[发明专利]基于迁移学习的风电功率概率预测方法

权利要求书

1.一种基于迁移学习的风电功率概率预测方法，其特征在于：包括如下步骤：

S1、通过迁移算法对历史时段和未来时段的风电数据进行划分构建多层极限学习神经机；

S2、通过粒子群算法对多层极限学习神经机的输出层的映射参数进行优化；

S3、通过权重优化方法对历史时段的多层极限学习神经机的训集生成权重数据集；

S4、通过权重数据集采用特征迁移算法对未来时段的多层极限学习神经机的权重更新；其中：

在未来时段的多层极限学习神经机的权重更新过程中，以历史时段的权重数据集为源域，以未来时段的风电出力统计特性为目标域，利用联合分布适配算法最小化历史时刻与未来时刻风电出力统计特性之间的差异，从而实现不同出力特性下多层极限学习机的权重更新。

2.根据权利要求1所述的一种基于迁移学习的风电功率概率预测方法，其特征在于：所述步骤S1中所述多层极限学习神经机构建过程：

步骤2.1选取某风电出力时段；

步骤2.2获取源域与目标域；

定义s s＝1,2,…,表示不同的阶段，则第s阶段的源域为第s-1阶段中已构建的神经网络的结构与参数，第s阶段的目标域为新构建的隐含层的权重；

步骤2.3训练目标域网络参数；

定义α_h h＝1,2,…,H代表不同的分位数水平，x_i∈Rⁿ与y_i∈R分别代表训练数据集的输入与输出，i＝1,2,…,N代表样本标号，则第s阶段的参数训练过程如式(5-1)和(5-2)所示：

其中，β^j_s,h j＝1,2,…,J代表阶段s中针对分位数水平α_h的第j个神经元的权重，β_s,h＝[β¹_s,h,β²_s,h,..,β^J_s,h]∈R^J，J代表隐含层神经元个数；ψ^i,j_s-1,h代表针对样本i、α_h分位数水平的从s-1阶段的第j个神经元迁移到s阶段的知识ψⁱ_s-1,h＝[ψ^i,1_s-1,h,ψ^i,2_s-1,h,…,ψ^i,J_s-1,h]∈R^J；w代表迁移率；μ^j_h∈R为初始极限学习机的第j个隐含层神经元针对分位数水平α_h的权重，μ_h＝[μ¹_h,μ²_h,…,μ^J_h]；a_j∈Rⁿ为初始极限学习机的输入层到隐含层第j个神经元的条件参数a＝[a₁,a₂,…,a_J]。b_j∈R表示隐含层第j个神经元的偏置值，b＝[b₁,b₂,…,b_J]；δ(.)表示激活函数；g(.)代表迁移核函数，包括全连接型核函数、融合型核函数、映射型核函数，如式(5-3)所示：

其中，f(.)代表极限学习机的映射函数，如式(5-4)所示：

步骤2.4判断是否满足终止条件，

在第s阶段迁移结束后，判断是否满足式(5-5)：

其中，ξ(s)代表第s阶段的分位数回归结果，Δ代表终止条件；

若不满足，则回到步骤2.2，进行下一阶段迁移；

若满足，则进入步骤2.1，对下一时段的风电出力数据构建多层极限学习机。