[发明专利]基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法

权利要求书

1.一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法，其特征在于，包括以下步骤：(1)首先对原始特征数据库中的多维数值天气预报NWP数据和风电场历史功率数据进行预处理；(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化；(3)采用SDAE对输入数据做特征映射；(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C，g为SVR模型中核函数半径，C为SVR模型中惩罚因子；(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测，最后输出优化后的预测结果。

2.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法，其特征在于：步骤(2)采用BA算法对SDAE的隐含层数和隐含层节点数进行优化，具体步骤为：

(2.1)初始化蝙蝠算法各项参数值；

(2.2)计算初始蝙蝠种群中每个蝙蝠的适应度fitness；

(2.3)在每次迭代中，对于单元蝙蝠生成随机数rand1，若rand1R(i)，R(i)为第i只蝙蝠的脉冲发射率，则选择当前最佳解对第i只蝙蝠进行局部扰动，否则判断是否接受扰动后的解为新解。判断依据为：计算扰动后第i只蝙蝠的新适应度，若新适应度优于自身最优适应度或随机数rand2A(i)，A(i)为第i只蝙蝠的脉冲响度，就用扰动后的新位置替换旧位置进行储存也就是更新A(i)和R(i)，否则再次进行rand1与R(i)比较；

(2.4)检索本次迭代过程中是否存在单元蝙蝠的适应度优于全局最优适应度，若存在，更新当前种群中蝙蝠的速度和位置，否则跳到步骤(2.6)；

(2.5)更新响度和脉冲频率；

(2.6)判断是否满足迭代终止条件；

(2.7)如果是，输出最优训练参数，否则重新回到步骤(2.2)。

3.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法，其特征在于：步骤(3)采用SDAE对输入数据做特征映射具体步骤为：使用步骤(1)预处理得到的数据输入到BA优化后的堆栈去噪自编码器，从高维特征数据中抽象处理得到低维特征数据。

4.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法，其特征在于：步骤(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C，g为SVR模型中核函数半径，C为SVR模型中惩罚因子；具体步骤为：

(4.1)设定SVR模型中参数g和C的取值范围；

(4.2)将BA算法中的相关参数初始化；

(4.3)计算BA种群中各蝙蝠的适应度fitness，各蝙蝠所在位置的横坐标、纵坐标的值分别为C,g，每一个(C,g)的取值代表一种状态，相当于二维平面的横纵坐标，选取训练集进行训练和测试，适应度fitness能够体现风功率预测的准确率；

(4.4)更新蝙蝠的位置和速度，计算适应度fitness，若得到的新适应度优于原适应度，则更新的位置为最优位置，否则跳到步骤(4.6)；

(4.5)更新适应度、脉冲音量和脉冲波发射率；

(4.6)判断是否满足迭代终止条件，是继续步骤(4.7)；否则回到步骤(4.4)；

(4.7)输出最优位置及其对应的适应度,此时，最优位置的横坐标、纵坐标值为惩罚因子C和核函数半径g的最优值；

(4.8)利用寻优后的SVR模型的核函数参数g以及惩罚因子C构建优化的BA-SVR预测模型。

5.根据权利要求3或4所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法，其特征在于：最后再将得到的低维特征数据输入到蝙蝠算法优化过的SVR模型中进行预测，输出预测结果。