[发明专利]一种优化回声状态网络的风力发电功率预测方法及装置

权利要求书

1.一种优化回声状态网络的风力发电功率预测方法，其特征在于，所述方法包括：

利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

利用优化后的回声状态网络模型对风力发电功率进行预测。

2.如权利要求1所述的风力发电功率预测方法，其特征在于，所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数，包括：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

3.如权利要求2所述的风力发电功率预测方法，其特征在于，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

4.如权利要求1所述的风力发电功率预测方法，其特征在于，所述利用优化后的回声状态网络模型对风力发电功率进行预测，包括：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。

5.一种优化回声状态网络的风力发电功率预测装置，其特征在于，所述装置包括：

训练模块，用于利用风力发电功率历史数据作为训练样本，训练获取用于预测风力发电功率的回声状态网络模型；

优化模块，用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数；

预测模块，用于利用优化后的回声状态网络模型对风力发电功率进行预测。

6.如权利要求1所述的风力发电功率预测装置，其特征在于，所述优化模块，用于：

利用萤火虫算法优化所述回声状态网络模型的参数，其中，所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群，所述萤火虫算法的适应度函数为：

上式中，M为预测时间段长度，y(k)为所述回声状态网络在k时刻的预测风力发电功率，为所述回声状态网络在k时刻的实际风力发电功率。

7.如权利要求6所述的风力发电功率预测装置，其特征在于，所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。

8.如权利要求5所述的风力发电功率预测装置，其特征在于，所述预测模块，用于：

利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1)：

y(M+1)＝f_out×(W_best×(u(M),x(M)))

上式中，f_out为输出层函数，u(M)为采集的M时刻的风力发电功率历史数据，x(M)为所述回声状态网络在M时刻的状态向量，W_best为所述最优化回声状态网络的输出权重矩阵；

其中，按下式确定所述回声状态网络在M时刻的状态向量x(M)：

x(M)＝f(W_in×u(M)+W_backx(M-1))

上式中，W_in为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵，W_back为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵，N为所述优化后的回声状态网络内部神经元个数，L为输出维数，K为输入维数，f为神经元激活函数Sigmoid，x(M-1)为所述回声状态网络在M-1时刻的状态向量。