東北電力大學自動化工程學院學士學位論文-PAGEII-題目：基于深度置信網絡的短期風功率預測-PAGEIV-摘要因為風電本身是含有波動性的，所以在并網時候會對電力系統帶來不好的影響，最終終將也會影響電力系統運行的安全和平穩(wěn)。短期風功率的預測有利于實現對風電場的控制和調節(jié)，而且也有利于電力系統調度人員能夠及時提出調整并做出計劃，以便有效的降低系統運行的成本，所以對風電功率進行預測是提高電力系統構成中風電占比的一種有效辦法。本文所研究的深度置信網絡就是傳統的神經學習網絡辦法中的一種,其本質是對網絡的結構和深度進行有效的提高,本文采用基于深度置信的學習網絡對短期風電功率進行預測和評估。可以通過計算機在MATLAB環(huán)境下運用深度置信網絡的方法進行建模,然后利用校正后的得到的天氣數據和在風電場采集的歷史數據,提出了一種基于限制玻爾茲曼機的深度學習網絡對短期風功率進行預測。最后通過分析和比較預測的結果，進行誤差改善。研究深度置信網絡時主要采用平均相對誤差、均方根誤差和歸一化均方根誤差等誤差指標。短期風功率預測系統在結構上的設計,建立一個基于風功率預測系統的可視化的界面,以便檢驗深度置信網絡模型在實際系統中的可行性，并為下一步研究做出基礎。關鍵詞：短期風功率預測；算法模型；深度置信網絡東北電力大學自動化工程學院學士學位論文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短期風功率預測的意義 2223641.3風功率預測研究現狀 2297291.3.1國外研究現狀 2158431.3.2國內研究現狀 3171791.5風功率預測方法的分類 410031.6本文所研究的內容和研究方法 4103071.7本章小結 615956第二章風電場參數特性研究 732032.1引言 7255412.2短期風功率的預測誤差 7327022.3風功率和風速風向的關系 8207402.4風電場的風速特征 936652.5本章小結 98446第三章深度置信網絡的建模分析 10121413.1引言 10323053.2深度學習網絡算法 10315813.2.1深度學習網絡 10943.2.2深度置信網絡(DBN) 1043513.2.3深度置信網絡(DBN)的結構 111573.2.5限制玻爾茲曼機的(DBN)網絡模型參數 1230593.2.5深度置信網絡(DBN)的訓練過程 14244003.3基于深度置信網絡的短期風功率預測網絡模型 16146693.3.1基于深度置信網絡的短期風功率預測過程 17211353.4BP網絡 17263163.4.1BP神經網絡算法 18186823.5本章小結 1918666第四章數據處理與實驗結果分析 2030984.1數據的預處理 2056934.1.1數據剔除異常值 20262864.2實驗結果分析 21110044.2.1預測結果誤差分析常用指標 21303694.2.2預測結果與實際比較 21239834.2.3預測結果的判定系數 24203534.2.4預測結果與實際值散點圖 24138994.2.5預測誤差統計分析 25311314.3本章小結 26847結論 2731545參考文獻 28東北電力大學自動化工程學院學士學文位論-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逐漸成為國際關心的問題。在最近的幾十年中,我國在能源的消費速度是世界能源平均消費水平的三倍而且我國能源的消費總量也已經占到了全世界的19%以上,而且我國累計消費的能源也達到了世界能源消費總量的50%左右。我國幾乎所有化石能源的儲量平均來說都很低。2014年我國的煤炭、石油和天然氣這三大基礎能源的對外進口度都普遍上漲,其中石油的對外進口度竟然達到了60%。我國一直是一個能源的需求大國，目前為止能源在很大的程度上嚴重依賴進口。目前,隨著我國經濟的持續(xù)發(fā)展,能源的消耗也在不斷增加,而且環(huán)境問題也日益嚴重,所以我國急需制定一個符合中國國情能夠長期發(fā)展的能源計劃,要在環(huán)保節(jié)能的同時,盡可能多的采取多種手段來進行能源的互補并不斷的開發(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。風能在目前來說無疑是一種清潔、無污染、而且技術也相對成熟,而且隨著風能的逐步利用，發(fā)電成本也在日益下降，而且風能在全球的儲量也非常的豐富;所以就目前而言,風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,隨著風能在我國的電網系統中占比的不斷升高,根據全球風能協會的年度報告指出，目前全球風電機組的總裝機容量已經達到了318105MW。清潔高效且無污染的風力發(fā)電已經邁入了一個高速發(fā)展的時期。隨著我國風電和光伏行業(yè)的高速發(fā)展,大規(guī)模的風電場（例如幾百兆瓦）的并網運行對電力系統的所造成的影響也越來越明顯。另外我國的風能資源分布也相對比較集中,風能資源多的地方一般也是電網需求量較小的地方,當地的電網結構的組成也是比較薄弱的。而且風能還具有周期性和不確定性,所以在實際的運行過程中多數的風電是具有反調峰性質的,這也就讓我們難以對風電的實際情況做出有效和準確的預測,還會提高電網調度的難度性,這種不確定性還會對電網的安全和穩(wěn)定造成影響,甚至會破壞電網的正常穩(wěn)定運行,嚴重的還會導致電網的崩潰。所以考慮到風電并網時可能對電網所造成的影響,我們有必要對風電的并網情況進行提前的預測和實時是跟蹤并及時的上報電力調度中心。隨著我國電力行業(yè)對風功率預測的技術需求的日益增長,短期風功率的預測系統也已經逐漸成為風電發(fā)展的技術必需品。所以做出對風功率的預測具有現實的重要意義。1.2短期風功率預測的意義以短期風功率預測作為研究內容，就目前來說是具重要的現實意義和學術的研究價值的。我國目前已經對所有已并網運行的風電場建立了以風電預測體系和發(fā)電場計劃報告的新的工作模式，而未按要求上申報風電預測預報的企業(yè)將不得或者推遲并網運行。目前為止，我國新建的幾個大型風電場，大多數上報調度中心的短期功率預測都是隨意編造的，只有極少數的風電場安裝了風功率預測預報系統，然而這些風電場所上報的預測數據其預測精度也比較低，所以目前來說我國風電總體預測率還是非常低的。在目前階段，風電場的并網運行都是需要靠國家政策補貼的，但是風電最終還是要參與到市場的公平化競爭之中來的，可是風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爭力，肯還有以下這種情況發(fā)生：因其供電的不確定性而對電網系統造成損害進而受到嚴厲的經濟處罰。但是如果能夠通過對風電場的風功率進行短期預測，就可以在很大程度上提升風電在市場中的競爭力，從而促進風力發(fā)電的競價上網的政策的施行。所以就目前我國風電裝機容量的發(fā)展趨勢來看，如果風電能夠進行一定的短期預測，那么其將具有更加廣闊的市場前景，而且進行短期風功率的預測也是具有經濟效益的。還有就是從電場的角度出發(fā)，風電場運行的經濟效益是和其短期功率預測成正比關系的，而且隨著我國風電裝機總容量的不斷增加，這種關系在可以預見的將來也會日益提升的。除此之外，風電場還也可根據預測的結果選擇發(fā)電功率較小的時間段對設備進行檢修和維護，從而降低風機發(fā)生故障率的可能性。所以，但凡裝機容量較大的風電場，其具有的功率預測的經濟意義也就越突出。而且從電網系統的安全角度來說。目前我國所制定的法律法規(guī)都要求提高風電的并網比例，所以為了能夠提高電網系統的風電接納能力，電網的調度部門也要能夠對短期風功率的變化做及時做出調整，而且對風電場短期風功率的預測還可以減小建設時的系統備用容量，從而達到提高風電穿透功率的目的，這也能夠有效的減輕風電并網時對整個電網系統造成的危害，從而大大的節(jié)省電力系統的運行成本，使風能從以前人們認為的垃圾能源進而轉化為可以充分利用的新型清潔能源。目前為止，我國實行智能電網的目的是實現電網運行的經濟性、平穩(wěn)性和安全性。通過對短期風功率的預測，還可以有效的保證風電的持續(xù)穩(wěn)定安全運行，進而提高風電的經濟性，進而降低風電并網時對系統的影響，促進我國智能電網的穩(wěn)步發(fā)展。所以就目前來說進行短期風功率的預測對中國風電的發(fā)展意義重大。1.3風功率預測研究現狀1.3.1國外研究現狀世界上最早進行風功率預測研究的國家是丹麥。目前丹麥風的電裝機容量和風力發(fā)電占比也是最高的。在上世紀90年代,丹麥的國家能源實驗室利用和歐洲類似的風圖集類似的方法開發(fā)出了一套新的風電功率預測系統,它首根據天氣預報所提供的風速、風向等數據進行處理，進而轉換到風機輪轂處的數據,然后根據風機的輸出功率曲線對功率進行粗略預測,最后對輸出功率進行適當的校正。隨后風功率的預測重要性也逐漸被一些風能源較多的國家所重視,如德國，法國等發(fā)達國家都先后進投入到對風功率預測和研究的行列。目前,國外的風功率預測系統所預測出的結果的平均絕對誤差(MAE)一般為總裝機容量的12?15%左右。在法國、德國、丹麥等發(fā)達國家,短期風功率的預測也已經應用的非常廣泛，而且也為電網人員的調度提供了強有力的支撐。但是隨著對預測研究的不斷深入,逐漸出現了類似于多數值組合預測和多模型組合預測的新研究方法,而且和以前的方法相比新的預測方法的精度也在不斷的提高。短期風功率的預測不只是由簡單的數學算法建立而成的，而是由多種方法組合而成的。目前,已有許多基于風速的預測模型。它們所采用的方法是，先根據統學建立的數學模型對風速進行預測,然后對風機的輸出功率曲線做出適當的數據處理，最后轉換為對短期風功率的預測。但是風機的功率輸出大體上是和風速的三次方成正比的,所以直接利用風功率預測曲線做出的預測結果可想而知是不準確的，所以其可信度也是較低的。到了20世紀，人們又把注意力的目光到了短期功率的實時預測和對預測結果的不確定性的方面之上。ARMINES預測系統是由三種預測模型組成，第一種是統計時序的方法，它能夠提前11小時對風能進行預測；第二種是自適應性的深度置信網絡模型，它能夠提前72小時對風機功率進行預測，它的本質是一種中期功率預測網絡模型；最后一種是綜合預測的網絡模型，它能夠通過全面的考慮，通過長期和短期的數據預測結果，從而通過計算得到一個最終的值。德國ISET開發(fā)的WPMS系統使用的就是人工神經網絡的方法；歐盟所研發(fā)的ANEMOS是想設計出一種既適用于陸地又適用于海洋的短期風功率預測方法，而且其也優(yōu)化了風場的儲能系統，并且減少了電網設計時所需的備用設計容量，這個系統最大的特點就是其既綜合使用了物理學和統計學兩種模型，又優(yōu)于只使用一種模型的系統的設計。1.3.2國內研究現狀雖然目前現在我國的短期風功率預測還處于初步的研究階段,目前還沒有專門的風電預測天氣預報系統，但是國在關于短期風功率預測的研究上也已經有了一定成果,例如韓爽等使用的時間序列法和神經網絡法。但是這種方法雖然能夠能對未來3小時的短期風功率進行預測,但其預測的結果的平均絕對誤差還是在9%左右。而且馮雙磊等所采用的物理方法雖然可以對風電場未來48小時的平均風速和功率進行預測,但其預測結果的均方根誤差只有風電場總裝機容量的24.9%左右，預測的平均的絕對誤差只有風電場總裝機容量的17%左右。隨著我國目前對風電技術研究領域的進步和國家政策的補貼，我國在短期風功率預測研究上也取得了長足的進步。短期風功率預測軟件在市場中也得到了廣泛的應用和認知，而且也在逐年的應用中不斷進步，但是相比于法國、美國等發(fā)達國家，我們還有很長的路要走。國內在短期風功率預測的方法上也仍存在這一些缺陷：比如MWP的準確性不高、地理因素的影響不夠重視，以及其他影響風功率的因素考慮較少等。由此可以看出,短期風功率的預測雖然在預測的精度上和方法上都有了許多一定的提升,特別是在預測的精度上提升的提升是明顯的。但是它們都有一個共同特點,那就是他們都需要提前知道相應歷史數據。然后通過適合的方法搭建出一個符合要求的功率預測模型,最后通過對風速等數據進行一系列的處理并最終實現對短期風功率的預測。雖然這些方法所需要的數據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功率預測的精度。但深度置信網絡卻在非線性等方面有較強的擬合性,而且其在學習的過程和訓練方法上也是比較簡單的,在計算機上實現起來也比較方便。1.5風功率預測方法的分類通過閱讀相關材料可知，風功率預測根據預測時間的長短可以分為短期預測，中期預測，和長期預測等。（1）短期預測短期預測按照時間長短可以為分鐘預測和小時預測，短期的預測目前主要用是對風電并網時的電能進行控制，以便不對電網系統進行沖擊。風電在并入電網時，通過風速的提前預測，可以對風機的實時狀態(tài)進行監(jiān)控，這樣并網的電能就是穩(wěn)定的，從而提高風電并網的質量。短期預測的前提通常是需要知道風電場的歷史數據。（2）中期預測中期預測按照時間的長短可以分為天或周的預測，通常一般在對風機進行檢修時需要提前對風功率進行預測。以便提前安排風場的儲能等問題，中期預測所用的數據一般是較低精度的天氣預報結果。中期風功率的預測是一個進行能量獲取的過程，其預測的結果和風速的平均值有著直接關聯。中期預測不僅需要對大氣的動力系統進行預判，還要考慮到季節(jié)的變換和其他天氣因素的影響，所以進行數據的預處理能夠提高預測的精度。（3）長期預測長期預測是以月和年就行預測的，主要是用在電場建設之后的年發(fā)電量進行預測，所以一般是用于風電場建設之前的提前預測，用以在風電場建設時的分布和容量設計就行修改和補充。該預測主要需要根據歷年氣象部門所給出的數據和風電場的歷史數據，并結合數率統計和功率曲線曲線等方面，進而預測風電場的年發(fā)電量。1.6本文所研究的內容和研究方法本文所研究的深度置信網絡是人工學習網絡方法中的一種,因其在網絡結構上強調訓練的深度，在訓練過程中強調訓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絡模型對短期風功率進行預測。目前為止，主流的深度置信網絡的算法是基于限制玻爾茲曼機(RBM)的學習法。深度置信網絡模型就是把若干個RBM層疊在一起,然后對整個深度置信網絡進行訓練，其本質上就是無監(jiān)督的對每一層RBM進行分別訓練,并最終建立起短期的風功率預測模型。在2006年,Hinton提出了一種基于深度置信網絡(DeepBeliefNets,DBN)的模型，并且也提出了它基的基本計算過程,即基于層疊的RBM的深度置信網絡的學習方法,其本質也是一種深度學習網絡模型。這是一種訓練生成模型,其通過訓練神經元之間的權重,并最終能夠讓整個神經網絡都按照最大的概率來生成訓練所需的數據。DBN除了在識別特征和數據分類等方面具有出貢獻,它還可以用來生成數據。幾個RBM疊在一起就會形成了一個簡單的深度置信網絡模型,其訓練過程就是分別從底層到高層的逐層訓練。這種無監(jiān)督的訓練方式通過對比散度(Contrastive

Divergence,CD)的方法能夠快速的訓練每一層RBM。這樣的話,深度置信網絡的整體訓練過程也就分解成了對每個RBM進行單獨訓練的問題,從而避免了對深度網絡模型整體訓練的難題。通過廣泛查找相關文獻，并使用Matlab編寫深度置信網絡算法,在計算機環(huán)境下運用深度置信網絡方法進行建模，然后利用校正后的天氣預報數據和收集的風場歷史數據，提出一種基于層疊的限制玻爾茲曼機(RBM)的深度置信網絡模型對短期風功率進行預測。其基本原理如圖1-1所示：風場歷史數據風場歷史數據基于DBN的短期功率預測模型基于DBN的短期功率預測模型功率預測結果功率預測結果現有數據校正后的數據現有數據校正后的數據風場記錄的歷史功率數據風場記錄的歷史功率數據圖1-1基于深度置信網絡的短期風功率預測模型文章的章節(jié)結構安排如下：第一章緒論。簡要的對課題的研究背景及意義，影響短期風功率的因素及其研究現狀和給予深度置信網絡建模的研究現狀進行了簡單介紹，最后敘述了本文的研究內容以及章節(jié)結構。第二章短期風功率特性分析。介紹了影響功率預測的因素及條件以及數據的處理。第三章深度置信網絡的建模分析。介紹了深度置信網絡的網絡特性，并且簡要闡述多層受限玻爾茲曼機原理，主要對深度置信網絡算法原理進行詳解。第四章基于深度置信網絡的短期風功率預測和實現。簡要介紹算法參數的選擇以及運用歷史數據對深度置信網絡進行訓練。最后對基于深度置信網絡算法的短期風功率預測仿真測試以及結果分析。第五章總結全文，得出結論。1.7本章小結本章介紹了研究短期風電功率預測的意義和國內外研究人員對此類課題的研究成果，同時介紹了目前預測領域上使用較為廣泛的深度置信網絡，在此基礎上提出了運用深度置信網絡對短期風電功率進行預測的方法，最后對本論文的結構進行了總結。東北電力大學自動化工程學院學士學位論文風電場參數特性研究2.1引言因為進行風電的數據獲取是進行短期風功率預測的前提。所以本文所用的數據是來自某風電場的歷史數據，本文從該風電場的云數據庫中提取了2014年3月11日至2015年10月1日的原始數據，其中還包括了以往的天氣預報數據和其所對應的風場歷史數據。雖然該數據是從云端數據庫之中實時采集并記錄的，但是在數據的動態(tài)采集過程中可能發(fā)生機械故障，以及其他不確定事件都可能對采集的數據造成錯誤。這些錯誤的發(fā)生一定會讓其與實際數據不一致。所以如果直接使用這些數據來進行短期風功率預測，最終的預測結果的精度一定是不準確的。所以為了提高風功率預測的精度，就需要對這些采集而來的數據進行預處理。2.2短期風功率的預測誤差短期風功率預測實際上就是對未來一段時間內的風機輸出功率情況的一種預測和評估，它所得出的結果一定是與實際功率是不一致的，這個誤差就是風功率預測的誤差。所以我們需要對預測所產生的誤差進行改善，以下就是是常用的誤差指標：（1）絕對誤差(AE)和相對誤差(RE)如果表示第i時刻風機的實際發(fā)出功率，表示第i時刻系統所預測的功率，那么就是表示絕對誤差，則表示相對誤差。這兩個誤差就是常用的誤差表示方法，其反應了實際值和預測值的偏差大小，它們的作用一般是用來指標考核的。（2）平均絕對誤差(MAE)和平均相對誤差(MRE)（2-1）（2-2）上式中表示第i時刻的實際發(fā)出功率，表示第i時刻所預測的功率，n為樣本數，Cap表示平均的容量。上面兩個指標是分析誤差的綜合性指標，其反應了整體的預測誤差。（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時刻的風機實際發(fā)出的功率，表示第i時刻系統預測的功率，n為樣本總數，Cap表示平均容量。均方根誤差則反應了實際值和預測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性之一。2.3風功率和風速風向的關系風能指的是風在運動過程中所產生的能量，風能具體指的是風所具有的物理動能。設葉輪的橫截面積為A。那么，當有速度為v的的風流過葉輪時，那么單位時間t內所能夠獲得的動能為：（2-5）那么，單位時間內流量為：，所以有以下公式（2-6）其中表示空氣的密度（kg/m2）；V表示風速（m/s）；A表示葉輪旋轉時的面積（m2）；p表示單位時間內流過風輪的功率，級風功率（W）；如果風輪的直徑是d，那么；那么：（2-7）如果t表示有效時間，那么在T內的風功率為（2-8）由上式可知風機的面積不變的情況下，是直接影響風功率大小的直接因素，雖然空氣密度等也能影響預測的結果，但是在短時間內不會有大的影響。所以，想要預測風功率要先預測風速的大小。2.4風電場的風速特征風電場具有以下今兒個明顯的特征：（1）具有豐富的風力資源廠址選擇的優(yōu)越性，想要建立風電場基本的要求就是每年的有效小時利用數達到了較高的2200-4000h，而且年風速在6-20/s的時間在500-1500h左右。（2）具有風向穩(wěn)定的優(yōu)點，風速大小受季節(jié)變化影響較小雖然目前設計的風機能夠根據風速的變化來調整自身的結構，但是如果風速的大小和速度時穩(wěn)定的，那么就能夠增加風電小時利用率，進而達到為風機延長壽命的效果。如果風速受季節(jié)的變化影響較少，那么就能提高風電的利用時間從而提高發(fā)電率，這樣的話對成本的節(jié)約和并網的可靠性都有好處。（3）當地的湍流較小當風通過障礙物時，風的方向和大小都會發(fā)生變化進而出現湍流，湍流具有很多危害，其中之一就是會降低風機的輸出功率，嚴重的時候還會對風機的結構造成損壞，所以在風廠選址時都會考慮這個方面。（4）風能的平穩(wěn)性因為環(huán)境和氣象都會對風速造成影響，所以風廠的風速不會是一直平穩(wěn)的。2.5本章小結本章通過短期風功率意義、影響因素和預測短期風功率的途徑進行了詳細敘述。并對短期風功率的基礎知識進行了完善，為下一步結合深度置信網絡算法并完成對短期風功率的預測打下了一定的基礎。第三章深度置信網絡的建模分析3.1引言近年具有深層架構和多層次的深度置信網絡，在機器學習，信號處理，人工智能和短期預測方面引起了廣泛關注。深層置信網絡(DBN)作為深度學習的代表性方法，具有很強的無監(jiān)督特征學習能力。近年來，DBN已成功應用于聲學建模、自然語言理解、語音識別、語音情感識別和短期預測等等方面。3.2深度學習網絡算法3.2.1深度學習網絡\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"深度學習的概念由\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"人工神經網絡提出的，多個隱層的傳感器組合在一起就構成了一種簡單的深度學習結構。深度學習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現數據的特征表示。在2006年Hinton提出了深度學習的概念。并且基于深度置信網絡(DBN)的說法提出了無監(jiān)督的訓練方法，這種方法的提出為解決深度學習的結構問題提供了解決的途徑，隨后又提出了自動編碼器的設想。而且其它等人也提出了另一個真正的多層結構的算法：卷積神經網絡。它可以通過空間的相對關系從而來減少參數以便于提高訓練的效果。\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"深度學習是機器學習中的一種，它的原理是基于對數據處理然后進行特征學習的方法。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更加容易的在實踐當中進行應用。深度學習的一個優(yōu)點就是可以使用無監(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。深度學習目前是機器學習研究領域中的一個全新的方向，原因就是它可以用來建立和模擬大腦的運行方式來進行模擬特征學習。和\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"機器學習類似，機器學習也分為有監(jiān)督和無監(jiān)督．不過不同是DBN和機器的模型建立是在不同的學習環(huán)境下的。比如\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"卷積神經網絡(CNNs)就是一種深度學習，而且是在有監(jiān)督的模式下進行機器學習的，而深度\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"置信網絡(DBNs)就是一種在無監(jiān)督的模式下進行機器學習的方法。3.2.2深度置信網絡(DBN)受限玻爾茲曼機（RBM）由一層隨機隱藏單元和一層隨機可見單元組成。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。假設模型參數θ和能量函數，可見單元上的關節(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；，和之間的對稱交互項，偏差項，I和J分別是可見單元的數量單位和隱藏單位。

在RBM中，可以通過以下規(guī)則更新RBM權重：(3-3)其中表示訓練數據中的期望值，而表示與給定模型表示的分布相同的期望值。3.2.3深度置信網絡(DBN)的結構早在2006年的時候Hinton就在國際上提出了深度置信網絡的概念，DBN的本質是通過無監(jiān)的學習方法逐層的訓練深度置信網絡，并通過訓練得到連接權重和閾值等信息數據。上文提到過，深度置信網絡可以看做是由多個RBM網絡組合在一起而成的。而且通過對RBM的堆疊和組合，還可以從復雜的數據之中提取更加深層次的特征值。但是單一的RBM模型進行組合只能從復雜的數據中獲得只高一級的數據特征。所以，還不能對輸入的數據進行有效的分類，要想取得一個相對完整的DBN網絡模型，還需要在層疊的RBM最上層加入一個監(jiān)督分類器。所以一個完整的深度置信網絡模型結構如圖3-1所示。由圖3-1可以看出，深度置信網絡模型是由一定個數的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RBM，而第二層和第三層組合在一起就形成了第二個RBM，由此可知下面的結構也是類似的所以總共組成了4個可見的RBM。所以將第四個RBM的的輸出結果作為輸入并傳輸到一個傳統的分類監(jiān)督器之中，就可對輸出的數據進行精準的分類。所以，如果將監(jiān)督器也算入整個結果的話，圖3-1就表示了一個具有6個層級的深度置信網絡。深度置信網絡從最低一層的RBM開始接受數據開始，并逐級的經過4層RBM和一個加入的監(jiān)督分類器對輸入的數據進行特征提取與數據分類。而且輸入層的節(jié)點個數是由輸入的數據維度所決定，也就是說輸出層的節(jié)點個數是由輸數據時的數據類別所決定的。頂層單元頂層單元第五層第五層分類器 標簽數據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深度置信網絡的基本結構3.2.5限制玻爾茲曼機（RBM）的網絡模型參數就像前文所介紹的，受限玻爾茲曼機（RBM）是DBN網絡的基本組成部分之一。而且每個DBN網絡中的RBM都能夠當作聚類器來使用。一個完整的RBM網絡模型由兩層神經元所組成，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據的。另一層是隱藏單元所組成的隱層，它的作用是用來充當特征檢測器。RBM的每一個層次都可以用一個單獨的向量來表示，每一層的每一個神經元都是向量的一個維度，而且，隱層和顯層之間是對稱連接的，但是同一層的神經元是無法相互連接的。RBM的基本結構如下圖3-2所示。H5H4H3H2H1H5H4H3H2H1 隱層CiwV4V3V2V1biV4V3V2V1bi 顯層圖3-2限制波爾茲曼機的基本結構一個RBM網絡模型可以看作由二層所組成的，而且它的組成是由兩個隨機的二進制節(jié)點所組成的網絡。如上圖所示，一個是可見節(jié)點，另一個是隱藏節(jié)點，而且，限制玻爾茲曼機的其中一個狀態(tài)：的實時能量函數的公式：(3-4)在公式中：W表示可見節(jié)點對隱層節(jié)點的對稱權重矩陣、L表示可見節(jié)點對可見節(jié)點的對稱權重矩陣、J表示隱藏節(jié)點對隱藏節(jié)點的對稱權重矩陣；V表示可見節(jié)點；H表示隱藏節(jié)點。而且為了公式的簡潔性，我們可以忽略偏置的向量，而且因為RBM層間是沒有鏈接的，所以L和J的對角矩陣值都為0。所以（3-5）公式可以簡化為：(3-5)其實訓練RBM就是訓練合適的數據來擬合給定的參數。RBM網絡模型中V的概率為：(3-6)(3-7)其中：p*表示非標準的概率模型；表示區(qū)分函數；歸一化：（3-8）那么RBM在時的條件概率：（3-9）可見節(jié)點概率：（3-10）隱藏節(jié)點概率：（3-11）其中：表示第i個行向量的權重矩陣；表示第j個列向量的權重矩陣；。訓練RBM就是求出一個能夠訓練輸入數據的樣本概率，也就是求出一個分布時樣本概率在這個分布中最大化。權重W就是決定性的影響因素，所以我們訓練RBM就是要求出這樣一個最佳的W值。以下為RBM權重的更新：（3-12）（3-13）（3-14）其中：表示學習的效率；表示訓練之后期望的分布；表示模型網絡期望分布的概率；3.2.5深度置信網絡(DBN)的訓練過程深度置信網絡的訓練過程分為有監(jiān)督微調和無監(jiān)督的訓練，其無監(jiān)督訓練過程如圖3-3所示。開始開始輸入待分類數據、最大層數、每一層節(jié)點數、最大迭代次數輸入待分類數據、最大層數、每一層節(jié)點數、最大迭代次數設層數i=1設層數i=1 否無監(jiān)督預訓練無監(jiān)督預訓練i=i+1i=i+1如果i<=最大層數如果i<=最大層數 是使用使用BP算法進行反向調節(jié)結束結束圖3-3深度置信網絡的基本結構無監(jiān)督的預訓練是深度置信網絡和其它預測模型的本質區(qū)別，無監(jiān)督的訓練原理是通過逐層的對數據的輸入和輸出做出訓練，從而得到一個復雜的非線性函數，這也就是為什么深度置信網絡其具備強大特征提能力。首先最底層的RBM能夠產生一個向量，然后通過RBM將這個數據值傳遞到隱藏層，倒過來的話就是，通過隱藏層來重構可視層方法，通過重構層和可視層的不同，從而去得到一個新的隱藏層也可視層之間的權重，重復這個過程直到達到最迭代的最大次數。然后把得到的隱藏層作為可視層。最后，通過逐層的訓練，這個構建的DBN網絡就可以把從原始數據之中得到的數據特征傳達到高一層，進而在高層次得到表達。而且通過逐層的訓練RBM還可以減少訓練深度置信網絡時的復雜度。最終這個模型把深度置信網絡的每一層都變成了一個淺層的神經網絡。其過程如圖3-4所示。 H2RBM3 正向階段重構階段 H2 RBM2 H1 H1RBM1 Date Date Date(b)(c)圖3-4無監(jiān)督訓練過程3.3基于深度置信網絡的短期風功率預測網絡模型基于深度置信網絡，通過以校正后的歷史風速數據和歷史的功率為輸入，預測出的功率數據作為輸出，從而實現短期風功率的多步預測網絡模型。基于DBN的短期功率預測網絡模型基于DBN的短期功率預測網絡模型風電場的歷史數據多步預測的功率結果多步預測的功率結果 校正后的數據風電場的歷史功率圖3-5深度置信網絡預測模型其中基于深度置信網絡的多步預測模型是深度學習網絡的模型，而且，其輸入為校正后的風場歷史數據和歷史功率數據、風向、氣壓、溫度等，而輸出為預測的功率值。3.3.1基于深度置信網絡的短期風功率預測過程原則上，單單依靠數據自己建的聯系來預測短期風功率的變化是不足的。在預測風電場的短期功率時還要考慮當地的地理位置，并參考當地的歷史氣象星系和大氣的變化以及風機的歷史運行記錄等，左后綜合所有信息來設計預測模型并進行功率的預測。具體過程如圖3-6所示：基于深度置信網絡的數據預處理 基于深度置信網絡的數據預處理未來短期功率的預測結果基于深度置信網絡的短期風功率預測模型天氣學未來短期功率的預測結果基于深度置信網絡的短期風功率預測模型天氣學圖3-6基于深度置信網絡的預測流程圖3.4BP網絡神經網絡是基于誤差反向傳播的前饋型并且具有多層結構的神經網絡，到目前為止其仍是一種應用最多的神經網絡。其通常由輸入層，隱含層和輸出層三個部分所組成。其相鄰的兩層之間是用神經元所鏈接的，而且層與層之間有一個固定的權值。如果隱含層的神經元個數是根據需要所變化的話，那么，BP神經網絡調試任意的連續(xù)函數。神經網絡的學習過程分為信息的正向傳導與誤差的反向傳導。信息的正向傳導的過程是輸入信號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。在信號向前傳輸的過程中各層網絡之間的權值是不變的，這樣的話，每一層的神經元的輸出只能對下一層的神經元造成影響。如果，最后的接受的信號和期望的信號存在偏差，那么就要轉入誤差的反向傳輸。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單層神經網絡3.4.1BP神經網絡算法假設BP神經網絡具有n個輸入節(jié)點，m個隱含節(jié)點和q個輸出節(jié)點，表示輸入層與隱含層中間的權重，表示隱含層和輸出層中間的權重。假設總共有個N個訓練樣本，表示第個p個訓練樣本的誤差函數，表示第p個訓練樣本的期望，表示實際的輸出，f表示節(jié)點的閾值。隱藏層：（3-15）輸出層：（3-16）第p個樣本的誤差：（3-17）誤差在沒有達到需要的精度吋，BP神經網絡經常用誤差的反向傳播的方法，并通過梯度下降調節(jié)各層之間的連接權重和閾值。3.5本章小結本章節(jié)分別對深度學習和深度置信的算法進行了介紹，還闡述了深度置信網絡的基本原理及和他相關的訓練方法，然后，在此基礎上提出了一種基于深度置信網絡的算法對短期風功率進行預測。然后通過收集的歷史數據對某一風電場就行初步預測，得到了如下結論：(1)利用深度置信網絡預測的短期風功率明顯比BP神經網絡預測的更加精準，并且通過校正后得到的數據的歸一化均方根誤差比實際數據的有所減小。深度置信網絡通過對歷史功率變化的預測，最終實現對初始數據的判斷和處理。(2)利用多層次隱藏節(jié)點的結構時，BP明顯不如深度置信網絡，而且BP神經網絡的訓練時間比深度置信網絡的時間長。東北電力大學自動化工程學院學士學位論文第四章數據處理與實驗結果分析4.1數據的預處理數據預處理的實質是在處理數據之前也要對數據進行必要的提前處理。因為在實際操作之中，得到的數據幾乎是不完整的，而且也可能含有不同的噪聲數據，然而通過對數據的預處理可以提高數據的準確性和有效性，在調整數據的同時也能更改數據的格式等內容，這樣更能達到最佳的預測效果。4.1.1數據剔除異常值在自然因素的影響下和人為因素的影響下，數據在采集的過程中一定會發(fā)生變化，所以得到結果可能是是和實際不一致的。所以，我們?yōu)榱四軌蜃寯祿拥臉藴?，并且在最后得到和真實值相似的結果，我們一定要要去除數據中的異常值。(1)數據在去除異常值的基本思路是：得到的數據設定一個標準，然后只要數據中有不符合標準的都就要進行去除的操作?，F在目前的方法三種，拉依達法、肖維勒法以及一階差分法。本文所采用的就是拉依達法。如果數據的測量值和平均值的差值值是標準差的三倍，那么就要去除該值。 (4-1)其中，代表均方差值的值，代表標準差的值。 (4-2) (4-3)(2)奇異的數據剔除的過程：我們在獲取真時數據的同時，因為人為因素的影響，所以部分數據所得到的結果可能和實際數據是不一樣的，如果把這部分的奇異數據聯系到到實際過程之中就會讓結果準確性大大降低，所以需要提出這些奇異數據數據。(3)數據的去噪過程：數據的去噪就是讓數據結果顯得更加的平滑，但是在實際情況下我們所獲取的數據具有不穩(wěn)定的成分，我們就要對它進行去噪的處理。數據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。(4)數據的標準化過程：因為不同數據之間是存在差別的，所以我們?yōu)榱讼@個差別，我們就要防止大數據把小數據掩蓋的情況發(fā)生，我們需要把數據規(guī)范在一個范圍之內。本文所采用的是歸一化法，將數據處理后其歸一化在0至1的區(qū)間之內，公式如下：（4-4）4.2實驗結果分析4.2.1預測結果誤差分析常用指標(1)判定系數R2(Coefficientofdetermination)：也叫作決定系數或者擬合優(yōu)度，是指我們在操作在線性回歸的過程中，線性回歸的平方和總離差平方和之間的比，它的結果等于系數的平方和。判定系數的大小也就決定了預測值和實際值之間的相關程度，R2越是接近1，就表示預測的效果越好，也就具有更高的參考價值；相對而言，結果越是接近于0時，也就表示結果越差，參考價值較低。所以，R2的值是越接近于1效果越明顯結果越好。 (4-5)(2)相關系數r(Correlationcoefficient)：相關系數就是變量和變量之間的聯系程度。r的取值范圍可以是在-1到+1，當r﹥0時，說明這兩個變量是正相關的；當r﹤0時，則說明這兩個變量是負相關的，而且r的絕對值越大，也就說明其數據的聯系性越強。然而，當r=0時，則說明變量間不是線性相關，但是也存在其他關聯的可能。 (4-6)(3)均方根誤差RMSE(Rootmeansquareerror)：也叫做標準誤差，是預測值和實際值偏差的平方根，但是我們在實際測量的過程中，我們的實驗次數是有限的，所以我們只能用最佳的值來替代實際的值。在一組數據之中均方根誤差對極大值和極小值的變化非常敏銳，所以，它能夠反映數據結果的精密程度。 (4-7)4.2.2預測結果與實際比較為了更好的說明DBN算法比其他算法處理結果更好，我們同時比較了BP、SPSS與DBN算法之間的差別，然后我們根據得到的數據，可以分別對上述三種算法進行比較和分析。BP算法的預測結果和實際比較圖4-1BP預測結果與實際比較圖我們使用BP算法得到的的預測值與實際值之間的差別是很大的，具體的差別就是在折線圖中，也就是采用BP算法得到的預測值和實際值之間的重合程度較低。所以也就是說BP算法對預測的效果表現較差。SPSS算法預測結果與實際比較圖4-2SPSS預測結果與實際比較圖使用SPSS的多層感知器算法所得到的預測值和實際值也存在較大的偏差，但是比BP算法的實驗結果好一些，偏差的差別在折線圖上表現的較明顯，也就是多層感知器和實際值之間不重合的程度較高。所以SPSS的多層感知器算法在進行對實驗的結果比BP算法好一點。DBN算法預測結果與實際比較 圖4-3DBN預測結果與實際比較圖采用DBN算法得到的預測結果和實際值比就偏差較小，具體在折線圖上可以看出，也就是說DBN的預測值與實際值之間的擬合程度比較高。所以可以得出DBN算法對實驗的預測結果要比BP算法和SPSS的多層感知器算法好的多。4.2.3預測結果的判定系數圖4-4三種不同方法的預測結果判定系數柱形圖本次實驗采用BP算法所得到的預測判定系數是0.2634，而SPSS的多層感知器算法的判定系數是0.6534，DBN預測的判定系數是0.948。因為判定系數越大，預測結果越好，所以DBN算法在本次實驗中的預測結果最好。4.2.4預測結果與實際值散點圖圖4-5BP預測結果與實際值散點圖圖4-6SPSS預測結果與實際值散點圖圖4-7DBN預測結果與實際值散點圖分別做出BP、SPSS多層感知器和DBN的結果散點圖，并通過對散點圖的研究，可以看到DBN的趨勢線和最接近，BP算法的趨勢線和差距最大。所以DBN在本次實驗中的結果最好。4.2.5預測誤差統計分析誤差分析表：擬合度與均方根誤差模型 預測結果R2RrmseBP0.26342.3934SPSS0.65341.7465DBN0.94800.43174.3本章小結在本次實驗中我們使用了BP、SPSS、DBN三種方法，對短期風功率進行預測，而且進行了比較實驗。首先從預測的結果與實際值之間可以看出BP的預測結果在折線圖上的偏較大，SPSS的預測結果在折線圖上的效果好了很多，而DBN的預測結果在折線圖上吻合度最好。然后，我們可以從這三種方法所得出的判定系數的方向上來分析，BP的判定系數最小，DBN的判定系數最大，而判定系數越大表示預測的結果和實際值之間越接近。然后，我們對三種方法的預測結果的值散點圖進行了分析，得出BP的實驗值與差距是最大的，SPSS在第二，而DBN的預測值和差距最小，因為越接近則表示預測的結果和實際結果差別越小。最后，我們對三種方法進行系統的分析，可以看出BP的均方根誤差最大，DBN的均方根誤差是最小的，而SPSS在兩者之間；結論目前為止，我國的風力發(fā)電方面還在處于快速發(fā)展的時期，總裝機容量在不斷增加，但是大規(guī)模的風電并網也給電力系統的安全穩(wěn)定的運行帶來了挑戰(zhàn)。所以對短期內風功率的預測成了目前面臨的主要問題。本文對深度置信網絡在短期風電功率預測的方面進行了探究，并且結合以往的預報結果，提出了基于深度置信網絡的短期風功率預測模型?，F在對本文的主要工作內容總結與分析：在研究深度置信網絡的短期風功率預測模型方面，傳統的BP神經網絡和SPSS的多層感知器網絡的預測模型的存在預測結果不精確的問題，在實際的運行程中很容易造成擬合度較差的情況，而且其在深網絡的表現方面的效果也不理想。深度置信網絡采用的深層次的網絡能夠更好的達到模擬人的效果，而且對數據可以進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絡的原理，以及使用深度置信網絡對短期風功率進行預測的方法。深度置信網絡是一種預測算法，通過調取的風電機組DCS歷史數據，對DBN進行建模，以實現對短期風功率的預測。利用MATLAB進行編程，并對DBN進行訓練，建模和測試。再將測試得到的數據和實際的數據進行對比，對預測的數據進行分析。

DBN可以模擬人腦的一些計算過程，和記憶過程。通過對DBN進行預訓練，訓練DBN每一層RBM之間的權值，可以實現DBN的記憶，也就實現了DBN對于一組數據特征的學習，得到相應的數據特征之后，從而對短期風功率進行預測。

DBN先進行逐層訓練，再反向調整權值的訓練過程可以極大地降低系統陷入局部最優(yōu)的可能性。通過BP神經網絡算法和spss實現多層神經感知器的算法來進行比較，可以很好地體現出DBN算法在精度上的優(yōu)勢。而且通過對曲線擬合和相關性分析也可以證明DBN算法可以很好地進行短期風功率預測，在預測模型的訓練過程中，DBN也很難陷入局部最優(yōu)的情況，且訓練在時間的方面，DBN的訓練時間遠遠少于BP的預測時間，從而滿足了論文的需求。參考文獻遲永寧.大型風電場接入電網的穩(wěn)定性問題研究[D].北京:中國電力科學研究院,2006-03劉純,范高峰,王偉勝等.風電場輸出功率的組合預測模型[J].電網技術,2009,33:74-79葉林,劉鵬等.基于經驗態(tài)分解和支持向量機的短期風電功率組合預測模型中國電機工程學報,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.基于小波神經網絡法的短期風電功率預測方法研究[M].工業(yè)控制計算機,20