[发明专利]一种基于深度极限学习机的风速预测方法及其系统和机组

摘要

本发明公开了一种基于深度极限学习机的风速预测方法及其系统和机组，属于风电机组领域。通过深度极限学习机的时间序列预测方法对风速值进行预测，包括：获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列；通过深度极限学习机的时间序列预测方法提取出训练样本数据集；预测模型的推导：从训练样本数据集中提取出与预测序列Q的最近邻作为重组样本，重组样本中对应单步预测时、多步预测时有单步特征和多步特征；分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练，并通过局部选取整合为一个预测模型；通过预测模型预测风速值Xt+s。本发明的方法具有较高的准确性和泛化性能，可改善预测性能及实时更新能力。

主权项

1.一种基于深度极限学习机的风速预测方法，其特征在于，为通过深度极限学习机的时间序列预测方法对某一未来时刻的风速值进行预测的方法，若现在时刻是t，需要预测某一未来时刻t+s的风速值Xt+s，包括如下步骤：1)获取风电机组发电过程中t时刻及其之前的一组历史观测数据序列如式(1)；X0,X1,…,Xk,…,Xt   (1)其中，式(1)中，X0、X1、Xk、Xt分别为等距离时间点△t对应的t0、t0+△t、t0+k△t、t时刻下的风速观察值；2)通过深度极限学习机的时间序列预测方法从历史观测数据序列中提取出若干组风速时间序列；若以预测模型所需历史数据的时间跨度q为提取区间，则风速时间序列Q＝[Xt‑q,...,Xt‑1,Xt]为用于预测时刻t+s的风速值Xt+s的预测序列，则：Xt+s＝G(Xt‑q,…,Xk,…,Xt‑1,Xt)   (2)其中，式(2)中，q为预测所需历史数据的时间跨度，G为预测模型或者预测函数，Xt‑q、Xk、Xt‑1、Xt分别为等距离时间点△t对应的t‑q、k、t‑1、t时刻下的风速观察值，即，Q＝[Xt‑q,...,Xt‑1,Xt]为预测模型的输入；并通过深度极限学习机的时间序列预测方法提取出时间点t‑s时刻及之前的若干组风速时间序列对应的训练样本，作为训练样本数据集；预测模型包括单步预测和多步预测；预测模型的推导：S1：取出预测序列Q，从训练样本数据集中提取出与预测序列Q最相似的k个样本作为重组单步训练样本，即Q的最近邻，再根据预测步数提取出k个重组样本对应的多步训练样本，将K个重组样本作为预测模型的输入；训练样本数据集中包括单步预测时、多步预测时的训练样本，提取Q的最近邻的方法是根据混合欧氏距离相似性度量方法对各训练样本的风速时间序列与预测预测Q进行计算得到，即重组样本中对应单步预测、多步预测有单步特征、多步特征；S2:预测模型训练：分别对单步特征和多步特征的多隐含层的DELM模型进行深度极限学习机训练，分别得到特征表达，并分别计算相应的权值，计算每层对应的单步特征和多步特征的权值加和，选取出权值最大的若干隐含层节点，对其提取出对应包含单步特征和多步特征的相关数据，包括隐含层输出、权重、偏置，并计算相应的权值，从而以DELM算法推导出预测模型；S3:在预测阶段，根据推导得到的预测模型计算预测风速值Xt+s。