基于BP神经网络和多因素权重法的风电机组载荷预测和分析

许扬; 蔡安民; 张林伟; 林伟荣; 李诚; 李水清

doi:10.19666/j.rlfd.202201044

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于BP神经网络和多因素权重法的风电机组载荷预测和分析

新型电力系统支撑技术 | 更新时间：2025-09-28

- 基于BP神经网络和多因素权重法的风电机组载荷预测和分析
- Load prediction and analysis of wind turbine based on BP neural network and multi-factor weight method
- 热力发电 2022年51卷第8期页码：42-49
- 作者机构：
  
  1. 中国华能集团清洁能源技术研究院有限公司
  2. 清华大学能源与动力工程系
- 作者简介：
- 基金信息：
- DOI：10.19666/j.rlfd.202201044
  中图分类号： TM315;TP183
- 纸质出版日期：2022
- 稿件说明：
移动端阅览
许扬, 蔡安民, 张林伟, 等. 基于BP神经网络和多因素权重法的风电机组载荷预测和分析[J]. 热力发电, 2022,51(8):42-49.

XU Yang, CAI Anmin, ZHANG Linwei, et al. Load prediction and analysis of wind turbine based on BP neural network and multi-factor weight method[J]. Thermal power generation, 2022, 51(8): 42-49.
许扬, 蔡安民, 张林伟, 等. 基于BP神经网络和多因素权重法的风电机组载荷预测和分析[J]. 热力发电, 2022,51(8):42-49. DOI： 10.19666/j.rlfd.202201044.

XU Yang, CAI Anmin, ZHANG Linwei, et al. Load prediction and analysis of wind turbine based on BP neural network and multi-factor weight method[J]. Thermal power generation, 2022, 51(8): 42-49. DOI： 10.19666/j.rlfd.202201044.

摘要

基于BP神经网络，建立了风电机组关键部位载荷的快速准确预测方法。以风电机组关键参数风速、空气密度、湍流强度、入流角、风切变、偏航误差角等为自变量，以机组关键部位载荷作为输出变量，建立用于快速预测机组关键部位载荷的BP神经网络模型；然后基于多因素权重法对风电机组不同参数的影响权重进行分析，获得影响风电机组载荷的关键变量。结果显示：基于叶素-动量理论模型计算得到不同风况下风电机组关键部位载荷，然后设置合理的神经网络结构以及合适的神经网络参数，可以实现对不同风况下风电机组关键部位载荷的预测；对于叶根和塔底的平均载荷和极限载荷4个不同的变量，风速、空气密度、湍流强度、入流角、风切变、偏航误差角等参数影响的权重各不相同。

Abstract

Based on BP neural network

a quick accurate prediction method for load of key parts of wind turbine is proposed. By taking key parameters of the wind power units such as wind speed

air density

turbulence intensity

inflow angle

wind shear and yaw error angle as independent input variables

and the loads on key locations of the unit as output variables

a BP neural network for rapid load prediction is established. Moreover

based on multifactor weight analysis

the influence weights of different wind power unit parameters are quantitatively analyzed to obtain the key variables affecting the load of wind turbine at specific site. The results show that

the loads of key parts of the wind turbine under different wind conditions

which are calculated based on BEM theoretical model

can be predicted by by setting reasonable neural network structure and appropriate neural network parameters. For different variables

including the blade root mean load

blade root ultimate load

tower bottom mean load and tower bottom ultimate load

the influence weights of parameters such as wind speed

air density

turbulence intensity

inflow angle

wind shear and yaw error angle are different.

关键词

Keywords

references

浏览量

245

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于BP神经网络和多因素权重分析的气热除冰温度影响因素研究

热工仪表非线性校正方法的研究

基于L-M算法的火电厂实时数据神经网络预测模型研究

基于灰色关联和BP神经网络研究废弃物气化特性

基于主成分和贝叶斯正则化的NO_x排放量的预测