BP神經網絡在風機偏航預測中的應用

劉宇童 付 樂 左瑞帆 劉瑞基 楊雨奇

（齊魯工業大學（山東省科學院） 山東·濟南 250353）

0 引言

傳統的偏航方法根據偏航角誤差及偏航延時時間共同控制偏航速率，但由于硬件的限制，偏航系統無法跟蹤實時風向，從而存在對風不準、偏航頻次多和無效偏航等問題，大大降低了風能利用率。為了解決上述問題，文獻[1]利用爬山算法尋找風電機組輸出功率極大值，根據偏航誤差角與電機功率關系控制電機偏航以提高對風精度。但爬山算法對參數有較強的依賴，容易出現結果時好時壞的現象。文獻[2]提出了一種基于MOS方法的風向預測方案，對風矢量進行合成預測，使用此方法得到的預測結果較好，但是此模型對氣象數據要求嚴格。

風向的變化具有很強的隨機性、不確定性和不穩定性，是一個復雜的非線性數據。采用誤差反向傳播、利用非線性可微分函數進行權值訓練的BP神經網絡，能夠實現任意精度內表達復雜的非線性映射而不需要建立一個精確的數學模型[3]。因此，本文選用BP神經網絡進行偏航預測，采用實際測量的風向和風速數據，來預測風機是否需要偏航。

1 總體系統設計

總體系統設計如圖1所示。其中判斷是否進行偏轉的條件為：二級風及二級風以下不使偏航裝置偏轉，以保證經濟效益；二級風以上、十級風以下使電機偏轉實現風電機正對風向；十級風以上時，風電機偏轉到與風向平行的方向，以保證風電機使用安全。

圖1：總體系統設計示意圖

本文使用某地2011年所測風向與風速歷史數據來模擬上圖中風速計及風向標的部分測量數據，為進一步探究風向及風速隨季節變化規律，使用風向玫瑰圖（如圖2所示）對數據進行對比分析。圖中ABCD分別代表春夏秋冬，0-330表示風由北開始的12個方向，5.0-25.0表示風速，單位為米/秒。從圖中可以直觀的看出，不同方向的來風頻率和風向在不同季節的差異性，考慮到季節對風向的影響比較明顯，為提高預測精度，將季節作為除風向和風速之外的第三個特征。

圖2：四級季風向玫瑰圖

2 BP神經網絡的優化

BP神經網絡是利用非線性可微分函數進行權值訓練的多層網絡，通常使用梯度下降算法，這種學習算法會出現網絡收斂速度較慢、局部極小值等問題[4]。針對這些問題，本文選用LM算法對其進行優化。

LM算法是介于牛頓算法與梯度下降算法之間的一種非線性優化方法。基于誤差不斷減小原則，通過不斷調整網絡權值及閾值，從而達到最優目標[5]。不但能夠大大加快BP神經網絡收斂速度，還可以減小代價函數陷入局部最小值的機率。LM算法公式為

式中：J為雅可比矩陣，為梯度下降步長，I為標準單位矩陣，e為誤差向量。

3 基于BP神經網絡的風機偏航實際應用

3.1 訓練集與測試集數據選取

本文使用2011年某地每隔十五分鐘所測相關風向及風速數據，將一年的數據分為春夏秋冬四個部分，并從每個部分中抽取三分之二數據作為訓練集，剩余三分之一數據作為測試集。

3.2 創建BP神經網絡

首先確定輸入與輸出矩陣維數。將風向、風速和季節作為三個輸入特征，即神經網絡輸入為三維矩陣。將風向從北開始順時針分為12個不同的方向，使用數字0-11表示，即神經網絡輸出為十二維矩陣。

其次確定網絡層數，為了更好的擬合非線性函數，本文使用10層BP神經網絡，即中間有8層隱含層。然后根據上文中提到輸入數據與輸出數據分別為三維矩陣與十二維矩陣，確定神經網絡輸入層節點數n=3，輸出層節點q=12，根據式（2）（式中a為0-10的常數），將中間隱含層節點數設為8，即p=8。

3.3 訓練BP神經網絡并對結果進行分析

使用matlab軟件編寫神經網絡程序。春季算法訓練及測試效果圖如下圖3所示，圖中藍色線為訓練集訓練效果曲線，紅色曲線為測試集測試效果曲線（其他季節相同）。根據nntool工具箱計算，迭代次數設定為93次（迭代次數為工具箱自行設定，四季不一定相同），迭代87次達到最佳，預測準確率為89.31%。夏季算法訓練及測試效果圖如下圖4所示，設置訓練次數為64次，經過58次訓練系統的誤差可以達到訓練目標要求，準確率為95.34%。

圖3：春季算法訓練及測試效果圖

圖4：夏季算法訓練及測試效果圖

秋季算法訓練及測試效果圖如圖5所示，設置訓練次數為64次，經過58次訓練系統的誤差可以達到訓練目標要求，準確率為94.37%。冬季算法訓練及測試效果圖如圖6所示，設置訓練次數為51次，經過45次訓練系統的誤差可以達到訓練目標要求，準確率為94.40%。

圖5：秋季算法訓練及測試效果圖

圖6：冬季算法訓練及測試效果圖

通過分析測試結果可得，平均預測準確率為93.35%，達到訓練要求。本次訓練結果總體準確率較高，但春季訓練準確率僅有89.31%，仍有不足和改進空間。

4 總結

針對由于風向改變導致的風電機組發電效率低的問題，本文提出了一種基于BP神經網絡的風機偏航預測系統。BP神經網絡具有較強的非線性映射能力和泛化能力[7]，能夠更好的處理非線性的風向數據，經過LM算法優化后，對于風電機組的偏航方向有更快和更精確的預測。