(shí)測對比圖Fig.6 Comparison between BP neural network interpolation and actually measured values for complex terrain

        為對比神經(jīng)網(wǎng)絡(luò)的插補(bǔ)效果,另通過傳統(tǒng)MCP 方法對同樣的數(shù)據(jù)集進(jìn)行插補(bǔ)并驗(yàn)證。文獻(xiàn)指出,通過Windographer 中的MCP 方法進(jìn)行風(fēng)速插值與地形關(guān)系不大。本文采用MCP 方法分別對實(shí)際數(shù)據(jù)分別采用插值驗(yàn)證,通過均方根誤差(MSE)、決定系數(shù)()等指標(biāo)的插補(bǔ)比對,本文選用傳統(tǒng)方法中插補(bǔ)效果最優(yōu)的線性最小二乘法(Linear Least Squares Algorithm)。

        線性最小二乘法是一種將目標(biāo)速度和參考速度數(shù)據(jù)關(guān)聯(lián)起來的方法,其基礎(chǔ)是將線性最小二乘法直接應(yīng)用于目標(biāo)速度與參考速度的散點(diǎn)圖,得到的線性曲線擬合為線性=+的關(guān)系,斜率和截距值如公式(1)和公式(2)所示:

        式中:SS分別如公式(3)和公式(4)所示:

        式中:為參考風(fēng)速(m/s);y為目標(biāo)風(fēng)速(m/s)。

        Windograph軟件通過該組數(shù)據(jù)線性最小二乘法擬合,求出相關(guān)參數(shù),并在需要預(yù)測的數(shù)據(jù)列進(jìn)行線性插值,得出插補(bǔ)風(fēng)速。平坦地形和復(fù)雜地形的風(fēng)速插補(bǔ)具體結(jié)果表1所示。

        表1 不同地形神經(jīng)網(wǎng)絡(luò)-傳統(tǒng)插補(bǔ)提升效果統(tǒng)計(jì)表Tab.1 Improvement statistics of neural network interpolation compared to traditional interpolation for different terrains

        測風(fēng)塔數(shù)據(jù)插補(bǔ)結(jié)果表明:通過神經(jīng)網(wǎng)絡(luò)插補(bǔ)方法得出的風(fēng)速值與傳統(tǒng)方法相比,平坦地形風(fēng)速平均絕對誤差下降了25.2%,復(fù)雜地形下降了6.2%,平坦地形相關(guān)性系數(shù)和決定系數(shù)分別上升了2.2%和4.5%,復(fù)雜地形相關(guān)性系數(shù)和決定系數(shù)分別上升了1.1%和1.9%。比較可知,神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)相較于傳統(tǒng)風(fēng)速插補(bǔ)具有明顯優(yōu)勢,且神經(jīng)網(wǎng)絡(luò)對風(fēng)速的插補(bǔ)在平坦地形下更加有效。

        3 風(fēng)電場風(fēng)機(jī)風(fēng)速插補(bǔ)

        風(fēng)電場內(nèi)單臺風(fēng)機(jī)的運(yùn)行狀況與風(fēng)電場內(nèi)的發(fā)電量緊密相關(guān)。通過單臺風(fēng)電機(jī)組的風(fēng)速數(shù)據(jù)分析,能夠更加精確的評估風(fēng)電場的實(shí)際發(fā)電功率和預(yù)測未來風(fēng)電場發(fā)電量。由于停機(jī)檢修、測試等狀態(tài)下風(fēng)機(jī)啟停的影響,風(fēng)電場內(nèi)個(gè)別機(jī)組的風(fēng)速出現(xiàn)資料缺失的狀況。為解決風(fēng)速資料缺失對風(fēng)電機(jī)組數(shù)據(jù)分析的影響,采用BP 神經(jīng)網(wǎng)絡(luò)的方法對缺失風(fēng)速值進(jìn)行插補(bǔ),滿足數(shù)據(jù)分析所需。

        通過提取明陽智能某風(fēng)電場10 臺風(fēng)機(jī)的主控SCADA 數(shù)據(jù),主控?cái)?shù)據(jù)包括風(fēng)機(jī)實(shí)時(shí)風(fēng)速、風(fēng)向、溫度、壓強(qiáng)、槳距角實(shí)時(shí)數(shù)據(jù),數(shù)據(jù)時(shí)段為2019 年1 月1 日0 時(shí)1 分0 秒至2019 年12 月31 日23時(shí)59 分0 秒全年主控?cái)?shù)據(jù)。其中前9 臺風(fēng)機(jī)的主控?cái)?shù)據(jù)正常完整,第10 臺風(fēng)機(jī)部分?jǐn)?shù)據(jù)缺失,缺失時(shí)段分布 在2019 年11 月1 日0 時(shí)0 分0 秒至2019 年12 月31 日23 時(shí)59 分0 秒?yún)^(qū)間。根據(jù)插補(bǔ)要求,將缺失時(shí)間段劃分為測試集,將主控?cái)?shù)據(jù)中2019 年1 月1 日0 時(shí)1 分0 秒至2019 年10 月31 日23 時(shí)59 分0 秒數(shù)據(jù)作為訓(xùn)練集,通過BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成模型。

        通過完整時(shí)間段的數(shù)據(jù)訓(xùn)練生成的BP 神經(jīng)網(wǎng)絡(luò)模型,對第10 臺風(fēng)機(jī)的風(fēng)速進(jìn)行預(yù)測插補(bǔ)。為驗(yàn)證插補(bǔ)效果,通過傳統(tǒng)的線性最小二乘法進(jìn)行了相同數(shù)據(jù)的預(yù)測插補(bǔ),對比結(jié)果如圖7所示。

        圖7 風(fēng)機(jī)風(fēng)速神經(jīng)網(wǎng)絡(luò)插補(bǔ)-傳統(tǒng)方法插補(bǔ)-實(shí)測值對比圖Fig.7 Comparison among wind turbine’s wind speed interpolation based on neural method,traditional interpolation and actually values

        通過神經(jīng)網(wǎng)絡(luò)方法的風(fēng)機(jī)風(fēng)速插補(bǔ)與傳統(tǒng)方法的風(fēng)速插補(bǔ)效果如表2 所示。對比神經(jīng)網(wǎng)絡(luò)對風(fēng)機(jī)風(fēng)速插補(bǔ)和傳統(tǒng)方法插補(bǔ),測試集中風(fēng)機(jī)風(fēng)速預(yù)測的平均絕對誤差下降了14.4%,相關(guān)性系數(shù)和決定系數(shù)分別提升了1.7%和2.8%,結(jié)果表明,神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)相較于傳統(tǒng)風(fēng)速插補(bǔ)方法準(zhǔn)確性有較大的提升。

        表2 風(fēng)機(jī)風(fēng)速神經(jīng)網(wǎng)絡(luò)-傳統(tǒng)插補(bǔ)提升效果統(tǒng)計(jì)表Tab.2 Improvement statistics of wind turbine’s wind speed interpolation based on BP neural network method compared to traditional interpolation

        4 結(jié) 論

        基于pytorch 框架搭建BP 神經(jīng)網(wǎng)絡(luò),對測風(fēng)塔風(fēng)速和風(fēng)機(jī)風(fēng)速缺失數(shù)據(jù)進(jìn)行插補(bǔ),與傳統(tǒng)的插補(bǔ)方法進(jìn)行了對比分析,得出結(jié)論如下:

        1)神經(jīng)網(wǎng)絡(luò)對平坦地形的插補(bǔ)效果優(yōu)于對復(fù)雜地形風(fēng)速插補(bǔ),原因可能為復(fù)雜地形的風(fēng)速變化大,對神經(jīng)網(wǎng)絡(luò)提出了挑戰(zhàn)。

        2)神經(jīng)網(wǎng)絡(luò)風(fēng)速插補(bǔ)對測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)機(jī)風(fēng)速插補(bǔ)的應(yīng)用,均優(yōu)于傳統(tǒng)方法,可應(yīng)用與測風(fēng)塔風(fēng)速插補(bǔ)和風(fēng)場內(nèi)風(fēng)機(jī)風(fēng)速插補(bǔ),進(jìn)而為風(fēng)資源評估提供精準(zhǔn)的數(shù)據(jù)。

        猜你喜歡
        風(fēng)速方法
        基于Kmeans-VMD-LSTM的短期風(fēng)速預(yù)測
        基于最優(yōu)TS評分和頻率匹配的江蘇近海風(fēng)速訂正
        學(xué)習(xí)方法
        可能是方法不對
        基于GARCH的短時(shí)風(fēng)速預(yù)測方法
        用對方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        賺錢方法
        捕魚
        考慮風(fēng)切和塔影效應(yīng)的風(fēng)力機(jī)風(fēng)速模型
        電測與儀表(2015年8期)2015-04-09 11:50:06
        国产女厕偷窥系列在线视频| 亚洲伊人久久成人综合网| 日本道免费精品一区二区| 日本视频一区二区三区三州| 精品一区二区三区a桃蜜| 亚洲国产精品高清在线 | 日韩欧美在线综合网另类| 国模无码一区二区三区不卡| 国产熟妇人妻精品一区二区动漫| 欧美丰满大爆乳波霸奶水多| 久久亚洲伊人| 国产亚洲三级在线视频| 97精品熟女少妇一区二区三区| 国产欧美日韩精品丝袜高跟鞋| 无码三级在线看中文字幕完整版 | 日产无人区一线二线三线乱码蘑菇| 二区在线视频| 日本高清在线一区二区| 综合图区亚洲另类偷窥| 全免费a级毛片免费看网站| 激情另类小说区图片区视频区| 亚洲一区二区三区av链接| 国产成人自拍小视频在线| 免费看黄片视频在线观看| 亚洲国产成人久久精品不卡| 中文字幕无码毛片免费看| 国产剧情av麻豆香蕉精品| 久久99久久99精品观看| 白色白色白色在线观看视频| 中文字幕av伊人av无码av| 中文字幕免费不卡二区| 亚洲国产美女在线观看| 喷潮出白浆视频在线观看| 国内精品亚洲成av人片| 亚洲日韩中文字幕无码一区| 亚洲欧洲∨国产一区二区三区| 国内精品国产三级国产av另类 | av一区二区三区综合网站| 风韵丰满熟妇啪啪区老老熟妇| 中文字幕aⅴ人妻一区二区| 日本午夜精品理论片A级APP发布|