[發(fā)明專利]基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011346919.8
• 申請(qǐng)日: 2020-11-26
• 公開(kāi)（公告）號(hào): CN112633551A
• 公開(kāi)（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 彭小圣;陳奕虹;王洪雨;李剛;傅瑞斌
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué);內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司;中國(guó)電力科學(xué)研究院有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q10/06;G06Q50/06;G06N3/00
• 代理公司: 武漢開(kāi)元知識(shí)產(chǎn)權(quán)代理有限公司 42104
• 代理人: 唐正玉

1.一種基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法，其特征在于，包括以下步驟：(1)首先對(duì)原始特征數(shù)據(jù)庫(kù)中的多維數(shù)值天氣預(yù)報(bào)NWP數(shù)據(jù)和風(fēng)電場(chǎng)歷史功率數(shù)據(jù)進(jìn)行預(yù)處理；(2)采用蝙蝠算法BA對(duì)堆棧去噪自動(dòng)編碼器SDAE的隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化；(3)采用SDAE對(duì)輸入數(shù)據(jù)做特征映射；(4)采用蝙蝠算法BA優(yōu)化支持向量回歸SVR模型中的參數(shù)g和C，g為SVR模型中核函數(shù)半徑，C為SVR模型中懲罰因子；(5)再將步驟(3)映射特征的數(shù)據(jù)輸入使用BA優(yōu)化的SVR模型中進(jìn)行預(yù)測(cè)，最后輸出優(yōu)化后的預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法，其特征在于：步驟(2)采用BA算法對(duì)SDAE的隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)進(jìn)行優(yōu)化，具體步驟為：

(2.1)初始化蝙蝠算法各項(xiàng)參數(shù)值；

(2.2)計(jì)算初始蝙蝠種群中每個(gè)蝙蝠的適應(yīng)度f(wàn)itness；

(2.3)在每次迭代中，對(duì)于單元蝙蝠生成隨機(jī)數(shù)rand1，若rand1R(i)，R(i)為第i只蝙蝠的脈沖發(fā)射率，則選擇當(dāng)前最佳解對(duì)第i只蝙蝠進(jìn)行局部擾動(dòng)，否則判斷是否接受擾動(dòng)后的解為新解。判斷依據(jù)為：計(jì)算擾動(dòng)后第i只蝙蝠的新適應(yīng)度，若新適應(yīng)度優(yōu)于自身最優(yōu)適應(yīng)度或隨機(jī)數(shù)rand2A(i)，A(i)為第i只蝙蝠的脈沖響度，就用擾動(dòng)后的新位置替換舊位置進(jìn)行儲(chǔ)存也就是更新A(i)和R(i)，否則再次進(jìn)行rand1與R(i)比較；

(2.4)檢索本次迭代過(guò)程中是否存在單元蝙蝠的適應(yīng)度優(yōu)于全局最優(yōu)適應(yīng)度，若存在，更新當(dāng)前種群中蝙蝠的速度和位置，否則跳到步驟(2.6)；

(2.5)更新響度和脈沖頻率；

(2.6)判斷是否滿足迭代終止條件；

(2.7)如果是，輸出最優(yōu)訓(xùn)練參數(shù)，否則重新回到步驟(2.2)。

3.根據(jù)權(quán)利要求1所述的一種基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法，其特征在于：步驟(3)采用SDAE對(duì)輸入數(shù)據(jù)做特征映射具體步驟為：使用步驟(1)預(yù)處理得到的數(shù)據(jù)輸入到BA優(yōu)化后的堆棧去噪自編碼器，從高維特征數(shù)據(jù)中抽象處理得到低維特征數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的一種基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法，其特征在于：步驟(4)采用蝙蝠算法BA優(yōu)化支持向量回歸SVR模型中的參數(shù)g和C，g為SVR模型中核函數(shù)半徑，C為SVR模型中懲罰因子；具體步驟為：

(4.1)設(shè)定SVR模型中參數(shù)g和C的取值范圍；

(4.2)將BA算法中的相關(guān)參數(shù)初始化；

(4.3)計(jì)算BA種群中各蝙蝠的適應(yīng)度f(wàn)itness，各蝙蝠所在位置的橫坐標(biāo)、縱坐標(biāo)的值分別為C,g，每一個(gè)(C,g)的取值代表一種狀態(tài)，相當(dāng)于二維平面的橫縱坐標(biāo)，選取訓(xùn)練集進(jìn)行訓(xùn)練和測(cè)試，適應(yīng)度f(wàn)itness能夠體現(xiàn)風(fēng)功率預(yù)測(cè)的準(zhǔn)確率；

(4.4)更新蝙蝠的位置和速度，計(jì)算適應(yīng)度f(wàn)itness，若得到的新適應(yīng)度優(yōu)于原適應(yīng)度，則更新的位置為最優(yōu)位置，否則跳到步驟(4.6)；

(4.5)更新適應(yīng)度、脈沖音量和脈沖波發(fā)射率；

(4.6)判斷是否滿足迭代終止條件，是繼續(xù)步驟(4.7)；否則回到步驟(4.4)；

(4.7)輸出最優(yōu)位置及其對(duì)應(yīng)的適應(yīng)度,此時(shí)，最優(yōu)位置的橫坐標(biāo)、縱坐標(biāo)值為懲罰因子C和核函數(shù)半徑g的最優(yōu)值；

(4.8)利用尋優(yōu)后的SVR模型的核函數(shù)參數(shù)g以及懲罰因子C構(gòu)建優(yōu)化的BA-SVR預(yù)測(cè)模型。

5.根據(jù)權(quán)利要求3或4所述的一種基于SDAE-SVR-BA的風(fēng)電功率深度學(xué)習(xí)預(yù)測(cè)模型優(yōu)化方法，其特征在于：最后再將得到的低維特征數(shù)據(jù)輸入到蝙蝠算法優(yōu)化過(guò)的SVR模型中進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)結(jié)果。