[发明专利]一种基于深度神经网络迁移模型的短期风速预报方法

说明书

技术领域

本发明是以机器学习理论和统计学习理论为基础，通过构建基于深度神经网络的回归模型，在此基础上构建共享隐层的多输出的深度迁移模型，最后将此模型用于少数据风电场的短期风速预报。

背景技术

在风速预报方面，很多方法已经被提出。这些方法可被分为四类：1)物理模型；2)统计模型；3)空间相关模型；4)人工智能模型和其他新模型。物理模型使用物理因素、气象数据比如地形、压力和温度来估计未来的风速。它在长期预测中比较有优势，在短期预测中一般无法给出准确的结果。因此，它们经常只是预测的第一步，作为其他模型的辅助输入。统计模型基于风速序列的相关性，通过模型辨识与参数估计、模型检验等步骤建立预测模型，先描述历史风速序列的变化，再对未来的变化进行预测。传统统计模型等同于随机时间序列模型，常用的时间序列模型主要有：自回归模型(Autoregressive，AR)、移动平均模型(Moving Average Model，MA)、自回归移动平均模型(Autoregressive Moving Average Model，ARMA)和回归累计式移动平均模型(Regressive Integrated Moving Average Model，ARIMA)。另外一种统计方法是卡尔曼滤波法。它需要前一个风速的估计值和最近一个观测值，采用状态方程和递推的方法估计当前的风速值，它的解是以估计值的形式给出。同其他方法不同，空间相关模型需要考虑风电场以及与之相近几个地点的多组风速数据，运用几个地点风速之间的空间相关性，进行风速预测。该方法对原始数据收集量很大，因此较之其他方法困难，但由于预测过程中考虑的因素增多，所以预测效果较好。如今，随着人工智能和其他预测方法的发展，各种各样的新模型被提出。其中包括支持向量机(Support Vector Machine，SVM)、模糊逻辑方法、人工神经网络(Artificial Neural Network，ANN)等和一些组合预测方法。

但是，对于现有的解决方案，并没有涉及少数据的新建风电场的风速预测问题。拥有很少的数据，它不足以学习到一个很好的预测模型。这时，我们引入迁移学习(Transfer learning，TL)的概念。迁移学习是一种将一个环境中学到的知识用来帮助新环境中的学习任务的方法。它可以从其他领域迁移知识至目标领域，从现有数据迁移知识至将来的学习，有效地解决了数据少、更新快、学习过程耗时等问题。

另外，通过许多结果的比较，在短期风速预测单一方法中基于ANN的模型效果较好，但是之前的神经网络大多是浅层模型。2006年，Hinton等人提出深度学习(Deep learning，DL)的概念。在此之后得到了广泛的关注，并成功应用于计算机视觉、语音识别、自然语言处理等领域。深度学习通过组合低层特征形成更加抽象的高层表示，以发现数据的分布式特征表示。它解决了之前深层网络中非凸目标代价函数中普遍存在的局部最优值问题。三个技术造就了深度学习方法的成功，分别是大量的隐节点，更好的学习算法和更好的参数初始化技术。另外，深度结构非常适合于迁移学习，它能够提取高级抽象的特征，而一些这样的特征对于许多领域都适用。

基于深度神经网络的迁移学习已经在许多应用中取得了很好的效果。例如，字符识别，语义分类，多语言学习，图像分类等等。如何将这种模型适用于新风电场的短期风速预测问题是本发明要解决的关键问题。

发明内容

鉴于风速预测面临的挑战以及经典的神经网络存在的问题，本发明提出了一种基于深度神经网络的用于风电场的短期风速预报方法，本发明将深度学习引入到风速预测领域，具有很强的特征学习能力，可以提取到风速中隐藏的比较高级抽象的信息。本发明将迁移学习引入到风速预测领域，通过将其他数据丰富的风电场的知识迁移到目标风电场，有效地解决了新建风电场数据少的问题。通过有效的基于深度神经网络的迁移方案，大大的提高了目标风电场对于风速的预测精度。

本发明一种基于深度神经网络迁移模型的短期风速预报方法的技术方案是：该预报方法包括以下步骤：