[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

说明书

本发明公开了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，通过将采集自某实际风电场的原始数据进行清洗、分类和归一化处理后用小波基函数db3对归一化的各部分数据进行分解，使两部分数据各自产生一系列不同频率的子序列。对训练数据分解后所产生的各个频率子序列分别建立以偏最小二乘回归算法为有监督训练算法的深度信念网模型，并在训练数据分解后所产生的各个频率子序列中提取样本用来训练以上建立的深度信念网模型从而得到具有最优参数的风速预测模型。较现有的技术，本发明所涉及的方法在预测风速时不仅易于实现，而且取得更高的预测精度。

技术领域

本发明属于风电场风速预测领域，涉及一种深度学习预测模型，具体涉及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。

背景技术

从风电场的角度来看，准确的风速预测不仅是调度管理的任务，也是日益增长的风电市场的要求；风速的准确预测是风电场制定发电计划，参与电力市场竞价的前提，也是增强发电系统可控性和鲁棒性的必要条件。

目前应用于风速预测的方法主要有持续性算法、空间关联系数法、模糊估计法、线性预测法、离散希尔伯特法。此外，因人工神经网络表征以大数据为背景的输入和输出间复杂的非线性映射关系这一强大本领，使得与其相关的模型方法被广泛应用于风速短期预测中。近年来，随着机器学习的兴起，机器学习的众多方法被有效地应用于风速预测领域，如自适应神经模糊推断系统、支持向量机、卡尔曼滤波器等，亦或是以上两种及两种以上方法的综合。自深度学习的概念及相关的算法和模型被提出后，许多基于深层神经网络的预测模型如自动编码器，深度信念网和深层波尔茨曼机等模型被广泛地应用于解决非线性预测问题中，较传统方法取得了更精确的预测结果。

中国专利CN201711137575.8公开了一种基于完备总体经验模态分解和深度信念网络的风速预测方法，其通过将采集到的原始风速数据进行预处理及归一化处理，用完备总体经验模态分解对归一化处理后的数据进行分解，建立深度信念网络预测模型，将各频率子序列分别代入所建立的深度信念网络模型，利用BP神经网络进行有监督学习，采用梯度下降法对网络权值参数不断进行调整，从而实现风速预测的预测误差最小化。

现有技术和方法除了在解决风速预测问题时的精度还有待提升外，梯度下降法作为众多深层神经网络方法的微调参数算法，在神经网络层数或神经元个数变多时，存在梯度扩散的弊端。

发明内容

为此，本发明提供了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，用以解决由于风速的高度随机性而导致的预测模型精度下降的问题。

为实现上述目的，本发明提供了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，该方法包括以下步骤：

步骤1，将原始风速数据分为两部分，一部分作为训练数据，一部分作为测试数据；

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，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。