[發明專利]一種基于WRF-LES和BP-PSO-Bagging相結合的風功率預測方法

在審

• 申請號: 202110012383.4
• 申請日: 2021-01-06
• 公開（公告）號: CN112784477A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 王玲霞;呂新杰;施華;姜崢超
• 申請（專利權）人: 平衡機器科技（深圳）有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06;G06N3/04;H02J3/00
• 代理公司: 北京天江律師事務所 11537
• 代理人: 任崇

1.一種基于WRF-LES和BP-PSO-Bagging相結合的風功率預測方法，其特征在于：所述方法包括以下步驟：

步驟一：下載粗分辨率全球氣象預報數據；

步驟二：在目標區域運行WRF-LES模型，進行氣象模擬；

步驟三：建立BP-PSO-Bagging深度學習風功率預測模型：結合WRF-LES模型的多個氣象指標數據源，以此作為BP-PSO-Bagging深度學習建模的基礎數據；

步驟四：利用建立的BP-PSO-Bagging深度學習風功率預測模型，將WRF-LES模型輸出的高分辨率未來氣象預報信息作為輸入，即可預測得到指定風機站點的輸出功率結果。

2.根據權利要求1所述的基于WRF-LES和BP-PSO-Bagging相結合的風功率預測方法，其特征在于：所述步驟一中，所用數據為GFS氣象數據，分辨率為0.25°×0.25°，時間分辨率為每小時。

3.根據權利要求2所述的基于WRF-LES和BP-PSO-Bagging相結合的風功率預測方法，其特征在于：所述步驟三中，BP-PSO-Bagging深度學習的建模過程為:

1)數據預處理：

1.1)將數據進行標準化處理，提高模型參數搜索速度；

1.2)采用EM算法進行缺失值填，保證數據質量；

1.3)采用IForest算法檢測出異常值，用KNN算法予以修正，保證模型穩定性；

2)集成學習：

2.1)基礎學習器的選擇：

選擇BP神經網絡作為Bagging的基礎學習器，BP神經網絡的優化過程采用Adam算法，激活函數采用Relu函數，工程化實現采用Tensorflow深度學習框架；

2.2)個體模型的生成：

首先，采用自助法抽樣算法來擾動數據樣本；其次，采用以下兩步來擾動輸入特征：a,利用特征重要性將各個特征標注上概率屬性，特征重要性可采用決策樹類模型給出；b,再根據概率屬性進行輪盤賭抽樣M次，形成M維特征子集作為一個訓練用樣本集合；

2.3)個體模型的選擇：

首先，從生成的每個個體模型結果中獲取每個模型的預測結果；其次，利用聚類算法Kmeans將所有個體模型根據預測結果劃分為若干組，從每個組中選擇精度最高的一個或幾個模型作為候選模型；

2.4)個體模型的集成：

選擇加權平均的方式對選擇好的多個個體模型進行集成，其中對于加權平均中的權值選擇采用PSO算法優化得到。