买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：昆明理工大学

摘要：本发明公开了一种基于代理辅助进化神经网络结构搜索的风电功率预测方法。本发明针对深度神经网络的结构和延迟变量选择困难、现有进化神经网络结构搜索计算效率低等问题，通过代理辅助模型去间接评价适应度，以提高搜索效率。具体步骤为：首先，使用深度神经网络去捕捉高维非线性时空特征，同时将延迟变量纳入进化神经网络结构搜索；其次，将深度神经网络结构与延迟变量进行联合编码；然后使用代理模型提升进化神经网络结构搜索的搜索效率，得到最优神经网络结构；最后，对最优神经网络结构进行重训练调优，得到其网络权重。本发明将代理模型引入到进化神经网络结构搜索中，与传统的进化神经网络搜索方法相比具有较高的预测性能和较低的时间消耗。

主权项：1.一种基于代理辅助进化神经网络结构搜索的风电功率预测方法，其特征在于，所述方法包括以下步骤：步骤1收集风电场两年内完整的原始历史风速、风向、功率序列数据DRaw∈Rm×3，根据不同的预测时长构造建模数据集D；步骤2定义结构搜索空间，并对结构搜索空间进行采样，最后对采样的结构进行整数编码；所述步骤2定义搜索空间、结构采样和结构编码，具体过程如下：1定义搜索空间：根据DNN自身的结构以及时间序列预测自身参数，预定义一个搜索空间；2结构采样：搜索空间包括两部分，一是DNN结构参数，另一个是输入的延迟变量，在定义的搜索空间中随机采样获得N个结构样本；3结构编码：随机初始化的个体为DNN结构和延迟变量的选择，采用联合编码方式，将DNN结构用整数编码，延迟变量的选择用二进制编码，1、0分别代表当前时刻的延迟变量是否选择；延迟变量块为延迟变量的选择，它的长度不是固定的，为步骤2设计的最大延迟变量数；步骤3将采样的结构进行预训练，并在验证集上得到采样结构的验证误差；步骤4将步骤2采样的结构与步骤3得到的验证误差分别以特征、标签的形式构建为新的训练集Xnew，并将其构建为代理辅助模型；所述步骤4利用新的训练集{Xsur，ysur}，构建代理辅助模型modelsur；其中，Xsur为采样后的DNN结构与延迟变量选择，ysur为步骤4得到的均方根误差RMSE；具体训练步骤如下：1将步骤3采样得到的M个样本及其对应的均方根误差RMSE，分别作为特征、标签保存为数据集Xnew；2数据归一化将数据集Xnew进行标准化处理，标准化公式如下式所示： 其中，为归一化后的数据集，μ为样本均值，J为样本标准差；3采用随机森林作为代理模型，并用数据集Xnew训练随机森林代理模型，随机森林代理模型构建如下：1首先，对输入特征进行随机特征选择，构成K个特征子集；2随后，每个随机特征子集均训练得到一个决策树，训练得到K个决策树；3最后，将K个决策树进行集成得到最终结果，采用的训练原则是最小化均方误差MSE，即对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使和各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点，表达式为： 其中，c1、c2分别为D1、D2数据集的样本输出均值，xi为第i个样本，yi为第i个样本输出真实值；预测时，每一个决策树最终的预测结果为该样本点所到叶节点的均值，随机森林最终的预测结果为所有决策树预测结果的均值；步骤5用步骤4的代理模型间接评价适应度，利用进化计算算法，迭代优化得到最优的神经网络结构；所述步骤5利用进化算法，以modelsur间接评价适应度，迭代优化得到最优的神经网络结构，具体优化步骤如下：1在预定义的搜索空间中，随机初始化N个代表DNN结构和延迟变量选择的个体，组成初始种群；2将每个个体映射到相应的DNN结构和延迟变量，用modelsur计算每个个体的预测均方根误差用于适应度评价；3根据适应度值选择父解，然后通过交叉和变异操作生成具有预定义搜索空间相同大小新的后代DNN结构和延迟变量；4对组合后的种群进行环境选择，选择一个能存活到下一代的新种群；5如果不满足终止条件，转到步骤3，否则，选择最适合的个体并终止进化过程；步骤6使用风电功率训练集对搜索得到的最优结构进行训练调优，收敛后在测试集上获得模型性能。

全文数据：

权利要求：

百度查询： 昆明理工大学 基于代理辅助进化神经网络结构搜索的风电功率预测方法