欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020103482919
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于递阶集成的风电功率概率预测方法,其特征在于,所述方法包括以下步骤:步骤(1)选取一段风电场的历史气象数据D作为建模的样本集,将样本集划分为训练集Dtrain、验证集Dval和测试集Dtest,利用Bootstrapping的方式对Dtrain进行多次重采样,得到L个子样本集{(X1,y1),...,(XL,yL)},利用偏最小二乘法(PLS)对子样本集的输入特征变量进行选择并进行重要性排序,删除相同的样本子集,构建出N个子空间{S1,...,SN},保存N个子空间对应训练集样本的输入特征变量索引;

步骤(2)将子空间的索引映射到训练集Dtrain,得到N个子空间训练数据集{Dtra,1,...,Dtra,N},然后利用高斯混合模型GMM在每个子空间上进行聚类,则假设在第i个子空间训练数据集Dtra,i上得到z个局部区域{LD1,LD2,...,LDz},在每个局部区域上利用高斯过程回归进行建模,得到GPR模型集{GPR1,GPR2,...,GPRz};对于一个新样本x*,利用贝叶斯推理策略和有限混合机制得到第i个子空间上第一层集成EGPR模型的预测输出;同理,有N个子空间,可以得到N个第一层集成EGPR模型{EGPR1,EGPR2,...,EGPRN}的预测输出;

步骤(3)根据步骤(2),计算出验证集Dval上N个第一层集成EGPR模型的预测精度RMSE与标准差STD,并将RMSE和STD加权混合后作为模型选择的优化目标,利用遗传算法选择出性能好且稳定的第一层集成EGPR模型,假定选择了M个第一层集成EGPR模型并作为第二层集成的子模型;

步骤(4)利用一种自适应集成的方式将第二层集成的子模型集成获得最终的SHEGPR模型;

步骤(5)随着预测时间的增加,对局部区域LD、GPR模型和GMM模型进行更新。

2.根据权利要求1所述的基于递阶集成的风电功率概率预测方法,其特征在于,所述步骤(1)中历史气象数据D为风电场过去2~4个月内的气象数据和运行数据,D={x,y},其中p为样本个数,q=f×l,其中f为输入特征的数目,l为延迟变量数;y为预测功率;输入特征包括历史的风速WS、历史的功率P和历史的风向WD。

3.根据权利要求2所述的基于递阶集成的风电功率概率预测方法,其特征在于,步骤(1)中偏最小二乘法(PLS)对子样本集进行特征选择的具体过程为:①利用PLS对L个子样本集进行训练,得到子样本集上回归系数βr,其中 r∈{1,...,L},代表着在此子样本集上输入X中的变量对于y的重要程度;

②对βr中的数据从大到小排序,得到{b1,b2,b3,...,bq},根据式(1)判断:式(1)中,bi为βr中第i个数据,th设定为0.8~0.9;如果式(1)成立,则将前i个特征对应的索引保存下来;

③重复②直至在L个样本子集上选出L个子空间,删除重复的子空间得到最终的N个子空间。

4.根据权利要求1所述的基于递阶集成的风电功率概率预测方法,其特征在于,步骤(2)中利用高斯混合模型GMM对子空间聚类后并建立第一层集成EGPR模型的过程如下:在训练集Dtrain上,设产生的第n个子空间, 其中p为样本的个数,c为此子空间上的特征数;设置最大聚类个数v,第n个子空间建立GMM模型,设第n个子空间数据聚为z类,z≤v,即z个局部区域{LD1,LD2,...,LDz};随后利用高斯过程回归对z个局部区域建立局部模型,得到z个GPR模型,记为{GPR1,GPR2,...,GPRz};

对于一个新的样本x*,第i个局部区域GPR模型可描述为

式(3)中,ki,*=[C(x*,xi,1),...,C(x*,xi,p)],C表示为一个p×p的正定协方差矩阵,和 分别为子模型GPRi的预测均值和方差;

在实际的预测过程中,对于一个新的样本x*,假设在第n个子空间上, GMM聚类后局部区域数为z,则x*的后验概率通过贝叶斯推断策略可得:式(4)中,i∈{1,2,3,...,z},LDi代表第i个局部区域;P(x*|LDi)为条件概率,P(LDi)为先验概率;则通过有限混合机制可以得到在第n个子空间上预测输出为:式(5)中, 为第i个局部区域GPR模型的预测值,P(LDi|x*)是联合后验概率;

同理,可计算出混合方差为:

式(6)中, 为子模型GPRi的预测方差;

则对于一个新的样本x*,在第n个子空间上,第一层预测EGPR模型的预测输出和预测方差为:

5.根据权利要求1所述的基于递阶集成的风电功率概率预测方法,其特征在于,所述步骤(3)详细过程如下:①将子空间的索引映射到验证集Dval,得到在N个子空间上的验证数据集{Dval,1,...,Dval,N},根据步骤(2)获得了N个EGPR模型,在验证集Dval上,得到了N个EGPR模型的预测输出为②设置遗传算法的初始种群数和迭代数,将EGPR模型的预测精度和混合标准差和加权和作为目标函数:fobj=λRMSE+(1-λ)σ             (8)式(8)中,λ为一个0-1之间的参数,σ为预测的混合标准差,RMSE代表的是优化过程中的均方根误差;

进一步详细过程如下:假设在某次优化的过程中,利用简单平均的方式对m个被选择的EGPR的预测输出进行集成,得到集成的预测结果 其计算如下:式(9)中,m为当前被选择的EGPR模型个数;则与真实值对比得到的RMSE为:式(10)中,Nval为验证集Dval中样本的个数;

通过多次迭代去寻找min{fobj},在验证集Dval将性能好的模型挑选出来,并保存模型的索引。

6.根据权利要求1所述的基于递阶集成的风电功率概率预测方法,其特征在于,所述步骤(4)详细过程如下:假设根据步骤(3)选择出来的EGPR模型数为M个,当预测一个新的测试样本x*时,第二层集成预测输出 和预测方差 为:其中, 为被挑选出的第i个EGPR模型的输出,wi为集成的权重,则wi如下所示:其中, 为条件概率, 为先验概率,在没有一些先验知识的情况下,假设每一个模型的 是相等的,其值为 可表示为:

其中,γ为一个控制权值的参数。

7.根据权利要求1所述的基于递阶集成的风电功率概率预测方法,其特征在于,所述步骤(5)详细过程如下:当一个新的样本(xt+1,yt+1)到来时,首先估计新样本(xt+1,yt+1)属于不同局部区域的后验概率,然后选择后验概率值最大对EGPR模型进行更新,假设新样本点xt+1在LDk上具有最大的后验概率(LDk|xt+1),则更新操作包括两个步骤:①利用移动窗口的方式对第k个局部区域的GPR模型中的协方差矩阵∑GPR进行更新;

②利用增量更新的方式第k个局部区域中的均值向量μk、协方差矩阵∑k和GMM的混合系数πk进行更新:πk(t+1)=πk(t)+α(P(k|xt+1)-πk(t))    (17)其中α为 T为混合更新中使用的已获取样品的数量。