[发明专利]一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法

说明书

本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，将采集到的的数据划分为两个数据集，分别作为迁移学习的目标风电场和源风电场，首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分，然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型，最后采用特征选择的方法对多层级深度迁移学习模型进行优化，通过该方法预测可以减少数据训练规模，避免数据过度拟合，具有推广价值。

技术领域

本发明涉及一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，属于新能源功率预测领域。

背景技术

随着风电装机容量的逐年递增，风力发电成为有力的新能源发电手段，因此风力发电的问题与日益增长的电力需求之间的矛盾日益突出。风力发电的随机性和不稳定性对于风电并网带来了难题，因此对于风功率预测的需求不断增长。

由于风电场实际运行中需要不断地改造，维护，并且风电并网运行时间短，因此风电运行的数据累计较少，对于需要大量数据进行预测的网络模型的预测精度造成了较大影响。此外，浅层神经网络对于复杂信息的处理效果较差，因此，风电场短期功率预测仍需较大提高。

通过构建多层级深度迁移学习可以针对不同类型的数据展开学习，因此其对于捕捉复杂数据间的内在联系表现更加突出，基于特征选择，可以有效剔除冗余数据，减少数据处理的复杂性，提高数据的有效程度。

发明内容

本发明的目的是提供一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，以解决上述背景技术中存在的问题。

本发明的目的由以下技术措施实现：

一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，包括以下步骤：

S1：采集风电场数据，用于数据划分和相关性分析；

S2：建立多层级深度迁移学习模型：将已划分相关性程度的数据按照相关性由弱到强的顺序依次训练BP神经网络预测模型的隐含层，直至相关性最高的数据被用于训练；

S3：在多层级深度迁移学习模型的基础上，对每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，选取与目标领域相关的特征迁移至下一层级，将每层选取的特征迁移输入对应的BP神经网络预测模型中同相关性程度的数据一起训练，直至相关性最高的数据用于训练；

S4：通过目标风电场数据对得出的BP神经网络预测模型参数进行参数调整和模型检验，得到最终的预测模型。

进一步地，S1的具体步骤包括：

S1.1：采集风电场时间步长15min，连续600天的数据；

S1.2：将采集到的的数据划分为两个数据集，其中10％的数据作为迁移学习的目标风电场数据，90％的数据作为迁移学习的源风电场数据；

S1.3：基于目标风电场的少量数据建立预测模型，用该模型对源风电场数据进行评估，基于评估结果与是实际功率进行相关性分析，按照相关性程度将对源风电场的数据进行数据划分；

S1.4：将目标风电场前300天的数据丢弃，保留后300天的数据，以此构建迁移学习场景；

S1.5：将目标风电场保留的后300天的数据进行数据划分，其中前100天的数据用于迁移学习模型的训练，后200天的数据用于迁移学习模型的测试；

进一步地，S2的具体步骤包括：

S2.1：基于相关性程度高低，以0.01作为数据步长，将源风电场数据的相关性由弱至强的方式进行划分为多组相关性不同的源域数据；