用于對技術(shù)系統(tǒng)進行計算機輔助的建模的方法
【專利摘要】本發(fā)明涉及一種用于對技術(shù)系統(tǒng)進行計算機輔助的建模的方法，其中依據(jù)一個或多個輸入向量通過基于由已知輸入向量和輸出向量組成的訓練數(shù)據(jù)來學習神經(jīng)網(wǎng)絡(luò)（NN），對一個或多個輸出向量建模，其中相應的輸出向量包括該技術(shù)系統(tǒng)的一個或多個運行參量，以及相應的輸入向量包括一個或多個影響所述一個運行參量或多個運行參量的輸入?yún)⒘?。所述神?jīng)網(wǎng)絡(luò)（NN）在此是具有輸入層（I）、多個隱藏層（H1，H2，H3）以及輸出層（O）的前饋網(wǎng)絡(luò)。該網(wǎng)絡(luò)的特點在于，輸出層（O）包括與多個隱藏層（H1，H2，H3）對應的多個輸出集群（O1，O2，O3），這些輸出集群分別由一個或多個輸出神經(jīng)元組成，其中每個輸出集群（O1，O2，O3）描述相同的輸出向量并且與另一個隱藏層（H1，H2，H3）連接。本發(fā)明的方法尤其適用于對再生發(fā)電設(shè)備、例如風力發(fā)電設(shè)備或太陽能設(shè)備形式的技術(shù)系統(tǒng)建模。在此，該神經(jīng)網(wǎng)絡(luò)優(yōu)選依據(jù)預測的天氣數(shù)據(jù)來預測未來的、由該發(fā)電設(shè)備生成的能量量。
【專利說明】用于對技術(shù)系統(tǒng)進行計算機輔助的建模的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種用于對技術(shù)系統(tǒng)進行計算機輔助的建模的方法以及一種用于預測技術(shù)系統(tǒng)的一個或多個運行參數(shù)的方法。
【背景技術(shù)】
[0002]在多個應用領(lǐng)域中，值得期望的是計算機輔助地對技術(shù)系統(tǒng)的特性建模，以由此預計該技術(shù)系統(tǒng)的特定運行參數(shù)。例如，在電能產(chǎn)生的領(lǐng)域中越來越頻繁地采用再生發(fā)電設(shè)備，這些再生發(fā)電設(shè)備的所產(chǎn)生的能量量(Energiemenge)強烈受到外部參量以及尤其是天氣條件的影響。由此對于再生發(fā)電設(shè)備形式的技術(shù)系統(tǒng)來說，期望適當?shù)仡A計未來所產(chǎn)生的能量量，以由此能夠更好地規(guī)劃這樣的發(fā)電設(shè)備的能量饋送。

【發(fā)明內(nèi)容】

[0003]因此本發(fā)明的任務是計算機輔助地對技術(shù)系統(tǒng)建模，使得其運行參數(shù)可以被可靠和精確地預測。
[0004]該任務通過根據(jù)權(quán)利要求1和權(quán)利要求14的方法以及通過根據(jù)權(quán)利要求16的計算機程序產(chǎn)品來解決。本發(fā)明的改進方案被定義在從屬權(quán)利要求中。
[0005]本發(fā)明的方法為了對技術(shù)系統(tǒng)進行計算機輔助的建模而使用人工神經(jīng)網(wǎng)絡(luò)。在此，依據(jù)一個或多個輸入向量通過基于由已知輸入向量和輸出向量組成的訓練數(shù)據(jù)來學習神經(jīng)網(wǎng)絡(luò)，對一個或多個輸出向量建模,其中相應的輸出向量包括該技術(shù)系統(tǒng)的一個或多個運行參量，以及其中相應的輸入向量包括一個或多個影響所述一個運行參量或多個運行參量的輸入?yún)⒘俊?br> [0006]神經(jīng)網(wǎng)絡(luò)在此是前饋網(wǎng)絡(luò)的特殊變型。前饋網(wǎng)絡(luò)的特征在于，多個相疊的神經(jīng)元層在從較低層到較高層的處理方向上通過合適的加權(quán)而以加權(quán)矩陣的形式相互耦合，其中在一個層內(nèi)的神經(jīng)元相互之間不具有連接。在本發(fā)明中使用的前饋網(wǎng)絡(luò)是具有多個相互連接的層的多層網(wǎng)絡(luò)，這些層包括輸入層、多個隱藏層以及輸出層。在此，輸入層包含用于描述所述一個或多個輸入向量的多個輸入神經(jīng)元。與此相應地，相應的隱藏層包括多個隱藏神經(jīng)兀，并且輸出層包含用于描述所述一個或多個輸出向量的多個輸出神經(jīng)兀。
[0007]本發(fā)明的神經(jīng)網(wǎng)絡(luò)的特點在于，輸出層包括與多個隱藏層對應的多個輸出集群，這些輸出集群分別由一個或多個輸出神經(jīng)兀組成，其中每個輸出集群描述相同的輸出向量并且與另一個隱藏層連接。由此向每個隱藏層分配輸出集群，其中該隱藏層僅與該輸出集群耦合。因此實現(xiàn)了單獨的、在神經(jīng)網(wǎng)絡(luò)中彼此無關(guān)地描述技術(shù)系統(tǒng)的相同運行參數(shù)的輸出集群。與常規(guī)的前饋網(wǎng)絡(luò)不同，在本發(fā)明的神經(jīng)網(wǎng)絡(luò)中位于最上面的隱藏層下方的隱藏層不僅與較高的隱藏層連接，而且與輸出層的輸出集群連接。由此向該輸出層輸送附加的誤差信息，使得對應學習的神經(jīng)網(wǎng)絡(luò)可以更好地預計技術(shù)系統(tǒng)的運行參數(shù)。由于每個所述輸出集群都提供相同的運行參數(shù)，因此所預測的運行參數(shù)例如可以通過在輸出集群上求平均來代表。[0008]在本發(fā)明方法的特別優(yōu)選的實施方式中，神經(jīng)網(wǎng)絡(luò)的輸入層與隱藏層中的每一個連接，這在常規(guī)的前饋網(wǎng)絡(luò)中不是這樣。在那里輸入層僅與最下面的隱藏層耦合。通過這種方式，影響技術(shù)系統(tǒng)的運行的輸入?yún)⒘恐苯恿魅朊總€隱藏層中，這又導致對該技術(shù)系統(tǒng)的運行參量的改善的預測。
[0009]在本發(fā)明方法的特別優(yōu)選的實施方式中，技術(shù)系統(tǒng)的對應運行參量在較長的未來時間段通過神經(jīng)網(wǎng)絡(luò)來加以建模。在此，相應的輸出向量包括針對在未來時間段內(nèi)的多個相繼的未來時間點的一個或多個運行參量，其中該未來時間段優(yōu)選地包括一天或多天并且這些時間點優(yōu)選具有一小時的間隔。這種時間段尤其適合于預測通過再生發(fā)電設(shè)備產(chǎn)生的能量量，如下面還要更詳細描述的。
[0010]在本發(fā)明的另一優(yōu)選實施方式中，神經(jīng)網(wǎng)絡(luò)的輸入層的輸入向量也是預測的參量。在此，相應的輸入向量包括針對在未來時間段內(nèi)的相繼的未來時間點中的一個未來時間點的一個或多個預測的輸入?yún)⒘浚渲信c輸出向量類似，該未來時間段優(yōu)選地包括一天或多天并且這些時間點優(yōu)選具有一小時的間隔。針對輸入向量的對應預測時間點必要時可以與針對輸出向量的預測時間點一致。
[0011]如上面已經(jīng)提到的，利用本發(fā)明的方法在一種優(yōu)選的變型中對發(fā)電設(shè)備形式以及尤其是再生發(fā)電設(shè)備形式的技術(shù)系統(tǒng)進行建模。尤其是該發(fā)電設(shè)備在此是具有一個或多個風力渦輪機、例如以風電場(Windpark)的形式的風力發(fā)電設(shè)備。該發(fā)電設(shè)備還可以是太陽能設(shè)備，尤其是太陽熱能設(shè)備和/或光伏設(shè)備。
[0012]在將本發(fā)明的方法用于發(fā)電設(shè)備的情況下，在一種優(yōu)選的變型中相應的輸出向量作為運行參量包括針對多個相繼的未來時間點通過該發(fā)電設(shè)備生成的能量量。概念“能量量”在此應當廣泛地理解，并且可以涉及在特定時間段內(nèi)產(chǎn)生的能量量或涉及每時間單位的能量量并由此涉及電功率。優(yōu)選地，能量量是在兩個相繼的未來時間點之間生成的能量量。該能量量對于所觀察的相應時間點來說是在先前的時間點和所觀察的時間點之間產(chǎn)生的能量量，該能量量也可以以電功率的形式來加以說明(也就是說，能量量除以時間點之間的時間區(qū)間)。
[0013]在另一優(yōu)選的實施方式中，在對發(fā)電設(shè)備建模時使用分別作為輸入?yún)⒘堪ㄡ槍碜远鄠€未來時間點的一個未來時間點的一個或多個預測的環(huán)境條件的輸入向量，其中預測的環(huán)境條件尤其是例如來自氣象服務的天氣數(shù)據(jù)或天氣預報。預測的天氣數(shù)據(jù)在此涉及在以下地點處測定的數(shù)據(jù):其處于或盡可能靠近對應發(fā)電設(shè)備的地理地點。優(yōu)選地，預測的環(huán)境條件在此包括以下參量中的一個或多個:
-一個或多個環(huán)境溫度；
-一個或多個空氣濕度值；
-一個或多個風速和/或風向。
[0014]這些參量尤其是與風力發(fā)電設(shè)備形式的發(fā)電設(shè)備結(jié)合地使用。在此，例如可以考慮針對不同高度的溫度值，尤其是針對25m、50m或150m的溫度值，由此考慮以下事實:風力發(fā)電設(shè)備的風力渦輪機具有大的直徑。附加于或替換所提到的參量，作為其它環(huán)境條件可以考慮一個或多個與天空被云遮蔽有關(guān)的值或一個或多個太陽輻射值(例如以光強來加以說明)。最后提到的環(huán)境條件尤其是在將本發(fā)明的方法用于對太陽能設(shè)備建模時一起提及。
[0015]在本發(fā)明的一種優(yōu)選變型中，對技術(shù)系統(tǒng)的建模和基于此的預測通過以下方式得到改善，即也考慮分析模型的輸出。在這種情況下，神經(jīng)網(wǎng)絡(luò)的輸入層包括一個或多個用于描述一個或多個其它輸入向量的輸入神經(jīng)兀。所述其它輸入向量不同于用于描述輸入?yún)⒘康妮斎胂蛄?。代替地，所述其它輸入向量是技術(shù)系統(tǒng)的利用適當?shù)姆治瞿Ｊ酱_定的運行參量中的一個或多個。與神經(jīng)網(wǎng)絡(luò)類似地，分析模型也基于對應的輸入?yún)⒘縼硖峁┘夹g(shù)系統(tǒng)的運行參量。
[0016]隱藏層和隱藏神經(jīng)元的數(shù)量在本發(fā)明的神經(jīng)網(wǎng)絡(luò)中可以根據(jù)應用情況不同地來選擇。在本發(fā)明的一種變型中，在神經(jīng)網(wǎng)絡(luò)中可以設(shè)置10個或更多隱藏層，并由此也可以設(shè)置10個或更多輸出集群。在隱藏層中的隱藏神經(jīng)元的數(shù)量例如在20和30個神經(jīng)元之間。
[0017]神經(jīng)網(wǎng)絡(luò)在本發(fā)明方法的范圍中可以利用本身已知的學習方法來加以學習。尤其是在此在學習的范圍內(nèi)對每個輸出集群，作為目標參量將通過該輸出集群描述的輸出向量與根據(jù)訓練數(shù)據(jù)的輸出向量之間的差異最小化。在一種優(yōu)選的變型中，該學習利用由現(xiàn)有技術(shù)充分已知的誤差反向傳播方法(英語:Error Backpropagation)來實現(xiàn)。
[0018]除了上述用于對技術(shù)系統(tǒng)建模的方法之外，本發(fā)明還涉及一種用于預測技術(shù)系統(tǒng)的一個或多個運行參數(shù)的方法，其中向已利用本發(fā)明的方法學習的神經(jīng)網(wǎng)絡(luò)經(jīng)由輸入層輸送一個或多個輸入?yún)⒘?，接著通過神經(jīng)網(wǎng)絡(luò)為神經(jīng)網(wǎng)絡(luò)的輸出層的至少一個輸出集群確定具有該技術(shù)系統(tǒng)的一個或多個運行參數(shù)的對應輸出向量。該預測方法的優(yōu)點是:必要時在預測的范圍內(nèi)僅能使用神經(jīng)網(wǎng)絡(luò)的特定部分并且在預測時略去更高的隱藏層連同與這些隱藏層耦合的輸出向量。尤其是可以在此依據(jù)預測品質(zhì)適當確定神經(jīng)網(wǎng)絡(luò)的用于預測所使用的片段。
[0019]在本發(fā)明預測方法的變型中，對于多個輸出集群并且尤其是對于所有輸出集群確定對應的輸出向量。在此可以接著對它們的運行參量求平均，其中于是該平均值是預測的運行參量。
[0020]除了上述方法之外，本發(fā)明還涉及計算機程序產(chǎn)品，其具有存儲在機器可讀數(shù)據(jù)載體上的程序代碼，當該程序代碼在計算機上被執(zhí)行時，該程序代碼用于執(zhí)行對應方法或該方法的優(yōu)選變型。
【專利附圖】

【附圖說明】
[0021 ] 下面借助附圖詳細描述本發(fā)明的實施例。
[0022]圖1示出在本發(fā)明的方法中使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的實施方式的示意圖；以及
圖2示出將利用本發(fā)明的方法預測的風力發(fā)電設(shè)備的能量量與實際產(chǎn)生的能量量相比較的圖表。
【具體實施方式】
[0023]下面借助風力發(fā)電設(shè)備形式的技術(shù)系統(tǒng)闡述本發(fā)明方法的實施方式，其中利用該方法經(jīng)由神經(jīng)網(wǎng)絡(luò)來預測饋送到電流網(wǎng)絡(luò)中的由風力發(fā)電設(shè)備生成的能量量。該預測使用該風力發(fā)電設(shè)備所遭受的環(huán)境條件。這些環(huán)境條件在此是同樣是預測的天氣數(shù)據(jù)，其例如來自氣象服務。在這里所描述的實施方式中，在此對于該風力發(fā)電設(shè)備的風力渦輪機所安裝在的地點考慮溫度、空氣濕度以及風向和風力作為環(huán)境條件。在此可以提及針對不同高度的溫度，因為各個風力渦輪機的主機在垂直方向上在更大的長度上延伸。尤其是例如可以考慮在25m、50m和150m的高度中的溫度值。
[0024]本發(fā)明的方法必要時還可以被用于不同于風力發(fā)電設(shè)備的發(fā)電設(shè)備。例如，該方法可以被用于預測由光伏設(shè)備產(chǎn)生的能量量。在這種情況下，作為輸入?yún)⒘績?yōu)選同樣提及溫度、空氣濕度、風向和風力。附加地，在此還考慮天空被云遮蔽程度或太陽輻射。但是不再需要測定針對不同高度的溫度值，因為光伏設(shè)備的嵌板一般位于統(tǒng)一的高度水平上。
[0025]利用本發(fā)明的方法執(zhí)行的預測經(jīng)由神經(jīng)網(wǎng)絡(luò)來加以實現(xiàn)，該神經(jīng)網(wǎng)絡(luò)利用由已知的產(chǎn)生的能量量和已知的環(huán)境條件組成的適當訓練數(shù)據(jù)被學習。在此，該神經(jīng)網(wǎng)絡(luò)具有專門的網(wǎng)絡(luò)結(jié)構(gòu)，其在圖1中示出。
[0026]圖1的神經(jīng)網(wǎng)絡(luò)是具有多個相疊的層的前饋網(wǎng)絡(luò)，其中不同層的耦合僅在從較低層到較高層的處理方向上進行并且在一個層內(nèi)在該層中包含的神經(jīng)元不相互耦合。圖1的網(wǎng)絡(luò)包括具有輸入神經(jīng)元的輸入層1、三個具有隱藏神經(jīng)元的隱藏層H1、H2和H3，以及被劃分為由輸出神經(jīng)元組成的三個單獨輸出集群01，02和03的輸出層O。在層之間的、本身已知的耦合通過箭頭來表示，一個層的神經(jīng)元經(jīng)由所述耦合借助于對應的加權(quán)矩陣與另一層的神經(jīng)元連接。各個神經(jīng)元的激活函數(shù)在圖1的網(wǎng)絡(luò)中是非線性的并且例如通過雙曲正切(Tanh)代表。
[0027]與常規(guī)的前饋網(wǎng)絡(luò)不同，圖1的神經(jīng)網(wǎng)絡(luò)的特點在于，對于每個所述隱藏層H1，H2或H3存在單獨的輸出集群01，02或03。也就是說，每個隱藏層恰好被分配了一個輸出集群并且每個輸出集群通過加權(quán)矩陣僅與一個隱藏層耦合。常規(guī)地，前饋網(wǎng)絡(luò)僅包含在最上面的隱藏層與輸出層之間的連接。通過根據(jù)本發(fā)明使用附加的、與較低的隱藏層連接的輸出集群，向輸出層輸送附加的誤差信息，由此避免了針對小加權(quán)的誤差信息消失。
[0028]每個所述輸出集群01至03都針對多個未來時間點預測風力發(fā)電設(shè)備的相同能量量。也就是說，通過每個輸出集群預計風力發(fā)電設(shè)備的相同運行參量。由此每個輸出集群都與其它集群無關(guān)地提供針對能量量的預計值。作為針對相應未來時間點的最終預測值，在此例如可以從各個輸出集群的能量量中確定平均值。在這里描述的實施方式中，輸出集群描述在從一天或也幾天的預計時間段內(nèi)針對利用風力發(fā)電設(shè)備產(chǎn)生的能量量的每小時預計。在此，單個輸出神經(jīng)元代表針對特定時間點的預計的能量量。由此如果作為預測時間段考察一天的間隔，則輸出集群對于一天內(nèi)的每個小時包含24個神經(jīng)元。
[0029]圖1的網(wǎng)絡(luò)相對于常規(guī)前饋網(wǎng)絡(luò)的另一區(qū)別在于，輸入層I不僅與最下面的隱藏層Hl直接連接，而且與其它、位于該最下面的隱藏層上方的隱藏層H2和H3直接連接。通過這種將輸入層輸送給所有隱藏層，避免了輸入層的信息在神經(jīng)網(wǎng)絡(luò)中的處理的范圍中遭到丟失。
[0030]在使用神經(jīng)網(wǎng)絡(luò)來用于風力發(fā)電設(shè)備的范圍中，輸入層I包含多個形成對應的輸入向量的輸入神經(jīng)元，其中每個輸入向量是在特定預計時間點的預測的天氣數(shù)據(jù)。與輸出層類似，可以對于接著的24個小時考慮在每小時的間隔中的預測的天氣數(shù)據(jù)。也就是說，輸入層對每個小時都包含對應的輸入向量，該輸入向量包括用于每個預測的值的輸入神經(jīng)元。根據(jù)應用情況，在神經(jīng)網(wǎng)絡(luò)中使用的隱藏層的數(shù)量可以變化。例如，可以使用10個隱藏層，于是這些隱藏層導致10個輸出集群。在各個隱藏層中的神經(jīng)元的數(shù)量同樣可以變化。尤其是一個隱藏層可以包括20至30個神經(jīng)元。[0031]在圖1的神經(jīng)網(wǎng)絡(luò)的變體中，除了描述環(huán)境條件的輸入向量之外還考慮是能量量的預計的其它輸入向量，所述能量量的預計是經(jīng)由分析模型來確定的。在由發(fā)明人所實施的變型中，在此使用由現(xiàn)有技術(shù)本身已知的Jensen模型作為分析模型。該模型描述由風力發(fā)電設(shè)備依據(jù)天氣數(shù)據(jù)生成的能量量并且例如被描述在出版物[I]和[2]中。通過使用經(jīng)由分析模型預測的運行參數(shù)作為其它輸入向量，可以進一步改善神經(jīng)網(wǎng)絡(luò)的預測品質(zhì)。
[0032]在圖1的神經(jīng)網(wǎng)絡(luò)的學習范圍中，利用由已知的預計的天氣數(shù)據(jù)和基于此的能量量組成的訓練數(shù)據(jù)對每個所述輸出集群01至03進行學習，其中該學習的目標值是經(jīng)由相應輸出集群輸出的能量量與根據(jù)訓練數(shù)據(jù)的能量量之間的偏差的最小化。該神經(jīng)網(wǎng)絡(luò)在此可以按照本身已知的方式用常規(guī)的學習方法來學習。在特別優(yōu)選的變型中，采用由現(xiàn)有技術(shù)已知的誤差反向傳播方法(英語:Error Backpropagation)。
[0033]于是在利用適當?shù)挠柧殧?shù)據(jù)學習了神經(jīng)網(wǎng)絡(luò)之后，在風力發(fā)電設(shè)備的真實運行中可以預計未來產(chǎn)生的饋電功率。由此使得風力發(fā)電設(shè)備的運營者在提供所產(chǎn)生的能量量時可以更好地規(guī)劃。尤其是，該運營者可以將其對能量量在能量市場上的供應與預測值相匹配。由于對未來能量產(chǎn)生的適當預測，所產(chǎn)生的能量量也可以更好地用作能量網(wǎng)中的調(diào)節(jié)能量。在技術(shù)系統(tǒng)的真實運行中使用神經(jīng)網(wǎng)絡(luò)的情況下，必要時還存在基于新添加的實際產(chǎn)生的能量量以規(guī)則的間隔在運行中在線地進一步學習該網(wǎng)絡(luò)的可能性。
[0034]圖2示出將利用本發(fā)明的神經(jīng)網(wǎng)絡(luò)預測的風力發(fā)電設(shè)備的能量量與實際產(chǎn)生的能量量加以比較的圖表。在此，沿著該圖表的橫坐標以天為單位繪出時間t，并且沿著縱坐標繪出針對對應的一天所產(chǎn)生的能量量ES (ES=Energy Supply,能量供應)。虛線L2在此代表利用本發(fā)明的神經(jīng)網(wǎng)絡(luò)預計的、針對未來12個小時中的一個預測時間點的能量量。與此相應地，實線LI是風力發(fā)電設(shè)備的實際產(chǎn)生的能量量?？闯龅氖?，利用本發(fā)明的神經(jīng)網(wǎng)絡(luò)實際上可以實現(xiàn)對能量量的非常好的預測并且由此可以實現(xiàn)對風力發(fā)電設(shè)備的饋電功率的非常好的預測。
[0035]前面描述的本發(fā)明方法的實施方式具有一系列優(yōu)點。尤其是利用本發(fā)明的、其中為每個隱藏層設(shè)置輸出集群的神`經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以以高度的非線性性地非常好地預計技術(shù)系統(tǒng)的運行參數(shù)。該方法特別良好地適用于基于預計的天氣數(shù)據(jù)預計由再生發(fā)電設(shè)備產(chǎn)生的能量量，其中必要時附加地可以將經(jīng)由分析或物理模型測定的能量量輸送給神經(jīng)網(wǎng)絡(luò)的輸入層。
[0036]文獻目錄
【權(quán)利要求】
1.用于對技術(shù)系統(tǒng)進行計算機輔助的建模的方法，其中: -依據(jù)一個或多個輸入向量通過基于由已知輸入向量和輸出向量組成的訓練數(shù)據(jù)來學習神經(jīng)網(wǎng)絡(luò)(NN),對一個或多個輸出向量建模，其中相應的輸出向量包括該技術(shù)系統(tǒng)的一個或多個運行參量，以及相應的輸入向量包括一個或多個影響所述一個運行參量或多個運行參量的輸入?yún)⒘? -所述神經(jīng)網(wǎng)絡(luò)(NN)是具有多個相互連接的層(I，HI, H2，H3，O)的前饋網(wǎng)絡(luò)，這些層包括輸入層(I)、多個隱藏層(HI, H2, H3)以及輸出層(O),其中輸入層(I)包含用于描述所述一個或多個輸入向量的多個輸入神經(jīng)元，以及其中相應的隱藏層(H1，H2，H3)包含多個隱藏神經(jīng)兀，并且輸出層(O)包含用于描述所述一個或多個輸出向量的多個輸出神經(jīng)兀； 其特征在于，輸出層(O)包括與多個隱藏層(Hl，H2，H3)對應的多個輸出集群(01，02，03 )，這些輸出集群分別由一個或多個輸出神經(jīng)元組成，其中每個輸出集群(OI，02，03 )描述相同的輸出向量并且與另一個隱藏層(Hl，H2，H3)連接。
2.根據(jù)權(quán)利要求1所述的方法，其中所述神經(jīng)網(wǎng)絡(luò)(NN)的輸入層(I)與隱藏層(H1，H2，H3)中的每一個連接。
3.根據(jù)權(quán)利要求1或2所述的方法，其中相應的輸出向量包括針對在未來時間段內(nèi)的多個相繼的未來時間點的一個或多個運行參量，其中該未來時間段優(yōu)選地包括一天或多天并且這些時間點優(yōu)選具有一小時的間隔。
4.根據(jù)上述權(quán)利要求之一所述的方法，其中相應的輸入向量包括針對在未來時間段內(nèi)的相繼的未來時間點中的一個未來時間點的一個或多個預測的輸入?yún)⒘?，其中該未來時間段優(yōu)選地包括一天或多天并且這些時間點優(yōu)選具有一小時的間隔。
5.根據(jù)上述權(quán)利要求之一所述的方法，其中利用該方法對發(fā)電設(shè)備以及尤其是再生發(fā)電設(shè)備形式的技術(shù)系統(tǒng)進行建模。
6.根據(jù)權(quán)利要求5所述的方法，其中該發(fā)電設(shè)備包括風力發(fā)電設(shè)備和/或太陽能設(shè)備，尤其是太陽熱能設(shè)備和/或光伏設(shè)備。
7.根據(jù)權(quán)利要求5或6所述的方法，其中相應的輸出向量作為運行參量包括針對多個相繼的未來時間點的通過該發(fā)電設(shè)備生成的能量量(ES)，其中能量量(ES)優(yōu)選是在兩個相繼的未來時間點之間生成的能量量。
8.根據(jù)權(quán)利要求5至7之一所述的方法，其中相應的輸入向量作為輸入?yún)⒘堪ㄡ槍碜远鄠€未來時間點的一個未來時間點的一個或多個預測的環(huán)境條件，其中預測的環(huán)境條件尤其是天氣數(shù)據(jù)。
9.根據(jù)權(quán)利要求8所述的方法，其中所述一個預測的環(huán)境條件或多個預測的環(huán)境條件包括以下參量中的一個或多個: -一個或多個環(huán)境溫度； -一個或多個空氣濕度值； -一個或多個風速和/或風向； -一個或多個涉及與天空被云遮蔽有關(guān)的值； -一個或多個太陽輻射值。
10.根據(jù)上述權(quán)利要求之一所述的方法，其中所述輸入層(I)還包括一個或多個用于描述一個或多個其它輸入向量的輸入神經(jīng)元，其中所述一個或多個其它輸入向量包括技術(shù)系統(tǒng)的用分析模型確定的運行參量中的一個或多個。
11.根據(jù)上述權(quán)利要求之一所述的方法，其中設(shè)置10個或更多隱藏層，和/或每個隱藏層包括在20與30個之間的隱藏神經(jīng)元。
12.根據(jù)上述權(quán)利要求之一所述的方法，其中在神經(jīng)網(wǎng)絡(luò)學習的范圍內(nèi)對每個輸出集群(01，02，03)，作為目標參量將通過該輸出集群(01，02，03)描述的輸出向量與根據(jù)訓練數(shù)據(jù)的輸出向量之間的差異最小化。
13.根據(jù)上述權(quán)利要求之一所述的方法，其中神經(jīng)網(wǎng)絡(luò)的學習基于誤差反向傳播進行。
14.用于預測技術(shù)系統(tǒng)的一個或多個運行參數(shù)的方法，其中向利用根據(jù)上述權(quán)利要求之一所述的方法學習的神經(jīng)網(wǎng)絡(luò)(NN)經(jīng)由輸入層(1)輸送一個或多個輸入?yún)⒘?，接著通過該神經(jīng)網(wǎng)絡(luò)(NN)為輸出層(O)的至少一個輸出集群(01，02，03)確定具有該技術(shù)系統(tǒng)的一個或多個運行參數(shù)的對應輸出向量。
15.根據(jù)權(quán)利要求14所述的方法，其中對于多個輸出集群并且尤其是對于所有輸出集群(01，02，03)確定對應的輸出向量，接著對這些輸出向量的運行參量求平均。
16.計算機程序產(chǎn)品，具有存儲在機器可讀數(shù)據(jù)載體上的程序代碼，當該程序代碼在計算機上被執(zhí)行時， 該程序代碼用于執(zhí)行根據(jù)上述權(quán)利要求之一所述的方法。
【文檔編號】G06N3/04GK103733210SQ201280040274
【公開日】2014年4月16日 申請日期:2012年7月24日 優(yōu)先權(quán)日:2011年8月18日
【發(fā)明者】J.克萊夫, R.格羅特曼, K.赫舍, C.蒂茨, H-G.齊默曼 申請人:西門子公司