买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖北工业大学

摘要：本发明涉及风电场风速预测技术领域，具体为一种基于mRMR‑RF和GS‑LSTM多风电场风速预测方法，包括以下步骤：将多个风电场原始数据整合到一个数据集里面，得到原始数据集，基于最小冗余最大相关性mRMR的随机森林RF特征选择方法mRMR‑RF计算多风电场各个特征子集的得分。该基于mRMR‑RF和GS‑LSTM多风电场风速预测方法，通过特征拓扑图分析多风电场各个特征与风速的相关性，并基于mRMR‑RF‑GraphSAGE的空间特征提取框架获取空间特征向量，把不同时刻的空间特征向量作为时间序列输入到LSTM模型，得到风电场各个站点的风速预测值，如此，能够提高风速预测精度，减少风电并网对电力系统稳定性的威胁，从而在经济上带来积极的长期影响。

主权项：1.一种基于mRMR-RF和GS-LSTM多风电场风速预测方法，其特征在于，包括以下步骤：S1.将多个风电场原始数据整合到一个数据集里面，得到原始数据集，基于最小冗余最大相关性mRMR的随机森林RF特征选择方法mRMR-RF计算多风电场各个特征子集的得分，选出最优特征子集；S1.1.将原始数据集中历史风速特征划分到目标变量数据集内，其他特征划分到特征数据集；S1.2.对目标变量数据集与特征数据集进行数据归一化处理，其表达式为： 式中，为标准化之后的模型输入数据，为原始数据，和分别为原始数据的最小值和最大值；S1.3.通过自主采样法BootstrapSampling从特征数据集中随机并且有放回地抽取样本数据，建立个决策树，原始数据集中不会被抽取到的数据为袋外数据；S1.4.利用袋外数据计算特征重要性，对组袋外数据分别计算每棵决策树的误差值，记为对组袋外数据的第个特征进行随机排序并且保证其他特征不变，计算误差值，记为，根据特征重要性排序得到候选特征；其中，计算特征重要性的公式为： S1.5.从候选特征集穷举出所有可能的特征子集；S1.6.在特征子集中，计算每个特征与目标变量之间的相关度和特征之间的冗余度，得出特征子集的得分；1）计算每个特征与目标变量之间的相关性和特征之间的互信息量； 式中，是和的联合概率分布函数，和分别是和的边缘概率分布函数，互信息量越大，表示和之间的相关性越强；2）计算每个特征与目标变量之间的相关度D： 计算已选择的特征与待选择特征之间的冗余度： 式中，表示特征子集，表示特征子集的维度，表示目标特征变量，为特征与目标特征变量的互信息量，为除目标特征变量外其余特征两两之间的互信息量；3）计算得分： ；S1.7根据每一个特征子集的得分排序选择出最优特征子集；S2.利用最优特征子集构建多风电场的图结构数据；S2.1.将多个风电场及其特征的相互关系描述为图结构数据，表达式为： 其中，用来表示风电场节点的集合，表示风场节点间连线所构成的边集（0，1），表示风电场节点的最优特征子集，为风电场节点间的带权邻接矩阵；S2.2.根据任意两个风电场节点和之间的边权重，构建空间带权邻接矩阵，其中，边权重的计算表达式为： 式中，表示风电场节点和的球面距离，表示高斯核函数的标准差，为阈值参数；S2.3.采用最大互信息系数MIC构建时间带权邻接矩阵，其表达式为： 式中，是节点与之间的互信息量，具体表达式为： 是节点间的联合概率密度，为节点间的最大信息系数，为网格数；S2.4.根据与得到带权邻接矩阵，其表达式为： 其中，为加权参数，取值范围为0到1；S3.使用GraphSAGE网络对图结构数据进行训练并生成空间特征向量；S3.1.GraphSAGE首先对具有层邻居节点的目标节点进行随机采样，在第层采集出来的邻居节点记为，，，每层需要采样的邻居节点数记为；S3.2.GraphSAGE通过聚合函数来聚合每一层的邻居节点信息，并不断更新目标节点自身的节点信息，其表达式为： 其中，表示节点u与邻居节点v之间的边权重，表示节点在第层聚合的邻居节点特征，表示第层采集出来的邻居节点的个数；S3.3.GraphSAGE将第层目标节点的特征表示与第层邻居节点的聚合特征进行拼接，并使用使用函数和矩阵对拼接向量进行非线性变换，得到，其表达式为： 其中，是GraphSAGE需要学习的权重矩阵，ReLU为非线性激活函数；S3.4.不断采样和聚合相邻节点的特征向量，然后进行迭代更新，得到一个携带全局特征的特征向量，即空间特征向量，其表达式为： ；S4.对空间特征向量采用滑动窗口法进行时序上重采样并生成时空特征向量；S5.将时空特征向量作为输入，使用LSTM模型进行训练并得到多风电场各个特征时空关联预测值。

全文数据：

权利要求：

百度查询： 湖北工业大学 一种基于mRMR-RF和GS-LSTM多风电场风速预测方法