申请/专利权人:大唐可再生能源试验研究院有限公司;中国大唐集团科学技术研究总院有限公司
申请日:2023-12-11
公开(公告)日:2024-04-19
公开(公告)号:CN117910510A
主分类号:G06N3/045
分类号:G06N3/045;G06N3/082;G06N3/0985;H02J3/00
优先权:
专利状态码:在审-公开
法律状态:2024.04.19#公开
摘要:本发明涉及一种基于剪枝优化的风机功率预测方法,在建立的神经网络功率预测模型中引入降噪环节、网络迁移叠层,以及剪枝优化方法;降噪环节包括:在输入神经网络进行训练和预测之前,通过高斯噪声概率函数法、滤波器、调制函数法中的任一种进行降噪处理;网络迁移叠层构建方法包括:通过有限的本机数据训练模型,将其它机组的数据用本机模型进行预测,得到不同机组数据对该模型的契合度;将相关系数较高的数据保留,按相关系数从低到高分类,训练一个新的由多层神经网络叠加而成的模型;所述剪枝优化方法包括非结构类剪枝及结构类剪枝。本发明提高了预测精度,提高了运算速度,简化了维护过程。
主权项:1.一种基于剪枝优化的风机功率预测方法,其特征在于,在建立的神经网络功率预测模型中引入降噪环节、网络迁移叠层,以及剪枝优化方法;其中:所述降噪环节包括:在输入神经网络进行训练和预测之前,通过高斯噪声概率函数法、滤波器、调制函数法中的任一种进行降噪处理;所述网络迁移叠层构建方法包括:通过有限的本机数据训练模型,将其它机组的数据用本机模型进行预测,得到不同机组数据对该模型的契合度,并用相关系数衡量这一指标;将相关系数较高的数据保留,按相关系数从低到高分类,训练一个新的模型,该模型由多层神经网络叠加而成,其中浅层网络为相关度较低的数据训练所得,深层网络为相关度较高的数据训练所得;所述剪枝优化方法包括非结构类剪枝及结构类剪枝,所述非结构类剪枝包括:将过小的权重更改为0,实现简化运算;所述结构类剪枝包括:通过计算各个参数与最终结果之间的相关系数确定需要删除的隐含层、神经元或输入参数,若相关系数低于一个阈值,则证明该参数在本预测中并未发挥作用,从输入端删除这个参数的输入。
全文数据:
权利要求:
百度查询: 大唐可再生能源试验研究院有限公司;中国大唐集团科学技术研究总院有限公司 一种基于剪枝优化的风机功率预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。