基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法技术

本发明专利技术提供一种基于SDAE‑SVR‑BA的风电功率深度学习预测模型优化方法，包括以下步骤：(1)首先对原始特征数据库中的多维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。本发明专利技术通过采用BA优化的SDAE‑SVR预测模型，具有出色的特征提取与抽象能力，有效提升了短期风电功率预测的精度，提高了功率预测的鲁棒性和稳定性，适合推广使用。

【技术实现步骤摘要】
基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法
本专利技术涉及一种基于StackedDenoisingAutoEncoder-SupportVectorRegression-BatAlgorithm(SDAE-SVR-BA)的风电功率深度学习预测模型优化方法，属于风电功率短期预测领域。
技术介绍
风电出力具有随机性、波动性等特点，从而阻碍大规模风电并网，对电网调度和发电计划带来困难。风电功率预测是通过气象预报数据、风电场运行状态数据等参数对风力发电未来出力进行预测，提高风力发电的可预见性。因此提高风力发电功率预测精度，能有效提高风电并网能力，减小弃风限电率，为电网运行和调度提供依据，实现电网的安全与可靠运行。风电功率预测对电力系统的安全运行与经济调度至关重要，目前对风电功率进行预测主要有以下两个问题：(1)风电预测输入数据体量大，涵盖信息量广，难以充分挖掘有效信息，需要对其特征映射；(2)风电功率预测模型复杂，难以获得最优的模型结构和参数，需要采用高效的人工智能算法对模型结构和参数优化。因此，风电功率预测需要一种可以充分挖本文档来自技高网...

【技术保护点】
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。/n

【技术特征摘要】
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rand1>R(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rand2<A(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)。

【专利技术属性】
技术研发人员：彭小圣，陈奕虹，王洪雨，李刚，傅瑞斌，
申请(专利权)人：华中科技大学，内蒙古电力集团有限责任公司，中国电力科学研究院有限公司，
类型：发明
国别省市：湖北;42