1.基于极限学习机的风电机组叶根载荷估计方法，其特征在于，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,应将极限学习机神经网络的输入归一化到一个较小的数值范围内；极限学习机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；

设有N个不同的样本(Xi,ti)∈Rn×Rm，其中Xi＝[xi1,xi2…xin]T，ti＝[ti1,ti2…tim]T i＝

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)，也就是要满足等式即存在βi,Wi,bi满足：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)，这时我们希望找到满足等式：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，在极限学习机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 即：可求得 其中H+是矩阵H的Moore-Penrose广义逆。

综上所述，具体的极限学习机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要建立的极限学习机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；即所建极限学习机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，在极限学习机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

应用极限学习机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极限学习机网络，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为待处理数据最小值和最大值。