[發明專利]一種基于mBLS的聯合在線自適應參數尋優風速預測方法

在審

• 申請號: 202210929416.6
• 申請日: 2022-08-03
• 公開（公告）號: CN115169248A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 郝楷;楊秦敏;李超;孟文超;楊楷翔;袁林松;林瑋;陳正東
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F17/18;G06N20/20;G06F111/08;G06F113/06;G06F113/08
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳昌榀

1.一種基于mBLS的聯合在線自適應參數尋優風速預測方法，其特征在于，包括以下步驟：

1)利用互信息準則結合二次相關系數法選擇特征變量；

1.1)對于目標風機的SCADA數據，通過互信息MI篩選大量與風速特征無關的變量；

1.2)計算剩余特征和風速特征的皮爾遜積矩相關系數M；

1.3)選擇風速絕對相關度大于0.7的所有特征作為候選特征；

1.4)使用成對的相關系數計算過濾后的特征，根據實際經驗，保留相關性大于0.9的兩個功能中的一個，另一個作為冗余功能刪除；

1.5)融合當前時刻前s步的歷史風速以及歷史SCADA特征信息作為模型的一條輸入；

2)通過mBLS網絡將基于聯合模型預測的結果給出更魯棒更精準的風速預測結果；

3)將三種單模型預測的結果輸入進mBLS網絡的多個輸入通道中，通過在線自適應參數尋優算法優化單模型參數，最終的輸出結果為mBLS的輸出。

2.根據權利要求1所述的一種基于mBLS的聯合在線自適應參數尋優風速預測方法，其特征在于，所述步驟2)中聯合模型包含的單模型分別為：SVR、XGBoost和BLS。

3.根據權利要求1所述的一種基于mBLS的聯合在線自適應參數尋優風速預測方法，其特征在于，所述步驟3)中提到的單模型自適應參數調優算法，在搜索的時候，以誤差百分比MAPE作為依據，在驗證集中尋找MAPE最低的參數，MAPE計算如下：

其中，n為數據個數，表示了當前時刻的預測值，y_i是當前時刻的真實風速。

4.根據權利要求1所述的一種基于mBLS的聯合在線自適應參數尋優風速預測方法，其特征在于，所述步驟3)中，所述mBLS網絡的具體結構和算法流程如下：

對于mBLS，假設X′是模型的輸入，X′不再是作為X的矩陣，而是一組矩陣，輸入的表達式如下所示：

其中X′表示一組所有輸入矩陣，總共有w，m表示樣本數，n表示特征數，s表示其他特征列；

對于每個輸入矩陣，根據原始的X′_m×n放大s列，如下公式所示：

其中，x表示矩陣中的每一行，x矩陣比原始BLS輸入矩陣多s列；

在預測任務中，采用單個模型的預測結果和之前的s步歷史信息融合來區分mBLS不同通道的輸入特征節點；

假設第j單個模型的輸出矩陣為Y_j，Y_j可以表示為如下的方程：

其中，Y是單模型輸出的歷史預測矩陣，y_t是時間t的預測值，每個輸入矩陣X將組合相應單個模型的預測結果，最后，多通道中的每個輸入矩陣可以表示為：

其中X_(m×n)表示原始BLS的輸入，而是重構輸入矩陣集X′中的輸入矩陣；

對于直接在特征窗口中生成的每個特征節點Z，節點的信息先前由隨機權重和隨機偏移指定；如下公式顯示mBLS的線性特征節點。

其中Z′表示mBLS的輸入線性特征節點，增強節點的計算方法與原始BLS一致，如下等式：

其中是MBL的增強節點表示，與原始的BLS結構相同。

5.根據權利要求1所述的一種基于mBLS的聯合在線自適應參數尋優風速預測方法，其特征在于，所述步驟2)中的組合模型預測中，多種單模型在輸入進mBLS網絡前，進行并行化處理，單模型預測彼此互不干預，以最長時間預測完的模型為最終預測時間，結束后一起輸入到mBLS組合預測。