BP神经网络在风机偏航预测中的应用

刘宇童 付 乐 左瑞帆 刘瑞基 杨雨奇

（齐鲁工业大学（山东省科学院） 山东·济南 250353）

0 引言

传统的偏航方法根据偏航角误差及偏航延时时间共同控制偏航速率，但由于硬件的限制，偏航系统无法跟踪实时风向，从而存在对风不准、偏航频次多和无效偏航等问题，大大降低了风能利用率。为了解决上述问题，文献[1]利用爬山算法寻找风电机组输出功率极大值，根据偏航误差角与电机功率关系控制电机偏航以提高对风精度。但爬山算法对参数有较强的依赖，容易出现结果时好时坏的现象。文献[2]提出了一种基于MOS方法的风向预测方案，对风矢量进行合成预测，使用此方法得到的预测结果较好，但是此模型对气象数据要求严格。

风向的变化具有很强的随机性、不确定性和不稳定性，是一个复杂的非线性数据。采用误差反向传播、利用非线性可微分函数进行权值训练的BP神经网络，能够实现任意精度内表达复杂的非线性映射而不需要建立一个精确的数学模型[3]。因此，本文选用BP神经网络进行偏航预测，采用实际测量的风向和风速数据，来预测风机是否需要偏航。

1 总体系统设计

总体系统设计如图1所示。其中判断是否进行偏转的条件为：二级风及二级风以下不使偏航装置偏转，以保证经济效益；二级风以上、十级风以下使电机偏转实现风电机正对风向；十级风以上时，风电机偏转到与风向平行的方向，以保证风电机使用安全。

图1：总体系统设计示意图

本文使用某地2011年所测风向与风速历史数据来模拟上图中风速计及风向标的部分测量数据，为进一步探究风向及风速随季节变化规律，使用风向玫瑰图（如图2所示）对数据进行对比分析。图中ABCD分别代表春夏秋冬，0-330表示风由北开始的12个方向，5.0-25.0表示风速，单位为米/秒。从图中可以直观的看出，不同方向的来风频率和风向在不同季节的差异性，考虑到季节对风向的影响比较明显，为提高预测精度，将季节作为除风向和风速之外的第三个特征。

图2：四级季风向玫瑰图

2 BP神经网络的优化

BP神经网络是利用非线性可微分函数进行权值训练的多层网络，通常使用梯度下降算法，这种学习算法会出现网络收敛速度较慢、局部极小值等问题[4]。针对这些问题，本文选用LM算法对其进行优化。

LM算法是介于牛顿算法与梯度下降算法之间的一种非线性优化方法。基于误差不断减小原则，通过不断调整网络权值及阈值，从而达到最优目标[5]。不但能够大大加快BP神经网络收敛速度，还可以减小代价函数陷入局部最小值的机率。LM算法公式为

式中：J为雅可比矩阵，为梯度下降步长，I为标准单位矩阵，e为误差向量。

3 基于BP神经网络的风机偏航实际应用

3.1 训练集与测试集数据选取

本文使用2011年某地每隔十五分钟所测相关风向及风速数据，将一年的数据分为春夏秋冬四个部分，并从每个部分中抽取三分之二数据作为训练集，剩余三分之一数据作为测试集。

3.2 创建BP神经网络

首先确定输入与输出矩阵维数。将风向、风速和季节作为三个输入特征，即神经网络输入为三维矩阵。将风向从北开始顺时针分为12个不同的方向，使用数字0-11表示，即神经网络输出为十二维矩阵。

其次确定网络层数，为了更好的拟合非线性函数，本文使用10层BP神经网络，即中间有8层隐含层。然后根据上文中提到输入数据与输出数据分别为三维矩阵与十二维矩阵，确定神经网络输入层节点数n=3，输出层节点q=12，根据式（2）（式中a为0-10的常数），将中间隐含层节点数设为8，即p=8。

3.3 训练BP神经网络并对结果进行分析

使用matlab软件编写神经网络程序。春季算法训练及测试效果图如下图3所示，图中蓝色线为训练集训练效果曲线，红色曲线为测试集测试效果曲线（其他季节相同）。根据nntool工具箱计算，迭代次数设定为93次（迭代次数为工具箱自行设定，四季不一定相同），迭代87次达到最佳，预测准确率为89.31%。夏季算法训练及测试效果图如下图4所示，设置训练次数为64次，经过58次训练系统的误差可以达到训练目标要求，准确率为95.34%。

图3：春季算法训练及测试效果图

图4：夏季算法训练及测试效果图

秋季算法训练及测试效果图如图5所示，设置训练次数为64次，经过58次训练系统的误差可以达到训练目标要求，准确率为94.37%。冬季算法训练及测试效果图如图6所示，设置训练次数为51次，经过45次训练系统的误差可以达到训练目标要求，准确率为94.40%。

图5：秋季算法训练及测试效果图

图6：冬季算法训练及测试效果图

通过分析测试结果可得，平均预测准确率为93.35%，达到训练要求。本次训练结果总体准确率较高，但春季训练准确率仅有89.31%，仍有不足和改进空间。

4 总结

针对由于风向改变导致的风电机组发电效率低的问题，本文提出了一种基于BP神经网络的风机偏航预测系统。BP神经网络具有较强的非线性映射能力和泛化能力[7]，能够更好的处理非线性的风向数据，经过LM算法优化后，对于风电机组的偏航方向有更快和更精确的预测。