环境保护与资源综合利用技术

本发明公开了一种基于改进深度极限学习机的风功率预测方法，包括：S1：获取风功率数据，同时构建深度极限学习机DELM模型；S2：对采集到的风功率数据进行归一化处理，并初始化DELM模型参数；S3：在标准灰狼算法中引入sobol序列初始化种群，在局部搜索中引入柯西变异策略；S4：将预处理后的训练样本送入DELM模型中，经过DELM训练测试得到的复合加权目标函数值作为经混合复合加权目标函数改进后的灰狼算法的适应度值，利用改进灰狼优化算法对参数进行训练寻优，得到DELM各隐含层的最优节点数和最优正则化参数C；S5：将风功率数据的测试样本送入含有最优参数的DELM模型中，得到风功率预测输出值。本发明能够使得风功率预测更加接近实际值，提高风功率预测的准确度。

成果亮点

发明目的：针对现有技术的不足，本发明提出一种基于改进深度极限学习机的风功率预测方法，能够使得风功率预测更加接近实际值，提高风功率预测的准确度。 技术方案：本发明提出一种基于改进深度极限学习机的风功率预测方法，具体包括以下步骤： (1)获取风功率数据，建立风功率数据库，同时构建DELM模型； (2)对采集到的风功率数据进行预处理，获得训练集和测试集；并初始化DELM模型参数； (3)引入sobol序列初始化灰狼种群，以使初始解在解空间分布更均匀，并且能够有效提高初始解的质量；同时在局部搜索中引入柯西变异策略，加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力； (4)将预处理后的训练集送入DELM模型中，将经过DELM训练得到的复合加权目标函数值作为混合复合加权目标函数改进后的灰狼算法的适应度值，利用经混合复合加权目标函数改进后的灰狼算法对DELM模型的超参数进行训练寻优，得到DELM各隐含层的最优节点数和最优正则化参数C；

基于改进深度极限学习机的风功率预测方法是一种可以提高风功率预测准确性的方法，这项技术在风电领域有着广泛的应用前景。

风能是一种可再生的清洁能源，越来越受到人们的重视。然而，风能的预测是风电领域的重要难题之一，准确的风功率预测可以提高风电机组的发电效率和可靠性，降低风电场的运营成本。基于改进深度极限学习机的风功率预测方法可以提高风功率预测的准确性和时效性，从而提高风电机组的发电效率和可靠性。

此外，这项技术还可以为风电场的运营和管理提供智能化的解决方案，通过预测风功率，优化风电场的运营和管理，提高风电场的经济性和社会效益。这项技术还可以为风电政策的制定提供支持，通过预测风功率，为风电政策的制定提供科学依据。

因此，基于改进深度极限学习机的风功率预测方法的应用前景非常广泛，在风电领域有着广泛的应用前景，具有重要的研究和推广价值。

有益效果：与现有技术相比，本发明的有益效果：1、本发明通过经混合复合加权目标函数改进后的灰狼算法优化深度极限学习机的各隐含层的最优节点数和最优正则化参数C；2、通过利用sobol序列初始化灰狼种群，使初始解在解空间分布更均匀，且能够有效提高初始解的质量；在局部搜索中引入柯西变异策略，能够加快灰狼算法的收敛速度并提升灰狼算法跳出局部最优的能力，这提高了MGWO-DELM模型的搜索速度和全局搜索的能力，以及解决了传统神经网络易陷入局部极值的问题；同时引入复合加权目标函数，能够综合考虑不同误差指标的多样性；3、DELM是对传统ELM的改进，相对于ELM能够更为全面地捕捉到数据之间的映射关系并提高处理高纬度输入变量的精确度，同时DELM具有拟合能力以及泛化能力强的优点，将其与经混合复合加权目标函数改进后的灰狼算法结合对风功率进行预测，能够使得风功率预测更加接近实际值，提高风功率预测的准确度。