[發(fā)明專利]基于深度信念網絡的非線性加權組合風電功率預測方法

有效

• 申請?zhí)枺?/td>: 202011298517.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112434848B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設計）人: 段建東;侯澤權;王鵬;馬文濤;方帥;安琳
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F17/00
• 分類號: G06F17/00;G06Q10/04;G06Q50/04;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王敏強

1.基于深度信念網絡的非線性加權組合風電功率預測方法，其特征在于，包括以下步驟：

步驟1、數(shù)據收集：收集風力發(fā)電的風速、歷史風電功率、溫度和風向數(shù)據并構建訓練樣本集；

步驟2、數(shù)據預處理：首先，對風力發(fā)電數(shù)據中的異常數(shù)據進行修正，并對缺失數(shù)據進行補充；然后，對數(shù)據進行標準化處理以減小因數(shù)據數(shù)量級相差較大而對預測準確性造成的影響；最后，使用具有降噪功能的變分模態(tài)分解技術VMD分解非線性非平穩(wěn)的歷史風電功率序列，得到IMF₁模態(tài)，IMF₂，IMF₃...IMF_N模態(tài)，以提高數(shù)據的可預測性；

步驟3、特征選擇：計算各影響因素與歷史風電功率的最大信息系數(shù)MIC，選取MIC＞0.5的歷史風電功率、風速、溫度和風向作為主導影響因素參與步驟4中子模型的訓練預測；

步驟4、搭建子預測模型：將IMF₁模態(tài)作為目標輸出，將步驟3的風力發(fā)電的風速、歷史風電功率、溫度和風向數(shù)據作為輸入，利用擅長處理時間序列問題的遞歸神經網絡LSTM進行訓練得到子預測模型1和子預測結果1；然后將IMF₂模態(tài)作為目標輸出，將步驟3的風力發(fā)電的風速、歷史風電功率、溫度和風向數(shù)據作為輸入，利用擅長特征提取的深度信念模型DBN并結合粒子群優(yōu)化PSO進行訓練得到子預測模型2和子預測結果2，然后按照上述訓練步驟依次循環(huán)直至IMF_N結束，得到N個子預測模型及N個子預測結果；

其中，IMF₂，IMF₃…IMF_N都采用PSO-DBN模型進行預測訓練；

步驟5、模型組合：利用基于PSO-DBN的非線性組合機制對步驟4訓練得到的N個子模型的N個預測結果進行組合，以更好地提取和表征各個子預測模型的非線性關系，從而得到非線性組合預測模型；

步驟6、輸出結果：輸入預測日前兩天的風力發(fā)電的風速、功率、溫度和風向數(shù)據信息，根據組合預測模型得到最終的預測結果。

2.根據權利要求1所述的基于深度信念網絡的非線性加權組合風電功率預測方法，其特征在于，步驟2所述數(shù)據預處理的方法為：

首先，對風力發(fā)電數(shù)據中的異常數(shù)據進行修正，并對缺失數(shù)據進行補充；

如果某個時刻的數(shù)據與前后兩天對應時刻數(shù)據的差異過大，就認為該數(shù)據是極大或極小的數(shù)據，該類數(shù)據的修正規(guī)則如下：

其中，X_(d，t)是第d天t時刻的用電量數(shù)據，是第d天t時刻前后兩天的用電量數(shù)據平均值，ε_d(t)是第d天用電量數(shù)據標準差的兩倍，是第d天t時刻前后兩天同時刻數(shù)據的平均值；

對于缺失的數(shù)據按照公式(2)進行補充；

然后按照標準化公式(3)對所有數(shù)據進行標準化處理：

其中，x_ij為第i組第j個數(shù)據的真實值，為第i組第j個數(shù)據的歸一化值，x_max為該組數(shù)據中的最大值，x_min為該組數(shù)據中的最小值；

當然預測模型的輸出結果還需要進行反歸一化才可以得到最終結果，反歸一化的規(guī)則如公式(4)所示：

其中，y_i為最終預測結果，為預測模型輸出的歸一化數(shù)據，y_max為該組數(shù)據的最大值，y_min為該組數(shù)據的最小值；

最后，使用具有降噪功能的變分模態(tài)分解技術VMD去分解非線性非平穩(wěn)的風電功率序列，以提高數(shù)據的可預測性。

3.根據權利要求1所述的基于深度信念網絡的非線性加權組合風電功率預測方法，其特征在于，步驟2所述變分模態(tài)分解技術VMD是一種自適應的信號處理方法，通過迭代尋優(yōu)，不斷地更新各個子模態(tài)函數(shù)以及它們的中心頻率，最終實現(xiàn)將實值信號f分解為N個模態(tài)函數(shù)IMF的功能；

提出結合重構誤差R來確定參數(shù)N，選取R＜0.01時的N值作為最終參數(shù)，如式(9)所示：