[發(fā)明專利]一種基于深度極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測方法及其系統(tǒng)和機(jī)組

有效

• 申請?zhí)枺?/td>: 201810974910.8
• 申請日: 2018-08-24
• 公開（公告）號: CN109255477B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 袁凌;褚景春;魏潔;王文亮;潘磊;吳行健;董健
• 申請（專利權(quán)）人: 國電聯(lián)合動力技術(shù)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 北京方韜法業(yè)專利代理事務(wù)所(普通合伙) 11303
• 代理人: 馬麗蓮

1.一種基于深度極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測方法，其特征在于，為通過深度極限學(xué)習(xí)機(jī)的時(shí)間序列預(yù)測方法對某一未來時(shí)刻的風(fēng)速值進(jìn)行預(yù)測的方法，若現(xiàn)在時(shí)刻是t，需要預(yù)測某一未來時(shí)刻t+s的風(fēng)速值X_t+s，包括如下步驟：

1)獲取風(fēng)電機(jī)組發(fā)電過程中t時(shí)刻及其之前的一組歷史觀測數(shù)據(jù)序列如式(1)；

X₀,X₁,…,X_k,…,X_t (1)

其中，式(1)中，X₀、X₁、X_k、X_t分別為等距離時(shí)間點(diǎn)△t對應(yīng)的t₀、t₀+△t、t₀+k△t、t時(shí)刻下的風(fēng)速觀察值；

2)通過深度極限學(xué)習(xí)機(jī)的時(shí)間序列預(yù)測方法從歷史觀測數(shù)據(jù)序列中提取出若干組風(fēng)速時(shí)間序列；若以預(yù)測模型所需歷史數(shù)據(jù)的時(shí)間跨度q為提取區(qū)間，則風(fēng)速時(shí)間序列Q＝[X_t-q,…,X_t-1,X_t]為用于預(yù)測時(shí)刻t+s的風(fēng)速值X_t+s的預(yù)測序列，則：

X_t+s＝G(X_t-q,…,X_k,…,X_t-1,X_t) (2)

其中，式(2)中，q為預(yù)測所需歷史數(shù)據(jù)的時(shí)間跨度，G為預(yù)測模型或者預(yù)測函數(shù)，X_t-q、X_k、X_t-1、X_t分別為等距離時(shí)間點(diǎn)△t對應(yīng)的t-q、k、t-1、t時(shí)刻下的風(fēng)速觀察值，即，Q＝[X_t-q,…,X_t-1,X_t]為預(yù)測模型的輸入；

并通過深度極限學(xué)習(xí)機(jī)的時(shí)間序列預(yù)測方法提取出時(shí)間點(diǎn)t-s時(shí)刻及之前的若干組風(fēng)速時(shí)間序列對應(yīng)的訓(xùn)練樣本，作為訓(xùn)練樣本數(shù)據(jù)集；預(yù)測模型包括單步預(yù)測和多步預(yù)測；

預(yù)測模型的推導(dǎo)：

S1：取出預(yù)測序列Q，從訓(xùn)練樣本數(shù)據(jù)集中提取出與預(yù)測序列Q最相 似的k個(gè)樣本作為重組單步訓(xùn)練樣本，即Q的最近鄰，再根據(jù)預(yù)測步數(shù)提取出k個(gè)重組樣本對應(yīng)的多步訓(xùn)練樣本，將K個(gè)重組樣本作為預(yù)測模型的輸入；訓(xùn)練樣本數(shù)據(jù)集中包括單步預(yù)測時(shí)、多步預(yù)測時(shí)的訓(xùn)練樣本，提取Q的最近鄰的方法是根據(jù)混合歐氏距離相似性度量方法對各訓(xùn)練樣本的風(fēng)速時(shí)間序列與預(yù)測序列Q進(jìn)行計(jì)算得到，即重組樣本中對應(yīng)單步預(yù)測、多步預(yù)測有單步特征、多步特征；

S2:預(yù)測模型訓(xùn)練：分別對單步特征和多步特征的多隱含層的DELM模型進(jìn)行深度極限學(xué)習(xí)機(jī)訓(xùn)練，分別得到特征表達(dá)，并分別計(jì)算相應(yīng)的權(quán)值，計(jì)算每層對應(yīng)的單步特征和多步特征的權(quán)值加和，選取出權(quán)值最大的若干隱含層節(jié)點(diǎn)，對其提取出對應(yīng)包含單步特征和多步特征的相關(guān)數(shù)據(jù)，包括隱含層輸出、權(quán)重、偏置，并計(jì)算相應(yīng)的權(quán)值，從而以DELM算法推導(dǎo)出預(yù)測模型；

所述預(yù)測模型的推導(dǎo)具體為：

Step1：提取出預(yù)測序列Q，從訓(xùn)練樣本數(shù)據(jù)集中取出單步預(yù)測時(shí)的近鄰子集S_in；

Step2:通過式(3)計(jì)算Q和S_in的混合歐式距離；

其中，式(3)中，A₁為時(shí)間點(diǎn)t’的風(fēng)速時(shí)間序列，A₂為預(yù)測序列Q，F(xiàn)₁和F₂分別為兩組時(shí)間序列A₁和A₂的差分序列；N_E(A₁,A₂)為A₁和A₂間的標(biāo)準(zhǔn)化歐氏距離，N_E(F₁,F₂)為F₁和F₂間的標(biāo)準(zhǔn)化歐氏距離；

Step3:從S_in中選取k個(gè)與Q的混合歐式距離最短的最近鄰；并將取出的k個(gè)最近鄰作為有標(biāo)簽單步特征Y_in，其余樣本看作無標(biāo)簽單步特征M_in；對應(yīng)的，提取出多步預(yù)測時(shí)的k個(gè)最近鄰作為有標(biāo)簽多步特征Multi_Y_in，其余樣本看作無標(biāo)簽多步特征Multi_M_in；

Step4:分別訓(xùn)練單步預(yù)測和多步預(yù)測的多個(gè)隱含層的One_Step_DELM 和Multi_Step_DELM模型對Y_in，M_in和Multi_Y_in，Multi_M_in進(jìn)行無監(jiān)督自編碼學(xué)習(xí)，得到特征表達(dá)Fea_H1,Fea_M1和Fea_H2,Fea_M2；

Step5:將Fea_H1和Fea_H2通過隨機(jī)生成的輸入權(quán)重W和偏置B計(jì)算出隱含層輸出H1和H2，進(jìn)行監(jiān)督學(xué)習(xí)，再通過Y_out計(jì)算出相應(yīng)的β₁,β₂；

Step6:根據(jù)算式(4)計(jì)算w_i，通過w_i對每一個(gè)隱含層節(jié)點(diǎn)排序，并選取出w_i最大的個(gè)節(jié)點(diǎn)；

w_i＝β₁(i)+β₂(i) (4)

其中，式(4)，i為隱含層節(jié)點(diǎn)數(shù)；

Step7:將最大的個(gè)節(jié)點(diǎn)前的相關(guān)數(shù)據(jù)刪除，并提取出刪減后的

Step8:根據(jù)ADMM算法計(jì)算

Step9:計(jì)算輸出DELM預(yù)測模型

則將預(yù)測序列Q輸入到預(yù)測模型中可計(jì)算出預(yù)測風(fēng)速值X_t+s；

S3:在預(yù)測階段，根據(jù)推導(dǎo)得到的預(yù)測模型計(jì)算預(yù)測風(fēng)速值X_t+s。