[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

本發(fā)明公開了一種基于混合變量選擇優(yōu)化深度信念網(wǎng)絡(luò)風速預(yù)測方法，該發(fā)明主要為了解決風場風速預(yù)測精度不高的問題。包括：繪制風速?風功率散點圖剔除風場實測數(shù)據(jù)中的不良數(shù)據(jù)；利用組合式變量選擇算法對數(shù)據(jù)樣本集進行關(guān)聯(lián)性分析；歸一化處理樣本數(shù)據(jù)集，劃分訓(xùn)練樣本集和預(yù)測樣本集；構(gòu)建深度信念風速預(yù)測模型并采用頭腦風暴優(yōu)化算法進行優(yōu)化；利用已訓(xùn)練好的預(yù)測模型對風速進行預(yù)測。本發(fā)明一定程度上解決了現(xiàn)有風速預(yù)測模型存在的模型計算量較大，預(yù)測精度不高的問題。

技術(shù)領(lǐng)域

本發(fā)明專利涉及風力發(fā)電技術(shù)領(lǐng)域，具體涉及一種基于混合變量選擇優(yōu)化深度信念網(wǎng)絡(luò)風速預(yù)測方法。

背景技術(shù)

世界各國面臨的能源危機日益嚴重，化石能源的不斷大量消耗以及伴隨而來的嚴重環(huán)境污染問題已經(jīng)引起廣泛關(guān)注。作為可再生能源，風能發(fā)電發(fā)展迅速，在近年得到眾多學(xué)者的研究。風速本身具有波動性和間歇性，會直接影響到電能質(zhì)量和電網(wǎng)的穩(wěn)定安全，風場風速的準確預(yù)測，將減輕電網(wǎng)調(diào)度部門調(diào)度計劃制定，風場規(guī)劃建設(shè)、風電并網(wǎng)等工作壓力。

風速預(yù)測方法中具有代表性的包括物理預(yù)測法、卡爾曼濾波法、支持向量機法和人工神經(jīng)網(wǎng)絡(luò)法等。一系列深度神經(jīng)網(wǎng)絡(luò)算法在近年被應(yīng)用到風速預(yù)測領(lǐng)域，相比于淺層模型，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度更高，其中具有代表性的有長短時記憶網(wǎng)絡(luò)、卷積循環(huán)神經(jīng)網(wǎng)絡(luò)和全連接神經(jīng)網(wǎng)絡(luò)等。

在變量篩選方面，常用算法包括最小角回歸算法、皮爾遜相關(guān)系數(shù)算法和最大信息系數(shù)等。但在具體研究中，大多數(shù)研究者通常僅采用一種特征篩選算法進行變量選擇，這在一定程度上降低了變量篩選結(jié)果的可信度，同時，部分研究者在驗證風速預(yù)測模型時，使用的數(shù)據(jù)并非風場實測數(shù)據(jù)，而是來自計算機生成的模擬量，這同樣降低了預(yù)測結(jié)果的可信度。

綜上所述，由于風速本身具有波動性和間歇性，現(xiàn)有的風速預(yù)測方法普遍存在變量篩選方法不夠完善，風速預(yù)測模型預(yù)測精度較低等問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明的目的在于克服現(xiàn)有風速預(yù)測技術(shù)中存在的問題而提供的一種基于混合變量選擇優(yōu)化深度信念網(wǎng)絡(luò)風速預(yù)測方法，通過使用一種組合式變量選擇方法，大幅提高變量篩選的可信度，同時采用頭腦風暴優(yōu)化算法優(yōu)化深度信念網(wǎng)絡(luò)進行風速預(yù)測，克服了淺層神經(jīng)網(wǎng)絡(luò)預(yù)測精度較低的問題，進一步提高深度信念網(wǎng)絡(luò)風速預(yù)測精度。

為了達到上述目的本發(fā)明采用如下技術(shù)方案：

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

S1.采集風場實測數(shù)據(jù)，包含風速、風功率、偏航角度、發(fā)電量和溫度多項記錄參數(shù)，繪制風速-風功率散點圖找出“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)與目標參數(shù)風速間的相關(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)項與目標參數(shù)風速之間的相關(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)項與目標參數(shù)風速間的關(guān)聯(lián)度，風速項作為Q₁,其余參數(shù)項分別作為P₁，根據(jù)公式(2)得到各參數(shù)項與目標變量風速之間的相關(guān)系數(shù)MIN；