一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法
【專利摘要】本發(fā)明公開了一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法，包括：(1)首先對(duì)兩個(gè)以上風(fēng)電場(chǎng)的數(shù)據(jù)進(jìn)行歸一化預(yù)處理和樣本集的劃分，(2)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)遷移模型，(3)采用無(wú)監(jiān)督學(xué)習(xí)自底向上開始分層訓(xùn)練；(4)基于步驟三進(jìn)一步進(jìn)行自頂向下的有監(jiān)督學(xué)習(xí)；(5)對(duì)頂層與隱層連接的權(quán)值參數(shù)進(jìn)行微調(diào)得到深度神經(jīng)網(wǎng)絡(luò)中對(duì)應(yīng)每個(gè)風(fēng)電場(chǎng)的輸出層；(6)對(duì)該深度神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果進(jìn)行反歸一化得到風(fēng)速的預(yù)測(cè)值。本發(fā)明將遷移學(xué)習(xí)引入到風(fēng)速預(yù)測(cè)領(lǐng)域，通過將其他數(shù)據(jù)豐富的風(fēng)電場(chǎng)的知識(shí)遷移到目標(biāo)風(fēng)電場(chǎng)，有效地解決了新建風(fēng)電場(chǎng)數(shù)據(jù)少的問題。通過有效的基于深度神經(jīng)網(wǎng)絡(luò)的遷移方案，大大的提高了目標(biāo)風(fēng)電場(chǎng)對(duì)于風(fēng)速的預(yù)測(cè)精度。
【專利說明】一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是以機(jī)器學(xué)習(xí)理論和統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，通過構(gòu)建基于深度神經(jīng)網(wǎng)絡(luò)的 回歸模型，在此基礎(chǔ)上構(gòu)建共享隱層的多輸出的深度遷移模型，最后將此模型用于少數(shù)據(jù) 風(fēng)電場(chǎng)的短期風(fēng)速預(yù)報(bào)。

【背景技術(shù)】
[0002] 在風(fēng)速預(yù)報(bào)方面，很多方法已經(jīng)被提出。這些方法可被分為四類：1)物理模型；2) 統(tǒng)計(jì)模型；3)空間相關(guān)模型；4)人工智能模型和其他新模型。物理模型使用物理因素、氣 象數(shù)據(jù)比如地形、壓力和溫度來(lái)估計(jì)未來(lái)的風(fēng)速。它在長(zhǎng)期預(yù)測(cè)中比較有優(yōu)勢(shì)，在短期預(yù)測(cè) 中一般無(wú)法給出準(zhǔn)確的結(jié)果。因此，它們經(jīng)常只是預(yù)測(cè)的第一步，作為其他模型的輔助輸 入。統(tǒng)計(jì)模型基于風(fēng)速序列的相關(guān)性，通過模型辨識(shí)與參數(shù)估計(jì)、模型檢驗(yàn)等步驟建立預(yù)測(cè) 模型，先描述歷史風(fēng)速序列的變化，再對(duì)未來(lái)的變化進(jìn)行預(yù)測(cè)。傳統(tǒng)統(tǒng)計(jì)模型等同于隨機(jī)時(shí) 間序列模型，常用的時(shí)間序列模型主要有：自回歸模型（Autoregressive, AR)、移動(dòng)平均模 型（Moving Average Model，MA)、自回歸移動(dòng)平均模型（Autoregressive Moving Average Model，ARMA)和回歸累計(jì)式移動(dòng)平均模型（Regressive Integrated Moving Average Model，ARIMA)。另外一種統(tǒng)計(jì)方法是卡爾曼濾波法。它需要前一個(gè)風(fēng)速的估計(jì)值和最近一 個(gè)觀測(cè)值，采用狀態(tài)方程和遞推的方法估計(jì)當(dāng)前的風(fēng)速值，它的解是以估計(jì)值的形式給出。 同其他方法不同，空間相關(guān)模型需要考慮風(fēng)電場(chǎng)以及與之相近幾個(gè)地點(diǎn)的多組風(fēng)速數(shù)據(jù)， 運(yùn)用幾個(gè)地點(diǎn)風(fēng)速之間的空間相關(guān)性，進(jìn)行風(fēng)速預(yù)測(cè)。該方法對(duì)原始數(shù)據(jù)收集量很大，因此 較之其他方法困難，但由于預(yù)測(cè)過程中考慮的因素增多，所以預(yù)測(cè)效果較好。如今，隨著人 工智能和其他預(yù)測(cè)方法的發(fā)展，各種各樣的新模型被提出。其中包括支持向量機(jī)（Support Vector Machine，SVM)、模糊邏輯方法、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN)等 和一些組合預(yù)測(cè)方法。
[0003] 但是，對(duì)于現(xiàn)有的解決方案，并沒有涉及少數(shù)據(jù)的新建風(fēng)電場(chǎng)的風(fēng)速預(yù)測(cè)問題。擁 有很少的數(shù)據(jù)，它不足以學(xué)習(xí)到一個(gè)很好的預(yù)測(cè)模型。這時(shí)，我們引入遷移學(xué)習(xí) （Transfer learning，TL)的概念。遷移學(xué)習(xí)是一種將一個(gè)環(huán)境中學(xué)到的知識(shí)用來(lái)幫助新環(huán)境中的學(xué) 習(xí)任務(wù)的方法。它可以從其他領(lǐng)域遷移知識(shí)至目標(biāo)領(lǐng)域，從現(xiàn)有數(shù)據(jù)遷移知識(shí)至將來(lái)的學(xué) 習(xí)，有效地解決了數(shù)據(jù)少、更新快、學(xué)習(xí)過程耗時(shí)等問題。
[0004] 另外，通過許多結(jié)果的比較，在短期風(fēng)速預(yù)測(cè)單一方法中基于ANN的模型效果 較好，但是之前的神經(jīng)網(wǎng)絡(luò)大多是淺層模型。2006年，Hinton等人提出深度學(xué)習(xí)（De印 learning，DL)的概念。在此之后得到了廣泛的關(guān)注，并成功應(yīng)用于計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、 自然語(yǔ)言處理等領(lǐng)域。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示，以發(fā)現(xiàn)數(shù)據(jù) 的分布式特征表示。它解決了之前深層網(wǎng)絡(luò)中非凸目標(biāo)代價(jià)函數(shù)中普遍存在的局部最優(yōu)值 問題。三個(gè)技術(shù)造就了深度學(xué)習(xí)方法的成功，分別是大量的隱節(jié)點(diǎn)，更好的學(xué)習(xí)算法和更好 的參數(shù)初始化技術(shù)。另外，深度結(jié)構(gòu)非常適合于遷移學(xué)習(xí)，它能夠提取高級(jí)抽象的特征，而 一些這樣的特征對(duì)于許多領(lǐng)域都適用。
[0005] 基于深度神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)已經(jīng)在許多應(yīng)用中取得了很好的效果。例如，字符 識(shí)別，語(yǔ)義分類，多語(yǔ)言學(xué)習(xí)，圖像分類等等。如何將這種模型適用于新風(fēng)電場(chǎng)的短期風(fēng)速 預(yù)測(cè)問題是本發(fā)明要解決的關(guān)鍵問題。


【發(fā)明內(nèi)容】

[0006] 鑒于風(fēng)速預(yù)測(cè)面臨的挑戰(zhàn)以及經(jīng)典的神經(jīng)網(wǎng)絡(luò)存在的問題，本發(fā)明提出了一種基 于深度神經(jīng)網(wǎng)絡(luò)的用于風(fēng)電場(chǎng)的短期風(fēng)速預(yù)報(bào)方法，本發(fā)明將深度學(xué)習(xí)引入到風(fēng)速預(yù)測(cè)領(lǐng) 域，具有很強(qiáng)的特征學(xué)習(xí)能力，可以提取到風(fēng)速中隱藏的比較高級(jí)抽象的信息。本發(fā)明將遷 移學(xué)習(xí)引入到風(fēng)速預(yù)測(cè)領(lǐng)域，通過將其他數(shù)據(jù)豐富的風(fēng)電場(chǎng)的知識(shí)遷移到目標(biāo)風(fēng)電場(chǎng)，有 效地解決了新建風(fēng)電場(chǎng)數(shù)據(jù)少的問題。通過有效的基于深度神經(jīng)網(wǎng)絡(luò)的遷移方案，大大的 提高了目標(biāo)風(fēng)電場(chǎng)對(duì)于風(fēng)速的預(yù)測(cè)精度。
[0007] 本發(fā)明一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法的技術(shù)方案是：該預(yù) 報(bào)方法包括以下步驟：
[0008] 步驟一、設(shè)定數(shù)據(jù)集紀(jì)錄的均是以十分鐘為間隔的風(fēng)速數(shù)據(jù)，首先對(duì)兩個(gè)以上風(fēng) 電場(chǎng)的數(shù)據(jù)進(jìn)行最大最小值歸一化預(yù)處理；將預(yù)處理后的數(shù)據(jù)劃分為以天為單位的數(shù)據(jù)樣 本集，并作為深度神經(jīng)網(wǎng)絡(luò)遷移模型的輸入，其中第i時(shí)刻的樣本的特征向量為144維的風(fēng) 速向量：Xi = (Xi-143, Xi-142，…，Xh，Xi)，該深度神經(jīng)網(wǎng)絡(luò)的輸出為該樣本之后的8個(gè)小時(shí)的 風(fēng)速預(yù)測(cè)數(shù)據(jù)，即48維的風(fēng)速向量：yi = (xi+1, xi+2,…，xi+47, xi+48)，其中Xi為第i時(shí)刻的風(fēng) 速；
[0009] 步驟二、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)遷移模型，其中，輸入層為上述風(fēng)電場(chǎng)處理后的一天數(shù) 據(jù)序列，隱層為兩個(gè)堆積的降噪自動(dòng)編碼機(jī)，輸出層為未來(lái)8小時(shí)預(yù)測(cè)的風(fēng)速數(shù)據(jù)序列；
[0010] 步驟三、采用無(wú)監(jiān)督學(xué)習(xí)自底向上開始分層訓(xùn)練，得到各隱層連接的初始權(quán)值參 數(shù)；
[0011] 步驟四、基于步驟三得到的各隱層連接的初始權(quán)值參數(shù)進(jìn)一步通過自頂向下的有 監(jiān)督學(xué)習(xí)對(duì)該深度神經(jīng)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，從而得到微調(diào)后各隱層連接的權(quán)值參數(shù)，該步驟 中所使用的是所有數(shù)據(jù)集的有標(biāo)簽數(shù)據(jù)；
[0012] 步驟五、初始化頂層與隱層連接的權(quán)值參數(shù)，然后使用各個(gè)風(fēng)電場(chǎng)的有標(biāo)簽數(shù)據(jù) 分別對(duì)頂層與隱層連接的權(quán)值參數(shù)進(jìn)行微調(diào)，得到深度神經(jīng)網(wǎng)絡(luò)中對(duì)應(yīng)每個(gè)風(fēng)電場(chǎng)的輸出 層，即每個(gè)風(fēng)電場(chǎng)預(yù)測(cè)的風(fēng)速序列；
[0013] 步驟六、對(duì)該深度神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果進(jìn)行反歸一化得到之后8個(gè)小時(shí)風(fēng)速的預(yù) 測(cè)值，并根據(jù)預(yù)測(cè)值和真實(shí)值計(jì)算預(yù)測(cè)誤差。
[0014] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0015] 通過實(shí)驗(yàn)表明，本發(fā)明中應(yīng)用共享隱層的深度神經(jīng)網(wǎng)絡(luò)（Shared-Hidden-Layer Deep Neural Network, SHL-DNN)模型與應(yīng)用無(wú)遷移的支持向量回歸機(jī)（Support Vector Regression, SVR)模型、無(wú)遷移的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN)相比，對(duì)不同 風(fēng)電場(chǎng)的數(shù)據(jù)進(jìn)行短期風(fēng)速預(yù)報(bào)其效果更好，降低了預(yù)測(cè)誤差，尤其是數(shù)據(jù)量比較少的風(fēng) 電場(chǎng)其效果更為突出，而當(dāng)目標(biāo)風(fēng)電場(chǎng)數(shù)據(jù)足夠多時(shí)（如訓(xùn)練數(shù)據(jù)包括半年時(shí)間的風(fēng)速）， 就不需要從其他風(fēng)電場(chǎng)那里遷移數(shù)據(jù)了，不然，有些情況下甚至?xí)档皖A(yù)測(cè)精度。

【專利附圖】

【附圖說明】
[0016] 圖1是本發(fā)明中的深度神經(jīng)網(wǎng)絡(luò)遷移模型結(jié)構(gòu)圖；
[0017] 圖2為SVR、DNN、SHL-DNN模型在寧夏風(fēng)電場(chǎng)半個(gè)月數(shù)據(jù)上的不同誤差衡量標(biāo)準(zhǔn)的 結(jié)果，其中，（a)為平均絕對(duì)誤差衡量標(biāo)準(zhǔn)的結(jié)果，（b)為平均絕對(duì)百分比誤差衡量標(biāo)準(zhǔn)的 結(jié)果，（c)為均方誤差衡量標(biāo)準(zhǔn)的結(jié)果，（d)為均方根誤差衡量標(biāo)準(zhǔn)的結(jié)果；
[0018] 圖3為SVR、DNN、SHL-DNN模型在吉林風(fēng)電場(chǎng)半個(gè)月數(shù)據(jù)上的不同誤差衡量標(biāo)準(zhǔn)的 結(jié)果，其中，（a)為平均絕對(duì)誤差衡量標(biāo)準(zhǔn)的結(jié)果，（b)為平均絕對(duì)百分比誤差衡量標(biāo)準(zhǔn)的 結(jié)果，（c)為均方誤差衡量標(biāo)準(zhǔn)的結(jié)果，（d)為均方根誤差衡量標(biāo)準(zhǔn)的結(jié)果；
[0019] 圖4(a)原始數(shù)據(jù)和SVR、DNN、SHL_DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為半個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為10分鐘的結(jié)果比較；
[0020] 圖4(b)原始數(shù)據(jù)和SVR、DNN、SHL_DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為半個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為30分鐘的結(jié)果比較；
[0021] 圖4(c)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為半個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為1小時(shí)的結(jié)果比較；
[0022] 圖4(d)原始數(shù)據(jù)和SVR、DNN、SHL_DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為半個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為2小時(shí)的結(jié)果比較；
[0023] 圖5 (a)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為3個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為10分鐘的結(jié)果比較；
[0024] 圖5 (b)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為3個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為30分鐘的結(jié)果比較；
[0025] 圖5 (c)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為3個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為1小時(shí)的結(jié)果比較；
[0026] 圖5⑷原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為3個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為2小時(shí)的結(jié)果比較；
[0027] 圖6 (a)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為6個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為10分鐘的結(jié)果比較；
[0028] 圖6 (b)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為6個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為30分鐘的結(jié)果比較；SVR、DNN和SHL-DNN
[0029] 圖6 (c)原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為6個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為1小時(shí)的結(jié)果比較；
[0030] 圖6⑷原始數(shù)據(jù)和SVR、DNN、SHL-DNN三個(gè)模型的預(yù)測(cè)數(shù)據(jù)在數(shù)據(jù)集為6個(gè)月數(shù) 據(jù)的寧夏風(fēng)電場(chǎng)上關(guān)于預(yù)測(cè)時(shí)間為2小時(shí)的結(jié)果比較。

【具體實(shí)施方式】
[0031] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明技術(shù)方案作進(jìn)一步詳細(xì)描述。
[0032] 本發(fā)明提出一種應(yīng)用基于深度神經(jīng)網(wǎng)絡(luò)遷移模型進(jìn)行短期風(fēng)速預(yù)報(bào)的模型。利用 深度學(xué)習(xí)技術(shù)構(gòu)建共享隱層的多輸入多輸出的深度神經(jīng)網(wǎng)絡(luò)模型，如圖1所示。在此結(jié)構(gòu) 中，輸入層和隱層是所有風(fēng)電場(chǎng)共享的，可以看做是一個(gè)共同的特征變換。輸出層是每個(gè)風(fēng) 電場(chǎng)相互獨(dú)立的，因?yàn)樗鼈兊臄?shù)據(jù)分布是不同的。這是知識(shí)遷移的一種類型，因?yàn)槠毡榈奶?征被遷移到每個(gè)數(shù)據(jù)集。
[0033] 如圖1所示，本發(fā)明提出一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法， 其特征在于，包括以下步驟：
[0034] 步驟一、設(shè)定數(shù)據(jù)集紀(jì)錄的均是以十分鐘為間隔的風(fēng)速數(shù)據(jù)，首先對(duì)兩個(gè)以上風(fēng) 電場(chǎng)的數(shù)據(jù)進(jìn)行最大最小值歸一化預(yù)處理；將預(yù)處理后的數(shù)據(jù)劃分為以天為單位的數(shù)據(jù)樣 本集，并作為深度神經(jīng)網(wǎng)絡(luò)遷移模型的輸入，第i時(shí)刻的樣本的特征向量為144維的風(fēng)速 向量：Xi = (Xi_143, Xi_142，…，Xh，Xi)，該深度神經(jīng)網(wǎng)絡(luò)的輸出為該樣本之后的8個(gè)小時(shí)的風(fēng) 速預(yù)測(cè)數(shù)據(jù)，即48維的風(fēng)速向量：yi = (xi+1, xi+2,…，xi+47, xi+48)，其中Xi為第i個(gè)時(shí)刻的風(fēng) 速；
[0035] 步驟二、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)遷移模型，其中，輸入層為上述風(fēng)電場(chǎng)處理后的一 天數(shù)據(jù)序列（144個(gè)節(jié)點(diǎn)），隱層為兩個(gè)堆積的降噪自動(dòng)編碼機(jī)（Stacked Denoising Auto-encoder，SDA)(都為100個(gè)節(jié)點(diǎn)），輸出層為未來(lái)8小時(shí)預(yù)測(cè)的風(fēng)速數(shù)據(jù)序列（48個(gè) 節(jié)點(diǎn)）。在這里，我們使用降噪自動(dòng)編碼機(jī)（Denoising Autoencoder，DAE)代替?zhèn)鹘y(tǒng)的自 動(dòng)編碼機(jī)（Auto-encoder，AE)。DAE的想法很簡(jiǎn)單。為了使隱層代表更魯棒的特征或者 使其避免完全等同于輸入，輸入被替代為部分經(jīng)過處理的版本

【權(quán)利要求】
1. 一種基于深度神經(jīng)網(wǎng)絡(luò)遷移模型的短期風(fēng)速預(yù)報(bào)方法，其特征在于，包括以下步 驟： 步驟一、設(shè)定數(shù)據(jù)集紀(jì)錄的均是以十分鐘為間隔的風(fēng)速數(shù)據(jù)，首先對(duì)兩個(gè)以上風(fēng)電場(chǎng) 的數(shù)據(jù)進(jìn)行最大最小值歸一化預(yù)處理；將預(yù)處理后的數(shù)據(jù)劃分為以天為單位的數(shù)據(jù)樣本 集，并作為深度神經(jīng)網(wǎng)絡(luò)遷移模型的輸入，其中第i時(shí)刻的樣本的特征向量為144維的風(fēng) 速向量％ = (Xi-143, Xi-142，…，Xh，Xi)，該深度神經(jīng)網(wǎng)絡(luò)的輸出為該樣本之后的8個(gè)小時(shí)的 風(fēng)速預(yù)測(cè)數(shù)據(jù)，即48維的風(fēng)速向量：yi = (xi+1, xi+2,…，xi+47, xi+48)，其中Xi為第i時(shí)刻的風(fēng) 速； 步驟二、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)遷移模型，其中，輸入層為上述風(fēng)電場(chǎng)處理后的一天數(shù)據(jù)序 列，隱層為兩個(gè)堆積的降噪自動(dòng)編碼機(jī)，輸出層為未來(lái)8小時(shí)預(yù)測(cè)的風(fēng)速數(shù)據(jù)序列； 步驟三、采用無(wú)監(jiān)督學(xué)習(xí)自底向上開始分層訓(xùn)練，得到各隱層連接的初始權(quán)值參數(shù)； 步驟四、基于步驟三得到的各隱層連接的初始權(quán)值參數(shù)進(jìn)一步通過自頂向下的有監(jiān)督 學(xué)習(xí)對(duì)該深度神經(jīng)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，從而得到微調(diào)后各隱層連接的權(quán)值參數(shù)，該步驟中所 使用的是所有數(shù)據(jù)集的有標(biāo)簽數(shù)據(jù)； 步驟五、初始化頂層與隱層連接的權(quán)值參數(shù)，然后使用各個(gè)風(fēng)電場(chǎng)的有標(biāo)簽數(shù)據(jù)分別 對(duì)頂層與隱層連接的權(quán)值參數(shù)進(jìn)行微調(diào)，得到深度神經(jīng)網(wǎng)絡(luò)中對(duì)應(yīng)每個(gè)風(fēng)電場(chǎng)的輸出層， 即每個(gè)風(fēng)電場(chǎng)預(yù)測(cè)的風(fēng)速序列； 步驟六、對(duì)該深度神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果進(jìn)行反歸一化得到之后8個(gè)小時(shí)風(fēng)速的預(yù)測(cè) 值，并根據(jù)預(yù)測(cè)值和真實(shí)值計(jì)算預(yù)測(cè)誤差。
【文檔編號(hào)】G06N3/08GK104268627SQ201410458807
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月10日 優(yōu)先權(quán)日:2014年9月10日
【發(fā)明者】胡清華, 張汝佳 申請(qǐng)人:天津大學(xué)