[发明专利]基于生成型深信度网络的超短期风速多尺度预报建模方法

摘要

基于生成型深信度网络的超短期风速多尺度预报建模方法，涉及一种超短期风速的多尺度预测建模方法。为了提高短期风速多步预测的精度，本发明首先利用t层小波分解处理风速数据得到t+1段不同频率下的风速序列；针对不同频率下的风速序列分别构建训练集，基于DBN网络回归算法训练多输入多输出DBN回归预测模型，并利用相应测试集测试训练效果，分别得到不同频率下的预测模型；将不同频率下的预测模型的预报值进行小波重构，得到风速的实际预测值，实现对风电场实际风速的预测。本发明适用于超短期风速多尺度预报领域。

主权项

1.基于生成型深信度网络的超短期风速多尺度预报建模方法，其特征在于包括以下步骤：步骤1、记风速时间序列(X1,X2,...,Xk,Xk+1,...,Xk+l)为样本点集，长度为k+l；利用t层小波分解处理风速数据，得到t+1段不同频率ct,d1,d2,...dt下长度均为k+l的风速序列；ct表示低频分量，d1,d2,...dt表示高频分量；步骤2、构建训练集及测试集：构建低频分量ct下的训练集及测试集：低频分量ct序列表示为(x1,x2,...,xk,xk+1,...,xk+l)，将(x1,x2,...,xk)作为训练样本点，通过训练集构建规则构建训练集，其中训练集的输入数据维度为m，训练集的输出数据维度为n；将(xk+1,...,xk+l)作为测试样本点，通过测试集构建规则构建测试集，其中测试集的输入数据维度为m，测试集的输出数据维度为n；高频分量与低频分量ct下的训练集及测试集构建规则一致，按照低频分量ct下的训练集及测试集构建规则，分别在d1,d2,...,dt高频分量层上建立训练集及测试集；步骤3、针对不同频率下的各组训练集，基于DBN网络回归算法，学习得到输入序列和输出序列之间的映射关系，分别训练多输入多输出DBN回归预测模型，并利用相应测试集测试训练效果；重复上述内容，得到不同频率ct,d1,d2,...dt下的预测模型；步骤4、将不同频率ct,d1,d2,...dt下的预测模型的预报值进行小波重构，得到风速的实际预测值，实现对风电场实际风速的预测；步骤2所述的构建低频分量ct下的训练集及测试集的具体过程如下：步骤2.1、低频分量ct序列可表示为(x1,x2,...,xk,xk+1,...,xk+l)，将(x1,x2,...,xk)作为训练样本点，将(xk+1,...,xk+l)作为测试样本点；步骤2.2、从训练样本点(x1,x2,...,xk)中的第1个数据x1开始，将连续的m个数据作为第1组样本的输入数据(x1,x2,...,xm)；将训练样本点中xm之后连续的n个数据作为第1组样本的输出数据(xm+1,xm+2,...,xm+n)；然后，从训练样本点(x1,x2,...,xk)中的第2个数据x2开始，将连续的m个数据作为第2组样本的输入数据(x2,x3...,xm+1)；将训练样本点中xm+1之后连续的n个数据作为第2组样本的输出数据(xm+2,xm+3,...,xm+n+1)；依次进行到第k‑n‑m+1组，得到第k‑n‑m+1组样本的输入数据(xk‑n‑m+1,xk‑n‑m+2,...,xk‑n)和输出数据(xk‑n+1,xk‑n+2,...,xk)；最终构造成k‑n‑m+1个m维的训练集的输入数据和k‑n‑m+1个n维的训练集的输出数据；步骤2.3、从测试样本点(xk+1,...,xk+l)中的第1个数据xk+1开始，将连续的m个数据作为第1组样本的输入数据(xk+1,xk+2,...,xk+m)；将测试样本点中xk+m之后连续的n个数据作为第1组样本的输出数据(xk+m+1,xk+m+2,...,xk+m+n)；然后，从测试样本点(xk+1,...,xk+l)中的xk+m+1开始，将连续的m个数据作为第2组样本的输入数据(xk+m+1,xk+m+2,...,xk+2×m)；将测试样本点中xk+2×m之后连续的n个数据作为第2组样本的输出数据(xk+2×m+1,xk+2×m+2,...,xk+2×m+n)；依次进行到第p组，得到第p组样本的输入数据(xk+(p‑1)×m+1,xk+(p‑1)×m+2,...,xk+p×m)和输出数据(xk+p×m+1,xk+p×m+2,...,xk+p×m+n)；最终构造成p个m维的测试集的输入数据和p个n维的测试集的输出数据。