基于集成进化长短时记忆神经网络的风速预测方法及设备技术

本发明专利技术属于风速预测技术领域，具体涉及一种基于集成进化的长短时记忆神经网络的风速预测方法及设备。本发明专利技术方法包含以下步骤：步骤1、采集风电场风速数据并进行预处理；步骤2、确定LSTM模型的基本结构；步骤3、将LSTM模型编码为个体，生成初始种群；对LSTM模型进行训练；使用遗传算法对初始种群进行处理并选择出最优个体；对最优个体进行解码，得到适应度最好的K个LSTM模型；步骤4、对K个LSTM模型进行加权后对其进行训练，通过差分进化算法进行加权值的最优选择，得到集成进化长短时记忆神经网络模型；步骤5、对步骤4中得到的模型进行预测精确度测试。本发明专利技术使用了遗传算法和差分进化算法优化了LSTM模型的结构和参数值，提高风速预测模型的预测精度。测模型的预测精度。测模型的预测精度。

【技术实现步骤摘要】
基于集成进化长短时记忆神经网络的风速预测方法及设备


[0001]本专利技术属于风速预测
，具体涉及一种基于集成进化长短时记忆神经网络的风速预测方法及设备。

技术介绍

[0002]随着环境污染和能源危机的出现，中国的风力发电站的占比逐年稳步提升，在风速突变较多的地区安装的风力发电组的运行状态很容易受到天气变化的影响，对风力发电系统造成的经济影响日益严重。提高风力发电机组的材料强度等方法无法从根本解决问题，控制系统的滞后性是无法避免的，要从根本解决问题，风速预测系统是重要的科学手段之一。风速预测系统通过对往期的风速数据进行分析建模，科学地对短期风速的变化进行预测，提前对风力发电控制系统进行人为干预，以抵抗风速突变带来的经济影响。准确的风速预测不仅可以帮助风力发电管理部门提供可靠的未来风速变化，还可以帮助其制定科学合理的风力突变应对方案和风力发电机组管理策略。
[0003]目前，基于深度学习的机器学习方法被广泛用于风速预测，其中，由于长短时记忆神经网络(LSTM)在求解有关时间序列数据的问题有很好的预测性能，目前已有部分研究使用进化算法对LSTM模型的参数进行优化，但此类方法大多单独优化LSTM的参数或者结构，没有将两者结合进行优化，对LSTM模型的预测精度有有限的提高。同时上述方法往往只考虑单个LSTM模型的预测结果，导致预测模型只能给出单一的结果，无法进一步提升预测精度。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的缺点，提出一种基于集成进化长短时记忆神经网络的风速预测方法，本专利技术通过遗传算法选择LSTM模型的参数，并用差分进化算法对结果进行集成，以实现预测精度的提高，采用的技术方案如下。
[0005]一种基于集成进化长短时记忆神经网络的风速预测方法，包含以下步骤：
[0006]步骤1、采集风电场风速数据并将风速数据传输至风速大数据群；对风速数据进行预处理，按照记录时间生成时间序列，将预处理后的风速数据划分为训练集、验证集和测试集；
[0007]步骤2、确定LSTM模型的基本结构；
[0008]步骤3、将LSTM模型的优化器、初始学习率、隐藏层数量、每个隐藏层神经单元的数量这4个参数编码为一个个体，生成初始种群；使用训练集对LSTM模型进行训练；使用遗传算法对初始种群进行交叉、变异、环境选择操作；使用验证集计算个体的适应度，选择出最优个体；对最优个体进行解码操作，得到适应度最好的K个LSTM模型；
[0009]步骤4、对步骤3中得到的K个LSTM模型进行加权后用训练集对其进行训练，通过差分进化算法进行加权值的最优选择，得到集成进化长短时记忆神经网络模型；
[0010]步骤5、使用测试集对集成进化长短时记忆神经网络模型进行预测精确度测试。
[0011]进一步地，步骤1中采集风电场风速数据并将风速数据、对风速数据进行预处理包含：
[0012]采集布置在同一地区上的N个风速传感器的风速数据，将每个风速传感器定义为Data
n
＝{id
n
,time
n
,speed
n
},n∈N,其中id
n
、time
n
、speed
n
分别表示第n个风速传感器的序号、记录时间和风速数据；采用3σ原则对异常值数据进行发现和剔除；对于同一时间段的少数传感器的缺失值，使用相邻传感器的数据进行填充；对于同一时间段的多数传感器的缺失值，则将缺失值直接进行剔除。
[0013]进一步地，步骤2中确定LSTM模型的基本结构为：
[0014]i
t
＝σ(W
ix
x
t
+W
ip
p
t
‑1+W
ie
e
t
‑1+b
i
)
[0015]f
t
＝σ(W
fx
x
t
+W
fp
p
t
‑1+W
fe
e
t
‑1+b
f
)
[0016][0017]o
t
＝σ(W
ox
x
t
+W
op
p
t
‑1+W
oe
e
t
+b
o
)
[0018][0019][0020]其中，x
t
和y
t
表示t时刻的输入向量和输出向量，i
t
表示t时刻输入门的输出，f
t
表示t时刻遗忘门的输出，o
t
表示t时刻输出门的输出，e
t
表示t时刻记忆单元的状态，e
t
‑1表示t
‑
1时刻记忆单元的状态，p
t
表示t时刻的激励向量，p
t
‑1表示t
‑
1时刻的激励向量；σ表示门激励函数，σ应用tanh函数；g表示输入激励函数，h表示输出激励函数，g和h应用sigmod函数；表示输出激励函数；表示哈达玛乘积；W
ix
、W
ip
、W
ie
、W
fx
、W
fp
、W
fe
、W
ex
、W
ep
、W
ox
、W
op
、W
oe
和W
yp
均为权重矩阵，b
i
、b
f
、b
e
、b
o
和b
y
分别表示i
t
、f
t
、e
t
、o
t
和y
t
的偏置向量。
[0021]优选地，步骤3中包含以下步骤：
[0022]步骤3
‑
1：设置LSTM的最大隐藏层为3；LSTM的优化器种类包含SGDM、ADAM、RMSPROP，将SGDM、ADAM、RMSPROP分别编码为“1”、“2”、“3”，并和学习率、隐藏层进行编码连接形成个体，设置多个个体；
[0023]步骤3
‑
2：生成初始种群，种群大小为N；在[0,1]随机选择一个数r,如果r≤0.33,则生成隐藏层为1的个体；如果0.33<r≤0.67，则生成隐藏层为2的个体；如果0.67<r≤1,则生成隐藏层为3的个体；重复进行该步骤到个体数量等于N，用训练集对每个个体进行训练得到确定的LSTM模型；
[0024]步骤3
‑
3：使用验证集计算每个LSTM个体的适应度，计算函数如下：
[0025][0026]其中，MES表示适应度，f
p<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成进化长短时记忆神经网络的风速预测方法，其特征在于，包含以下步骤：步骤1、采集风电场风速数据并将风速数据传输至风速大数据群；对风速数据进行预处理，按照记录时间生成时间序列，将预处理后的风速数据划分为训练集、验证集和测试集；步骤2、确定LSTM模型的基本结构；步骤3、将LSTM模型的优化器、初始学习率、隐藏层数量、每个隐藏层神经单元的数量这4个参数编码为一个个体，生成初始种群；使用训练集对LSTM模型进行训练；使用遗传算法对初始种群进行交叉、变异、环境选择操作；使用验证集计算个体的适应度，选择出最优个体；对最优个体进行解码操作，得到适应度最好的K个LSTM模型；步骤4、对步骤3中得到的K个LSTM模型进行加权后用训练集对其进行训练，通过差分进化算法进行加权值的最优选择，得到集成进化长短时记忆神经网络模型；步骤5、使用测试集对集成进化长短时记忆神经网络模型进行预测精确度测试。2.根据权利要求1所述的基于集成进化长短时记忆神经网络的风速预测方法，其特征在于，所述步骤1中采集风电场风速数据并将风速数据、对风速数据进行预处理包含：采集布置在同一地区上的N个风速传感器的风速数据，将每个风速传感器定义为Data
n
＝{id
n
,time
n
,speed
n
},n∈N,其中id
n
、time
n
、speed
n
分别表示第n个风速传感器的序号、记录时间和风速数据；采用3σ原则对异常值数据进行发现和剔除；对于同一时间段的少数传感器的缺失值，使用相邻传感器的数据进行填充；对于同一时间段的多数传感器的缺失值，则将缺失值直接进行剔除。3.根据权利要求2所述的基于集成进化长短时记忆神经网络的风速预测方法，其特征在于，所述步骤2中确定LSTM模型的基本结构为：i
t
＝σ(W
ix
x
t
+W
ip
p
t
‑1+W
ie
e
t
‑1+b
i
)f
t
＝σ(W
fx
x
t
+W
fp
p
t
‑1+W
fe
e
t
‑1+b
f
)o
t
＝σ(W
ox
x
t
+W
op
p
t
‑1+W
oe
e
t
+b
o
))其中，x
t
和y
t
表示t时刻的输入向量和输出向量，i
t
表示t时刻输入门的输出，f
t
表示t时刻遗忘门的输出，o
t
表示t时刻输出门的输出，e
t
表示t时刻记忆单元的状态，e
t
‑1表示t
‑
1时刻记忆单元的状态，p
t
表示t时刻的激励向量，p
t
‑1表示t
‑
1时刻的激励向量；σ表示门激励函数，σ应用tanh函数；g表示输入激励函数，h表示输出激励函数，g和h应用sigmod函数；表示输出激励函数；表示哈达玛乘积；W
ix
、W
ip
、W
ie
、W
fx
、W
fp
、W
fe
、W
ex
、W
ep
、W
ox
、W
op
、W
oe
和W
yp
均为权重矩阵，b
i
、b
f
、b
e
、b
o
和b
y
分别表示i
t
、f
t
、e
t
、o
t
和y
t
的偏置向量。4.根据权利要求3所述的一种基于集成进化长短时记忆神经网络的风速预测方法，其特征在于，所述步骤3中包含以下步骤：步骤3
‑
1：设置LSTM的最大隐藏层为3；LSTM的优化器种类包含SGDM、ADAM、RMSPROP，将SGDM、ADAM、RMSPROP分别编码为“1”、“2”、“3”，并和学习率、隐藏层进行编码连接形成个体，
设置多个个体；步骤3
‑
2：生成初始种群，种群大小为N；在[0,1]随机选择一个数r,如果r≤0.33,则生成隐藏层为1的个体；如果0.33&lt;r≤0.67，则生成隐藏层为2的个体；如果0.67&lt;r≤1,则生成隐藏层为3的个体；重复进行该步骤到个体数量等于N，用训练集对每个个体进行训练得到确定的LSTM模型；步骤3
‑

【专利技术属性】
技术研发人员：黄聪，施佺，赵泰显，平鹏，王光成，
申请(专利权)人：南通大学，
类型：发明
国别省市：