CN113449464B - 一种基于改进深度极限学习机的风功率预测方法 - Google Patents
一种基于改进深度极限学习机的风功率预测方法 Download PDFInfo
- Publication number
- CN113449464B CN113449464B CN202110654390.4A CN202110654390A CN113449464B CN 113449464 B CN113449464 B CN 113449464B CN 202110654390 A CN202110654390 A CN 202110654390A CN 113449464 B CN113449464 B CN 113449464B
- Authority
- CN
- China
- Prior art keywords
- wind power
- delm
- value
- wolf
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241000282461 Canis lupus Species 0.000 claims abstract description 70
- 230000006870 function Effects 0.000 claims abstract description 46
- 239000002131 composite material Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 241000282421 Canidae Species 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011437 continuous method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进深度极限学习机的风功率预测方法,包括:S1:获取风功率数据,同时构建深度极限学习机DELM模型;S2:对采集到的风功率数据进行归一化处理,并初始化DELM模型参数;S3:在标准灰狼算法中引入sobol序列初始化种群,在局部搜索中引入柯西变异策略;S4:将预处理后的训练样本送入DELM模型中,经过DELM训练测试得到的复合加权目标函数值作为经混合复合加权目标函数改进后的灰狼算法的适应度值,利用改进灰狼优化算法对参数进行训练寻优,得到DELM各隐含层的最优节点数和最优正则化参数C;S5:将风功率数据的测试样本送入含有最优参数的DELM模型中,得到风功率预测输出值。本发明能够使得风功率预测更加接近实际值,提高风功率预测的准确度。
Description
技术领域
本发明属于风功率预测的技术领域,具体涉及一种基于改进深度极限学习机的风功率预测方法。
背景技术
随着不可再生资源的急剧减少,对于可再生资源的研究得到了广泛的关注。风电作为可再生资源之一,通过多年的不断深入研究,使得风电的应用技术更加成熟,效率更高。然而,由于风功率具有波动性,间歇性等特点,随着并网风电系统规模的不断扩大,这将给电力系统安全稳定运行带来巨大的挑战。做好风力发电预测工作,能够有效提高电力系统安全稳定运行的能力,这对于利用风力发电具有重要的意义。
目前应用于风功率预测的方法主要有卡尔曼滤波法、神经网络法和持续法等。卡尔曼滤波法适合实时在线预测,但需要利用已知噪声的统计特性,使得其实用性差;神经网络法虽然有较好的学习能力,但收敛速度慢,运行时容易出现过拟合或者陷入局部最优解等去缺点;持续法操作简单,但只适用于超短期预测,应用范围窄。
发明内容
发明目的:针对现有技术的不足,本发明提出一种基于改进深度极限学习机的风功率预测方法,能够使得风功率预测更加接近实际值,提高风功率预测的准确度。
技术方案:本发明提出一种基于改进深度极限学习机的风功率预测方法,具体包括以下步骤:
(1)获取风功率数据,建立风功率数据库,同时构建DELM模型;
(2)对采集到的风功率数据进行预处理,获得训练集和测试集;并初始化DELM模型参数;
(3)引入sobol序列初始化灰狼种群,以使初始解在解空间分布更均匀,并且能够有效提高初始解的质量;同时在局部搜索中引入柯西变异策略,加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力;
(4)将预处理后的训练集送入DELM模型中,将经过DELM训练得到的复合加权目标函数值作为混合复合加权目标函数改进后的灰狼算法的适应度值,利用经混合复合加权目标函数改进后的灰狼算法对DELM模型的超参数进行训练寻优,得到DELM各隐含层的最优节点数和最优正则化参数C;
(5)将风功率数据的测试集送入各隐含层含有最优节点个数和最优正则化参数C的DELM模型中,得到风功率预测输出值。
进一步地,所述步骤(1)包括以下步骤:
(11)设输入样本数据为X=xi,i∈(1,n),输出样本数据为Y=yi,i∈(1,n),式中,xi为输入样本数据的第i个训练数据,yi为输出样本数据的第i个输出数据,n为样本总数;
(12)设H=hi,i∈(1,n)为隐含层特征向量的集合,hi为第i个样本对应的特征向量;输入样本数据X与隐含层特征向量集合H关系H=g(ωX+b),式中,g为激活函数,选用sigmoid函数作为激活函数,ω为输入层各个节点到隐含层各个节点的输入权值矩阵;b为隐含层各个节点的阈值矩阵;输出样本数据Y与隐含层特征向量集合H关系为Y=Hξ,式中,ξ为隐含层节点到输出层节点的权重矩阵;ξ=H+Y,式中,H+为隐含层输出矩阵H的Moore-Penrose广义矩阵;
(13)确定DELM模型的网络结构:在DELM模型中引入极限学习机自动编码器ELM-AE得到DELM模型的参数,通过编码器将输入向量映射为隐含层中的特征向量,又通过编码器将特征向量重构为原来的输入向量;
(14)引入一个正则化项,则目标函数为:
式中,C为正则化系数;
(15)构建拉格朗日方程,得到输出权重矩阵为
进一步地,步骤(2)所述的对数据进行预处理通过以下公式实现:
式中,v(t)min为v(t)中的最小值,v(t)max为v(t)中的最大值,Ti为v(t)中的任意值。
进一步地,步骤(2)所述的初始化DELM模型的参数包括输入层节点数、输出层节点数、隐含层层数和激活函数以及正则化参数C。
进一步地,所述步骤(3)实现过程如下:
(31)sobol序列是一种随机序列,用sobol序列初始化灰狼种群,可以使得灰狼种群分布更为均匀,并提高初始解的质量;具体为设最优解的取值范围为[bestmin,bestmax],则sobol序列产生的随机数xi∈[0,1],则灰狼种群初始位置可定义为xi=xmin+Xi(xmax-xmin);
(32)针对标准灰狼算法易陷入局部最优的问题,在灰狼算法的局部搜索中引入柯西变异策略,给予当前最优灰狼个体柯西扰动,当个体陷入局部最优时,柯西算子能够产生较大步长使得灰狼算法跳出局部最优,也能够产生较小步长加快对最优解的搜索速度;引入柯西变异策略后,灰狼最优个体位置更新公式为:
ynew(t)=y(t)×(1+cauchy(0,1))
式中,y(t)为当前灰狼最优个体的值;ynew(t)为当前灰狼个体最优值经过柯西扰动后得到的值,cauchy(0,1)为柯西算子,标准柯西分布函数为式
进一步地,所述步骤(4)包括以下步骤:
(41)初始化灰狼算法参数,包括搜索空间的上下边界,种群规模和最大迭代次数,使用sobol序列初始化灰狼个体位置后,进行迭代搜索;
(42)通过误差测试,输入和输出维度分别为6和1,且隐含层层数为3时,选用sigmoid函数作为激活函数,经混合复合加权目标函数改进后的灰狼算法优化DELM模型的效果最好,同时设置正则化参数C的取值范围;
(43)将DELM训练测试得到的复合加权目标函数值作为经混合复合加权目标函数改进后的灰狼算法的适应度值;
(44)比较当前最优适应度值与适应度值,保留适应度值最好的前三头灰狼个体,并根据柯西变异策略更新适应度值最好的前三头灰狼的位置,其余个体在前三个灰狼个体位置的基础上更新自己的位置;
(44)判断是否达到最大迭代次数,若未达到则设置迭代次数加一,然后转到(44),否则跳转至(46);
(46)把获得的各隐含层的最优节点数和最优正则化参数C带入DELM模型中。
有益效果:与现有技术相比,本发明的有益效果:1、本发明通过经混合复合加权目标函数改进后的灰狼算法优化深度极限学习机的各隐含层的最优节点数和最优正则化参数C;2、通过利用sobol序列初始化灰狼种群,使初始解在解空间分布更均匀,且能够有效提高初始解的质量;在局部搜索中引入柯西变异策略,能够加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力,这提高了MGWO-DELM模型的搜索速度和全局搜索的能力,以及解决了传统神经网络易陷入局部极值的问题;同时引入复合加权目标函数,能够综合考虑不同误差指标的多样性;3、DELM是对传统ELM的改进,相对于ELM能够更为全面地捕捉到数据之间的映射关系并提高处理高纬度输入变量的精确度,同时DELM具有拟合能力以及泛化能力强的优点,将其与经混合复合加权目标函数改进后的灰狼算法结合对风功率进行预测,能够使得风功率预测更加接近实际值,提高风功率预测的准确度。
附图说明
图1为本发明的流程图;
图2为采用本发明进行仿真得出的真实值与预测值的对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于改进深度极限学习机的风功率预测方法,综合考虑MAE、MMAPE和RMSE的复合加权目标函数,并将经混合复合加权目标函数改进后的灰狼算法与深度极限学习机相结合。通过利用经混合复合加权目标函数改进后的灰狼算法对DELM参数进行训练寻优,从中得到DELM模型的各隐含层的最优节点数和最优正则化参数C,然后通过含有各隐含层的最优节点数和最优正则化参数C的DELM模型对风功率进行预测。如图1所示,具体包括以下步骤:
步骤1:获取风功率数据,建立风功率数据库,同时构建DELM模型。
选取以西班牙Sotavento Galicia风场在2021年4月1日00:00到2021年5月2日06:00每10min风功率数据作为样本数据,包含4500个样本数据点。采用前70%的数据集作为训练数据集,后30%的数据集作为测试数据集。
构建DELM模型的具体步骤为:
1)设输入样本数据为X=xi,i∈(1,n),输出样本数据为Y=yi,i∈(1,n),式中,xi为输入样本数据的第i个训练数据,yi为输出样本数据的第i个输出数据,n为样本总数。
2)设H=hi,i∈(1,n)为隐含层特征向量的集合,hi为第i个样本对应的特征向量,它实现将输入数据从输入空间映射到隐含层特征空间。输入样本数据X与隐含层特征向量集合H关系H=g(ωX+b),式中,g为激活函数,选用sigmoid函数作为激活函数。ω为输入层各个节点到隐含层各个节点的输入权值矩阵;b为隐含层各个节点的阈值矩阵。输出样本数据Y与隐含层特征向量集合H关系为Y=Hξ,式中,ξ为隐含层节点到输出层节点的权重矩阵。ξ由式ξ=H+Y决定。式中,H+为隐含层输出矩阵H的Moore-Penrose广义矩阵。
3)确定DELM模型的网络结构。在DELM模型中引入ELM-AE(极限学习机自动编码器)得到DELM模型的参数。通过编码器将输入向量映射为隐含层中的特征向量,然后又通过编码器将特征向量重构为原来的输入向量。具体为先利用ELM算法产生随机权重和阈值,如式wTw=I,bTb=1。式中,I为单位矩阵。
4)为增强模型的泛化能力,引入一个正则化项。则目标函数为:式中,C为正则化系数。
5)构建拉格朗日方程,得到输出权重矩阵为进一步地,对于步骤2所述的数据集预处理归一化处理,其表达式为:/>式中,v(t)min为v(t)中的最小值,v(t)max为v(t)中的最大值,Ti为v(t)中的任意值。
步骤2:对采集到的风功率数据进行预处理,获得训练集和测试集;并初始化DELM模型参数。
对收集到的风功率数据进行归一化处理,归一化表达式为:
式中,v(t)min为v(t)中的最小值,v(t)max为v(t)中的最大值,Ti为v(t)中的任意值。
步骤3:引入sobol序列初始化灰狼种群,以使初始解在解空间分布更均匀,并且能够有效提高初始解的质量;同时在局部搜索中引入柯西变异策略,加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力。
sobol序列是一种随机序列,用sobol序列初始化灰狼种群,可以使得灰狼种群分布更为均匀,并提高初始解的质量;具体为设最优解的取值范围为[bestmin,bestmax],则sobol序列产生的随机数xi∈[0,1],则灰狼种群初始位置可定义为xi=xmin+Xi(xmax-xmin)。
针对标准灰狼算法易陷入局部最优的问题,在灰狼算法的局部搜索中引入柯西变异策略,给予当前最优灰狼个体柯西扰动,当个体陷入局部最优时,柯西算子能够产生较大步长使得灰狼算法跳出局部最优,也能够产生较小步长加快对最优解的搜索速度;引入柯西变异策略后,灰狼最优个体位置更新公式为:
ynew(t)=y(t)×(1+cauchy(0,1))
式中,y(t)为当前灰狼最优个体的值;ynew(t)为当前灰狼个体最优值经过柯西扰动后得到的值,cauchy(0,1)为柯西算子,标准柯西分布函数为式:
步骤4:将预处理后的训练集送入DELM模型中,将经过DELM训练得到的复合加权目标函数值作为混合复合加权目标函数改进后的灰狼算法的适应度值,利用经混合复合加权目标函数改进后的灰狼算法对DELM模型的超参数进行训练寻优,得到DELM各隐含层的最优节点数和最优正则化参数C。
(4.1)初始化灰狼优化算法参数。包括搜索空间的上下边界,种群规模和最大迭代次数,使用sobol序列初始化个体位置后,进行迭代搜索。
(4.2)确定DELM的模型结构,包括输入层节点数、输出层节点数、隐含层层数和激活函数以及正则化参数C。通过误差测试,输入和输出维度分别为6和1,且隐含层层数为3时,经混合复合加权目标函数改进后的灰狼算法优化DELM模型的效果最好,同时选用sigmoid函数作为激活函数以及设置正则化参数C的取值范围。
(4.3)将DELM训练测试得到的适应度值作为经混合复合加权目标函数改进后的灰狼算法的复合加权目标函数值。
(4.4)保留适应度值最好的前三头灰狼个体,同时使用柯西变异策略计算前三头灰狼个体的值,其余个体在前三个灰狼个体位置的基础上更新自己的位置。通过种群移动,重新计算灰狼种群的适应度值,同时更新灰狼种群的位置。比较当前最优适应度值与适应度值,保留适应度值最好的前三头灰狼个体,并根据柯西变异策略更新适应度值最好的前三头灰狼的位置,其余个体在前三个灰狼个体位置的基础上更新自己的位置。
(4.5)判断是否达到最大迭代次数,若未达到则设置迭代次数加一,然后转到步骤(4.4),否则跳转至步骤(4.6)。
(4.6)把获得的各隐含层的最优节点数和最优正则化参数C送入DELM模型中。
步骤5:将风功率数据的测试集送入各隐含层含有最优节点个数和最优正则化参数C的DELM模型中,得到风功率预测输出值。
步骤6:选用MAE(平均绝对误差)和RMSE(均方根误差)和MMAPE(增强平均绝对百分比误差)以及R2(决定系数)评价本方法的有效性,其中,R2的表达式为:
式中,N为样本数量,xt(i)表示第i个样本的真实值,xp(i)表示第i个样本的预测值。图2为MGWO-DELM真实值与预测值的示意图。实验数据为2021年4月1日00:00到20121年5月2日06:00,每10min采样一次的风功率数据。其中2021年4月1日00:00到2021年4月21日20:00的时间段内作为DELM模型的初始训练数据,10min的风速预测结果如图2所示。由图2可以看出,测试值与真实值大部分吻合,得到的预测结果较为准确。
表1不同模型风功率预测性能指标
表1为风功率数据经归一化处理后,送入经混合复合加权目标函数改进后的灰狼算法优化的不同模型中,从表1中可以看出MGWO-BP的预测效果最差,当模型改换为ELM,以及对ELM改进的RELM和DELM中,对于风功率的预测准确度在不断得到提高,其中所述的MGWO-DELM模型在所有模型中准确度最好。
Claims (4)
1.一种基于改进深度极限学习机的风功率预测方法,其特征在于,包括以下步骤:
(1)获取风功率数据,建立风功率数据库,同时构建DELM模型;
(2)对采集到的风功率数据进行预处理,获得训练集和测试集;并初始化DELM模型参数;
(3)引入sobol序列初始化灰狼种群,以使初始解在解空间分布更均匀,并且能够有效提高初始解的质量;同时在局部搜索中引入柯西变异策略,加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力;
(4)将预处理后的训练集送入DELM模型中,将经过DELM训练得到的复合加权目标函数值作为混合复合加权目标函数改进后的灰狼算法的适应度值,利用经混合复合加权目标函数改进后的灰狼算法对DELM模型的超参数进行训练寻优,得到DELM各隐含层的最优节点数和最优正则化参数C;
(5)将风功率数据的测试集送入各隐含层含有最优节点个数和最优正则化参数C的DELM模型中,得到风功率预测输出值;
所述步骤(3)实现过程如下:
(31)sobol序列是一种随机序列,用sobol序列初始化灰狼种群,使得灰狼种群分布更为均匀,并提高初始解的质量;具体为设最优解的取值范围为[bestmin,bestmax],则sobol序列产生的随机数Xi∈[0,1],则灰狼种群初始位置定义为xinitialize=xmin+Xi(xmax-xmin);
(32)针对标准灰狼算法易陷入局部最优的问题,在灰狼算法的局部搜索中引入柯西变异策略,给予当前最优灰狼个体柯西扰动,当个体陷入局部最优时,柯西算子能够产生较大步长使得灰狼算法跳出局部最优,也能够产生较小步长加快对最优解的搜索速度;引入柯西变异策略后,灰狼最优个体位置更新公式为:
ynew(t)=y(t)×(1+cauchy(0,1))
式中,y(t)为当前灰狼最优个体的值;ynew(t)为当前灰狼个体最优值经过柯西扰动后得到的值,cauchy(0,1)为柯西算子,标准柯西分布函数为式
所述步骤(4)包括以下步骤:
(41)初始化灰狼算法参数,包括搜索空间的上下边界,种群规模和最大迭代次数,使用sobol序列初始化灰狼个体位置后,进行迭代搜索;
(42)通过误差测试,输入和输出维度分别为6和1,且隐含层层数为3时,选用sigmoid函数作为激活函数,同时设置正则化参数C的取值范围;
(43)将DELM训练测试得到的复合加权目标函数值作为经混合复合加权目标函数改进后的灰狼算法的适应度值;
(44)比较当前最优适应度值与适应度值,保留适应度值最好的前三头灰狼个体,并根据柯西变异策略更新适应度值最好的前三头灰狼的位置,其余个体在前三个灰狼个体位置的基础上更新自己的位置;
(45)判断是否达到最大迭代次数,若未达到则设置迭代次数加一,然后转到(44),否则跳转至(46);
(46)把获得的各隐含层的最优节点数和最优正则化参数C带入DELM模型中。
2.根据权利要求1所述的种基于改进深度极限学习机的风功率预测方法,其特征在于,所述步骤(1)包括以下步骤:
(11)设输入样本数据为X=xi,i∈(1,n),输出样本数据为Y=yi,i∈(1,n);式中,xi为输入样本数据的第i个训练数据,yi为输出样本数据的第i个输出数据,n为样本总数;
(12)设H=hi,i∈(1,n)为隐含层特征向量的集合,hi为第i个样本对应的特征向量;输入样本数据X与隐含层特征向量集合H关系H=g(ωX+b);式中,g为激活函数,选用sigmoid函数作为激活函数,ω为输入层各个节点到隐含层各个节点的输入权值矩阵,b为隐含层各个节点的阈值矩阵;输出样本数据Y与隐含层特征向量集合H关系为Y=Hξ;式中,ξ为隐含层节点到输出层节点的权重矩阵;ξ=H+Y,式中,H+为隐含层输出矩阵H的Moore-Penrose广义矩阵;
(13)确定DELM模型的网络结构:在DELM模型中引入极限学习机自动编码器ELM-AE得到DELM模型的参数,通过编码器将输入向量映射为隐含层中的特征向量,又通过编码器将特征向量重构为原来的输入向量;
(14)引入一个正则化项,则目标函数为:
式中,C为正则化系数;
(15)构建拉格朗日方程,得到输出权重矩阵为
3.根据权利要求1所述的种基于改进深度极限学习机的风功率预测方法,其特征在于,步骤(2)所述的对采集到的风功率数据进行预处理通过以下公式实现:
式中,v(t)min为v(t)中的最小值,v(t)max为v(t)中的最大值,Ti为v(t)中的任意值。
4.根据权利要求1所述的基于改进深度极限学习机的风功率预测方法,其特征在于,步骤(2)所述的初始化DELM模型的参数包括输入层节点数、输出层节点数、隐含层层数和激活函数以及正则化参数C。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654390.4A CN113449464B (zh) | 2021-06-11 | 2021-06-11 | 一种基于改进深度极限学习机的风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654390.4A CN113449464B (zh) | 2021-06-11 | 2021-06-11 | 一种基于改进深度极限学习机的风功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449464A CN113449464A (zh) | 2021-09-28 |
CN113449464B true CN113449464B (zh) | 2023-09-22 |
Family
ID=77811318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654390.4A Active CN113449464B (zh) | 2021-06-11 | 2021-06-11 | 一种基于改进深度极限学习机的风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449464B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895206B (zh) * | 2022-04-26 | 2023-04-28 | 合肥工业大学 | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 |
CN115013863B (zh) * | 2022-06-01 | 2023-11-17 | 浙江英集动力科技有限公司 | 基于数字孪生模型的喷射泵供热系统自主优化调控方法 |
CN116183216A (zh) * | 2022-12-06 | 2023-05-30 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
CN115952685B (zh) * | 2023-02-02 | 2023-09-29 | 淮阴工学院 | 基于集成深度学习的污水处理过程软测量建模方法 |
CN116599142A (zh) * | 2023-03-28 | 2023-08-15 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
CN117057257B (zh) * | 2023-10-11 | 2024-01-26 | 云南电投绿能科技有限公司 | 一种测风塔数据的插值计算方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN109299776A (zh) * | 2018-09-14 | 2019-02-01 | 湖南工程学院 | 一种核增量型超限学习机、差分多种群灰狼混合优化方法 |
CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
-
2021
- 2021-06-11 CN CN202110654390.4A patent/CN113449464B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908688A (zh) * | 2017-10-31 | 2018-04-13 | 温州大学 | 一种基于改进灰狼优化算法的数据分类预测方法及系统 |
CN109299776A (zh) * | 2018-09-14 | 2019-02-01 | 湖南工程学院 | 一种核增量型超限学习机、差分多种群灰狼混合优化方法 |
CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
Non-Patent Citations (1)
Title |
---|
多种群灰狼算法优化ELM网络参数的研究;刘彬;刘泽仁;李德健;王卫涛;刘浩然;闻岩;;燕山大学学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449464A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449464B (zh) | 一种基于改进深度极限学习机的风功率预测方法 | |
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN114282646B (zh) | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 | |
CN116340006B (zh) | 一种基于深度学习的算力资源空闲预测方法和存储介质 | |
CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
CN112613657A (zh) | 风电场短期风速预测方法 | |
CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
CN116227677A (zh) | 一种考虑光伏功率爬坡特征的功率预测校正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |