本发明涉及风力发电建模估计方法技术领域，具体涉及基于极限学习机的风电机组叶根载荷估计方法。
背景技术：
为了最大限度的利用风能，提高风电的经济效益和竞争力，风电机组向大型化、轻量化方向发展。由于风的随机性以及风切效应、塔影效应和湍流的影响，使得作用于风轮叶片和塔架等部件上的载荷存在时间上和空间上的不均匀性，不平衡载荷引起机组零部件长时间振动,会导致零部件的严重疲劳损坏，于是通过控制策略降低机组的动态载荷，提高机组可靠性和使用寿命越来越受到重视。
动态载荷控制主要关注风电机组关键部件和关键部位的载荷控制，叶片和传动链受到的载荷较大，为机组可靠性较为脆弱的部件。其中叶片的叶根部位载荷种类多、最复杂、影响大而且最易受到疲劳损，所以受到研究人员的重点关注。
在动态载荷主动控制策略研究中，建立精确的载荷模型极其重要，由于叶根载荷复杂、强耦合、不确定影响因素多，风速的随机性以及风速、桨距角等主要影响因素与载荷的非线性关系，使得传统的基于内部机理分析为基础，依靠经验公式和假设简化为前提的机理建模很难满足要求。
技术实现要素：
本发明针对现有技术的不足，提供了基于极限学习机的风电机组叶根载荷估计方法。
本发明提出的基于极限学习机的风电机组叶根载荷估计方法，包括估计模型输入输出确定和估计模型极限学习机学习两个部分；
估计模型输入输出变量的确定：根据建模要求，以挥舞方向剪力fx和弯矩my，摆振方向剪力fy和弯矩mx作为估计模型输出。输入变量确定：首先选取风速大小、桨距角、方位角、风轮转速、风速矢量与惯性坐标系3个轴的夹角等7个变量，取上述7个变量的数据，组成输入矩阵x(x1,x2,...,x7)，对x进行主元分析，计算各主元的贡献率，前四个主元的累积贡献率达到90％以上，故将原始7个变量数据降维为4个主元x(x1,x2,...,x4)，根据贡献大小可确定叶根载荷的4个主要影响因素：风速v、桨距角β、方位角θ和风轮转速ω，作为模型输入变量。
估计模型输入输出归一化处理：为保证极限学习机(elm)神经网络神经元的非线性作用及较快的学习速度,避免因净输入绝对值过大造成神经元的输出饱和,应将elm神经网络的输入归一化到一个较小的数值范围内；elm算法用于拟合回归时，一般将输入输出值归一化到[0,1]区间。按照归一化公式对样本数据进行归一化计算:
式中xi为待处理数据，xp为归一化处理后的数据，xmin和xmax为待处理数据最小值和最大值。
极限学习机(elm)是由南洋理工大学黄广斌教授提出来的求解单隐层神经网络的算法。设有n个不同的样本(xi,ti)∈rn×rm，其中xi＝[xi1,xi2···xin]t，ti＝[ti1,ti2···tim]ti＝1,···,n。对于x输入o输出，有l个隐层节点的单隐层前馈神经网络可以表示为：
其中g(x)是激活函数；wi＝[wi1,wi2,···,win]t是连接第i个隐层节点的输入权重向量；βi＝[βi1,βi2,···,βim]t是第i个隐层节点的输出权重向量；bi是第i个隐层节点的阀值。激活函数为g(x)的单隐层神经网络，若以零误差逼近n个样本(xi,ti)，也就是要满足等式
式(3)的n个等式可用矩阵表示为：
hβ＝t(4)
其中h是隐层节点的输出矩阵，β为输出权重矩阵，t为期望输出矩阵
当隐层节点数l等于样本数n，即l＝n，则矩阵h是方阵可求其逆矩阵，单隐层前馈神经网络可以以零误差逼近样本值，然而在很多情况下，样本数n要远远大于隐层节点数l，此时h非方阵，可能不存在βi,wi,bi(i＝1,l,l)满足等式(4)，这时我们希望找到
这等价于最小化损失函数：
传统的单隐层前馈神经网络算法，可以求解这样的问题，但需要在迭代的过程中调整网络参数，在elm算法中随机初始化输入权重wi和隐层节点阀值bi，不需要迭代调整。一旦wi,bi确定，则隐层节点的输出矩阵h被唯一确定。此时等式(1-4)相当于求解线性系统hβ＝t的最小二乘解
可求得
综上所述，具体的elm算法实现可列为如下步骤：
(1)给出训练集ξ＝{(xi,ti)|xi∈rn,ti∈rm,i＝1,l,n}，激活函数g(x)和隐层节点数l；
(2)随机初始化输入权重wi和隐层节点阀值bi，i＝1,l,l；
(3)计算隐层输出矩阵h；
(4)计算输出权重β＝h+t。
整个建模过程由下列步骤组成：
step1要建立的elm神经网络叶根载荷估计模型以挥舞方向剪力fx和弯矩my，摆振方向剪力fy和弯矩mx作为模型输出。采用主元分析方法，确定风速v、桨距角β、方位角θ和风轮转速ω作为为输入变量。即所建elm神经网络模型的输入结点个数确定为4个，输出结点个数为4个；从实验采集数据中随机选取输入输出数据，按(1-α)：α(测试比例因子)百分比分成训练数据和测试数据，确定激励函数g,激励函数可选取sin、sig、hardlmi函数，在elm算法中随机初始化输入权重wi和隐层节点阀值bi，不需要迭代调整，只需要设置隐层结点个数初始值ls和结束值lf。
step2：确定神经网络的基本结构和参数
应用elm算法学习神经网络参数，从设置隐层结点个数初始值ls开始，然后不断增加隐层节点个数到预置最大值lf，但隐层节个数最大值lf一般小于训练数据个数，训练和测试在不同隐层节点下的elm网络，计算训练和测试均方根误差，对训练和测试均方根误差进行相加，均方根误差之和为最小值时的l值即为该网络的隐含层神经元个数。
对于任意给定的输入条件，按(1)式归一化后输入到训练好的神经网络模型，按(4)计算神经网络的输出t后其中的相应输出变量xp按(8)式变换成工程量后即可估计相应的载荷值xi。
xi＝xp*(xmax-xmin)+xmin(8)
式中xmin和xmax为原处理数据最小值和最大值。
附图说明
图1为极限学习机神经网络结构图。
具体实施方式
估计模型输入输出变量的确定：根据建模要求，以挥舞方向剪力fx和弯矩my，摆振方向剪力fy和弯矩mx作为估计模型输出。输入变量确定：首先选取风速大小、桨距角、方位角、风轮转速、风速矢量与惯性坐标系3个轴的夹角等7个变量，取上述7个变量的数据，组成输入矩阵x(x1,x2,...,x7)，对x进行主元分析，计算各主元的贡献率，前四个主元的累积贡献率达到90％以上，故将原始7个变量数据降维为4个主元x(x1,x2,...,x4)，根据贡献大小可确定叶根载荷的4个主要影响因素：风速v、桨距角β、方位角θ和风轮转速ω，作为模型输入变量。
估计模型输入输出归一化处理：为保证elm神经网络神经元的非线性作用及较快的学习速度,避免因净输入绝对值过大造成神经元的输出饱和,应将elm神经网络的输入归一化到一个较小的数值范围内；elm算法用于拟合回归时，一般将输入输出值归一化到[0,1]区间。按照归一化公式对样本数据进行归一化计算:
式中xi为待处理数据，xp为归一化处理后的数据，xmin和xmax为待处理数据最小值和最大值。
整个建模过程由下列步骤组成：
step1要建立的elm神经网络叶根载荷估计模型以挥舞方向剪力fx和弯矩my，摆振方向剪力fy和弯矩mx作为模型输出。采用主元分析方法，确定风速v、桨距角β、方位角θ和风轮转速ω作为为输入变量。即所建elm神经网络模型的输入结点个数确定为4个，输出结点个数为4个；从实验采集数据中随机选取输入输出数据，按(1-α)：α(测试比例因子)百分比分成训练数据和测试数据，这里取α＝10％，确定激励函数为sig函数，在elm算法中随机初始化输入权重wi和隐层节点阀值bi，不需要迭代调整，设置隐层结点初值ls＝15，结束值lf＝300。
step2：确定神经网络的基本结构和参数
应用elm算法学习神经网络参数，从设置隐层结点个数初始值ls开始，然后不断增加隐层节点个数到预置最大值lf，但隐层节个数最大值lf一般小于训练数据个数，训练和测试在不同隐层节点下的elm网络，计算训练和测试均方根误差，对训练和测试均方根误差进行相加，均方根误差之和为最小值时的l值即为该网络的隐含层神经元个数。
对于任意给定的输入条件，按(9)式归一化后输入到训练好的神经网络模型，按(10)计算神经网络的输出t后其中的相应输出变量xp按(10)式变换成工程量后即可估计相应的载荷值xi。
xi＝xp*(xmax-xmin)+xmin(10)
式中xmin和xmax为原处理数据最小值和最大值。
上述具体实现只是本发明的较佳实现而已，当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。