风功率预测模型的超参数优化方法和优化装置与流程

本发明涉及风电，具体而言，涉及一种风功率预测模型的超参数优化方法、风功率预测模型的超参数优化装置、计算机可读存储介质和计算机程序产品。

背景技术：

1、现有技术中，一般采用lstm神经网络(long-short term memory，长短期记忆网络)训练得到的风功率预测模型进行风电功率预测，风功率预测模型预测精度受到超参数的影响，因此，在训练风功率预测模型之前，会对风功率预测模型的超参数进行优化，现有技术中的风功率预测模型的超参数优化方法一般为，在超参数的取值范围的约束条件下，采用粒子群优化方法、鲸鱼算法、灰狼优化算法，直接求解出最小预测误差对应的超参数的取值，但是，其优化求解过程往往比较复杂，耗费时间长。

技术实现思路

1、本技术的主要目的在于提供一种风功率预测模型的超参数优化方法、风功率预测模型的超参数优化装置、计算机可读存储介质和计算机程序产品，以至少解决现有技术中的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种风功率预测模型的超参数优化方法，所述方法包括：获取超参数值训练测试样本，所述超参数值训练测试样本包括多个超参数值组合，所述超参数值组合包括：多个超参数的取值，所述超参数的取值位于对应的预定取值范围，一个所述超参数对应于一个所述预定取值范围；基于所述超参数值训练测试样本，构建预测kriging模型，所述预测kriging模型为表示所述超参数值组合与第一预测均方根误差之间的映射关系的kriging模型，所述第一预测均方根误差为风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差；在所述超参数的取值位于对应的所述预定取值范围的约束条件下，以所述第一预测均方根误差最小为目标，对所述预测kriging模型进行求解，得到最优超参数值组合，所述最优超参数值组合包括：所述超参数的取值。

3、可选地，所述超参数值训练测试样本包括超参数值训练样本和超参数值测试样本，所述超参数值训练样本和所述超参数值测试样本均由多个所述超参数值组合组成，基于所述超参数值训练测试样本，构建预测kriging模型，包括：第一确定步骤，在所述超参数值训练样本中的所述超参数值组合的约束条件的情况下，确定多个所述第一预测均方根误差，一个所述第一预测均方根误差对应于所述超参数值训练样本中的一个所述超参数值组合；构建步骤，采用所述超参数值训练样本中的所述超参数值组合与对应的所述第一预测均方根误差，训练kriging模型，得到所述预测kriging模型；输入步骤，分别将所述超参数值测试样本中的各所述超参数值组合输入所述预测kriging模型，得到多个第二预测均方根误差，一个所述第二预测均方根误差对应于所述超参数值测试样本中的一个所述超参数值组合；优化步骤，至少基于所述第二预测均方根误差，采用子集模拟优化算法对所述预测kriging模型进行优化；第二确定步骤，根据所述超参数值测试样本和公式确定第i次的更新超参数值组合，式中，i＝1,2...,m，为第i次的所述更新超参数值组合，为所述超参数值测试样本中的第k个所述超参数值组合，m为所述超参数值训练样本中的所述超参数值组合的数量；第三确定步骤，确定第i次的更新超参数值组合是否满足第一预定条件，所述第一预定条件为j＝1,....,i-1，第j次的所述更新超参数值组合；第一更新步骤，在所述更新超参数值组合不满足所述第一预定条件的情况下，将所述更新超参数值组合加入所述超参数值测试样本；第一重复步骤，依次增大i的值，并重复所述构建步骤、所述更新步骤、所述输入步骤、所述第二确定步骤和所述第三确定步骤至少一次，至少在所述更新超参数值组合满足所述第一预定条件时停止，得到所述预测kriging模型。

4、可选地，在第一重复步骤，依次增大i的值，并重复所述构建步骤、所述更新步骤、所述输入步骤、所述第二确定步骤和所述第三确定步骤至少一次，至少在所述更新超参数值组合满足所述第一预定条件时停止，得到所述预测kriging模型之后，所述方法还包括：第四确定步骤，在所述超参数值测试样本中的一个所述超参数值组合的约束条件的情况下，确定一个所述第一预测均方根误差，且将所述超参数值测试样本中的这一所述超参数值组合的输入所述预测kriging模型，得到一个所述第二预测均方根误差；第二更新步骤，在所述第一预测均方根误差与所述第二预测均方根误差的差值大于预设值的情况下，基于所述超参数值测试样本，采用改进metropolitan-hastings算法，更新所述超参数值测试样本；第二重复步骤，以所述输入步骤为起点，重复执行所述第一重复步骤、所述第四确定步骤和所述第二更新步骤，直至在所述第一预测均方根误差与所述第二预测均方根误差的差值小于或者等于所述预设值时停止，得到所述预测kriging模型。

5、可选地，在所述超参数值训练样本中的所述超参数值组合的约束条件的情况下，确定多个所述第一预测均方根误差，包括：分别在所述超参数值训练样本中的各所述超参数值组合的约束条件的情况下，采用多组训练数据训练lstm神经网络，得到多个所述风功率预测模型，一个所述风功率预测模型对应于所述超参数值训练样本种的一个所述超参数值组合，所述多组训练数据中的每一组所述训练数据均包括：第一历史时段的训练气象参数组合、第二历史时段的所述风功率真实值，所述第一历史时段早于所述第二历史时段，所述训练气象参数组合包括多个气象参数的取值；将当前时段的所述训练气象参数组合分别输入各所述风功率预测模型，得到未来时段下多组所述风功率预测值，一组所述风功率预测值对应于所述超参数值训练样本的一个所述超参数值组合；计算各组所述风功率预测值与对应的一组所述风功率真实值之间的均方根误差，得到多个所述第一预测均方根误差，一组所述风功率预测值对应于一组所述风功率真实值，一个所述第一预测均方根误差对应于所述超参数值训练样本的一个所述超参数值组合。

6、可选地，所述超参数值训练测试样本包括超参数值训练样本和超参数值测试样本，所述超参数值训练样本和所述超参数值测试样本均由多个所述超参数值组合组成，获取超参数值训练测试样本，包括：获取超参数值训练样本；获取超参数值训练样本，包括：基于各所述超参数的取值的最大阈值以及各所述超参数的取值的最小阈值，分别确定各所述超参数的取值的截断正态分布；至少从所述超参数的取值的截断正态分布中，随机抽取所述超参数的取值，得到多个所述超参数值组合。

7、可选地，至少从所述超参数的取值的截断正态分布中，随机抽取所述超参数的取值，得到多个所述超参数值组合，包括：从所述超参数的取值的截断正态分布中，随机抽取所述超参数的取值，得到多个备选超参数值组合，所述备选超参数值组合包括：所述超参数的取值；采用拉丁超立方抽样方法对所述备选超参数值组合进行抽样，得到多个所述超参数值组合。

8、可选地，所述气象参数包括：平均风速、日最大风速、主导风向以及发生概率。

9、根据本技术的另一方面，提供了一种风功率预测模型的超参数优化装置，所述装置包括：获取单元，用于获取超参数值训练测试样本，所述超参数值训练测试样本包括多个超参数值组合，所述超参数值组合包括：多个超参数的取值，所述超参数的取值位于对应的预定取值范围，一个所述超参数对应于一个所述预定取值范围；构建单元，用于基于所述超参数值训练测试样本，构建预测kriging模型，所述预测kriging模型为表示所述超参数值组合与第一预测均方根误差之间的映射关系的kriging模型，所述第一预测均方根误差为风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差；求解单元，用于在所述超参数的取值位于对应的所述预定取值范围的约束条件下，以所述第一预测均方根误差最小为目标，对所述预测kriging模型进行求解，得到最优超参数值组合，所述最优超参数值组合包括：所述超参数的取值。

10、根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的风功率预测模型的超参数优化方法。

11、根据本技术的又一方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现任意一种所述的风功率预测模型的超参数优化方法。

12、应用本技术的技术方案，首先，确定超参数和风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差之间的映射关系，即确定预测kriging模型，然后，在超参数的取值位于对应的预定取值范围的约束条件下，在以风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差最小为目标，求解预测kriging模型，得到最优超参数，由于本技术在求解最优超参数之前，确定了超参数和风功率预测模型得到的风功率预测值与风功率真实值之间的均方根误差之间的映射关系，从而缩短了后续求解最优超参数的时间。从而解决了现有技术中在超参数的取值范围的约束条件下采用优化算法直接求解出最优超参数值耗费时间长的问题。