[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

摘要

本发明公开了一种基于深度神经网络迁移模型的短期风速预报方法，包括(1)首先对两个以上风电场的数据进行归一化预处理和样本集的划分，(2)构建深度神经网络迁移模型，(3)采用无监督学习自底向上开始分层训练；(4)基于步骤三进一步进行自顶向下的有监督学习；(5)对顶层与隐层连接的权值参数进行微调得到深度神经网络中对应每个风电场的输出层；(6)对该深度神经网络输出的结果进行反归一化得到风速的预测值。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。

主权项

一种基于深度神经网络迁移模型的短期风速预报方法，其特征在于，包括以下步骤：步骤一、设定数据集纪录的均是以十分钟为间隔的风速数据，首先对两个以上风电场的数据进行最大最小值归一化预处理；将预处理后的数据划分为以天为单位的数据样本集，并作为深度神经网络迁移模型的输入，其中第i时刻的样本的特征向量为144维的风速向量：xi＝(xi‑143,xi‑142,…,xi‑1,xi)，该深度神经网络的输出为该样本之后的8个小时的风速预测数据，即48维的风速向量：yi＝(xi+1,xi+2,…,xi+47,xi+48)，其中xi为第i时刻的风速；步骤二、构建深度神经网络迁移模型，其中，输入层为上述风电场处理后的一天数据序列，隐层为两个堆积的降噪自动编码机，输出层为未来8小时预测的风速数据序列；步骤三、采用无监督学习自底向上开始分层训练，得到各隐层连接的初始权值参数；步骤四、基于步骤三得到的各隐层连接的初始权值参数进一步通过自顶向下的有监督学习对该深度神经网络进行再训练，从而得到微调后各隐层连接的权值参数，该步骤中所使用的是所有数据集的有标签数据；步骤五、初始化顶层与隐层连接的权值参数，然后使用各个风电场的有标签数据分别对顶层与隐层连接的权值参数进行微调，得到深度神经网络中对应每个风电场的输出层，即每个风电场预测的风速序列；步骤六、对该深度神经网络输出的结果进行反归一化得到之后8个小时风速的预测值，并根据预测值和真实值计算预测误差。