[发明专利]一种应用于风电场风速的深度神经网络预测方法

权利要求书

1.一种应用风电场风速的深度神经网络预测方法，其特征在于，包括：

步骤1：设定风电场，并对风电场的风速预测设定一个总目标代价函数；

步骤2：从风电场历史数据集中提取与风速相关的数据作为模型训练的输入输出备用样本集，采用基于互信息的特征选择方法从备用样本集中确定合适的输入输出数据作为样本集；

步骤3：对确定的输入输出样本集的数据进行归一化处理；

步骤4：设定堆叠自编码器的结构，选取输入数据集作为模型的输入，采用梯度下降法对各自编码器进行训练，代价函数采用欧式距离函数；

步骤5：设定长短期记忆网络结构，利用堆叠自编码器的输出数据作为长短期记忆网络的输入数据，采用梯度下降法对整个深度神经网络进行微调，代价函数采用欧式距离函数；

步骤6：对数据进行反归一化处理以产生所述深度神经网络的最终输出。

2.根据权利要求1所述的应用于风电场风速的深度神经网络预测方法，其特征在于，所述总目标代价函数为所述风电场中风速的拟合指标。

3.根据权利要求2所述的应用于风电场风速的深度神经网络预测方法，其特征在于，所述总目标代价函数为：

其中，K函数选取为欧式距离函数，即y表示所述风速的实际值，y^*表示深度神经网络模型的输出值；d表示样本数量，a、b分别表示实际值和输出值。

4.根据权利要求1所述的应用于风电场风速的深度神经网络预测方法，其特征在于，所述输入输出备用样本集的变量包括：风速历史值、环境温度、大气压力、环境湿度和风向。

5.根据权利要求4所述的应用于风电场风速的深度神经网络预测方法，其特征在于，对备用样本集采用基于互信息的特征选择方法进行变量选择，分别计算各备用样本集中变量和风速之间的互信息，互信息值小的变量不作为网络的输入，其中互信息的计算方法为：

I(a；b)＝H(a)+H(b)-H(a,b)

其中，I(a；b)代表变量a与变量b之间的互信息值，H(a)代表变量a的熵值，H(b)代表变量b的熵值，H(a,b)代表变量a和b之间的联合熵值，计算方法如下：

H(a)＝-∫p(a_i)log p(a_i)da_i

H(b)＝-∫p(b_j)log p(b_j)db_j

H(a,b)＝-∫∫p_joint(a_i,b_j)log p_joint(a_i,b_j)da_idb_j

其中，p代表变量的概率密度，p_joint代表变量与变量之间的联合概率密度。

6.根据权利要求4所述的应用于风电场风速的深度神经网络预测方法，其特征在于，采用堆叠自编码器和长短期记忆网络结合的方式构成深度神经网络模型，选取确定的样本集对网络进行训练。

7.根据权利要求1所述的应用于风电场风速的深度神经网络预测方法，其特征在于，所述堆叠自编码器是深层神经网络的一部分，其包括至少两个所述自编码器。

8.根据权利要求1所述的应用于风电场风速的深度神经网络预测方法，其特征在于，采用无监督算法对每一个所述自编码器进行预训练，之后采用有监督算法同时对堆叠自编码器和长短期记忆网络进行微调，其中：

无监督逐层预训练包括：

步骤1：将最底层的所述自编码器使用输入数据进行训练，从而获得所述隐含层的表示形式；

步骤2：将获得的所述隐含层表示作为训练更高层所述自编码器的输入数据；

步骤3：重复上述步骤1和步骤2，直到所有所述自编码器完成训练；

有监督微调包括：

经过上述无监督逐层预训练后，将所述长短期记忆网络添加到堆叠自编码器的顶部作为输出，以完成对整个网络的参数进行有监督微调。