[發(fā)明專利]一種基于混核機器學習的風機批功率預測方法

有效

• 申請?zhí)枺?/td>: 201611206434.2
• 申請日: 2016-12-23
• 公開（公告）號: CN106779226B
• 公開（公告）日: 2020-09-29
• 發(fā)明（設計）人: 唐立新;劉暢;郎勁
• 申請（專利權(quán)）人: 東北大學
• 主分類號: G06F30/00
• 分類號: G06F30/00;G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 胡曉男

1.一種基于混核機器學習的風機批功率預測方法，其特征在于，包括：

步驟1、建立風場風機離線歷史數(shù)據(jù)庫；

步驟2、以每個月份為節(jié)點，將風場風機離線歷史數(shù)據(jù)庫中的風場每臺風機的離線歷史數(shù)據(jù)都劃分為12個歷史數(shù)據(jù)集合；

步驟3、針對不同月份，依據(jù)風場每臺風機的地形地貌信息對風場中的風機進行批劃分處理，將風場中地理位置相近的風機劃分到同一個批；

步驟4、將每個批內(nèi)與該批內(nèi)風功率平均值最接近的風機作為批樣機；

步驟5、利用各批樣機的歷史數(shù)據(jù)集合與歷史風功率，建立不同月份的各批樣機風功率預測模型；

步驟6、根據(jù)風場未來的氣象信息，利用各批樣機風功率預測模型對各批樣機風功率預測，將各批樣機風功率預測值與所在批內(nèi)風機個數(shù)相乘并求和，得到風場總風功率預測值；

所述步驟1，包括：

步驟1.1、獲取風場風機離線歷史數(shù)據(jù)，包括風場每臺風機的地形地貌信息、氣象信息、風功率、風場測風塔測得的風場風速；

地形地貌信息，包括：經(jīng)度、緯度、海拔高度；

氣象信息，包括：空氣濕度、溫度、風向、風場風速、氣壓；

步驟1.2、對風場風機離線歷史數(shù)據(jù)中的異常數(shù)據(jù)進行剔除；

步驟1.3、對風場風機離線歷史數(shù)據(jù)的缺失數(shù)據(jù)進行插值補全；

步驟1.4、根據(jù)風場風機離線歷史數(shù)據(jù)構(gòu)建風場風機離線歷史數(shù)據(jù)庫并定期更新；

所述步驟1.3，包括：

步驟1.3.1、選取風場風機離線歷史數(shù)據(jù)中缺失的氣象信息以及風功率；

步驟1.3.2、按照平均插值的方法，結(jié)合風場測風塔測得的有效風場風速，對氣象信息中缺失的數(shù)據(jù)和風功率中缺失的數(shù)據(jù)進行補全；

所述步驟4，包括：

步驟4.1、統(tǒng)計各批內(nèi)所含有風機的個數(shù)；

步驟4.2、選取與批內(nèi)各風機平均功率最接近的風機作為批樣機；

步驟4.3、定期對劃分各批后的風機重新劃分；

所述步驟5，包括：

步驟5.1、將各批樣機的歷史數(shù)據(jù)集合進行歸一化處理；

步驟5.2、將各批樣機的歷史數(shù)據(jù)集合作為輸入，對應的歷史各批樣機風功率作為輸出，訓練得到不同月份的各批樣機風功率預測模型；

步驟5.3、通過各批樣機風功率預測值與各批樣機的實際風功率進行比較，判斷誤差是否在偏差范圍以內(nèi)：是，則進行步驟6，否則執(zhí)行步驟5.4；

步驟5.4：對誤差進行校正，將實時的氣象信息和風功率加入到各批樣機的歷史數(shù)據(jù)集合中，執(zhí)行步驟5.1；

所述步驟5.2，包括：

步驟5.2.1、采用最小二乘支持向量機方法建立不同月份的各批樣機風功率預測模型；

步驟5.2.2、將各批樣機的歷史數(shù)據(jù)集合作為輸入，對應的歷史各批樣機風功率作為輸出，構(gòu)建訓練數(shù)據(jù)集，對各批樣機風功率預測模型進行訓練；

步驟5.2.3、將批樣機風功率預測模型轉(zhuǎn)化為最小化目標函數(shù)且?guī)в械仁郊s束的方程；

步驟5.2.4、構(gòu)造拉格朗日函數(shù)，并對批樣機風功率預測模型的回歸系數(shù)、偏差、松弛變量以及拉格朗日乘子分別進行求導；

步驟5.2.5：將多項式核函數(shù)、高斯核函數(shù)相結(jié)合，以混核函數(shù)作為批樣機風功率預測模型中的映射核函數(shù)；

步驟5.2.6：將求導后的各個方程組合成線性方程組，利用高斯消元法對線性方程組進行求解，求出批樣機風功率預測模型的回歸系數(shù)和偏差，最終得到各批樣機風功率預測模型；

步驟5.2.7：對批樣機風功率預測模型的懲罰系數(shù)、多項式核函數(shù)維數(shù)、高斯核函數(shù)中的參數(shù)、以及混核函數(shù)的系數(shù)進行優(yōu)化；

所述步驟5.2.7，包括：

步驟5.2.7.1：初始化批樣機風功率預測模型的懲罰系數(shù)、多項式核函數(shù)維數(shù)、高斯核函數(shù)中的參數(shù)、以及混核函數(shù)的系數(shù)，產(chǎn)生批樣機風功率預測模型參數(shù)群體，確定群體規(guī)模，設置最大迭代次數(shù)、批樣機風功率預測模型參數(shù)變異率、參數(shù)交叉概率；

步驟5.2.7.2：計算批樣機風功率預測模型參數(shù)群體中每個個體對應的批樣機風功率預測值，以批樣機風功率預測模型輸出的批樣機風功率預測值與批樣機風功率實際值均方根誤差最小作為參數(shù)優(yōu)化的目標函數(shù)；

步驟5.2.7.3：對群體中的每個個體，依據(jù)交叉概率進行變異，得到變異后的個體；

步驟5.2.7.4：分別將變異后的批樣機風功率預測模型參數(shù)個體與未變異參數(shù)個體的目標函數(shù)值進行比較，目標函數(shù)值小的個體將作為新的參數(shù)個體進入后續(xù)的迭代搜索過程；

步驟5.2.7.5：判斷終止條件是否滿足：當?shù)螖?shù)達到最大迭代次數(shù)時，滿足終止條件，停止迭代，輸出最優(yōu)解即最優(yōu)的批樣機風功率預測模型參數(shù)，進而確定最終的各批樣機風功率預測模型；否則，轉(zhuǎn)步驟5.2.7.3，繼續(xù)進行迭代。