[发明专利]基于小波分解和偏最小二乘回归算法的风速预测方法

权利要求书

1.一种基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，该方法包括以下步骤：

步骤1，将原始风速数据分为训练数据和测试数据两部分；

步骤2，将所述训练数据和所述测试数据分别进行归一化处理；

步骤3，用小波基函数db3对归一化后的训练数据和测试数据进行分解，用以得到频率不同的风速训练子序列和风速测试子序列；

步骤4，对分解后的每个风速训练子序列搭建基于偏最小二乘回归算法的深度信念网模型；

步骤5，在分解后的每个风速训练子序列中提取训练样本，训练所述基于偏最小二乘回归算法的深度信念网模型；

步骤6，在所述步骤4中产生的风速测试子序列中提取自变量测试样本和因变量测试样本；

步骤7，将从每个风速测试子序列中提取的自变量测试样本分别作为所述步骤5中训练好的基于偏最小二乘回归算法的深度信念网模型的输入，从而得到每个自变量测试样本对应的预测值；

步骤8，将每个自变量测试样本对应的预测值与每个自变量测试样本对应的因变量测试样本做差并取二范数，以此作为评价所述风速预测方法的量化指标。

2.根据权利要求1所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述步骤1还包括将来自于某实际风电场的以10分钟为采样时刻的连续7008个时刻对应的风速值分为两部分，将前6004个连续的采样时刻对应的风速值作为所述训练数据，将剩余的1004个连续的采样时刻对应的风速值作为所述测试数据。

3.根据权利要求1所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，在所述步骤2中采用对原始数据进行归一化处理。

4.根据权利要求1所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述基于偏最小二乘回归算法的深度信念网模型包括输入层、隐含层1、隐含层2和输出层。

5.根据权利要求1或4所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述输入层有4个神经元节点，所述隐含层1和所述隐含层2各有10个神经元节点，所述输出层有1个神经元节点。

6.根据权利要求1所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述步骤5选取训练样本的方式为：依次将第4个时刻至第6003个时刻看作当前时刻k，取当前时刻k，k-1，k-2，k-3这四个时刻对应的风速值作为自变量训练样本，将k+1时刻的风速值作为上述自变量训练样本对应的因变量训练样本。

7.根据权利要求1所述的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述步骤5所述的基于偏最小二乘回归算法的深度信念网的训练分为无监督训练和有监督训练。

8.根据权利要求1的基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，其特征在于，所述步骤6选取测试样本的方法与选取训练样本的方法相同。