[發明專利]一種風功率預測方法

在審

• 申請號: 202010937652.3
• 申請日: 2020-09-07
• 公開（公告）號: CN112085272A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 楊勇;秦睿;崔力心;馬鎮東;鄭晶晶;周治伊;王永年;牛浩明;王偉;何欣;祁瑩;張彥凱;劉文飛;張旭軍;張剛
• 申請（專利權）人: 國網甘肅省電力公司電力科學研究院;國網甘肅綜合能源服務有限公司;西安理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N5/00;G06N3/04;G06N3/08
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 劉紅陽

1.一種風功率預測方法，其特征在于，包括以下步驟：

步驟1、將風電功率歷史值、天氣因素即風向、風速、氣溫、氣壓、濕度歷史值特征信息作為訓練數據集用于訓練隨機森林RF，計算出所有特征信息的PI值，利用序列的反向搜索方法挑選出風電功率最優特征信息集合Q；

步驟2、將最優特征信息集合Q的歷史值作為訓練DNN網絡的數據集，輸入至DNN模型，完成DNN的初始化；使用受限玻爾茲曼機逐層對DNN網絡進行粗略的預訓練，通過RBM的計算得到與收斂解近似的隱含層權重系數w與閾值系數b；

步驟3、通過粒子群優化算法對權重系數與閾值系數進行更為精細的調整，得到參數優良的DNN網絡；

步驟4、將最優特征信息集合Q組成的預測數據集作為DNN模型輸入，通過計算得到待預測的風電功率數值。

2.根據權利要求1所述的一種風功率預測方法，其特征在于，所述步驟1具體包括：

步驟1.1、以初始風電功率特征信息集合作為輸入，以此訓練隨機森林。待訓練完成后，可以得到所有特征信息的PI值，此時利用測試集評估隨機森林算法的預測精度P_all，并把這個值設定為預測閾值；

步驟1.2、把所有特征信息的PI值按從大到小的順序進行排序。排序完成后，將前10個PI值對應的特征信息導入至初始為空集合的粗選特征信息集合Q_pre中，同時把這些特征信息從初始的特征集合M中刪除；

步驟1.3:使用再一次訓練隨機森林，并得到測試的預測誤差式中的右上角標i代表信息集合Q_pre的特征信息個數；

步驟1.4：判斷的大小關系，若那么就向特征信息集合中再添加十個特征信息構成一個新的集合如果就不再向Q_pre中添加特征信息，否則就繼續在M內選擇重要性最大的前十個特征信息進行添加。

3.根據權利要求1所述的一種風功率預測方法，其特征在于，所述步驟2具體包括：

步驟2.1、使用受限玻爾茲曼機時，采用目前常用的單步長交替GIbbs采樣的對比散度算法(Contrastive Divergence)進行訓練，從而大大的提升RBM的訓練速度。算法一開始的初值是已知的訓練樣本值，以此作為可見節點單元向量的初值狀態，并記為v_data，之后使用式(20)計算出隱含層的初始狀態值h_data：

式中：m——可見層的可見單元的個數；

在第一次對隱含層的所有單元完成迭代計算后，進行一次整體的交替GIbbs采樣，也就是利用式(21)對所有可見單元的狀態進行調整，從而得到v_new，之后利用之前的式(20)對隱含單元的狀態進行調整，得到h_new；

由此，可以得到可見節點單元與隱含節點單元的權值更新公式、可見節點單元與隱含節點單元的閾值更新公式為：

Δw_ij＝s·(v_i·h_jdata-v_i·h_jnew) (22)

Δb_i＝s·(v_idata-v_inew) (23)

Δc_j＝s·(h_jdata-h_jnew) (24)

式中：S——學習速率，一般取s為0.004

通過受限玻爾茲曼機的預訓練，得到與收斂解近似的隱含層權重系數w與閾值系數b，之后使用粒子群優化算法對DNN的權值閾值進行更為精細的調整，也就是參數值的“微調”；

步驟2.2、粒子群優化算法(Particle Swarm Optimization，PSO)的數學模型可以表示為：存在一個粒子群x＝[x₁,x₂,x₃,…x_m](式中m為這個粒子群中總體的粒子個數)，這個粒子群存在于一個n維的空間，尋優過程也在這個空間內進行。第i個粒子的空間位置表示為x_i＝[x_i1,x_i2,x_i3,…x_in]，與此對應的第i個粒子搜索速度為v_i＝[v_i1,v_i2,v_i3,…v_in]，而第i個粒子歷史最優空間位置為p_i＝[p_i1,p_i2,p_i3,…p_in]，所有粒子的全局空間最優位置為p_g＝[p_g1,p_g2,p_g3,…p_gn]，在算法運行過程中，粒子的搜索速度與空間位置會按式(25)和式(26)發生變化：

v_id(k+1)＝ωv_id(k)+c₁r₁(p_id-x_id(k))+c₂r₂(p_gd-x_id(k)) (25)

x_id(k+1)＝x_id(k)+v_id(k+1) (26)

式中：v_id(k)——第i個粒子對應于第d維上的第k次變化時的速度；x_id(k)——第i個粒子對應于第d維上的第k次變化時的位置；ω——慣性系數；c₁，c₂——加速系數；r₁，r₂——位于0到1之間隨機數；p_id——第i個粒子對應于第d維上的歷史最優位置；p_gd——所有粒子對應于第d維上的歷史最優位置；

在式(26)中，慣性系數ω起到了非常重要的最用，它反映了歷史的粒子速度與最新的粒子速度之間的關系，通過控制慣性系數ω的大小可以調整粒子群算法的搜索速度與尋優速度，影響局部尋優與全局尋優的結果；為了更好的平衡慣性系數對局部搜索與全局搜索的影響，提出采用動態的慣性系數，其迭代過程如式(27)所示：

式中：ω_max——慣性系數的最大值；ω_min——慣性系數的最小值；k_max——迭代次數的最大值；k——當前的迭代次數。