-PAGEI-題目：基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)摘要因?yàn)轱L(fēng)電本身具有波動(dòng)性，所以在并網(wǎng)時(shí)會(huì)對(duì)電力系統(tǒng)帶來沖擊和不良影響，最終終將也會(huì)影響電力系統(tǒng)運(yùn)行的安全和平穩(wěn)。短期風(fēng)功率的預(yù)測(cè)有利于實(shí)現(xiàn)對(duì)風(fēng)電場(chǎng)的控制和調(diào)節(jié)，而且也有利于電力系統(tǒng)調(diào)度人員能夠及時(shí)提出調(diào)整并做出計(jì)劃，以便有效的降低系統(tǒng)運(yùn)行的成本，所以對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)是提高電力系統(tǒng)構(gòu)成中風(fēng)電占比的一種有效辦法。本文所研究的深度置信網(wǎng)絡(luò)就是傳統(tǒng)的神經(jīng)學(xué)習(xí)網(wǎng)絡(luò)辦法中的一種,其本質(zhì)是對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)和深度進(jìn)行有效的提高,本文采用基于深度置信的學(xué)習(xí)網(wǎng)絡(luò)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測(cè)和評(píng)估?？梢酝ㄟ^計(jì)算機(jī)在MATLAB環(huán)境下運(yùn)用深度置信網(wǎng)絡(luò)的方法進(jìn)行建模,然后利用校正后的得到的天氣數(shù)據(jù)和在風(fēng)電場(chǎng)采集的歷史數(shù)據(jù),提出了一種基于限制玻爾茲曼機(jī)的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)。最后通過分析和比較預(yù)測(cè)的結(jié)果，進(jìn)行誤差改善。研究深度置信網(wǎng)絡(luò)時(shí)主要采用平均相對(duì)誤差、均方根誤差和歸一化均方根誤差等誤差指標(biāo)。短期風(fēng)功率預(yù)測(cè)系統(tǒng)在結(jié)構(gòu)上的設(shè)計(jì),建立一個(gè)基于風(fēng)功率預(yù)測(cè)系統(tǒng)的可視化的界面,以便檢驗(yàn)深度置信網(wǎng)絡(luò)模型在實(shí)際系統(tǒng)中的可行性，并為下一步研究做出基礎(chǔ)。關(guān)鍵詞：短期風(fēng)功率預(yù)測(cè)；算法模型；深度置信網(wǎng)絡(luò)ABSTRACTThefluctuationofwindpoweritselfwillbringimpactandimpacttothegrid-connectedpowersystem,andaffectthesafeandstableoperationofthepowersystem.Researchonshort-termwindpowerforecastingmethodisconducivetothecontrolandregulationofwindfarms,timelyadjustmentofdispatchingplansforpowersystemdispatchers,inordertoreducethecostofsystemoperation,andisaneffectivewaytoincreasetheproportionofwindpowerinpowersystem.Thedeepconfidencenetworkstudiedinthispaperisoneofthemethodsofartificialneuralnetwork,whichemphasizesthedepthofnetworkstructureandtheefficiencyoftraining.Inthispaper,theartificialneuralnetworkbasedondeepconfidenceisusedtopredictshort-termwindpower.Ashort-termwindpowerpredictionmodelbasedonimprovedcascaderestrictionBoltzmannmachinedepthlearningisproposed,whichusesthecorrectednumericalweatherpredictiondataandthehistoricaldataofwindfarmdataacquisitionsystemtomodelincomputerenvironment.Finally,theerrorindicatorsofpredictionresultsareanalyzedandcompared.Inthispaper,theaveragerelativeerror,rootmeansquareerrorandnormalizedrootmeansquareerrorareused.Thearchitecturedesignofwindpowerforecastingsystemisstudied,andavisualinterfacebasedonwindpowerforecastingsystemisestablishedtoverifythepracticabilityofdepthconfidencenetworkmodelinpracticalsystemandtolayafoundationforfurtherresearch.Keywords:Short-termwindpowerprediction;Algorithmicmodel;Depthconfidencenetwork目錄TOC\o"1-3"\h\u10618摘要 I25630ABSTRACT II828第一章緒論 167071.1課題背景與意義 151251.2短期風(fēng)功率預(yù)測(cè)的意義 2223641.3風(fēng)功率預(yù)測(cè)研究現(xiàn)狀 2297291.3.1國外研究現(xiàn)狀 2158431.3.2國內(nèi)研究現(xiàn)狀 3171791.5風(fēng)功率預(yù)測(cè)方法的分類 410031.6本文所研究的內(nèi)容和研究方法 4103071.7本章小結(jié) 615956第二章風(fēng)電場(chǎng)參數(shù)特性研究 732032.1引言 7255412.2短期風(fēng)功率的預(yù)測(cè)誤差 7327022.3風(fēng)功率和風(fēng)速風(fēng)向的關(guān)系 8207402.4風(fēng)電場(chǎng)的風(fēng)速特征 936652.5本章小結(jié) 98446第三章深度置信網(wǎng)絡(luò)的建模分析 10121413.1引言 10323053.2深度學(xué)習(xí)網(wǎng)絡(luò)算法 10315813.2.1深度學(xué)習(xí)網(wǎng)絡(luò) 10943.2.2深度置信網(wǎng)絡(luò)(DBN) 1043513.2.3深度置信網(wǎng)絡(luò)(DBN)的結(jié)構(gòu) 111573.2.5限制玻爾茲曼機(jī)的(DBN)網(wǎng)絡(luò)模型參數(shù) 1230593.2.5深度置信網(wǎng)絡(luò)(DBN)的訓(xùn)練過程 14244003.3基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)網(wǎng)絡(luò)模型 16146693.3.1基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)過程 17211353.4BP網(wǎng)絡(luò) 17263163.4.1BP神經(jīng)網(wǎng)絡(luò)算法 18186823.5本章小結(jié) 1918666第四章數(shù)據(jù)處理與實(shí)驗(yàn)結(jié)果分析 2030984.1數(shù)據(jù)的預(yù)處理 2056934.1.1數(shù)據(jù)剔除異常值 20262864.2實(shí)驗(yàn)結(jié)果分析 21110044.2.1預(yù)測(cè)結(jié)果誤差分析常用指標(biāo) 21303694.2.2預(yù)測(cè)結(jié)果與實(shí)際比較 21239834.2.3預(yù)測(cè)結(jié)果的判定系數(shù) 24203534.2.4預(yù)測(cè)結(jié)果與實(shí)際值散點(diǎn)圖 24138994.2.5預(yù)測(cè)誤差統(tǒng)計(jì)分析 25311314.3本章小結(jié) 26847結(jié)論 2731545參考文獻(xiàn) 28東北電力大學(xué)自動(dòng)化工程學(xué)院學(xué)士學(xué)文位論-第一章緒論1.1課題背景與意義目前全世界都面臨著氣候變暖,環(huán)境污染和煤炭枯竭等問題，并且能源短缺的問題已經(jīng)逐漸成為國際關(guān)心的問題。在最近的幾十年中,我國在能源的消費(fèi)速度是世界能源平均消費(fèi)水平的三倍而且我國能源的消費(fèi)總量也已經(jīng)占到了全世界的19%以上,而且我國累計(jì)消費(fèi)的能源也達(dá)到了世界能源消費(fèi)總量的50%左右。我國幾乎所有化石能源的儲(chǔ)量平均來說都很低。2014年我國的煤炭、石油和天然氣這三大基礎(chǔ)能源的對(duì)外進(jìn)口度都普遍上漲,其中石油的對(duì)外進(jìn)口度竟然達(dá)到了60%。我國一直是一個(gè)能源的需求大國，目前為止能源在很大的程度上嚴(yán)重依賴進(jìn)口。目前,隨著我國經(jīng)濟(jì)的持續(xù)發(fā)展,能源的消耗也在不斷增加,而且環(huán)境問題也日益嚴(yán)重,所以我國急需制定一個(gè)符合中國國情能夠長(zhǎng)期發(fā)展的能源計(jì)劃,要在環(huán)保節(jié)能的同時(shí),盡可能多的采取多種手段來進(jìn)行能源的互補(bǔ)并不斷的開發(fā)與利用新的能源,尤其是需要大力發(fā)展可再生能源，并提高其利用率。風(fēng)能在目前來說無疑是一種清潔、無污染、而且技術(shù)也相對(duì)成熟,而且隨著風(fēng)能的逐步利用，發(fā)電成本也在日益下降，而且風(fēng)能在全球的儲(chǔ)量也非常的豐富;所以就目前而言,風(fēng)能的利用率的提高能夠有效緩解我國化石燃料的不足的問題。

近年來,隨著風(fēng)能在我國的電網(wǎng)系統(tǒng)中占比的不斷升高,根據(jù)全球風(fēng)能協(xié)會(huì)的年度報(bào)告指出，目前全球風(fēng)電機(jī)組的總裝機(jī)容量已經(jīng)達(dá)到了318105MW。清潔高效且無污染的風(fēng)力發(fā)電已經(jīng)邁入了一個(gè)高速發(fā)展的時(shí)期。隨著我國風(fēng)電和光伏行業(yè)的高速發(fā)展,大規(guī)模的風(fēng)電場(chǎng)（例如幾百兆瓦）的并網(wǎng)運(yùn)行對(duì)電力系統(tǒng)的所造成的影響也越來越明顯。另外我國的風(fēng)能資源分布也相對(duì)比較集中,風(fēng)能資源多的地方一般也是電網(wǎng)需求量較小的地方,當(dāng)?shù)氐碾娋W(wǎng)結(jié)構(gòu)的組成也是比較薄弱的。而且風(fēng)能還具有周期性和不確定性,所以在實(shí)際的運(yùn)行過程中多數(shù)的風(fēng)電是具有反調(diào)峰性質(zhì)的,這也就讓我們難以對(duì)風(fēng)電的實(shí)際情況做出有效和準(zhǔn)確的預(yù)測(cè),還會(huì)提高電網(wǎng)調(diào)度的難度性,這種不確定性還會(huì)對(duì)電網(wǎng)的安全和穩(wěn)定造成影響,甚至?xí)茐碾娋W(wǎng)的正常穩(wěn)定運(yùn)行,嚴(yán)重的還會(huì)導(dǎo)致電網(wǎng)的崩潰。所以考慮到風(fēng)電并網(wǎng)時(shí)可能對(duì)電網(wǎng)所造成的影響,我們有必要對(duì)風(fēng)電的并網(wǎng)情況進(jìn)行提前的預(yù)測(cè)和實(shí)時(shí)是跟蹤并及時(shí)的上報(bào)電力調(diào)度中心。隨著我國電力行業(yè)對(duì)風(fēng)功率預(yù)測(cè)的技術(shù)需求的日益增長(zhǎng),短期風(fēng)功率的預(yù)測(cè)系統(tǒng)也已經(jīng)逐漸成為風(fēng)電發(fā)展的技術(shù)必需品。所以做出對(duì)風(fēng)功率的預(yù)測(cè)具有現(xiàn)實(shí)的重要意義。1.2短期風(fēng)功率預(yù)測(cè)的意義以短期風(fēng)功率預(yù)測(cè)作為研究?jī)?nèi)容，就目前來說是具重要的現(xiàn)實(shí)意義和學(xué)術(shù)的研究?jī)r(jià)值的。我國目前已經(jīng)對(duì)所有已并網(wǎng)運(yùn)行的風(fēng)電場(chǎng)建立了以風(fēng)電預(yù)測(cè)體系和發(fā)電場(chǎng)計(jì)劃報(bào)告的新的工作模式，而未按要求上申報(bào)風(fēng)電預(yù)測(cè)預(yù)報(bào)的企業(yè)將不得或者推遲并網(wǎng)運(yùn)行。目前為止，我國新建的幾個(gè)大型風(fēng)電場(chǎng)，大多數(shù)上報(bào)調(diào)度中心的短期功率預(yù)測(cè)都是隨意編造的，只有極少數(shù)的風(fēng)電場(chǎng)安裝了風(fēng)功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)，然而這些風(fēng)電場(chǎng)所上報(bào)的預(yù)測(cè)數(shù)據(jù)其預(yù)測(cè)精度也比較低，所以目前來說我國風(fēng)電總體預(yù)測(cè)率還是非常低的。在目前階段，風(fēng)電場(chǎng)的并網(wǎng)運(yùn)行都是需要靠國家政策補(bǔ)貼的，但是風(fēng)電最終還是要參與到市場(chǎng)的公平化競(jìng)爭(zhēng)之中來的，可是風(fēng)電的這種不確定性卻極大的削弱了其原本就極其微弱的競(jìng)爭(zhēng)力，肯還有以下這種情況發(fā)生：因其供電的不確定性而對(duì)電網(wǎng)系統(tǒng)造成損害進(jìn)而受到嚴(yán)厲的經(jīng)濟(jì)處罰。但是如果能夠通過對(duì)風(fēng)電場(chǎng)的風(fēng)功率進(jìn)行短期預(yù)測(cè)，就可以在很大程度上提升風(fēng)電在市場(chǎng)中的競(jìng)爭(zhēng)力，從而促進(jìn)風(fēng)力發(fā)電的競(jìng)價(jià)上網(wǎng)的政策的施行。所以就目前我國風(fēng)電裝機(jī)容量的發(fā)展趨勢(shì)來看，如果風(fēng)電能夠進(jìn)行一定的短期預(yù)測(cè)，那么其將具有更加廣闊的市場(chǎng)前景，而且進(jìn)行短期風(fēng)功率的預(yù)測(cè)也是具有經(jīng)濟(jì)效益的。還有就是從電場(chǎng)的角度出發(fā)，風(fēng)電場(chǎng)運(yùn)行的經(jīng)濟(jì)效益是和其短期功率預(yù)測(cè)成正比關(guān)系的，而且隨著我國風(fēng)電裝機(jī)總?cè)萘康牟粩嘣黾?，這種關(guān)系在可以預(yù)見的將來也會(huì)日益提升的。除此之外，風(fēng)電場(chǎng)還也可根據(jù)預(yù)測(cè)的結(jié)果選擇發(fā)電功率較小的時(shí)間段對(duì)設(shè)備進(jìn)行檢修和維護(hù)，從而降低風(fēng)機(jī)發(fā)生故障率的可能性。所以，但凡裝機(jī)容量較大的風(fēng)電場(chǎng)，其具有的功率預(yù)測(cè)的經(jīng)濟(jì)意義也就越突出。而且從電網(wǎng)系統(tǒng)的安全角度來說。目前我國所制定的法律法規(guī)都要求提高風(fēng)電的并網(wǎng)比例，所以為了能夠提高電網(wǎng)系統(tǒng)的風(fēng)電接納能力，電網(wǎng)的調(diào)度部門也要能夠?qū)Χ唐陲L(fēng)功率的變化做及時(shí)做出調(diào)整，而且對(duì)風(fēng)電場(chǎng)短期風(fēng)功率的預(yù)測(cè)還可以減小建設(shè)時(shí)的系統(tǒng)備用容量，從而達(dá)到提高風(fēng)電穿透功率的目的，這也能夠有效的減輕風(fēng)電并網(wǎng)時(shí)對(duì)整個(gè)電網(wǎng)系統(tǒng)造成的危害，從而大大的節(jié)省電力系統(tǒng)的運(yùn)行成本，使風(fēng)能從以前人們認(rèn)為的垃圾能源進(jìn)而轉(zhuǎn)化為可以充分利用的新型清潔能源。目前為止，我國實(shí)行智能電網(wǎng)的目的是實(shí)現(xiàn)電網(wǎng)運(yùn)行的經(jīng)濟(jì)性、平穩(wěn)性和安全性。通過對(duì)短期風(fēng)功率的預(yù)測(cè)，還可以有效的保證風(fēng)電的持續(xù)穩(wěn)定安全運(yùn)行，進(jìn)而提高風(fēng)電的經(jīng)濟(jì)性，進(jìn)而降低風(fēng)電并網(wǎng)時(shí)對(duì)系統(tǒng)的影響，促進(jìn)我國智能電網(wǎng)的穩(wěn)步發(fā)展。所以就目前來說進(jìn)行短期風(fēng)功率的預(yù)測(cè)對(duì)中國風(fēng)電的發(fā)展意義重大。1.3風(fēng)功率預(yù)測(cè)研究現(xiàn)狀1.3.1國外研究現(xiàn)狀世界上最早進(jìn)行風(fēng)功率預(yù)測(cè)研究的國家是丹麥。目前丹麥風(fēng)的電裝機(jī)容量和風(fēng)力發(fā)電占比也是最高的。在上世紀(jì)90年代,丹麥的國家能源實(shí)驗(yàn)室利用和歐洲類似的風(fēng)圖集類似的方法開發(fā)出了一套新的風(fēng)電功率預(yù)測(cè)系統(tǒng),它首根據(jù)天氣預(yù)報(bào)所提供的風(fēng)速、風(fēng)向等數(shù)據(jù)進(jìn)行處理，進(jìn)而轉(zhuǎn)換到風(fēng)機(jī)輪轂處的數(shù)據(jù),然后根據(jù)風(fēng)機(jī)的輸出功率曲線對(duì)功率進(jìn)行粗略預(yù)測(cè),最后對(duì)輸出功率進(jìn)行適當(dāng)?shù)男Ｕ?。隨后風(fēng)功率的預(yù)測(cè)重要性也逐漸被一些風(fēng)能源較多的國家所重視,如德國，法國等發(fā)達(dá)國家都先后進(jìn)投入到對(duì)風(fēng)功率預(yù)測(cè)和研究的行列。目前,國外的風(fēng)功率預(yù)測(cè)系統(tǒng)所預(yù)測(cè)出的結(jié)果的平均絕對(duì)誤差(MAE)一般為總裝機(jī)容量的12?15%左右。在法國、德國、丹麥等發(fā)達(dá)國家,短期風(fēng)功率的預(yù)測(cè)也已經(jīng)應(yīng)用的非常廣泛，而且也為電網(wǎng)人員的調(diào)度提供了強(qiáng)有力的支撐。但是隨著對(duì)預(yù)測(cè)研究的不斷深入,逐漸出現(xiàn)了類似于多數(shù)值組合預(yù)測(cè)和多模型組合預(yù)測(cè)的新研究方法,而且和以前的方法相比新的預(yù)測(cè)方法的精度也在不斷的提高。短期風(fēng)功率的預(yù)測(cè)不只是由簡(jiǎn)單的數(shù)學(xué)算法建立而成的，而是由多種方法組合而成的。目前,已有許多基于風(fēng)速的預(yù)測(cè)模型。它們所采用的方法是，先根據(jù)統(tǒng)學(xué)建立的數(shù)學(xué)模型對(duì)風(fēng)速進(jìn)行預(yù)測(cè),然后對(duì)風(fēng)機(jī)的輸出功率曲線做出適當(dāng)?shù)臄?shù)據(jù)處理，最后轉(zhuǎn)換為對(duì)短期風(fēng)功率的預(yù)測(cè)。但是風(fēng)機(jī)的功率輸出大體上是和風(fēng)速的三次方成正比的,所以直接利用風(fēng)功率預(yù)測(cè)曲線做出的預(yù)測(cè)結(jié)果可想而知是不準(zhǔn)確的，所以其可信度也是較低的。到了20世紀(jì)，人們又把注意力的目光到了短期功率的實(shí)時(shí)預(yù)測(cè)和對(duì)預(yù)測(cè)結(jié)果的不確定性的方面之上。ARMINES預(yù)測(cè)系統(tǒng)是由三種預(yù)測(cè)模型組成，第一種是統(tǒng)計(jì)時(shí)序的方法，它能夠提前11小時(shí)對(duì)風(fēng)能進(jìn)行預(yù)測(cè)；第二種是自適應(yīng)性的深度置信網(wǎng)絡(luò)模型，它能夠提前72小時(shí)對(duì)風(fēng)機(jī)功率進(jìn)行預(yù)測(cè)，它的本質(zhì)是一種中期功率預(yù)測(cè)網(wǎng)絡(luò)模型；最后一種是綜合預(yù)測(cè)的網(wǎng)絡(luò)模型，它能夠通過全面的考慮，通過長(zhǎng)期和短期的數(shù)據(jù)預(yù)測(cè)結(jié)果，從而通過計(jì)算得到一個(gè)最終的值。德國ISET開發(fā)的WPMS系統(tǒng)使用的就是人工神經(jīng)網(wǎng)絡(luò)的方法；歐盟所研發(fā)的ANEMOS是想設(shè)計(jì)出一種既適用于陸地又適用于海洋的短期風(fēng)功率預(yù)測(cè)方法，而且其也優(yōu)化了風(fēng)場(chǎng)的儲(chǔ)能系統(tǒng)，并且減少了電網(wǎng)設(shè)計(jì)時(shí)所需的備用設(shè)計(jì)容量，這個(gè)系統(tǒng)最大的特點(diǎn)就是其既綜合使用了物理學(xué)和統(tǒng)計(jì)學(xué)兩種模型，又優(yōu)于只使用一種模型的系統(tǒng)的設(shè)計(jì)。1.3.2國內(nèi)研究現(xiàn)狀雖然目前現(xiàn)在我國的短期風(fēng)功率預(yù)測(cè)還處于初步的研究階段,目前還沒有專門的風(fēng)電預(yù)測(cè)天氣預(yù)報(bào)系統(tǒng)，但是國在關(guān)于短期風(fēng)功率預(yù)測(cè)的研究上也已經(jīng)有了一定成果,例如韓爽等使用的時(shí)間序列法和神經(jīng)網(wǎng)絡(luò)法。但是這種方法雖然能夠能對(duì)未來3小時(shí)的短期風(fēng)功率進(jìn)行預(yù)測(cè),但其預(yù)測(cè)的結(jié)果的平均絕對(duì)誤差還是在9%左右。而且馮雙磊等所采用的物理方法雖然可以對(duì)風(fēng)電場(chǎng)未來48小時(shí)的平均風(fēng)速和功率進(jìn)行預(yù)測(cè),但其預(yù)測(cè)結(jié)果的均方根誤差只有風(fēng)電場(chǎng)總裝機(jī)容量的24.9%左右，預(yù)測(cè)的平均的絕對(duì)誤差只有風(fēng)電場(chǎng)總裝機(jī)容量的17%左右。隨著我國目前對(duì)風(fēng)電技術(shù)研究領(lǐng)域的進(jìn)步和國家政策的補(bǔ)貼，我國在短期風(fēng)功率預(yù)測(cè)研究上也取得了長(zhǎng)足的進(jìn)步。短期風(fēng)功率預(yù)測(cè)軟件在市場(chǎng)中也得到了廣泛的應(yīng)用和認(rèn)知，而且也在逐年的應(yīng)用中不斷進(jìn)步，但是相比于法國、美國等發(fā)達(dá)國家，我們還有很長(zhǎng)的路要走。國內(nèi)在短期風(fēng)功率預(yù)測(cè)的方法上也仍存在這一些缺陷：比如MWP的準(zhǔn)確性不高、地理因素的影響不夠重視，以及其他影響風(fēng)功率的因素考慮較少等。由此可以看出,短期風(fēng)功率的預(yù)測(cè)雖然在預(yù)測(cè)的精度上和方法上都有了許多一定的提升,特別是在預(yù)測(cè)的精度上提升的提升是明顯的。但是它們都有一個(gè)共同特點(diǎn),那就是他們都需要提前知道相應(yīng)歷史數(shù)據(jù)。然后通過適合的方法搭建出一個(gè)符合要求的功率預(yù)測(cè)模型,最后通過對(duì)風(fēng)速等數(shù)據(jù)進(jìn)行一系列的處理并最終實(shí)現(xiàn)對(duì)短期風(fēng)功率的預(yù)測(cè)。雖然這些方法所需要的數(shù)據(jù)在獲取的手段上比較容易，而且傳輸起來也比較方便,但是也因此影響了整體風(fēng)功率預(yù)測(cè)的精度。但深度置信網(wǎng)絡(luò)卻在非線性等方面有較強(qiáng)的擬合性,而且其在學(xué)習(xí)的過程和訓(xùn)練方法上也是比較簡(jiǎn)單的,在計(jì)算機(jī)上實(shí)現(xiàn)起來也比較方便。1.5風(fēng)功率預(yù)測(cè)方法的分類通過閱讀相關(guān)材料可知，風(fēng)功率預(yù)測(cè)根據(jù)預(yù)測(cè)時(shí)間的長(zhǎng)短可以分為短期預(yù)測(cè)，中期預(yù)測(cè)，和長(zhǎng)期預(yù)測(cè)等。（1）短期預(yù)測(cè)短期預(yù)測(cè)按照時(shí)間長(zhǎng)短可以為分鐘預(yù)測(cè)和小時(shí)預(yù)測(cè)，短期的預(yù)測(cè)目前主要用是對(duì)風(fēng)電并網(wǎng)時(shí)的電能進(jìn)行控制，以便不對(duì)電網(wǎng)系統(tǒng)進(jìn)行沖擊。風(fēng)電在并入電網(wǎng)時(shí)，通過風(fēng)速的提前預(yù)測(cè)，可以對(duì)風(fēng)機(jī)的實(shí)時(shí)狀態(tài)進(jìn)行監(jiān)控，這樣并網(wǎng)的電能就是穩(wěn)定的，從而提高風(fēng)電并網(wǎng)的質(zhì)量。短期預(yù)測(cè)的前提通常是需要知道風(fēng)電場(chǎng)的歷史數(shù)據(jù)。（2）中期預(yù)測(cè)中期預(yù)測(cè)按照時(shí)間的長(zhǎng)短可以分為天或周的預(yù)測(cè)，通常一般在對(duì)風(fēng)機(jī)進(jìn)行檢修時(shí)需要提前對(duì)風(fēng)功率進(jìn)行預(yù)測(cè)。以便提前安排風(fēng)場(chǎng)的儲(chǔ)能等問題，中期預(yù)測(cè)所用的數(shù)據(jù)一般是較低精度的天氣預(yù)報(bào)結(jié)果。中期風(fēng)功率的預(yù)測(cè)是一個(gè)進(jìn)行能量獲取的過程，其預(yù)測(cè)的結(jié)果和風(fēng)速的平均值有著直接關(guān)聯(lián)。中期預(yù)測(cè)不僅需要對(duì)大氣的動(dòng)力系統(tǒng)進(jìn)行預(yù)判，還要考慮到季節(jié)的變換和其他天氣因素的影響，所以進(jìn)行數(shù)據(jù)的預(yù)處理能夠提高預(yù)測(cè)的精度。（3）長(zhǎng)期預(yù)測(cè)長(zhǎng)期預(yù)測(cè)是以月和年就行預(yù)測(cè)的，主要是用在電場(chǎng)建設(shè)之后的年發(fā)電量進(jìn)行預(yù)測(cè)，所以一般是用于風(fēng)電場(chǎng)建設(shè)之前的提前預(yù)測(cè)，用以在風(fēng)電場(chǎng)建設(shè)時(shí)的分布和容量設(shè)計(jì)就行修改和補(bǔ)充。該預(yù)測(cè)主要需要根據(jù)歷年氣象部門所給出的數(shù)據(jù)和風(fēng)電場(chǎng)的歷史數(shù)據(jù)，并結(jié)合數(shù)率統(tǒng)計(jì)和功率曲線曲線等方面，進(jìn)而預(yù)測(cè)風(fēng)電場(chǎng)的年發(fā)電量。1.6本文所研究的內(nèi)容和研究方法本文所研究的深度置信網(wǎng)絡(luò)是人工學(xué)習(xí)網(wǎng)絡(luò)方法中的一種,因其在網(wǎng)絡(luò)結(jié)構(gòu)上強(qiáng)調(diào)訓(xùn)練的深度，在訓(xùn)練過程中強(qiáng)調(diào)訓(xùn)練的效率具有良好的效果,所以本文將采用基于深度置信的網(wǎng)絡(luò)模型對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)。目前為止，主流的深度置信網(wǎng)絡(luò)的算法是基于限制玻爾茲曼機(jī)(RBM)的學(xué)習(xí)法。深度置信網(wǎng)絡(luò)模型就是把若干個(gè)RBM層疊在一起,然后對(duì)整個(gè)深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其本質(zhì)上就是無監(jiān)督的對(duì)每一層RBM進(jìn)行分別訓(xùn)練,并最終建立起短期的風(fēng)功率預(yù)測(cè)模型。在2006年,Hinton提出了一種基于深度置信網(wǎng)絡(luò)(DeepBeliefNets,DBN)的模型，并且也提出了它基的基本計(jì)算過程,即基于層疊的RBM的深度置信網(wǎng)絡(luò)的學(xué)習(xí)方法,其本質(zhì)也是一種深度學(xué)習(xí)網(wǎng)絡(luò)模型。這是一種訓(xùn)練生成模型,其通過訓(xùn)練神經(jīng)元之間的權(quán)重,并最終能夠讓整個(gè)神經(jīng)網(wǎng)絡(luò)都按照最大的概率來生成訓(xùn)練所需的數(shù)據(jù)。DBN除了在識(shí)別特征和數(shù)據(jù)分類等方面具有出貢獻(xiàn),它還可以用來生成數(shù)據(jù)。幾個(gè)RBM疊在一起就會(huì)形成了一個(gè)簡(jiǎn)單的深度置信網(wǎng)絡(luò)模型,其訓(xùn)練過程就是分別從底層到高層的逐層訓(xùn)練。這種無監(jiān)督的訓(xùn)練方式通過對(duì)比散度(Contrastive

Divergence,CD)的方法能夠快速的訓(xùn)練每一層RBM。這樣的話,深度置信網(wǎng)絡(luò)的整體訓(xùn)練過程也就分解成了對(duì)每個(gè)RBM進(jìn)行單獨(dú)訓(xùn)練的問題,從而避免了對(duì)深度網(wǎng)絡(luò)模型整體訓(xùn)練的難題。通過廣泛查找相關(guān)文獻(xiàn)，并使用Matlab編寫深度置信網(wǎng)絡(luò)算法,在計(jì)算機(jī)環(huán)境下運(yùn)用深度置信網(wǎng)絡(luò)方法進(jìn)行建模，然后利用校正后的天氣預(yù)報(bào)數(shù)據(jù)和收集的風(fēng)場(chǎng)歷史數(shù)據(jù)，提出一種基于層疊的限制玻爾茲曼機(jī)(RBM)的深度置信網(wǎng)絡(luò)模型對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)。其基本原理如圖1-1所示：風(fēng)場(chǎng)歷史數(shù)據(jù)風(fēng)場(chǎng)歷史數(shù)據(jù)基于DBN的短期功率預(yù)測(cè)模型基于DBN的短期功率預(yù)測(cè)模型功率預(yù)測(cè)結(jié)果功率預(yù)測(cè)結(jié)果現(xiàn)有數(shù)據(jù)校正后的數(shù)據(jù)現(xiàn)有數(shù)據(jù)校正后的數(shù)據(jù)風(fēng)場(chǎng)記錄的歷史功率數(shù)據(jù)風(fēng)場(chǎng)記錄的歷史功率數(shù)據(jù)圖1-1基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型文章的章節(jié)結(jié)構(gòu)安排如下：第一章緒論。簡(jiǎn)要的對(duì)課題的研究背景及意義，影響短期風(fēng)功率的因素及其研究現(xiàn)狀和給予深度置信網(wǎng)絡(luò)建模的研究現(xiàn)狀進(jìn)行了簡(jiǎn)單介紹，最后敘述了本文的研究?jī)?nèi)容以及章節(jié)結(jié)構(gòu)。第二章短期風(fēng)功率特性分析。介紹了影響功率預(yù)測(cè)的因素及條件以及數(shù)據(jù)的處理。第三章深度置信網(wǎng)絡(luò)的建模分析。介紹了深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)特性，并且簡(jiǎn)要闡述多層受限玻爾茲曼機(jī)原理，主要對(duì)深度置信網(wǎng)絡(luò)算法原理進(jìn)行詳解。第四章基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)和實(shí)現(xiàn)。簡(jiǎn)要介紹算法參數(shù)的選擇以及運(yùn)用歷史數(shù)據(jù)對(duì)深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后對(duì)基于深度置信網(wǎng)絡(luò)算法的短期風(fēng)功率預(yù)測(cè)仿真測(cè)試以及結(jié)果分析。第五章總結(jié)全文，得出結(jié)論。1.7本章小結(jié)本章介紹了研究短期風(fēng)電功率預(yù)測(cè)的意義和國內(nèi)外研究人員對(duì)此類課題的研究成果，同時(shí)介紹了目前預(yù)測(cè)領(lǐng)域上使用較為廣泛的深度置信網(wǎng)絡(luò)，在此基礎(chǔ)上提出了運(yùn)用深度置信網(wǎng)絡(luò)對(duì)短期風(fēng)電功率進(jìn)行預(yù)測(cè)的方法，最后對(duì)本論文的結(jié)構(gòu)進(jìn)行了總結(jié)。東北電力大學(xué)自動(dòng)化工程學(xué)院學(xué)士學(xué)位論文風(fēng)電場(chǎng)參數(shù)特性研究2.1引言因?yàn)檫M(jìn)行風(fēng)電的數(shù)據(jù)獲取是進(jìn)行短期風(fēng)功率預(yù)測(cè)的前提。所以本文所用的數(shù)據(jù)是來自某風(fēng)電場(chǎng)的歷史數(shù)據(jù)，本文從該風(fēng)電場(chǎng)的云數(shù)據(jù)庫中提取了2014年3月11日至2015年10月1日的原始數(shù)據(jù)，其中還包括了以往的天氣預(yù)報(bào)數(shù)據(jù)和其所對(duì)應(yīng)的風(fēng)場(chǎng)歷史數(shù)據(jù)。雖然該數(shù)據(jù)是從云端數(shù)據(jù)庫之中實(shí)時(shí)采集并記錄的，但是在數(shù)據(jù)的動(dòng)態(tài)采集過程中可能發(fā)生機(jī)械故障，以及其他不確定事件都可能對(duì)采集的數(shù)據(jù)造成錯(cuò)誤。這些錯(cuò)誤的發(fā)生一定會(huì)讓其與實(shí)際數(shù)據(jù)不一致。所以如果直接使用這些數(shù)據(jù)來進(jìn)行短期風(fēng)功率預(yù)測(cè)，最終的預(yù)測(cè)結(jié)果的精度一定是不準(zhǔn)確的。所以為了提高風(fēng)功率預(yù)測(cè)的精度，就需要對(duì)這些采集而來的數(shù)據(jù)進(jìn)行預(yù)處理。2.2短期風(fēng)功率的預(yù)測(cè)誤差短期風(fēng)功率預(yù)測(cè)實(shí)際上就是對(duì)未來一段時(shí)間內(nèi)的風(fēng)機(jī)輸出功率情況的一種預(yù)測(cè)和評(píng)估，它所得出的結(jié)果一定是與實(shí)際功率是不一致的，這個(gè)誤差就是風(fēng)功率預(yù)測(cè)的誤差。所以我們需要對(duì)預(yù)測(cè)所產(chǎn)生的誤差進(jìn)行改善，以下就是是常用的誤差指標(biāo)：（1）絕對(duì)誤差(AE)和相對(duì)誤差(RE)如果表示第i時(shí)刻風(fēng)機(jī)的實(shí)際發(fā)出功率，表示第i時(shí)刻系統(tǒng)所預(yù)測(cè)的功率，那么就是表示絕對(duì)誤差，則表示相對(duì)誤差。這兩個(gè)誤差就是常用的誤差表示方法，其反應(yīng)了實(shí)際值和預(yù)測(cè)值的偏差大小，它們的作用一般是用來指標(biāo)考核的。（2）平均絕對(duì)誤差(MAE)和平均相對(duì)誤差(MRE)（2-1）（2-2）上式中表示第i時(shí)刻的實(shí)際發(fā)出功率，表示第i時(shí)刻所預(yù)測(cè)的功率，n為樣本數(shù)，Cap表示平均的容量。上面兩個(gè)指標(biāo)是分析誤差的綜合性指標(biāo)，其反應(yīng)了整體的預(yù)測(cè)誤差。（3）均方根誤差(RMSE)和歸一化均方根誤差(NMSE)（2-3）（2-4）上式中，表示第i時(shí)刻的風(fēng)機(jī)實(shí)際發(fā)出的功率，表示第i時(shí)刻系統(tǒng)預(yù)測(cè)的功率，n為樣本總數(shù)，Cap表示平均容量。均方根誤差則反應(yīng)了實(shí)際值和預(yù)測(cè)值之間的總體偏差的情況，但是均方根誤差也是誤差分析的綜合指標(biāo)性之一。2.3風(fēng)功率和風(fēng)速風(fēng)向的關(guān)系風(fēng)能指的是風(fēng)在運(yùn)動(dòng)過程中所產(chǎn)生的能量，風(fēng)能具體指的是風(fēng)所具有的物理動(dòng)能。設(shè)葉輪的橫截面積為A。那么，當(dāng)有速度為v的的風(fēng)流過葉輪時(shí)，那么單位時(shí)間t內(nèi)所能夠獲得的動(dòng)能為：（2-5）那么，單位時(shí)間內(nèi)流量為：，所以有以下公式（2-6）其中表示空氣的密度（kg/m2）；V表示風(fēng)速（m/s）；A表示葉輪旋轉(zhuǎn)時(shí)的面積（m2）；p表示單位時(shí)間內(nèi)流過風(fēng)輪的功率，級(jí)風(fēng)功率（W）；如果風(fēng)輪的直徑是d，那么；那么：（2-7）如果t表示有效時(shí)間，那么在T內(nèi)的風(fēng)功率為（2-8）由上式可知風(fēng)機(jī)的面積不變的情況下，是直接影響風(fēng)功率大小的直接因素，雖然空氣密度等也能影響預(yù)測(cè)的結(jié)果，但是在短時(shí)間內(nèi)不會(huì)有大的影響。所以，想要預(yù)測(cè)風(fēng)功率要先預(yù)測(cè)風(fēng)速的大小。2.4風(fēng)電場(chǎng)的風(fēng)速特征風(fēng)電場(chǎng)具有以下今兒個(gè)明顯的特征：（1）具有豐富的風(fēng)力資源廠址選擇的優(yōu)越性，想要建立風(fēng)電場(chǎng)基本的要求就是每年的有效小時(shí)利用數(shù)達(dá)到了較高的2200-4000h，而且年風(fēng)速在6-20/s的時(shí)間在500-1500h左右。（2）具有風(fēng)向穩(wěn)定的優(yōu)點(diǎn)，風(fēng)速大小受季節(jié)變化影響較小雖然目前設(shè)計(jì)的風(fēng)機(jī)能夠根據(jù)風(fēng)速的變化來調(diào)整自身的結(jié)構(gòu)，但是如果風(fēng)速的大小和速度時(shí)穩(wěn)定的，那么就能夠增加風(fēng)電小時(shí)利用率，進(jìn)而達(dá)到為風(fēng)機(jī)延長(zhǎng)壽命的效果。如果風(fēng)速受季節(jié)的變化影響較少，那么就能提高風(fēng)電的利用時(shí)間從而提高發(fā)電率，這樣的話對(duì)成本的節(jié)約和并網(wǎng)的可靠性都有好處。（3）當(dāng)?shù)氐耐牧鬏^小當(dāng)風(fēng)通過障礙物時(shí)，風(fēng)的方向和大小都會(huì)發(fā)生變化進(jìn)而出現(xiàn)湍流，湍流具有很多危害，其中之一就是會(huì)降低風(fēng)機(jī)的輸出功率，嚴(yán)重的時(shí)候還會(huì)對(duì)風(fēng)機(jī)的結(jié)構(gòu)造成損壞，所以在風(fēng)廠選址時(shí)都會(huì)考慮這個(gè)方面。（4）風(fēng)能的平穩(wěn)性因?yàn)榄h(huán)境和氣象都會(huì)對(duì)風(fēng)速造成影響，所以風(fēng)廠的風(fēng)速不會(huì)是一直平穩(wěn)的。2.5本章小結(jié)本章通過短期風(fēng)功率意義、影響因素和預(yù)測(cè)短期風(fēng)功率的途徑進(jìn)行了詳細(xì)敘述。并對(duì)短期風(fēng)功率的基礎(chǔ)知識(shí)進(jìn)行了完善，為下一步結(jié)合深度置信網(wǎng)絡(luò)算法并完成對(duì)短期風(fēng)功率的預(yù)測(cè)打下了一定的基礎(chǔ)。第三章深度置信網(wǎng)絡(luò)的建模分析3.1引言近年具有深層架構(gòu)和多層次的深度置信網(wǎng)絡(luò)，在機(jī)器學(xué)習(xí)，信號(hào)處理，人工智能和短期預(yù)測(cè)方面引起了廣泛關(guān)注。深層置信網(wǎng)絡(luò)(DBN)作為深度學(xué)習(xí)的代表性方法，具有很強(qiáng)的無監(jiān)督特征學(xué)習(xí)能力。近年來，DBN已成功應(yīng)用于聲學(xué)建模、自然語言理解、語音識(shí)別、語音情感識(shí)別和短期預(yù)測(cè)等等方面。3.2深度學(xué)習(xí)網(wǎng)絡(luò)算法3.2.1深度學(xué)習(xí)網(wǎng)絡(luò)\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"深度學(xué)習(xí)的概念由\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"人工神經(jīng)網(wǎng)絡(luò)提出的，多個(gè)隱層的傳感器組合在一起就構(gòu)成了一種簡(jiǎn)單的深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過低層特征的組合逐步的形成了更加抽象的高層，并用它來表示特征以用來實(shí)現(xiàn)數(shù)據(jù)的特征表示。在2006年Hinton提出了深度學(xué)習(xí)的概念。并且基于深度置信網(wǎng)絡(luò)(DBN)的說法提出了無監(jiān)督的訓(xùn)練方法，這種方法的提出為解決深度學(xué)習(xí)的結(jié)構(gòu)問題提供了解決的途徑，隨后又提出了自動(dòng)編碼器的設(shè)想。而且其它等人也提出了另一個(gè)真正的多層結(jié)構(gòu)的算法：卷積神經(jīng)網(wǎng)絡(luò)。它可以通過空間的相對(duì)關(guān)系從而來減少參數(shù)以便于提高訓(xùn)練的效果。\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一種，它的原理是基于對(duì)數(shù)據(jù)處理然后進(jìn)行特征學(xué)習(xí)的方法。輸入值（如一幅圖片）可以使用多種方式來表示，如該幅照片的像素強(qiáng)度或者更抽象地表示為一定區(qū)域的圖形等方法。而使用一些特定的方法就會(huì)更加容易的在實(shí)踐當(dāng)中進(jìn)行應(yīng)用。深度學(xué)習(xí)的一個(gè)優(yōu)點(diǎn)就是可以使用無監(jiān)督或者半監(jiān)督的方法替代人工方法來獲取\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"特征值。深度學(xué)習(xí)目前是機(jī)器學(xué)習(xí)研究領(lǐng)域中的一個(gè)全新的方向，原因就是它可以用來建立和模擬大腦的運(yùn)行方式來進(jìn)行模擬特征學(xué)習(xí)。和\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"機(jī)器學(xué)習(xí)類似，機(jī)器學(xué)習(xí)也分為有監(jiān)督和無監(jiān)督．不過不同是DBN和機(jī)器的模型建立是在不同的學(xué)習(xí)環(huán)境下的。比如\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"卷積神經(jīng)網(wǎng)絡(luò)(CNNs)就是一種深度學(xué)習(xí)，而且是在有監(jiān)督的模式下進(jìn)行機(jī)器學(xué)習(xí)的，而深度\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"置信網(wǎng)絡(luò)(DBNs)就是一種在無監(jiān)督的模式下進(jìn)行機(jī)器學(xué)習(xí)的方法。3.2.2深度置信網(wǎng)絡(luò)(DBN)受限玻爾茲曼機(jī)（RBM）由一層隨機(jī)隱藏單元和一層隨機(jī)可見單元組成。RBM可以被視為二分圖，其中所有可見單元都連接到所有隱藏單元。值得注意的是，RBM中可見或隱藏層連接不存在。假設(shè)模型參數(shù)θ和能量函數(shù)，可見單元上的關(guān)節(jié)分布和RBM中的隱藏單位h表示為：(3-1)其中是歸一化因子。能量函數(shù)伯努利（可見）-Bernoulli（隱藏）RBM中的表示為：(3-2)其中表示可見單元，表示隱藏單元；，和之間的對(duì)稱交互項(xiàng)，偏差項(xiàng)，I和J分別是可見單元的數(shù)量單位和隱藏單位。

在RBM中，可以通過以下規(guī)則更新RBM權(quán)重：(3-3)其中表示訓(xùn)練數(shù)據(jù)中的期望值，而表示與給定模型表示的分布相同的期望值。3.2.3深度置信網(wǎng)絡(luò)(DBN)的結(jié)構(gòu)早在2006年的時(shí)候Hinton就在國際上提出了深度置信網(wǎng)絡(luò)的概念，DBN的本質(zhì)是通過無監(jiān)的學(xué)習(xí)方法逐層的訓(xùn)練深度置信網(wǎng)絡(luò)，并通過訓(xùn)練得到連接權(quán)重和閾值等信息數(shù)據(jù)。上文提到過，深度置信網(wǎng)絡(luò)可以看做是由多個(gè)RBM網(wǎng)絡(luò)組合在一起而成的。而且通過對(duì)RBM的堆疊和組合，還可以從復(fù)雜的數(shù)據(jù)之中提取更加深層次的特征值。但是單一的RBM模型進(jìn)行組合只能從復(fù)雜的數(shù)據(jù)中獲得只高一級(jí)的數(shù)據(jù)特征。所以，還不能對(duì)輸入的數(shù)據(jù)進(jìn)行有效的分類，要想取得一個(gè)相對(duì)完整的DBN網(wǎng)絡(luò)模型，還需要在層疊的RBM最上層加入一個(gè)監(jiān)督分類器。所以一個(gè)完整的深度置信網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3-1所示。由圖3-1可以看出，深度置信網(wǎng)絡(luò)模型是由一定個(gè)數(shù)的RBM所組成的。它的第一層和第二層組合在一起就形成了第一個(gè)RBM，而第二層和第三層組合在一起就形成了第二個(gè)RBM，由此可知下面的結(jié)構(gòu)也是類似的所以總共組成了4個(gè)可見的RBM。所以將第四個(gè)RBM的的輸出結(jié)果作為輸入并傳輸?shù)揭粋€(gè)傳統(tǒng)的分類監(jiān)督器之中，就可對(duì)輸出的數(shù)據(jù)進(jìn)行精準(zhǔn)的分類。所以，如果將監(jiān)督器也算入整個(gè)結(jié)果的話，圖3-1就表示了一個(gè)具有6個(gè)層級(jí)的深度置信網(wǎng)絡(luò)。深度置信網(wǎng)絡(luò)從最低一層的RBM開始接受數(shù)據(jù)開始，并逐級(jí)的經(jīng)過4層RBM和一個(gè)加入的監(jiān)督分類器對(duì)輸入的數(shù)據(jù)進(jìn)行特征提取與數(shù)據(jù)分類。而且輸入層的節(jié)點(diǎn)個(gè)數(shù)是由輸入的數(shù)據(jù)維度所決定，也就是說輸出層的節(jié)點(diǎn)個(gè)數(shù)是由輸數(shù)據(jù)時(shí)的數(shù)據(jù)類別所決定的。頂層單元頂層單元第五層第五層分類器 標(biāo)簽數(shù)據(jù)隱含單元隱含單元隱含單元隱含單元 隱含單元隱含單元第四層第四層第三層 堆疊RBM第三層第二層第二層HiddenWeights RBM層第一層第一層輸入Visible輸入圖3-1深度置信網(wǎng)絡(luò)的基本結(jié)構(gòu)3.2.5限制玻爾茲曼機(jī)（RBM）的網(wǎng)絡(luò)模型參數(shù)就像前文所介紹的，受限玻爾茲曼機(jī)（RBM）是DBN網(wǎng)絡(luò)的基本組成部分之一。而且每個(gè)DBN網(wǎng)絡(luò)中的RBM都能夠當(dāng)作聚類器來使用。一個(gè)完整的RBM網(wǎng)絡(luò)模型由兩層神經(jīng)元所組成，其中一層由顯性單元所組成的顯層，它的作用是用來輸入數(shù)據(jù)的。另一層是隱藏單元所組成的隱層，它的作用是用來充當(dāng)特征檢測(cè)器。RBM的每一個(gè)層次都可以用一個(gè)單獨(dú)的向量來表示，每一層的每一個(gè)神經(jīng)元都是向量的一個(gè)維度，而且，隱層和顯層之間是對(duì)稱連接的，但是同一層的神經(jīng)元是無法相互連接的。RBM的基本結(jié)構(gòu)如下圖3-2所示。H5H4H3H2H1H5H4H3H2H1 隱層CiwV4V3V2V1biV4V3V2V1bi 顯層圖3-2限制波爾茲曼機(jī)的基本結(jié)構(gòu)一個(gè)RBM網(wǎng)絡(luò)模型可以看作由二層所組成的，而且它的組成是由兩個(gè)隨機(jī)的二進(jìn)制節(jié)點(diǎn)所組成的網(wǎng)絡(luò)。如上圖所示，一個(gè)是可見節(jié)點(diǎn)，另一個(gè)是隱藏節(jié)點(diǎn)，而且，限制玻爾茲曼機(jī)的其中一個(gè)狀態(tài)：的實(shí)時(shí)能量函數(shù)的公式：(3-4)在公式中：W表示可見節(jié)點(diǎn)對(duì)隱層節(jié)點(diǎn)的對(duì)稱權(quán)重矩陣、L表示可見節(jié)點(diǎn)對(duì)可見節(jié)點(diǎn)的對(duì)稱權(quán)重矩陣、J表示隱藏節(jié)點(diǎn)對(duì)隱藏節(jié)點(diǎn)的對(duì)稱權(quán)重矩陣；V表示可見節(jié)點(diǎn)；H表示隱藏節(jié)點(diǎn)。而且為了公式的簡(jiǎn)潔性，我們可以忽略偏置的向量，而且因?yàn)镽BM層間是沒有鏈接的，所以L和J的對(duì)角矩陣值都為0。所以（3-5）公式可以簡(jiǎn)化為：(3-5)其實(shí)訓(xùn)練RBM就是訓(xùn)練合適的數(shù)據(jù)來擬合給定的參數(shù)。RBM網(wǎng)絡(luò)模型中V的概率為：(3-6)(3-7)其中：p*表示非標(biāo)準(zhǔn)的概率模型；表示區(qū)分函數(shù)；歸一化：（3-8）那么RBM在時(shí)的條件概率：（3-9）可見節(jié)點(diǎn)概率：（3-10）隱藏節(jié)點(diǎn)概率：（3-11）其中：表示第i個(gè)行向量的權(quán)重矩陣；表示第j個(gè)列向量的權(quán)重矩陣；。訓(xùn)練RBM就是求出一個(gè)能夠訓(xùn)練輸入數(shù)據(jù)的樣本概率，也就是求出一個(gè)分布時(shí)樣本概率在這個(gè)分布中最大化。權(quán)重W就是決定性的影響因素，所以我們訓(xùn)練RBM就是要求出這樣一個(gè)最佳的W值。以下為RBM權(quán)重的更新：（3-12）（3-13）（3-14）其中：表示學(xué)習(xí)的效率；表示訓(xùn)練之后期望的分布；表示模型網(wǎng)絡(luò)期望分布的概率；3.2.5深度置信網(wǎng)絡(luò)(DBN)的訓(xùn)練過程深度置信網(wǎng)絡(luò)的訓(xùn)練過程分為有監(jiān)督微調(diào)和無監(jiān)督的訓(xùn)練，其無監(jiān)督訓(xùn)練過程如圖3-3所示。開始開始輸入待分類數(shù)據(jù)、最大層數(shù)、每一層節(jié)點(diǎn)數(shù)、最大迭代次數(shù)輸入待分類數(shù)據(jù)、最大層數(shù)、每一層節(jié)點(diǎn)數(shù)、最大迭代次數(shù)設(shè)層數(shù)i=1設(shè)層數(shù)i=1 否無監(jiān)督預(yù)訓(xùn)練無監(jiān)督預(yù)訓(xùn)練i=i+1i=i+1如果i<=最大層數(shù)如果i<=最大層數(shù) 是使用使用BP算法進(jìn)行反向調(diào)節(jié)結(jié)束結(jié)束圖3-3深度置信網(wǎng)絡(luò)的基本結(jié)構(gòu)無監(jiān)督的預(yù)訓(xùn)練是深度置信網(wǎng)絡(luò)和其它預(yù)測(cè)模型的本質(zhì)區(qū)別，無監(jiān)督的訓(xùn)練原理是通過逐層的對(duì)數(shù)據(jù)的輸入和輸出做出訓(xùn)練，從而得到一個(gè)復(fù)雜的非線性函數(shù)，這也就是為什么深度置信網(wǎng)絡(luò)其具備強(qiáng)大特征提能力。首先最底層的RBM能夠產(chǎn)生一個(gè)向量，然后通過RBM將這個(gè)數(shù)據(jù)值傳遞到隱藏層，倒過來的話就是，通過隱藏層來重構(gòu)可視層方法，通過重構(gòu)層和可視層的不同，從而去得到一個(gè)新的隱藏層也可視層之間的權(quán)重，重復(fù)這個(gè)過程直到達(dá)到最迭代的最大次數(shù)。然后把得到的隱藏層作為可視層。最后，通過逐層的訓(xùn)練，這個(gè)構(gòu)建的DBN網(wǎng)絡(luò)就可以把從原始數(shù)據(jù)之中得到的數(shù)據(jù)特征傳達(dá)到高一層，進(jìn)而在高層次得到表達(dá)。而且通過逐層的訓(xùn)練RBM還可以減少訓(xùn)練深度置信網(wǎng)絡(luò)時(shí)的復(fù)雜度。最終這個(gè)模型把深度置信網(wǎng)絡(luò)的每一層都變成了一個(gè)淺層的神經(jīng)網(wǎng)絡(luò)。其過程如圖3-4所示。 H2RBM3 正向階段重構(gòu)階段 H2 RBM2 H1 H1RBM1 Date Date Date(b)(c)圖3-4無監(jiān)督訓(xùn)練過程3.3基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)網(wǎng)絡(luò)模型基于深度置信網(wǎng)絡(luò)，通過以校正后的歷史風(fēng)速數(shù)據(jù)和歷史的功率為輸入，預(yù)測(cè)出的功率數(shù)據(jù)作為輸出，從而實(shí)現(xiàn)短期風(fēng)功率的多步預(yù)測(cè)網(wǎng)絡(luò)模型。基于DBN的短期功率預(yù)測(cè)網(wǎng)絡(luò)模型基于DBN的短期功率預(yù)測(cè)網(wǎng)絡(luò)模型風(fēng)電場(chǎng)的歷史數(shù)據(jù)多步預(yù)測(cè)的功率結(jié)果多步預(yù)測(cè)的功率結(jié)果 校正后的數(shù)據(jù)風(fēng)電場(chǎng)的歷史功率圖3-5深度置信網(wǎng)絡(luò)預(yù)測(cè)模型其中基于深度置信網(wǎng)絡(luò)的多步預(yù)測(cè)模型是深度學(xué)習(xí)網(wǎng)絡(luò)的模型，而且，其輸入為校正后的風(fēng)場(chǎng)歷史數(shù)據(jù)和歷史功率數(shù)據(jù)、風(fēng)向、氣壓、溫度等，而輸出為預(yù)測(cè)的功率值。3.3.1基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)過程原則上，單單依靠數(shù)據(jù)自己建的聯(lián)系來預(yù)測(cè)短期風(fēng)功率的變化是不足的。在預(yù)測(cè)風(fēng)電場(chǎng)的短期功率時(shí)還要考慮當(dāng)?shù)氐牡乩砦恢?，并參考?dāng)?shù)氐臍v史氣象星系和大氣的變化以及風(fēng)機(jī)的歷史運(yùn)行記錄等，左后綜合所有信息來設(shè)計(jì)預(yù)測(cè)模型并進(jìn)行功率的預(yù)測(cè)。具體過程如圖3-6所示：基于深度置信網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理 基于深度置信網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理未來短期功率的預(yù)測(cè)結(jié)果基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型天氣學(xué)未來短期功率的預(yù)測(cè)結(jié)果基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型天氣學(xué)圖3-6基于深度置信網(wǎng)絡(luò)的預(yù)測(cè)流程圖3.4BP網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播的前饋型并且具有多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，到目前為止其仍是一種應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)。其通常由輸入層，隱含層和輸出層三個(gè)部分所組成。其相鄰的兩層之間是用神經(jīng)元所鏈接的，而且層與層之間有一個(gè)固定的權(quán)值。如果隱含層的神經(jīng)元個(gè)數(shù)是根據(jù)需要所變化的話，那么，BP神經(jīng)網(wǎng)絡(luò)調(diào)試任意的連續(xù)函數(shù)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為信息的正向傳導(dǎo)與誤差的反向傳導(dǎo)。信息的正向傳導(dǎo)的過程是輸入信號(hào)從輸入層傳到隱含層，然后再傳到輸出層，最后得出輸出所需的信號(hào)。在信號(hào)向前傳輸?shù)倪^程中各層網(wǎng)絡(luò)之間的權(quán)值是不變的，這樣的話，每一層的神經(jīng)元的輸出只能對(duì)下一層的神經(jīng)元造成影響。如果，最后的接受的信號(hào)和期望的信號(hào)存在偏差，那么就要轉(zhuǎn)入誤差的反向傳輸。具體過程如圖3-7所示 正向傳播輸入層 隱含層 輸出層 反向傳播圖3-7單層神經(jīng)網(wǎng)絡(luò)3.4.1BP神經(jīng)網(wǎng)絡(luò)算法假設(shè)BP神經(jīng)網(wǎng)絡(luò)具有n個(gè)輸入節(jié)點(diǎn)，m個(gè)隱含節(jié)點(diǎn)和q個(gè)輸出節(jié)點(diǎn)，表示輸入層與隱含層中間的權(quán)重，表示隱含層和輸出層中間的權(quán)重。假設(shè)總共有個(gè)N個(gè)訓(xùn)練樣本，表示第個(gè)p個(gè)訓(xùn)練樣本的誤差函數(shù)，表示第p個(gè)訓(xùn)練樣本的期望，表示實(shí)際的輸出，f表示節(jié)點(diǎn)的閾值。隱藏層：（3-15）輸出層：（3-16）第p個(gè)樣本的誤差：（3-17）誤差在沒有達(dá)到需要的精度吋，BP神經(jīng)網(wǎng)絡(luò)經(jīng)常用誤差的反向傳播的方法，并通過梯度下降調(diào)節(jié)各層之間的連接權(quán)重和閾值。3.5本章小結(jié)本章節(jié)分別對(duì)深度學(xué)習(xí)和深度置信的算法進(jìn)行了介紹，還闡述了深度置信網(wǎng)絡(luò)的基本原理及和他相關(guān)的訓(xùn)練方法，然后，在此基礎(chǔ)上提出了一種基于深度置信網(wǎng)絡(luò)的算法對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)。然后通過收集的歷史數(shù)據(jù)對(duì)某一風(fēng)電場(chǎng)就行初步預(yù)測(cè)，得到了如下結(jié)論：(1)利用深度置信網(wǎng)絡(luò)預(yù)測(cè)的短期風(fēng)功率明顯比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的更加精準(zhǔn)，并且通過校正后得到的數(shù)據(jù)的歸一化均方根誤差比實(shí)際數(shù)據(jù)的有所減小。深度置信網(wǎng)絡(luò)通過對(duì)歷史功率變化的預(yù)測(cè)，最終實(shí)現(xiàn)對(duì)初始數(shù)據(jù)的判斷和處理。(2)利用多層次隱藏節(jié)點(diǎn)的結(jié)構(gòu)時(shí)，BP明顯不如深度置信網(wǎng)絡(luò)，而且BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間比深度置信網(wǎng)絡(luò)的時(shí)間長(zhǎng)。東北電力大學(xué)自動(dòng)化工程學(xué)院學(xué)士學(xué)位論文第四章數(shù)據(jù)處理與實(shí)驗(yàn)結(jié)果分析4.1數(shù)據(jù)的預(yù)處理數(shù)據(jù)預(yù)處理的本質(zhì)是在處理數(shù)據(jù)之前對(duì)數(shù)據(jù)進(jìn)行一些有必要的提前處理。因?yàn)樵诂F(xiàn)實(shí)世界中，提供的數(shù)據(jù)大部分是不完整的，而且也會(huì)含有不一致的噪聲數(shù)據(jù)，然而通過對(duì)數(shù)據(jù)的預(yù)處理可以提高數(shù)據(jù)的準(zhǔn)確性和有效性，在調(diào)整數(shù)據(jù)的同時(shí)也能更改數(shù)據(jù)的格式等內(nèi)容，這樣更能達(dá)到最佳的預(yù)測(cè)效果。4.1.1數(shù)據(jù)剔除異常值在自然因素和人為因素的雙重影響下，數(shù)據(jù)在采集與傳輸?shù)倪^程中會(huì)發(fā)生變化，所以其結(jié)果可能是和實(shí)際不相符的。所以，為了能夠讓數(shù)據(jù)更加符合實(shí)際情況，并且最終得到更加真實(shí)的分析結(jié)果，我們有必須要去除數(shù)據(jù)中的特殊值。(1)數(shù)據(jù)去除異常值的基本思想是：數(shù)據(jù)給定一個(gè)標(biāo)準(zhǔn)，只要數(shù)據(jù)中有不符合這個(gè)標(biāo)準(zhǔn)的數(shù)據(jù)都就要進(jìn)行剔除。目前常用的方法有以下三種：拉依達(dá)方法、肖維勒方法和一階差分法。本文所采用的是拉依達(dá)方法。如果數(shù)據(jù)的測(cè)量值和平均值的差值值是標(biāo)準(zhǔn)差的三倍，那么就要去除該值。 (4-1)其中，表示均方差，表示標(biāo)準(zhǔn)差。 (4-2) (4-3)(2)奇異數(shù)據(jù)的剔除：在獲取基礎(chǔ)數(shù)據(jù)時(shí)，因?yàn)闄C(jī)器和人為因素的影響，部分?jǐn)?shù)據(jù)所反應(yīng)的情況可能與實(shí)際數(shù)據(jù)存在誤差，如果將這部分奇異數(shù)據(jù)計(jì)算到過程中會(huì)讓結(jié)果準(zhǔn)確性大大降低，所以需要提出這些奇異數(shù)據(jù)數(shù)據(jù)。(3)數(shù)據(jù)的去噪：數(shù)據(jù)去噪實(shí)際上就是讓數(shù)據(jù)更加的平滑，但是在實(shí)際情況中獲取的數(shù)據(jù)具有“臟”數(shù)據(jù)的成分，我們要對(duì)它進(jìn)行去噪的處理，就結(jié)果來說去除“臟”數(shù)據(jù)對(duì)實(shí)驗(yàn)的結(jié)果的準(zhǔn)確性有很大提高。數(shù)據(jù)去的噪的方法分為中值去噪和均值去噪等，本文所采用的方法是中值去噪法。(3)數(shù)據(jù)的標(biāo)準(zhǔn)化：因?yàn)椴煌瑪?shù)據(jù)之間是存在量綱的差別的，所以為了消除這個(gè)區(qū)別，防止大數(shù)據(jù)淹沒小數(shù)據(jù)這種情況的發(fā)生，我們需要把數(shù)據(jù)規(guī)范在一個(gè)范圍之內(nèi)。本文所采用的是歸一化法，將數(shù)據(jù)處理后其歸一化在0至1的區(qū)間之內(nèi)，公式如下：（4-4）4.2實(shí)驗(yàn)結(jié)果分析4.2.1預(yù)測(cè)結(jié)果誤差分析常用指標(biāo)(1)判定系數(shù)R2(Coefficientofdetermination)：也叫作決定系數(shù)或者擬合優(yōu)度，是指在線性回歸的過程中，回歸的平方和與總離差平方和的比，它的數(shù)值等于相關(guān)系數(shù)的平方。判定系數(shù)的大小也就決定了預(yù)測(cè)值和實(shí)際值之間的相關(guān)程度，R2越是接近1，就表示預(yù)測(cè)的效果越好，也就具有更高的參考價(jià)值；相對(duì)而言，結(jié)果越是接近于0時(shí)，也就表示結(jié)果越差，參考價(jià)值較低。所以，R2的值是越接近于1效果越明顯結(jié)果越好。 (4-5)(2)相關(guān)系數(shù)r(Correlationcoefficient)：相關(guān)系數(shù)指的是變量之間的關(guān)系密切程度。r的取值在-1與+1之間，當(dāng)r﹥0時(shí)，表示兩個(gè)變量之間是正相關(guān)的；當(dāng)r﹤0時(shí)，則表示這兩個(gè)變量之間是負(fù)相關(guān)的，而且，當(dāng)r的絕對(duì)值越大也就表示其數(shù)據(jù)之間的關(guān)聯(lián)性也就越強(qiáng)。然而當(dāng)r=0時(shí)，則表示這兩個(gè)變量間不是線性關(guān)聯(lián)的，但是也有可能是其他關(guān)聯(lián)。 (4-6)(3)均方根誤差RMSE(Rootmeansquareerror)：也稱為標(biāo)準(zhǔn)誤差，它是預(yù)測(cè)值和實(shí)際值偏差的平方與觀測(cè)次數(shù)n比值的平方根，但是在實(shí)際測(cè)量過程之中，我們的測(cè)試次數(shù)是有限的，所以我們只能用最佳值來替代實(shí)際值的方法。在一組數(shù)據(jù)之中均方根誤差對(duì)極大值和極小值的變化非常敏銳，所以，它能夠反映數(shù)據(jù)結(jié)果的精密程度。 (4-7)4.2.2預(yù)測(cè)結(jié)果與實(shí)際比較為了更好的表示DBN算法具有更好的預(yù)測(cè)處理結(jié)果，同時(shí)比較BP、SPSS與DBN算法模型之間的性能，然后根據(jù)實(shí)驗(yàn)處理的數(shù)據(jù)結(jié)果，分別對(duì)得出的以上三種算法的預(yù)測(cè)結(jié)果進(jìn)行比較分析。BP算法預(yù)測(cè)結(jié)果和實(shí)際比較圖4-1BP預(yù)測(cè)結(jié)果與實(shí)際比較圖使用BP算法所得到的的預(yù)測(cè)結(jié)果和實(shí)際值之間存在著較大的誤差，具體的差別體現(xiàn)在折線圖上，也就是采用BP算法獲得的預(yù)測(cè)值和實(shí)際值之間的折線的不重合程度較高。所以BP算法對(duì)本次實(shí)驗(yàn)的預(yù)測(cè)效果較差。SPSS算法預(yù)測(cè)結(jié)果與實(shí)際比較圖4-2SPSS預(yù)測(cè)結(jié)果與實(shí)際比較圖使用SPSS的多層感知器算法所獲取的預(yù)測(cè)結(jié)果和實(shí)際值存在一定偏差但是比BP算法獲得的結(jié)果稍好，偏差體現(xiàn)在折線圖上也就是多層感知器和實(shí)際值之間的折線的不重合度較高。所以SPSS的多層感知器算法對(duì)本次實(shí)驗(yàn)的預(yù)測(cè)效果比BP算法稍好。DBN算法預(yù)測(cè)結(jié)果與實(shí)際比較 圖4-3DBN預(yù)測(cè)結(jié)果與實(shí)際比較圖采用DBN算法所獲取的預(yù)測(cè)結(jié)果和實(shí)際值相比存在的偏差較小，具體體現(xiàn)在折線圖上，也就是DBN的預(yù)測(cè)值和實(shí)際值之間的折線擬合重合程度較高。所以DBN算法對(duì)本次實(shí)驗(yàn)的預(yù)測(cè)效果要比BP算法和SPSS的多層感知器算法都要好。4.2.3預(yù)測(cè)結(jié)果的判定系數(shù)圖4-4三種不同方法的預(yù)測(cè)結(jié)果判定系數(shù)柱形圖本次實(shí)驗(yàn)采用BP算法的預(yù)測(cè)結(jié)果判定系數(shù)為0.2634，SPSS的多層感知器算法的預(yù)測(cè)結(jié)果判定系數(shù)為0.6534，DBN的預(yù)測(cè)結(jié)果判定系數(shù)為0.948。因?yàn)榕卸ㄏ禂?shù)越大，預(yù)測(cè)結(jié)果越接近實(shí)際值，效果越好，因此DBN算法對(duì)本次實(shí)驗(yàn)的預(yù)測(cè)效果最好，BP算法的預(yù)測(cè)效果最差。4.2.4預(yù)測(cè)結(jié)果與實(shí)際值散點(diǎn)圖圖4-5BP預(yù)測(cè)結(jié)果與實(shí)際值散點(diǎn)圖圖4-6SPSS預(yù)測(cè)結(jié)果與實(shí)際值散點(diǎn)圖圖4-7DBN預(yù)測(cè)結(jié)果與實(shí)際值散點(diǎn)圖分別對(duì)BP算法、SPSS的多層感知器算法和DBN的預(yù)測(cè)結(jié)果和實(shí)際值作散點(diǎn)圖，并通過對(duì)散點(diǎn)圖的趨勢(shì)線分析獲得了DBN的趨勢(shì)線與最接近，BP算法的趨勢(shì)線和偏差最大。所以可知DBN對(duì)本次實(shí)驗(yàn)的預(yù)測(cè)效果最好。4.2.5預(yù)測(cè)誤差統(tǒng)計(jì)分析誤差分析表：擬合度與均方根誤差模型 預(yù)測(cè)結(jié)果R2RrmseBP0.26342.3934SPSS0.65341.7465DBN0.94800.43174.3本章小結(jié)本次實(shí)驗(yàn)分別使用了BP、SPSS、DBN三種方法對(duì)短期風(fēng)功率進(jìn)行了預(yù)測(cè)，并進(jìn)行了比較。首先可以從預(yù)測(cè)結(jié)果與實(shí)際值比較知道BP的預(yù)測(cè)結(jié)果和實(shí)際值的折線圖在結(jié)果上存在有一定的偏差而且誤差較大，SPSS的預(yù)測(cè)結(jié)果和實(shí)際值在折線圖上大體是一致的而且誤差較小，而DBN的預(yù)測(cè)結(jié)果和實(shí)際值的折線圖在結(jié)果上最吻合而且且誤差最小。然后，從三種方法所得出的判定系數(shù)來看，BP的判定系數(shù)最小，然后是SPSS，最大的是DBN，而判定系數(shù)越大則說明預(yù)測(cè)結(jié)果和實(shí)際值相比越接近。然后，對(duì)三種方法的預(yù)測(cè)結(jié)果和實(shí)際值散點(diǎn)圖對(duì)比分析得出了BP的值與偏差是最大的，SPSS在其次，DBN的預(yù)測(cè)值與最為接近，而越接近則說明預(yù)測(cè)結(jié)果和實(shí)際值越接近。最后，對(duì)三種方法的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)和分析得出BP的均方根誤差最大，DBN的均方根誤差最小，而SPSS在兩者之間；結(jié)論目前為止，我國的風(fēng)力發(fā)電方面還在處于快速發(fā)展的時(shí)期，總裝機(jī)容量在不斷增加，但是大規(guī)模的風(fēng)電并網(wǎng)也給電力系統(tǒng)的安全穩(wěn)定的運(yùn)行帶來了挑戰(zhàn)。所以對(duì)短期內(nèi)風(fēng)功率的預(yù)測(cè)成了目前面臨的主要問題。本文對(duì)深度置信網(wǎng)絡(luò)在短期風(fēng)電功率預(yù)測(cè)的方面進(jìn)行了探究，并且結(jié)合以往的預(yù)報(bào)結(jié)果，提出了基于深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型。現(xiàn)在對(duì)本文的主要工作內(nèi)容總結(jié)與分析：在研究深度置信網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型方面，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和SPSS的多層感知器網(wǎng)絡(luò)的預(yù)測(cè)模型的存在預(yù)測(cè)結(jié)果不精確的問題，在實(shí)際的運(yùn)行程中很容易造成擬合度較差的情況，而且其在深網(wǎng)絡(luò)的表現(xiàn)方面的效果也不理想。深度置信網(wǎng)絡(luò)采用的深層次的網(wǎng)絡(luò)能夠更好的達(dá)到模擬人的效果，而且對(duì)數(shù)據(jù)可以進(jìn)行從淺層至深層的逐步分析和挖掘。。本文主要分析了深度置信網(wǎng)絡(luò)的原理，以及使用深度置信網(wǎng)絡(luò)對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)的方法。深度置信網(wǎng)絡(luò)是一種預(yù)測(cè)算法，通過調(diào)取的風(fēng)電機(jī)組DCS歷史數(shù)據(jù)，對(duì)DBN進(jìn)行建模，以實(shí)現(xiàn)對(duì)短期風(fēng)功率的預(yù)測(cè)。利用MATLAB進(jìn)行編程，并對(duì)DBN進(jìn)行訓(xùn)練，建模和測(cè)試。再將測(cè)試得到的數(shù)據(jù)和實(shí)際的數(shù)據(jù)進(jìn)行對(duì)比，對(duì)預(yù)測(cè)的數(shù)據(jù)進(jìn)行分析。

DBN可以模擬人腦的一些計(jì)算過程，和記憶過程。通過對(duì)DBN進(jìn)行預(yù)訓(xùn)練，訓(xùn)練DBN每一層RBM之間的權(quán)值，可以實(shí)現(xiàn)DBN的記憶，也就實(shí)現(xiàn)了DBN對(duì)于一組數(shù)據(jù)特征的學(xué)習(xí)，得到相應(yīng)的數(shù)據(jù)特征之后，從而對(duì)短期風(fēng)功率進(jìn)行預(yù)測(cè)。

DBN先進(jìn)行逐層訓(xùn)練，再反向調(diào)整權(quán)值的訓(xùn)練過程可以極大地降低系統(tǒng)陷入局部最優(yōu)的可能性。通過BP神經(jīng)網(wǎng)絡(luò)算法和spss實(shí)現(xiàn)多層神經(jīng)感知器的算法來進(jìn)行比較，可以很好地體現(xiàn)出DBN算法在精度上的優(yōu)勢(shì)。而且通過對(duì)曲線擬合和相關(guān)性分析也可以證明DBN算法可以很好地進(jìn)行短期風(fēng)功率預(yù)測(cè)，在預(yù)測(cè)模型的訓(xùn)練過程中，DBN也很難陷入局部最優(yōu)的情況，且訓(xùn)練在時(shí)間的方面，DBN的訓(xùn)練時(shí)間遠(yuǎn)遠(yuǎn)少于BP的預(yù)測(cè)時(shí)間，從而滿足了論文的需求。參考文獻(xiàn)遲永寧.大型風(fēng)電場(chǎng)接入電網(wǎng)的穩(wěn)定性問題研究[D].北京:中國電力科學(xué)研究院,2006-03劉純,范高峰,王偉勝等.風(fēng)電場(chǎng)輸出功率的組合預(yù)測(cè)模型[J].電網(wǎng)技術(shù),2009,33:74-79葉林,劉鵬等.基于經(jīng)驗(yàn)態(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測(cè)模型中國電機(jī)工程學(xué)報(bào),2011,31

(31):102-108Ilhami

Colak,

Seref

Sagiroglu,

Mehmet

Yesilbudak.

Data

mining

and

wind

power

prediction:

A

literature

review[J].

Renewable

Energy,

2012:46陳聰聰,王偉慶.基于小波神經(jīng)網(wǎng)絡(luò)法的短期風(fēng)電功率預(yù)測(cè)方法研究[M].工業(yè)控制