[發(fā)明專利]一種基于混合變量選擇優(yōu)化深度信念網(wǎng)絡(luò)風(fēng)速預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202011288378.8
• 申請日: 2020-11-17
• 公開（公告）號: CN112418504B
• 公開（公告）日: 2023-02-28
• 發(fā)明（設(shè)計）人: 崔逸群;畢玉冰;李昉;高原英;鄧楠軼;朱博迪;劉超飛;王文慶;董夏昕;介銀娟
• 申請（專利權(quán)）人: 西安熱工研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/048;G06N3/088;G06F30/27;G06F113/06
• 代理公司: 西安智大知識產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 何會俠

1.一種基于混合變量選擇優(yōu)化深度信念網(wǎng)絡(luò)風(fēng)速預(yù)測方法，其特征在于，包括步驟：

S1.采集風(fēng)場實測數(shù)據(jù)，包含風(fēng)速、風(fēng)功率、偏航角度、發(fā)電量和溫度多項記錄參數(shù)，繪制風(fēng)速-風(fēng)功率散點圖找出“離群點”并剔除，得到預(yù)處理數(shù)據(jù)集；

S2.對S1中預(yù)處理數(shù)據(jù)集進行變量相關(guān)性分析，利用皮爾遜相關(guān)系數(shù)算法和互信息算法分析各參數(shù)與目標(biāo)參數(shù)風(fēng)速間的相關(guān)性，剔除冗余變量，減少建模變量數(shù)量，得到樣本數(shù)據(jù)集；

S21.利用皮爾遜相關(guān)系數(shù)算法對S1中預(yù)處理數(shù)據(jù)集進行變量相關(guān)性分析，風(fēng)速項作為Q,其余參數(shù)項分別作為P；根據(jù)公式(1)得到各參數(shù)項與目標(biāo)參數(shù)風(fēng)速之間的相關(guān)性系數(shù)J；

式(1)中，M是樣本數(shù)量，Q_l和P_l是參數(shù)Q和P對應(yīng)的樣本點，是Q樣本平均數(shù)，是P樣本平均數(shù)；相關(guān)性系數(shù)在0到1范圍內(nèi)變化，保留與風(fēng)速間相關(guān)性系數(shù)不小于0.7的各參數(shù)項，并與對應(yīng)的風(fēng)速項構(gòu)成數(shù)據(jù)集G₁；

S22.利用互信息算法對數(shù)據(jù)集G₁進行變量相關(guān)性分析，分析各參數(shù)項與目標(biāo)參數(shù)風(fēng)速間的關(guān)聯(lián)度，風(fēng)速項作為Q₁,其余參數(shù)項分別作為P₁，根據(jù)公式(2)得到各參數(shù)項與目標(biāo)變量風(fēng)速之間的相關(guān)系數(shù)MIN；

MIN(Q₁；P₁)＝H(Q₁)+H(P₁)-H(Q₁,P₁) (2)

式(2)中，H(Q₁)表示Q₁的信息熵，H(P₁)表示P₁的信息熵，H(Q₁,P₁)表示Q₁和P₁的聯(lián)合信息熵，MIN(Q₁；P₁)越大，則表示Q₁與P₁之間的相關(guān)性越強，反之越弱；相關(guān)性系數(shù)在0到1范圍內(nèi)變化，保留與風(fēng)速間相關(guān)系數(shù)不小于0.8的各參數(shù)項，與對應(yīng)的風(fēng)速項構(gòu)成數(shù)據(jù)集G₂，即樣本數(shù)據(jù)集；

S3.對樣本數(shù)據(jù)集進行歸一化處理，按照4：1的比例確定訓(xùn)練樣本集和預(yù)測樣本集；歸一化處理轉(zhuǎn)換函數(shù)如下:

式(3)中，x_min和x_max分別指樣本數(shù)據(jù)中各參數(shù)項的最大值和最小值，x_j指樣本數(shù)據(jù)集中各參數(shù)項的樣本點，x_j*指樣本數(shù)據(jù)集中各參數(shù)項歸一化后的樣本點；

S4.利用深度信念網(wǎng)絡(luò)建立風(fēng)速預(yù)測模型；

S41.受限玻爾茲曼機表示為：

式(4)中,θ＝{w_ij,a_i,b_j}代表受限玻爾茲曼機的參數(shù)，指可見層對隱含層的權(quán)值，可見層和隱含層的偏置，l代表可見層神經(jīng)元個數(shù)，u代表隱含層神經(jīng)元個數(shù)，v_i和h_j指可見層和隱含層任意一組節(jié)點狀態(tài)；

S42.可見層與隱含層的似然函數(shù)表示為：

式(5)中，代表歸一化因子，也稱分配函數(shù)；

S43.可見層神經(jīng)元給定后，隱含層神經(jīng)元被激活的概率為：

式(6)中，exp()指以e為底的指數(shù)函數(shù)，隱含層神經(jīng)元給定后，可見層神經(jīng)元被激活的概率同理；

S44.通過對受限玻爾茲曼機進行學(xué)習(xí)訓(xùn)練，獲得深度信念網(wǎng)絡(luò)最優(yōu)參數(shù)θ：

式(7)中，M代表訓(xùn)練樣本集中的樣本數(shù)，lnP()指對數(shù)似然函數(shù)，arg maxL(θ)指當(dāng)L(θ)取得最大值時θ的取值，v^l指可見層v的l次方；

S45.受限玻爾茲曼機各參數(shù)更新公式為：

式(8)中，·_D和·_r分別指樣本分布的期望和重構(gòu)后模型定義的數(shù)學(xué)期望，λ代表學(xué)習(xí)率；

S46.重復(fù)執(zhí)行S41-S45,完成對所有受限玻爾茲曼機的訓(xùn)練，從而建立所述風(fēng)速預(yù)測模型；

S5.采用頭腦風(fēng)暴優(yōu)化算法優(yōu)化所述風(fēng)速預(yù)測模型參數(shù)；

S51.根據(jù)深度信念網(wǎng)絡(luò)的初始連接權(quán)重值和閾值定義頭腦風(fēng)暴優(yōu)化算法初始個體的數(shù)量、種類和隨機擾動值等關(guān)鍵參數(shù)；初始個體的維度Z表示為：

Z＝Y(jié)₁*(Y₀+1)+Y₂*(Y₁+1) (9)

式(9)中，Y₀、Y₁和Y₂分別代表深度信念網(wǎng)絡(luò)各層神經(jīng)元個數(shù)；基于聚類思想的頭腦風(fēng)暴優(yōu)化算法，個體變異主要存在四種不同的方式，通過這四種不同的變異方式進行比較得到全局最優(yōu)，以避免自身陷入局部最優(yōu)的問題；隨機設(shè)置四種變異方式的初始概率分別為：P₁,P₂,P₃,P₄；

S52.通過對四種不同變異方式的概率進行比較，選擇其中概率最大的變異方式，確定新個體的更新方式，新個體更新方式表示為：

F_xz＝S*N(μ,σ²)+F_jz (10)

式(10)中，F(xiàn)_xz指新產(chǎn)生個體的第z維數(shù)據(jù)，F(xiàn)_jz指被選中的個體的第z維數(shù)據(jù)，N(μ,σ²)指正態(tài)分布；

S＝round()*lgsig((E/2-e)/g) (11)

式(11)中，lgsig代表對數(shù)激活函數(shù)，g表示用來調(diào)節(jié)lgsig函數(shù)坡度的參數(shù)，round()指隨機數(shù)，范圍是0到1，E和e分別指最大和目前迭代次數(shù)；

S53.采用均方誤差表征模型訓(xùn)練誤差大小，因此，適應(yīng)度函數(shù)采用深度信念網(wǎng)絡(luò)訓(xùn)練時的均方誤差；將變異產(chǎn)生的新個體的適應(yīng)度函數(shù)值與原個體進行比較，若新個體適應(yīng)度函數(shù)值更小，即代表誤差更小，則更新原個體；

S54.迭代更新個體，直到到達預(yù)設(shè)迭代次數(shù)或適應(yīng)度函數(shù)值達到預(yù)設(shè)精度，則停止迭代，得到最優(yōu)解；

S55.將得到的最優(yōu)解作為深度信念網(wǎng)絡(luò)風(fēng)速預(yù)測模型的連接權(quán)重值和閾值，完成對深度信念網(wǎng)絡(luò)風(fēng)速預(yù)測模型的優(yōu)化；

S6.將所述訓(xùn)練樣本集輸入優(yōu)化完畢的風(fēng)速預(yù)測模型進行訓(xùn)練；

S7.將所述預(yù)測樣本集輸入訓(xùn)練完畢的風(fēng)速預(yù)測模型進行預(yù)測，獲得風(fēng)速預(yù)測值。