CN115081590B 基于复数值加速算法的短期风速预测方法 （苏州大学）

本发明涉及一种基于复数值加速算法的短值e0和自适应窗长N的复数值前向神经网络模2S3：使用复数值加速LM算法训练初始化后的复复数值前向神经网络的输入神经元的个数为L，隐层神经的偏置构成的参数向量θ=[θ1,θ2,...,θs,...,θS]，其中S是所有可调参数的个数，s∈复数值神经网络的第m个隐层神经元的输出n,-s(zw:),其中g是复数值的激活函数，是输入权重，表示输入权重是长度为L+1的复数值向m0是第m个隐层神经元的偏置，wm1,...,wmL是第m个隐层神经元与输入神经元的连接权p"-[.是第p个样本对应的隐层输出d表示第p个样本在第o个输出神经元对应的期望输出，y表示第p3HG的权值的更新公式为：到第p+i-1个数据作为复数值前向神经网络第p个样本的输入，第p+i个数据作为训练数值前向神经网络时的期望输出，得到复数值前向神经网络的第p个样本的输入Z＝[zp,4po其中Jθ,po＝[Jθ,po1,Jθ,po2,...,Jθ,pos,...,Jθ,poS]，56[0002]风的建模和预测被认为是风力涡轮机(WTs)高效运行以及风力发电厂(WFs)能源的统计方法这两种方法。物理模型以数值天[0004]基于历史数据预测风速的统计方法通过学习历史风速数据的规律构建数据间的非线性映射关系，进而实现时序预测，其中常见的方法有人工神经网络(Artificial[0005]人工神经网络作为一种简单有效的建模方法以及优异的近似计算得到，被称之为拟Hessian矩阵。有两种方式可以通过雅可比矩阵计算得到7法可以让拟Hessian矩阵的构建过程更快地开始，而无需存储所有模式和所有输出的整个到第p+i-1个数据作为复数值前向神经网络第p个样本的输入，第p+i个数据作为训练数值前向神经网络时的期望输出，得到复数值前向神经网络的第p个样本的输入Z＝[zp,[0017]复数值神经网络的第m个隐层神经元的输出其中g是复数值的激活cs表示输入权重w:是长度为L+1的复数m0是第m个隐层神经元的偏置，wm1,...,wmL是第m个隐层神经元与输入神经元的连8个输出神经元对应的神经元偏置，vom表示第m个隐层神经元与第o个输出神经元的连接权9[0033]S3-1：在每次迭代构建GHG之前，对误差向量e进行降序排序生成长度为S的序列梯度向量梯度项其中Jθ,po＝[Jθ,po1,Jθ,po2,...,[0046]图3是本发明实施例中使用本发明预测风速风向的结果与实际风速风向在极坐标据作为训练数值前向神经网络时的期望输出，得到复数值前向神经网络的第p个样本的输是长度为L+1的复数值向量，wm0是第mD=[1.,q,q……q,…q,]。本实施例中初始化的复数值神经网络为一个3-6-1的三层复数"-[.q是第p个样本对应的隐层表示第m个隐层神经元与第o个输出神经元矩阵或向量的共轭转置，()*表示矩阵或向量的共轭。构建复数值前向神经网络的复数n-中的元素max是复数值加速LM算法在更新权值参数时μ的HG[0076]所述GHG的子矩阵所述梯度向量梯定义poHessian矩阵的子矩阵是相互独立的，可以自由选择叠po网络训练并不需要原本数量的误差量，因此缩减自适应窗长，采用更少的误差来构建拟计算次数达到预设的最大评估次数，或者前后两次迭代中目标函数E的变化量小于预先设练好的复数值神经网络得到预测结果w,本实施例中预测结果为[0083]由于一般的复数值LM算法每次迭代过程中都需要计算一次雅可比矩阵去计算拟选以及有限存储的方法用于LM算法来训练复数值神经网络。因为Hessian矩阵可以视为是valuedLevenberg-Marquardt，ACLM)训练和预测风速的结果与CGD方法(Complex-valued\4825.9明的预测数据基本贴近实际的风速数据。现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0097]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变