一种基于极限学习机的水力发电预测方法技术

本发明专利技术公开了一种基于极限学习机的水力发电预测方法，该方法包括以下步骤：从水利发电系统中获取参数数据信息，预处理数据；分割数据成互斥的两部分，一部分进行数据训练，一部分进行数据测试；获取训练数据，并采用训练数据建立模型；采用交叉验证、网格搜索、模型评估的方法，模型训练，获得最优模型；采用训练好的最优ELM模型预测测试数据，获得并输出预测结果，其中，ELM为极限学习机模型；通过该方法，展示了更快的学习速度和更好的泛化能力；更准确有效地预测水力发电，降低了成本，提高了学习速率。

【技术实现步骤摘要】
一种基于极限学习机的水力发电预测方法
本专利技术涉及电力能源
，具体来说，涉及一种基于极限学习机的水力发电预测方法。
技术介绍
水利发电作为新能源的一种，主要是利用河流的落差，将高处的势能通过水轮机转换为电能。水利发电具有多种优势，是一种可再生能源，取之不尽用之不竭，同时节能环保，对环境影响较小，因此水利发电一直被大力推广。但同时，由于水利发电利用自然水流，对水流条件非常依赖，水流的流量不确定性，环境因素等都会导致水利发电的不稳定，影响发电效率，因此水利发电的预测研究尤为重要。在实际运行中，由于水力系统存在不稳定性，且一般难以通过数据直接获取，目前很多专家学者采用了多种方法对水力发电进行预测。时间序列法在短期的负荷预测中应用较为成熟，根据历史数据建立水电负荷的时序模型，对未来负荷进行预测，时间序列方法的优点是工作量小，计算速度较快，能反应负荷近期变换的连续性，但该方法的对序列的平稳性要求较高，且没有考虑影响负荷变化的因素，水资源系统本身存在自然上的嘈杂性，因此传统的时间序列方法在预测上的失误是无法避免的。回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。回归分析法的优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测。存在的不足是对历史数据要求较高，采用线性方法描述比较复杂的问题，结构形式过于简单，精度较低；该模型无法详细描述各种影响负荷的因素，模型初始化难度较大，需要丰富的经验和较高的技巧。支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法，具有泛化能力强，全局最优和计算速度快等突出优点。但其自选参数和核函数的选择，通常情况下主要靠经验确定，有较大的人为因素。同时，其缺乏对模糊现象的处理能力，模型误差会造成预测值和实际值的较大差距。神经网络是目前较为先进的负荷预测方法，由于理论的不断完善和其在其他领域的成功应用，大量基于人工神经网络的预测模型被提出。神经网络法选取历史负荷作为训练样本，构建网络结构，用训练算法对网络进行训练，使其满足精度要求，此神经网络作为负荷预测模型，实践证明人工神经网络短期预测有较好的精度。然而即使是最先进的基于人工神经网络的预测方法，一些固有的缺点仍然是不可避免的，比如过多的训练，操作成本偏高，学习速度较慢，容易陷入局部最优解等难题。其中关键缺点是学习算法慢以及需要不断迭代调整参数，因此该预测方法是无法通过改变算法结构和不断训练来提高预测效果的。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种基于极限学习机的水力发电预测方法，能够克服现有技术的上述不足。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种基于极限学习机的水力发电预测方法，该方法包括以下步骤：S1：从水利发电系统中获取参数数据信息，预处理数据；S2：分割数据成互斥的两部分，一部分进行数据训练，一部分进行数据测试；S3：获取训练数据，并采用训练数据建立模型；S4：采用交叉验证、网格搜索、模型评估的方法，模型训练，获得最优模型；S5：采用训练好的最优ELM模型预测测试数据，获得并输出预测结果，其中，ELM为极限学习机模型；所述步骤S3进一步包括以下步骤：S31：ELM的输入权值向量w和隐藏层节点b随机赋值，初始化参数，其中，在极限学习机中，给定任意Q个不同样本(xi,ti)，xi＝[xi1,xi2,…,xin]T∈Rn，ti＝[ti1,ti2,…,tim]∈Rm，一个任意区间无限可微的激活函数g:R→R，对与具有Q个隐藏层神经元的SLFN，SLFN为单层前馈神经网络，在任意赋值wi∈Rn和bi∈R的情况下，隐藏层输出矩阵H可逆具有‖Hβ-T`‖＝0，隐藏层与输出层的连接权值为β且给定任意小误差ε>0和一个任意区间无限可微的激活函数g:R→R，总存在一个含有K个隐藏层神经元的SLFN，K<＝Q，任意赋值wi∈Rn和bi∈R的情况下，有‖HN×MβM×N-T`‖<ε，隐藏层神经元个数与训练集样本个数相等时，对于任意的W和b,SLFN以零误差逼近训练，计算公式为当训练样本个数Q较大时，隐藏层神经元个数K取值比Q小，SLFN的训练误误差逼近任一个ε>0,即当激活函数g无限可微时，SLFN的参数不需要全部调整，w和b在训练前随机选择，在训练过程中保持不变；S32：计算隐藏层输出矩阵，其中，隐藏层和输出层的连接权值β通过求解以下方程组的最小二乘解获得，计算公式为S33：计算并出权值矩阵，其中，结果为H+为隐藏层输出矩阵H的Moore-Penrose广义阵；所述步骤S4进一步包括以下步骤：S41：交叉验证；S42：网格搜索，预先设置模型参数范围，训练所有参数组合，获得若干模型，选择最优模型，其中，采用网格搜索模型的隐藏层数量和激活函数；S43：模型评估；所述步骤S43包括以下步骤：S431：选取了平均绝对误差MAE、平均绝对相对误差MAPE和均方根误差RMSE三个指标作为模型评估标准，其中，RMSE为主要评估标准；S432：采用MAE，表面预测值误差的实际情况，其中，公式为S433：采用MAPE，表明测试结果的精密度，其中，公式为S434：采用RMSE，反映数据集的离散程度和稳定性，其中，公式为S435：确定最佳的极限学习模型结构。进一步的，所述步骤S1包括以下步骤：S11：获取、整理不同的数据源数据，并加载到一个新的数据源，合成训练数据集，综合分析数据信息；S12：依据数据点之间的时间步长，校正为规则的时间步长；S13：判断数据缺失情况，获取最健康的近似数据，替换缺失数据；S14：采用波浪去噪技术，去除极端天气下的尖峰数据；S15：去除季节性因素。进一步的，所述步骤S15包括以下步骤：S151：依据四个季度的水力时间序列数据，计算水力时间序列数据的移动平均值，获得长期趋势T；S152：依据乘法模型消除季节性因素对长期趋势的影响，其中，S代表季节成分，C代表周期成分，I代表不规则成分；S153：获取计算结果数据，依据各个年份同季度数据计算各季度平均值；S154：计算并获得季节比率Si，其中，计算公式分子为各同季度平均数，分母为各季度算术平均数；S155：计算T期的预测值，其中，公式为Yt＝Tt×Si。进一步的，所述步骤S41包括以下步骤：S411：将数据集D分为k个大小相似的互斥数据集，其中，每个子集都尽可能保持数据分布的一致性；S412：每次采用用k-1个子集的并集作为训练集，剩余的子集作为测试集，k次训练和测试，获本文档来自技高网...

【技术保护点】
1.一种基于极限学习机的水力发电预测方法，其特征在于，包括以下步骤：/nS1：从水利发电系统中获取参数数据信息，预处理数据；/nS2：分割数据成互斥的两部分，一部分进行数据训练，一部分进行数据测试；/nS3：获取训练数据，并采用训练数据建立模型；/nS4：采用交叉验证、网格搜索、模型评估的方法，模型训练，获得最优模型；/nS5：采用训练好的最优ELM模型预测测试数据，获得并输出预测结果，其中，ELM为极限学习机模型；/n所述步骤S3进一步包括以下步骤：/nS31：ELM的输入权值向量w和隐藏层节点b随机赋值，初始化参数，其中，在极限学习机中，给定任意Q个不同样本(x

【技术特征摘要】
20200309 CN 20201015668011.一种基于极限学习机的水力发电预测方法，其特征在于，包括以下步骤：
S1：从水利发电系统中获取参数数据信息，预处理数据；
S2：分割数据成互斥的两部分，一部分进行数据训练，一部分进行数据测试；
S3：获取训练数据，并采用训练数据建立模型；
S4：采用交叉验证、网格搜索、模型评估的方法，模型训练，获得最优模型；
S5：采用训练好的最优ELM模型预测测试数据，获得并输出预测结果，其中，ELM为极限学习机模型；
所述步骤S3进一步包括以下步骤：
S31：ELM的输入权值向量w和隐藏层节点b随机赋值，初始化参数，其中，在极限学习机中，给定任意Q个不同样本(xi，ti)，xi＝[xi1，xi2，...xin]T∈Rn，ti＝[ti1，ti2，...，tim]∈Rm，一个任意区间无限可微的激活函数g：R→R，对与具有Q个隐藏层神经元的SLFN，SLFN为单层前馈神经网络，在任意赋值wi∈Rn和bi∈R的情况下，隐藏层输出矩阵H可逆具有||Hβ-T’||＝0，隐藏层与输出层的连接权值为β且给定任意小误差ε＞0和一个任意区间无限可微的激活函数g：R→R，总存在一个含有K个隐藏层神经元的SLFN，K<＝Q，任意赋值wi∈Rn和bi∈R的情况下，有||HN×MβM×M-T’||＜ε，隐藏层神经元个数与训练集样本个数相等时，对于任意的W和b,SLFN以零误差逼近训练，计算公式为



当训练样本个数Q较大时，隐藏层神经元个数K取值比Q小，SLFN的训练误误差逼近任一个ε＞0,即



当激活函数g无限可微时，SLFN的参数不需要全部调整，w和b在训练前随机选择，在训练过程中保持不变；
S32：计算隐藏层输出矩阵，其中，隐藏层和输出层的连接权值β通过求解以下方程组的最小二乘解获得，计算公式为



S33：计算并出权值矩阵，其中，结果为



H+为隐藏层输出矩阵H的Moore-Penrose广义阵；
所述步骤S4进一步包括以下步骤：
S41：交叉验证；
S42：网格搜索，预先设置模型参数范围，训练所有参数组合，获得若干模型，选择最优模型，其中，采用网格搜索模型的隐藏层数量和激活函数；
S43：模型评估；
所述步骤S43包括以下步骤：
S431：选取了平均绝对误差MAE、平均绝对相对误差M...

【专利技术属性】
技术研发人员：刘刚，吴家乐，孟子涵，胡杨，张冲，宋锐，杜文博，薛文涛，曹哲铭，
申请(专利权)人：华能四川水电有限公司，太极计算机股份有限公司，中国华能集团有限公司，
类型：发明
国别省市：四川;51