[發(fā)明專利]一種基于mBLS的聯(lián)合在線自適應參數尋優(yōu)風速預測方法

在審

• 申請?zhí)枺?/td>: 202210929416.6
• 申請日: 2022-08-03
• 公開（公告）號: CN115169248A
• 公開（公告）日: 2022-10-11
• 發(fā)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

本發(fā)明屬于風電技術領域，具體公開了一種基于mBLS的聯(lián)合在線自適應參數尋優(yōu)風速預測方法，該方法基于幾種在線單一預測模型，通過設計訓練集更新迭代方法和自適應參數優(yōu)化過程以確保單模型的實時在線預測能力；通過優(yōu)化BLS原有的系統(tǒng)結構，設計了mBLS網絡模型，多通道窗口被合并到輸入層中，同時保留了原始BLS快速訓練的優(yōu)勢，mBLS中每個特定的輸入通道都是由相應的單模型的基礎數據特征和預測結果構成的。多模型組合預測大大提高了預測的精度和穩(wěn)定性，BLS的偽逆求解方式保證了模型的快速性和在線學習能力，自適應參數尋優(yōu)保證了模型的實時最優(yōu)，實現(xiàn)了模型長期使用的穩(wěn)定性，非常適合于風電場實時短期風速預測場景，具有較強的實用性和理論性。

技術領域

本發(fā)明屬于風電技術領域，具體涉及一種基于mBLS的聯(lián)合在線自適應參數尋優(yōu)風速預測方法。

背景技術

風力發(fā)電是新能源發(fā)電的重要組成部分之一。據統(tǒng)計，截至2020年底，世界風電總裝機容量接近742GW，年增長率為14.15％。然而，由于風速的不確定性和隨機性，風力發(fā)電的輸出是不穩(wěn)定的，這對并網、風電場配電和風機穩(wěn)定控制都有嚴重的不利影響。風速預測可以提前預測風速的變化，以提高風電機組控制的準確性，優(yōu)化配電，改善風電質量，并便于并網管理。因此，準確及時的風速預測對風電場至關重要。從預測時間的劃分上，風速預測可分為長期風速預測和短期風速預測。

長期風速預測通常為區(qū)域級，由當地氣象局根據數值天氣預報(NWP)進行計算。NWP是一個天氣預報系統(tǒng)，專門預測氣象信息，如風速、濕度、氣壓，考慮到許多氣象特征。它更適用于時間尺度相對較大的中期和長期預報以及包括風速在內的區(qū)域天氣預報。然而，NWP沒有考慮地理信息的可變性和跨區(qū)域尾流效應。由于數據采集空間粒度較大，數據采集的時間間隔不能滿足短期預測的要求，不適合短期風速預測。

發(fā)明內容

針對上述問題，本發(fā)明提出了一種基于mBLS的聯(lián)合在線自適應參數尋優(yōu)風速預測方法。BLS是一種高效的隨機向量函數連接神經網絡，它不需要通過梯度下降來更新網絡權值，而是采用偽逆。對于單個預測模型的構建，采用了魯棒性強、精度高、預測邏輯不同的SVR、BLS和XGBoost模型。利用BLS的多輸入窗口結構，將原始輸入特征與不同單模型的預測結果進行融合。此外，通過在mBLS窗口中輸入不同的單模型預測，對模型進行重新預測。在保持穩(wěn)定性的基礎上提高了預測性能。對于數據集，SCADA是風力發(fā)電系統(tǒng)的數據采集系統(tǒng)。基于SCADA或其他小時間尺度監(jiān)測系統(tǒng)的數據驅動方法在短期風速預測方面發(fā)揮著巨大作用。有效的性能和在線學習能力對于實時風速預測至關重要。

本發(fā)明的目的通過以下的技術方案實現(xiàn)：

一種基于mBLS的聯(lián)合在線自適應參數尋優(yōu)風速預測方法，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，前s步就是當前時刻融合歷史數據的步長；

2)通過mBLS網絡將基于聯(lián)合模型預測的結果給出更魯棒更精準的風速預測結果，其中，所述mBLS是在基于原始BLS網絡的基礎上通過增加輸入通道擴大模型的數據攝入能力；

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