[發明專利]基于SDAE-SVR-BA的風電功率深度學習預測模型優化方法

在審

• 申請號: 202011346919.8
• 申請日: 2020-11-26
• 公開（公告）號: CN112633551A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 彭小圣;陳奕虹;王洪雨;李剛;傅瑞斌
• 申請（專利權）人: 華中科技大學;內蒙古電力（集團）有限責任公司;中國電力科學研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/00
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 唐正玉

本發明提供一種基于SDAE?SVR?BA的風電功率深度學習預測模型優化方法，包括以下步驟：(1)首先對原始特征數據庫中的多維NWP數據和風電場歷史功率數據進行預處理；(2)采用蝙蝠算法BA對堆棧去噪自動編碼器SDAE的隱含層數和隱含層節點數進行優化；(3)采用SDAE對輸入數據做特征映射；(4)采用蝙蝠算法BA優化支持向量回歸SVR模型中的參數g和C，g為SVR模型中核函數半徑，C為SVR模型中懲罰因子；(5)再將步驟(3)映射特征的數據輸入使用BA優化的SVR模型中進行預測，最后輸出優化后的預測結果。本發明通過采用BA優化的SDAE?SVR預測模型，具有出色的特征提取與抽象能力，有效提升了短期風電功率預測的精度，提高了功率預測的魯棒性和穩定性，適合推廣使用。

技術領域

本發明涉及一種基于Stacked Denoising Auto Encoder-Support VectorRegression-Bat Algorithm(SDAE-SVR-BA)的風電功率深度學習預測模型優化方法，屬于風電功率短期預測領域。

背景技術

風電出力具有隨機性、波動性等特點，從而阻礙大規模風電并網，對電網調度和發電計劃帶來困難。風電功率預測是通過氣象預報數據、風電場運行狀態數據等參數對風力發電未來出力進行預測，提高風力發電的可預見性。因此提高風力發電功率預測精度，能有效提高風電并網能力，減小棄風限電率，為電網運行和調度提供依據，實現電網的安全與可靠運行。

風電功率預測對電力系統的安全運行與經濟調度至關重要，目前對風電功率進行預測主要有以下兩個問題：(1)風電預測輸入數據體量大，涵蓋信息量廣，難以充分挖掘有效信息，需要對其特征映射；(2)風電功率預測模型復雜，難以獲得最優的模型結構和參數，需要采用高效的人工智能算法對模型結構和參數優化。因此，風電功率預測需要一種可以充分挖掘歷史數據中的有效信息以提高風電功率短期預測精度的風功率預測(WPP)優化模型，減少風電對電網的沖擊影響，從而實現電網的穩定和安全運行，提高風力發電的經濟性能。

發明內容

本發明的目的是提供一種基于SDAE-SVR-BA的風電功率深度學習預測模型優化方法，以解決上述背景技術中存在的問題。

本發明的目的由以下技術措施實現：

一種基于SDAE-SVR-BA的風電功率深度學習預測模型優化方法，其特征在于，包括以下步驟：(1)首先對原始特征數據庫中的多維數值天氣預報NWP數據和風電場歷史功率數據進行預處理；(2)采用蝙蝠算法BA對堆棧去噪自動編碼器SDAE的隱含層數和隱含層節點數進行優化；(3)采用SDAE對輸入數據做特征映射；(4)采用蝙蝠算法BA優化支持向量回歸SVR模型中的參數g和C，g為SVR模型中核函數半徑，C為SVR模型中懲罰因子；(5)再將步驟(3)映射特征的數據輸入使用BA優化的SVR模型中進行預測，最后輸出優化后的預測結果。

2.根據權利要求1所述的一種基于SDAE-SVR-BA的風電功率深度學習預測模型優化方法，其特征在于：步驟(2)采用BA算法對SDAE的隱含層數和隱含層節點數進行優化，具體步驟為：

(2.1)初始化蝙蝠算法各項參數值；

(2.2)計算初始蝙蝠種群中每個蝙蝠的適應度fitness；

(2.3)在每次迭代中，對于單元蝙蝠生成隨機數rand1，若rand1R(i)，R(i)為第i只蝙蝠的脈沖發射率，則選擇當前最佳解對第i只蝙蝠進行局部擾動，否則判斷是否接受擾動后的解為新解。判斷依據為：計算擾動后第i只蝙蝠的新適應度，若新適應度優于自身最優適應度或隨機數rand2A(i)，A(i)為第i只蝙蝠的脈沖響度，就用擾動后的新位置替換舊位置進行儲存也就是更新A(i)和R(i)，否則再次進行rand1與R(i)比較；

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