基于自然进化策略的极限学习机网络参数两阶段优化方法技术

本发明专利技术公开了基于自然进化策略的极限学习机网络参数两阶段优化方法。本发明专利技术基于风电场历史风能出力和外部环境数据，利用极限学习机挖掘历史出力、环境变量与预测目标之间的内生关系。首先建立了基于极限学习机的风力发电预测模型，得到第一阶段预测模型网络参数，然后利用自然进化策略优化算法，对模型参数进行第二阶段参数优化，从而提高预测模型准确性。上述预测及优化方法，在时序历史数据的基础上考虑了外部环境因素的影响，在自然进化策略算法中引入了自适应因子使算法能够随着迭代的进行自动调整其搜索范围，并在极限学习机模型中添加了额外的输出层偏移参数，与传统风力发电预测方法相比提高了预测的准确度，且极大地降低了预测所需时间。降低了预测所需时间。降低了预测所需时间。

【技术实现步骤摘要】
基于自然进化策略的极限学习机网络参数两阶段优化方法


[0001]本专利技术涉及电力工程
，尤其涉及基于自然进化策略的极限学习机风力发电两阶段预测方法。

技术介绍

[0002]由于风电、光伏等绿色可再生能源受天气等环境因素影响较大，具有很强的不确定性，预测未来一段时间内可再生能源出力状况，可以提前制定入网运行规划，避免强不确定性带来的风险隐患。准确有效且及时地对其出力进行预测能够揭示，将对提高风力电场能源质量，保证电力系统安全稳定运行提供积极的指导作用。
[0003]现有的风力发电功率预测模型中，考虑了历史风能出力和诸如风速、风向等外部环境因素统计数据，对于风机和风电场在多种环境因素干扰下的发电功率进行了预测。然而已有的反向传播BP算法、径向基RBF算法等预测模型的参数训练过程和模型预测精度往往依赖于模型参数的反复优化，造成建立与训练模型的过程经常需要花费大量的时间，而且每当有新的预测任务到来时都需要大量的资源进行重新训练。因而在有限的时间内无法取得较高的预测精度，在实际应用的过程中受到很大的限制。
[0004]本专利技术针对目前已有的预测模型存在的训练速度慢精度低等问题设计了一种基于极限学习机的风力发电预测方法，极大地降低预测时间。同时为了提高极限学习机模型预测精度，提出了一种基于自然进化策略的极限学习机网络参数两阶段优化方法，在第一阶段极限学习机模型参数的基础上引入输出层偏移，利用自然进化算法对其进行优化，并更进一步引入自适应因子来优化自然进化算法的收敛速度，从而达到提高预测模型精度的效果。<br/>
技术实现思路

[0005]本专利技术所要解决的技术问题是针对
技术介绍
的缺陷，提供基于自然进化策略的极限学习机网络参数两阶段优化方法，在保证较高预测精度的同时，极大地降低了预测时间。
[0006]本专利技术为解决上的技术问题采用以下技术方案：
[0007]基于自然进化策略的极限学习机网络参数两阶段优化方法，首先建立了基于极限学习机的风力发电预测模型得到第一阶段预测模型网络参数，然后对上述模型参数与预测精度之间的关系进行数学建模，并利用基于自然进化策略的优化算法，在验证集上对预测模型RMSE误差进行第二阶段参数优化，从而提高预测模型精度减小预测误差。
[0008]基于自然进化策略的极限学习机网络参数两阶段优化方法具体步骤如下：
[0009]第一阶段训练分为如下四步：
[0010]步骤(1)、搜集风电场单台或多台风机历史风能出力和外部环境因素如风速、风向等统计数据；
[0011]步骤(2)、收集到的统计数据进行标准化处理，将其变形为预测对象要求的格式；
[0012]步骤(3)、将整个数据集按一定比例划分为训练集、验证集和测试集，然后通过训
练集确定适合该预测对象的隐藏节点数和激活函数等极限学习机模型网络结构参数；
[0013]步骤(4)、利用极限学习机建立训练集上历史风能出力、外部环境因素与所需预测目标间的初步预测模型，得到第一阶段的模型网络参数。
[0014]第二阶段训练分为如下四步：
[0015]步骤(1)、对上述第一阶段得到的模型参数中映入隐含层至输出层的偏移基组合成第二阶段参数训练所需的输入，同时对其与该模型在测试集上的预测误差之间的映射关系进行数学建模；
[0016]步骤(2)、通过基于自然进化策略的优化算法，将预测模型的网络参数视为输入，预测误差视为优化目标进行全局优化，减少使其在测试集上的RMSE误差；
[0017]步骤(3)、利用训练好的预测模型参数对预测目标进行预测，计算预测任务目标的预测值；
[0018]步骤(4)、当上述数据集之后有更进一步的数据产生时，将其加入到旧的数据集中合并成新的总数据集，可以不断适应预测对象系统结构关系的变化。
[0019]第一阶段步骤(1)中，历年统计数据的风能出力预测目标数据用Y表示，历史风能出力和外部环境因素如风速、风向等统计数据分别用数组Z1,Z2,Z3,
…
,Z
m
表示。
[0020]第一阶段步骤(2)中首先根据原始数据的时间维度将其处理成达成预测目标的所需的时间间隔得到处理后的数据集，然后运用mapminmax函数y＝(ymax
‑
ymin)*(x
‑
xmin)/(xmax
‑
xmin)+ymin，令xmax等于1，xmin等于0，将数据集进行[0,1]标准化处理。
[0021]第一阶段步骤(3)中的训练集、验证集和测试集划分方法和极限学习机模型网络结构参数方法如下：
[0022]①
按照2∶1∶1的比例将经过步骤(2)标准化处理的数据集分别分为训练集、验证集和测试集；
[0023]②
将训练集输入至极限学习机预测模型，选取不同的网络激活函数分别重复多次训练网络；
[0024]③
记录在不同激活函数下的预测模型在验证集上的平均误差，选取误差最小的激活函数g(z)作为最终模型网络参数；
[0025]④
将训练集输入至极限学习机预测模型，选取不同的网络隐藏节点数分别重复多次训练网络；
[0026]⑤
记录在不同隐藏节点数下的预测模型在验证集上的平均误差，选取误差最小的隐藏节点数作为最终模型网络参数。
[0027]第一阶段步骤(4)中的确定第一阶段的模型网络参数过程如下：
[0028]①
对于步骤(3)中确定的训练集，随机产生输入层到隐含层连接权重W'
ij
和偏移B'
ij
；
[0029]②
计算隐含层输出矩阵H'：
[0030][0031]③
通过广义矩阵逆运算求得其中为矩阵H'的Moore
‑
Penrose广义逆
矩阵；
[0032]④
得到第一阶段的模型网络参数连接权重W'
ij
、偏移B'
ij
和输出权重β'。
[0033]第二阶段步骤(1)中的对上述第一阶段得到的模型参数中引入隐含层至输出层的偏移基组合成第二阶段参数训练所需的输入，同时对其与该模型在测试集上的预测误差之间的映射关系进行数学建模过程如下：
[0034]①
将上述第一阶段模型参数连接权重W'
ij
、偏移B'
ij
和输出权重β'的数据集合按顺序组合成一个向量形式视为输入x1,x2,
…
,x
D
；
[0035]②
在极限学习机模型参数的基础上，引入新参数隐含层到输出层的偏移基B'
o
，初始值设置为零，视为x
D+1
与原模型参数一起组合为第二阶段优化参数；
[0036]③
将该模型在测试集上的预测误差e视为模型函数的输出f(x1,x2,
…
,x
D+1
)；
...

【技术保护点】

【技术特征摘要】
1.基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，包括以下步骤：步骤(1)、搜集风电场单台或多台风机历史风能出力和外部环境因素如风速、风向等统计数据；步骤(2)、将收集到的统计数据进行标准化处理，将其变形为预测对象要求的格式；步骤(3)、将整个数据集按一定比例划分为训练集、验证集和测试集，然后通过训练集确定适合该预测对象的隐藏节点数和激活函数等极限学习机模型网络结构参数；步骤(4)、利用极限学习机建立训练集上历史风能出力、外部环境因素与所需预测目标间的初步预测模型，得到第一阶段的模型网络参数；步骤(5)、对上述第一阶段得到的模型参数中映入隐含层至输出层的偏移基组合成第二阶段参数训练所需的输入，同时对其与该模型在测试集上的预测误差之间的映射关系进行数学建模；步骤(6)、通过基于自然进化策略的优化算法，将预测模型的网络参数视为输入，预测误差视为优化目标进行全局优化，减少使其在测试集上的RMSE误差；步骤(7)、当有新的预测目标和数据即步骤(3)中的测试集数据时，利用训练好的预测模型参数对其进行预测；步骤(8)、当上述数据集之后有更进一步的数据产生时，将其加入到旧的数据集中合并成新的总数据集，重复(3)～(6)步骤可以不断适应预测对象系统结构关系的变化。2.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(1)所述的历年统计数据中风能出力预测目标数据用Y表示，历史风能出力和外部环境因素如风速、风向等统计数据分别用数组Z1,Z2,Z3,
…
,Z
m
表示。3.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(2)所述统计数据进行标准化处理的方法如下：首先根据原始数据的时间维度将其处理成达成预测目标的所需的时间间隔得到处理后的数据集，然后运用mapminmax函数y＝(ymax
‑
ymin)*(x
‑
xmin)/ (xmax
‑
xmin)+ymin，令xmax等于1，xmin等于0，将数据集进行[0,1]标准化处理。4.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(3)所述的训练集、验证集和测试集划分方法和极限学习机模型网络结构参数方法如下：
①
按照2：1：1的比例将经过步骤(3)标准化处理的数据集分别分为训练集、验证集和测试集；
②
将训练集输入至极限学习机预测模型，选取不同的网络激活函数分别重复多次训练网络；
③
记录在不同激活函数下的预测模型在验证集上的平均误差，选取误差最小的激活函数g(z)作为最终模型网络参数；
④
将训练集输入至极限学习机预测模型，选取不同的网络隐藏节点数分别重复多次训练网络；
⑤
记录在不同隐藏节点数下的预测模型在验证集上的平均误差，选取误差最小的隐藏节点数作为最终模型网络参数。
5.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(4)所述的确定第一阶段的模型网络参数过程如下：
①
对于步骤(3)中确定的训练集，随机产生输入层到隐含层连接权重W'
ij
和偏移B
′
ij
；
②
计算隐含层输出矩阵H'：
③
通过广义矩阵逆运算求得其中为矩阵H'的Moore
‑
Penrose广义逆矩阵；
④
得到第一阶段的模型网络参数连接权重W'
ij
、偏...

【专利技术属性】
技术研发人员：权浩，吕立臻，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：