[发明专利]基于深度学习对风力发电系统进行仿真的仿真验证方法

权利要求书

1.一种基于深度学习对风力发电系统进行仿真的仿真验证方法，其特征在于，包括：

采用改进的基于SGD及定性趋势提取的仿真验证方法，对系统内多个独立的领域就进行仿真验证；

通过卷积神经网络提取多个滑动窗口长度的数据，多次抽取数据特征，得到高级数据特征，判断数据的最佳长度；

将风力发电系统的仿真数据集进行校核操作和降噪操作后，得到风力发电系统内的多个领域的仿真数据，通过一元线性拟合的方法对所述仿真数据进行拟合；

获取每一个领域仿真数据的定性趋势，根据定性趋势判断出该定性趋势的导数；

将领域仿真按照关系进行分类，得到独立的领域仿真，并将每一个领域仿真与对应的真实场景进行比较，判断模型与仿真是否一致，得到相似性等级；

输出所有领域仿真相似度等级数值K。

2.如权利要求1所述的方法，其特征在于，所述通过卷积神经网络提取多个滑动窗口长度的数据，多次抽取数据特征，得到高级数据特征，判断数据的最佳长度包括：

使用卷积神经网络，获取不同大小的窗口提取数据长度数据L；

将L按照矩阵的形式进行排列,内含有数据类型m的数据提取了n个滑动窗口长度的数据，得到数据长度矩阵：

L_m＝[l₁,l₂,...,l_n]

矩阵的特征值计算方法为：

|λE-L_m^T|＝0

其中单位矩阵E为：

得到矩阵的特征值后，通过以下式子：

令：

E-L_m^T＝H

则：

(E-L_m^T)X＝HX

矩阵H化简后得到H0，其中，X为特征矩阵，表示为：

(E-L_m^T)X＝H₀X

X^T＝[x₁,x₂,...,x_n]

通过研究特征值，进而求出特征矩阵X，将X引入卷积神经网络，通过上述方法，将Lm矩阵设置成输入层，通过如下公式，得到输出层：

第一次卷积可以提取出低层次的特征；

第二次卷积可以提取出中层次的特征；

第三次卷积可以提取出高层次的特征；

多次进行卷积操作可以得到矩阵Lm中的高级特征值a，根据其特征值匹配出Lm中最佳的那个滑动窗口大小，确定一个或多个最优的解，通过研究最优解，得到某一个数据类型应该选取多长的窗口作为滑动窗口。