[發(fā)明專利]風(fēng)速誤差模型的訓(xùn)練方法、裝置及風(fēng)力發(fā)電機(jī)組

在審

• 申請(qǐng)?zhí)枺?/td>: 201711384510.3
• 申請(qǐng)日: 2017-12-20
• 公開（公告）號(hào): CN108167133A
• 公開（公告）日: 2018-06-15
• 發(fā)明（設(shè)計(jì)）人: 周玉卿
• 申請(qǐng)（專利權(quán)）人: 北京金風(fēng)慧能技術(shù)有限公司
• 主分類號(hào): F03D17/00
• 分類號(hào): F03D17/00;F03D80/00
• 代理公司: 北京市惠誠律師事務(wù)所 11353
• 代理人: 逯博

1.一種基于K近鄰算法的風(fēng)速誤差模型的訓(xùn)練方法，其特征在于，包括：

獲取預(yù)測(cè)風(fēng)速值，并獲取對(duì)應(yīng)的實(shí)際風(fēng)速值；

計(jì)算所述實(shí)際風(fēng)速值與所述預(yù)測(cè)風(fēng)速值之間的實(shí)際風(fēng)速誤差；

以所述預(yù)測(cè)風(fēng)速值及其對(duì)應(yīng)的所述實(shí)際風(fēng)速誤差作為訓(xùn)練樣本，采用K近鄰算法建立風(fēng)速誤差模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述以所述預(yù)測(cè)風(fēng)速值及其對(duì)應(yīng)的所述實(shí)際風(fēng)速誤差作為訓(xùn)練樣本，采用K近鄰算法建立風(fēng)速誤差模型包括：

通過交叉驗(yàn)證方法，選擇所述K值。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過交叉驗(yàn)證方法，選擇所述K值包括：

步驟一：設(shè)置初始K值；

步驟二：將所述訓(xùn)練樣本分為訓(xùn)練集和驗(yàn)證集，針對(duì)所述驗(yàn)證集中每個(gè)第一預(yù)測(cè)風(fēng)速值，遍歷所述訓(xùn)練集中的每個(gè)第二預(yù)測(cè)風(fēng)速值，選擇K個(gè)與所述第一預(yù)測(cè)風(fēng)速值距離最相鄰的所述第二預(yù)測(cè)風(fēng)速值，并將與所述K個(gè)第二預(yù)測(cè)風(fēng)速值相應(yīng)的所述實(shí)際風(fēng)速誤差的平均值作為所述第一預(yù)測(cè)風(fēng)速值的均值誤差；

步驟三：計(jì)算所述驗(yàn)證集對(duì)應(yīng)的所有所述均值誤差和所述均值誤差的均方根；

步驟四：多次不重復(fù)的將所述訓(xùn)練樣本分為訓(xùn)練集和驗(yàn)證集，并執(zhí)行所述步驟二至步驟三，將得到的多個(gè)所述均值誤差的均方根的平均值作為當(dāng)前所述K值的誤差；

依次改變所述K值的大小，并針對(duì)每個(gè)K值執(zhí)行所述步驟二至所述步驟四，并將得到的所有所述K值的誤差中的最小值對(duì)應(yīng)的K值作為所述風(fēng)速誤差模型中的最終K值。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述以所述預(yù)測(cè)風(fēng)速值及其對(duì)應(yīng)的所述實(shí)際風(fēng)速誤差作為訓(xùn)練樣本，采用K近鄰算法建立風(fēng)速誤差模型包括：

將被選擇出的K個(gè)實(shí)際風(fēng)速誤差值的平均值作為所述風(fēng)速誤差模型預(yù)測(cè)的所述預(yù)測(cè)風(fēng)速誤差值。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述以所述預(yù)測(cè)風(fēng)速值及其對(duì)應(yīng)的所述實(shí)際風(fēng)速誤差作為訓(xùn)練樣本，采用K近鄰算法建立風(fēng)速誤差模型包括：

將被選擇出的K個(gè)實(shí)際風(fēng)速誤差值，按其對(duì)應(yīng)的所述預(yù)測(cè)風(fēng)速值與當(dāng)前輸入值的距離進(jìn)行加權(quán)求和，并將和值作為所述風(fēng)速誤差模型預(yù)測(cè)的所述預(yù)測(cè)風(fēng)速誤差值。

6.根據(jù)權(quán)利要求1-5中任一種所述的方法，其特征在于，所述方法還包括：

將所述預(yù)測(cè)風(fēng)速值經(jīng)預(yù)置的所述基于K近鄰算法的風(fēng)速誤差模型進(jìn)行預(yù)測(cè)計(jì)算，得到相應(yīng)的預(yù)測(cè)風(fēng)速誤差；

利用所述預(yù)測(cè)風(fēng)速誤差對(duì)所述預(yù)測(cè)風(fēng)速值進(jìn)行訂正。

7.一種基于K近鄰算法的風(fēng)速誤差模型的訓(xùn)練裝置，其特征在于，包括：

第一數(shù)據(jù)獲取模塊，用于獲取預(yù)測(cè)風(fēng)速值，并獲取對(duì)應(yīng)的實(shí)際風(fēng)速值；

誤差計(jì)算模塊，用于計(jì)算所述實(shí)際風(fēng)速值與所述預(yù)測(cè)風(fēng)速值之間的實(shí)際風(fēng)速誤差；

模型構(gòu)建模塊，用于以所述預(yù)測(cè)風(fēng)速值及其對(duì)應(yīng)的所述實(shí)際風(fēng)速誤差作為訓(xùn)練樣本，采用K近鄰算法建立風(fēng)速誤差模型。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述模型構(gòu)建模塊具體包括：

K值選擇單元，用于通過交叉驗(yàn)證方法，選擇所述K值。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述K值選擇單元具體用于執(zhí)行如下步驟：

步驟一：設(shè)置初始K值；

步驟二：將所述訓(xùn)練樣本分為訓(xùn)練集和驗(yàn)證集，針對(duì)所述驗(yàn)證集中每個(gè)第一預(yù)測(cè)風(fēng)速值，遍歷所述訓(xùn)練集中的每個(gè)第二預(yù)測(cè)風(fēng)速值，選擇K個(gè)與所述第一預(yù)測(cè)風(fēng)速值距離最相鄰的所述第二預(yù)測(cè)風(fēng)速值，并將與所述K個(gè)第二預(yù)測(cè)風(fēng)速值相應(yīng)的所述實(shí)際風(fēng)速誤差的平均值作為所述第一預(yù)測(cè)風(fēng)速值的均值誤差；

步驟三：計(jì)算所述驗(yàn)證集對(duì)應(yīng)的所有所述均值誤差和所述均值誤差的均方根；

步驟四：多次不重復(fù)的將所述訓(xùn)練樣本分為訓(xùn)練集和驗(yàn)證集，并執(zhí)行所述步驟二至步驟三，將得到多個(gè)所述均值誤差的均方根的平均值作為當(dāng)前所述K值的誤差；

依次改變所述K值的大小，并針對(duì)每個(gè)K值執(zhí)行所述步驟二至所述步驟四，并將得到的所有所述K值的誤差中的最小值對(duì)應(yīng)的K值作為所述風(fēng)速誤差模型中的最終K值。