技术特征：
1.基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，包括以下步骤：步骤(1)、搜集风电场单台或多台风机历史风能出力和外部环境因素如风速、风向等统计数据；步骤(2)、将收集到的统计数据进行标准化处理，将其变形为预测对象要求的格式；步骤(3)、将整个数据集按一定比例划分为训练集、验证集和测试集，然后通过训练集确定适合该预测对象的隐藏节点数和激活函数等极限学习机模型网络结构参数；步骤(4)、利用极限学习机建立训练集上历史风能出力、外部环境因素与所需预测目标间的初步预测模型，得到第一阶段的模型网络参数；步骤(5)、对上述第一阶段得到的模型参数中映入隐含层至输出层的偏移基组合成第二阶段参数训练所需的输入，同时对其与该模型在测试集上的预测误差之间的映射关系进行数学建模；步骤(6)、通过基于自然进化策略的优化算法，将预测模型的网络参数视为输入，预测误差视为优化目标进行全局优化，减少使其在测试集上的rmse误差；步骤(7)、当有新的预测目标和数据即步骤(3)中的测试集数据时，利用训练好的预测模型参数对其进行预测；步骤(8)、当上述数据集之后有更进一步的数据产生时，将其加入到旧的数据集中合并成新的总数据集，重复(3)～(6)步骤可以不断适应预测对象系统结构关系的变化。2.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(1)所述的历年统计数据中风能出力预测目标数据用y表示，历史风能出力和外部环境因素如风速、风向等统计数据分别用数组z1,z2,z3,
…
,z
m
表示。3.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(2)所述统计数据进行标准化处理的方法如下：首先根据原始数据的时间维度将其处理成达成预测目标的所需的时间间隔得到处理后的数据集，然后运用mapminmax函数y＝(ymax
‑
ymin)*(x
‑
xmin)/ (xmax
‑
xmin)+ymin，令xmax等于1，xmin等于0，将数据集进行[0,1]标准化处理。4.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(3)所述的训练集、验证集和测试集划分方法和极限学习机模型网络结构参数方法如下：
①
按照2：1：1的比例将经过步骤(3)标准化处理的数据集分别分为训练集、验证集和测试集；
②
将训练集输入至极限学习机预测模型，选取不同的网络激活函数分别重复多次训练网络；
③
记录在不同激活函数下的预测模型在验证集上的平均误差，选取误差最小的激活函数g(z)作为最终模型网络参数；
④
将训练集输入至极限学习机预测模型，选取不同的网络隐藏节点数分别重复多次训练网络；
⑤
记录在不同隐藏节点数下的预测模型在验证集上的平均误差，选取误差最小的隐藏节点数作为最终模型网络参数。
5.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(4)所述的确定第一阶段的模型网络参数过程如下：
①
对于步骤(3)中确定的训练集，随机产生输入层到隐含层连接权重w'
ij
和偏移b
′
ij
；
②
计算隐含层输出矩阵h'：
③
通过广义矩阵逆运算求得其中为矩阵h'的moore
‑
penrose广义逆矩阵；
④
得到第一阶段的模型网络参数连接权重w'
ij
、偏移b'
ij
和输出权重β'。6.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(5)所述的对上述第一阶段得到的第一阶段模型参数中映入隐含层至输出层的偏移基组合成第二阶段参数训练所需的输入，同时对其与该模型在测试集上的预测误差之间的映射关系进行数学建模过程如下：
①
将上述第一阶段模型参数连接权重w'
ij
、偏移b'
ij
和输出权重β'的数据集合按顺序组合成一个向量形式视为输入x1,x2,
…
,x
d
；
②
在极限学习机模型参数的基础上，引入新参数隐含层到输出层的偏移基b'
o
，初始值设置为零，视为x
d+1
与原模型参数一起组合为第二阶段优化参数；
③
将该模型在测试集上的预测误差e视为模型函数的输出f(x1,x2,
…
,x
d+1
)；
④
将输入与输出之间的映射关系转化为标准的参数优化问题：min f(x1,x2,
…
,x
d+1
)。7.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(6)所述的自然进化策略的优化算法过程如下：
①
将步骤(5)中所得多个输入x1,x2,
…
,x
d+1
作为初始种群空间；
②
利用多重正态分布对每一组输入x添加正比于高斯分布的噪声e
i
～x(0,i)得到突变种群空间在初始化基因x周围生成符合分布的多个基因样本；
③
计算每一个基因样本x
i
的目标函数适宜度值f(x
i
)；
④
计算将被用于更新基因个体x基因序列的对数导数以及被用于更新多重正态分布分布范围σ的对数导数其数学计算公式分别如下所示：其数学计算公式分别如下所示：
⑤
计算被用于更新基因个体x基因序列的自然梯度向量以及被用于更新多重正态分布分布范围σ的自然梯度向量其数学计算公式分别如下所示：
⑥
用和分别以同样的学习速率η更新基因个体x基因序列和多重正态分布分布范围σ，其数学公式如下：范围σ，其数学公式如下：
⑦
引入自适应因子λ，其数值由f(x
i
)的方差σ决定，当方差σ过大时，令λ<1,缩小多重正态分布分布范围σ；反之，当方差σ过小时，令λ>1,扩大多重正态分布分布范围σ；
⑧
重复
①
～
⑦
过程直至达到设定好的收敛条件或者循环上限。8.根据权利要求1所述的基于自然进化策略的极限学习机网络参数两阶段优化方法，其特征在于，在步骤(7)所述的计算新数据下的预测值的过程如下：将步骤(6)中所得优化完成的输入x(x1,x2,
…
,x
d+1
)中的前d位数据重新组合成优化后连接权重w
″
ij
、偏移b
″
ij
和输出权重β”的矩阵形式，而x
d+1
作为优化后的输出偏移基b
″
o
，在新的预测数据输入值即验证集进入系统时计算其预测目标预测值t：。
技术总结
本发明公开了基于自然进化策略的极限学习机网络参数两阶段优化方法。本发明基于风电场历史风能出力和外部环境数据，利用极限学习机挖掘历史出力、环境变量与预测目标之间的内生关系。首先建立了基于极限学习机的风力发电预测模型，得到第一阶段预测模型网络参数，然后利用自然进化策略优化算法，对模型参数进行第二阶段参数优化，从而提高预测模型准确性。上述预测及优化方法，在时序历史数据的基础上考虑了外部环境因素的影响，在自然进化策略算法中引入了自适应因子使算法能够随着迭代的进行自动调整其搜索范围，并在极限学习机模型中添加了额外的输出层偏移参数，与传统风力发电预测方法相比提高了预测的准确度，且极大地降低了预测所需时间。降低了预测所需时间。降低了预测所需时间。
技术研发人员：权浩 吕立臻
受保护的技术使用者：南京理工大学
技术研发日：2021.07.08
技术公布日：2021/9/24