[发明专利]一种基于深度置信网络分类方法的风功率爬坡预测方法

权利要求书

1.一种基于深度置信网络分类方法的风功率爬坡预测方法，其特征在于，包括以下步骤：

步骤1，建立指定区域内基于数值天气预报数据的大风爬坡天气特征分析的特征指标参数库，收集表征大风爬坡天气的特征指标量，表征大风爬坡天气的特征指标量由参数类型决定，所述参数类型包括：稳定度指标、热力指标、动力学指标以及热力/动力综合指标；模型的建立针对指定区域的采样，采样后建立参数指标库；所述稳定度指标、热力指标、动力学指标以及热力/动力综合指标中，各个指标包括的对流参数如下：

所述稳定度指标包括最佳对流有效位能参数；所述热力指标包括沙氏指数和K指数；所述动力学指标包括密度加权平均垂直风切变和涡生参数；所述热力/动力综合指标包括风暴强度指数和理查德逊数；通过表征大风爬坡天气的特征指标量，建立大风天气判别分析模型，模型的采样时间为每15分钟一次，且按数值天气预报每六个小时跟踪修正一次，判别函数值按照判别准则进行分类，并结合历史统计值进行统计检验；

步骤2，根据步骤1所建立的爬坡气象特征分析的参数指标库，运用数值分类方法在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型，所述判别方法是基于深度置信网络进行分类分析模型建立；深度置信网络即运用数值分类方法，在指定区域范围内建立用特征指标量判别分析导致风功率爬坡的爬坡气象分类模型；

步骤3，根据步骤2所运用到的数值分类方法在对爬坡气象分类模型建立后根据历史数据训练模型的参数，模型参数训练方法结合的是玻尔兹曼机，并计算出爬坡气象分类结果，具体方法是：

深度置信网络的相邻两层构成玻尔兹曼机，网络权值的调整方式采用从底向上的方向；权值调整的过程，即是优化如下能量函数：

E(x,h)＝-b′x-c′h-h′Wx-x′Ux-h′Uh

其中，h为潜变量；x为输入向量；b,c,W,U为权值矩阵；b′,c′,x′,h′为对应转置矩阵；为了优化该能量函数，采用梯度下降的方法：

其中，v⁰,为神经元状态值；为潜变量状态值；为权值；p为状态函数；

在使用梯度下降法取得能量极小值之后，可以得到对称的权值矩阵W₀；最后根据输入向量x，由玻尔兹曼机的输出可以得到潜变量h，即是需要的低维数据；

步骤4，根据步骤3所运用到参数训练结果及爬坡气象分类结果，进一步结合气象类型历史数据所对应的气象模板，补充缺失的爬坡气象数据，所涉及的方法是参数模板法。

2.根据权利要求1所述的一种基于深度置信网络分类方法的风功率爬坡预测方法，其特征在于，所述步骤2中，深度置信网络基于以下定义：

深度置信网络是—个多层网络，包含多个可见层和隐层；该网络的每一层都是由若干个神经元组成，这些神经元中，两个相邻层级的神经元之间有连接关系，同一层内的神经元没有连接关系；

深度置信网络的每个神经元采用logistic函数决定输入与输出之间的关系：

其中，s_i,s_j为神经元的开断状态；ω_ij为神经元之间的连接权值；b_i为偏置量；p为状态函数。

3.根据权利要求1所述的一种基于深度置信网络分类方法的风功率爬坡预测方法，其特征在于，所述步骤4中，结合气象类型历史数据所对应的气象模板，补充缺失的爬坡气象数据；参数模板法是将强对流天气的特征向量及特征曲线组成参数模板，将判别出的爬坡气象与参数模板库相对应，确定爬坡气象的类型并按照对应的特征曲线修正原始气象数据。

4.根据权利要求3所述的一种基于深度置信网络分类方法的风功率爬坡预测方法，其特征在于，所述步骤4中，参数模板法的判别过程包括：

步骤4.1、特征向量提取分析：特征向量的取值类型有取值范围和取值点两类，引入特征向量：X＝{x₁,x₂,…,x_n},Y＝{y₁,y₂,…,y_n}，分别代表输入和输出；对强对流爬坡天气识别时，n的取值为6；输出的特征向量分别是这6个输入向量的贴近度；

步骤4.2、类型识别：根据特征向量的取值类型有取值范围和取值点两类选择执行以下步骤：

选择步骤1，当选用柯西型隶属度函数时，可建立数学模型：

式中：d_imin、d_imax分别为爬坡气象第i个特征参数最小和最大取值；σ_i为第i个特征参数的展度；

选择步骤2，若输入参数的取值无模糊性，数学模型为：

式中：d_i为爬坡气象第i特征参数所有可能的取值；

若输入参数有模糊性，设爬坡气象的第i个特征参数可能有N个取值；当选用柯西型隶属度函数时有：

式中：为爬坡气象在第i个特征参数上第m个取值，m＝1,2,…,N；为爬坡气象在第i个特征参数第m个取值上的贴近度；

由于输入数据是以不同的贴近度贴近于某些爬坡气象类型的若干特征参数值，可借助“软分类”的思想，令小于某一阈值的贴近度为零；将这一贴进度进行模式判别，令总类型为B，分类类型为B_i，有爬坡气象在第i特征参数上的贴近度取所有的最大值，即：

步骤4.3、结果输出：综合选择步骤1和选择步骤2两种情况，与某类爬坡气象的相似性可采用向量范数法，即若存在R∈B，使得：

按照最贴近原则可判决待识别爬坡气象属于第R类。