一种基于多延迟输出回声状态网的风力发电功率预测方法与流程

技术特征：
1.一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：包括以下步骤：s01：采集风力发电功率的历史数据以及影响因素数据；s02：构建多延迟输出回声状态网，所述多延迟输出回声状态网的输入为影响因素数据，所述多延迟输出回声状态网的输出为风力发电功率的预测值；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；s03：将多延迟输出回声状态网初始化，开始进行训练；s04：对多延迟输出回声状态网的储备池进行设置；s05：初始化输出权重；s06：对多延迟输出回声状态网需要优化的参数进行优化；s07：判断是否退出训练的迭代循环；s08：将多延迟输出回声状态网作为风力发电预测网络投入使用。2.根据权利要求1所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述影响因素数据包括风速以及风向。3.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤s02包括以下子步骤：s0201：将标准回声状态网公式按下式修改得到多延迟输出回声状态网：x(n 1)＝a
x
x(n) f(w
in
u(n 1) wx(n) w
fb
y(n))式中，x(n)表示储备池的状态，u(n)表示为输入，y(n)表示为输出，a
x
表示泄露积分率，w
in
、w、w
fb
和w
out
分别表示输入权值矩阵、储备池内部权值矩阵、输出反馈权值矩阵和输出权值矩阵，α表示延迟输出的增益系数，γ
i
表示延迟输出y(n
‑
i)中的比例因子，τ表示延迟输出的最大长度，β表示校正系数，f表示储层激活函数；s0202：根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集。4.根据权利要求3所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：储层激活函数为tanh。5.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述训练数据集为t1、t2、t3……
t
n
时刻的影响因素数据；所述测试数据集为t
k 1
、t
k 2
……
t
k n
时刻所对应的风力发电功率的历史数据；其中n为网络迭代的次数，k为所设定所需要预测的第k个时刻。6.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述需要优化的参数包括储层参数与输出权重。7.根据权利要求6所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述储层参数的优化包括以下子步骤：s0601：将储备池的状态方程改写为下式：x(n 1)＝a
x
x(n) f(s
in
w
in
u(n 1) ρwx(n) s
fb
w
fb
y(n))式中，a
x
表示泄露积分率，ρ表示矩阵的实际谱半径，s
in
和s
fb
分别表示输出权值矩阵和
输出反馈矩阵的规模因子，所述储层参数为储备池的状态方程的全局参数q∈{a
x
,ρ,s
in
,s
fb
}；s0602：计算均方根误差并将其最小化，所述均方根误差为：式中d(n)为目标值，y(n)为风力发电功率的预测值；s0603：利用均方根误差对储层参数进行优化。8.根据权利要求7所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤s0603包括以下步骤：(1)按下式计算(1)按下式计算式中,e(n)＝d(n)
‑
y(n)，用0
u
＝(0,
…
,0)
t
来表示输入向量u，α表示延迟输出的增益系数，γ
i
表示延迟输出y(n
‑
i)中的比例因子，τ表示延迟输出的最大长度。(2)按下式计算(2)按下式计算(2)按下式计算(2)按下式计算(2)按下式计算(3)将步骤(2)的计算结果以及分别代入到中得到q(n)的更新方程，所述q(n)的更新方程为：式中，0.00001≤δ
q
≤0.0001，δ
q
表示为学习率。9.根据权利要求6所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：所述输出权重的优化是利用tikhonov正则化回归计算输出权重w
out
，计算公式为：式中，y为训练输出值y(n)按列向堆叠的向量，是x矩阵的伪逆。10.根据权利要求1或2所述的一种基于多延迟输出回声状态网的风力发电功率预测方法，其特征在于：步骤s07包括以下子步骤：
s0701：如果多延迟输出回声状态网的迭代次数达到设定的最大迭代次数，且预测误差低于设定值，则进入步骤s08；s0702：如果多延迟输出回声状态网的预测误差不低于设定值，则返回步骤s03，重新进行训练。

技术总结
一种基于多延迟输出回声状态网的风力发电功率预测方法，包括以下步骤：S01：采集风力发电功率的历史数据以及影响因素数据；S02：构建多延迟输出回声状态网；根据风力发电功率的历史数据以及影响因素数据构建预测样本的训练数据集和测试数据集；S03：将多延迟输出回声状态网初始化，开始进行训练；S04：对多延迟输出回声状态网的储备池进行设置；S05：初始化输出权重；S06：对多延迟输出回声状态网需要优化的参数进行优化；S07：判断是否退出训练的迭代循环；S08：将多延迟输出回声状态网作为风力发电预测网络投入使用。本发明大大减少了网络的学习时间；解决了会陷入局部最小值的问题；提高了风力发电预测的准确度。高了风力发电预测的准确度。高了风力发电预测的准确度。


技术研发人员：姚显双 邵言宁 马迪 范思远 刘鹏 曹生现
受保护的技术使用者：东北电力大学
技术研发日：2021.08.12
技术公布日：2021/11/4