一种基于非线性集成深度学习的短期风速预测方法技术

本发明专利技术提供了一种基于非线性集成深度学习的短期风速预测方法，包括如下步骤：将采集得到的历史风电场风速数据进行归一化处理；初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；基于处理后的数据，利用初始化后的LSTM网络群进行时间序列预测，产生不同的风速预测序列；将所述风速预测序列传递至支持向量回归机SVM；通过粒子群优化算法PSO优化得到SVM的参数；风电场短期集成风速预测的结果由PSO优化后的SVM给出。本发明专利技术方法充分挖掘隐藏在风速时间序列下的非线性关系，大大提升了风速预测准确性和精确性，同时还具备更强大的学习能力、泛化能力和鲁棒性能，可大规模应用于风电场风速预测。

【技术实现步骤摘要】
一种基于非线性集成深度学习的短期风速预测方法
本专利技术属于新能源风能、时间序列预测、机器学习、数据挖掘
，特别是涉及一种基于非线性集成深度学习的短期风速预测方法。
技术介绍
随着全球生态环境破坏和气候变暖的日益严重，世界各国开始不断地开发新能源技术以解决这一问题，具体包括太阳能发电、风能、潮汐能和热能等。中国作为世界能源的需求大国，迫切需要提升新能源技术来解决全球能源危机和环境治理难题，以建立绿色、环保和安全的能源供应系统。在近年来的新能源技术中，风能相较于太阳能和潮汐能等其他能源是一种更加清洁绿色的可再生能源，而且具有资源量丰富、分布范围广、转能技术成熟和开发规模大等优点。但是，自然界产生的风速会极大地影响风电场风能功率的产生，而且风速的变化往往具有很强的不可控性和随机性。为减小风电场产生的风能对电网运行的影响和保障电网的供电质量，如何对风电场风速实施可靠的精确预测就变得十分重要。目前的风速预测方法可以分为3大类：物理模型方法、统计模型方法和人工智能方法。物理模型方法是一类简单直接的方法，其利用一些可获取的物理信息量输入至相应的数学公式进行预测，物理信息量包括大气压强、温度本文档来自技高网...

【技术保护点】
1.一种基于非线性集成深度学习的短期风速预测方法，其特征在于，包括如下步骤：步骤1：将采集得到的历史风电场风速数据进行归一化处理；步骤2：初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；步骤3：基于步骤1处理后的数据，利用步骤2初始化后的LSTM网络群，进行时间序列预测，产生不同的风速预测序列；步骤4：将步骤3得到的不同的风速预测序列传递至非线性集成学习回归顶层，即支持向量回归机SVM；步骤5：通过粒子群优化算法PSO优化得到SVM的参数；步骤6：风电场短期集成风速预测的结果由PSO优化后的SVM给出。

【技术特征摘要】
1.一种基于非线性集成深度学习的短期风速预测方法，其特征在于，包括如下步骤：步骤1：将采集得到的历史风电场风速数据进行归一化处理；步骤2：初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；步骤3：基于步骤1处理后的数据，利用步骤2初始化后的LSTM网络群，进行时间序列预测，产生不同的风速预测序列；步骤4：将步骤3得到的不同的风速预测序列传递至非线性集成学习回归顶层，即支持向量回归机SVM；步骤5：通过粒子群优化算法PSO优化得到SVM的参数；步骤6：风电场短期集成风速预测的结果由PSO优化后的SVM给出。2.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤1中，归一化处理的具体方法为：对原始数据进行Z分数规范化，即f’＝(f-u)/σ，其中，f’为归一化后的值，f为未归一化前的值，u为该数据集的平均值，σ为该数据集的标准差。3.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤2的具体方法为：采用包含8个LSTM网络的网络群，具体为：LSTM1-50、LSTM2-100、LSTM3-150、LSTM4-200、LSTM5-50，50、LSTM6-50，100、LSTM7-50，150、LSTM8-50，200；其中，LSTMi-j表示第i个LSTM网络具有1个隐含层，隐含层神经元个数为j；LSTMi-j，k表示第i个LSTM网络具有2个隐含层，2个隐含层神经元个数依次为j，k；i、j、k为正整数。4.如权...

【专利技术属性】
技术研发人员：陈杰，周武能，陆康迪，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31