[发明专利]一种基于改进DBN的风功率组合预测方法

说明书

本发明公开了一种基于改进DBN的风功率组合预测方法，涉及风功率预测技术领域，包括以下步骤：步骤1，训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型，步骤2，根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型，计算各单一方法对应的权重系数，得到组合预测模型的风功率预测结果，步骤3：判断是否满足预测时间，若是则结束运行，否则执行步骤4，步骤4：使用滑动窗口，添加新生成的数据并删除最旧的数据，对DBN模型重新进行训练，本申请提出改进的DBN模型，在RBM中加入高斯函数，使风功率预测精度高于传统的DBN模型，自适应学习步长技术的应用进一步提高了系统的精度。

技术领域

本发明涉及风功率预测技术领域，具体为一种基于改进DBN的风功率组合预测方法。

背景技术

随着化石能源消耗和环境污染的加剧，可再生能源的有效利用成为必然趋势。风能作为最有发展前景的可再生能源之一，在电力系统中的应用越来越广泛。截至2018年，全球风力发电装机容量已达644.5GW，比去年增长17.4％。风力发电预测的准确性直接影响到电网的安全。然而，风力发电的随机性和间歇性给其预测带来了困难，这对现代电力系统提出了挑战。因此，需要开发一种准确的风力发电预测方法来辅助电力系统的经济调度。

风力发电预测方法的主要类别包括统计方法、物理方法和空间相关性。常用的统计方法有自回归移动平均模型(ARIMA)、高斯过程(GP)、人工神经网络法(ANN)、支持向量机(SVM)等。基于数值天气预报(NWP)数据和风速—功率曲线的物理方法是一种间接预测方法，可以解决数据不足等问题。空间相关法(SC)通常通过相邻风电场的气象信息对目标风电场进行分析，当目标风电场数据不足的情况下，对提高预测精度具有重要作用。

然而，风功率预测影响因素众多，非线性关系复杂，人工神经网络、支持向量机等属于浅层模型，对复杂函数的表达能力有限。深度信念网络模型由多个受限玻尔兹曼机(RBM)堆叠而成，具有深层非线性网络结构。可以用来解决复杂非线性问题，但是目前已有研究往往直接将数据输入到深度学习网络的底层结构中，然而在输入多维气象数据时，每一个气象因素的输入数据是一个连续输入的过程，若采用传统的深度信念网络，会造成在连续输入时信息丢失的问题，导致预测精度下降，这是因为传统深度信念网络的可见层必须为二值分布。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进DBN的风功率组合预测方法。

本发明的目的是通过以下技术方案来实现的：

一种基于改进DBN的风功率组合预测方法，包括以下步骤：

步骤1，训练并建立基于高斯—伯努利受限玻尔兹曼机改进的DBN风功率预测模型，

步骤2，根据改进的DBN风功率预测模型模型、NWP数据、主成分分析法、基于空间相关法的风功率预测模型建立组合预测模型，计算各单一方法对应的权重系数，得到组合预测模型的风功率预测结果。

进一步的，所述步骤1包括以下子步骤：

步骤1.1，输入合适的训练集和验证集，

步骤1.2，选择长度为L的滚动数据集，

步骤1.3，确定改进DBN模型的网络结构，

步骤1.4，选取DBN模型的参数，

步骤1.5，训练并建立DBN模型。

进一步的，所述步骤1.3中确定改进DBN模型的网络结构包括以下内容：

在RBM中加入高斯函数，提出高斯-伯努利受限玻耳兹曼机GBRBM，GBRBM的能量函数表示为：