一种联合循环发电站的电能输出预测方法和系统与流程

1.本发明属于电能预测领域，尤其涉及一种联合循环发电站的电能输出预测方法和系统。


背景技术：

2.联合循环发电站是利用瓦斯和蒸汽轮机实现电能输出，其电能输出与环境影响的关联关系是当前探讨的课题。现有技术中，使用线性回归模型预测联合循环发电站的电能输出的方法，通常会出现误差较大的问题；使用非线性回归模型预测电能输出的方法，多使用偏最小二乘算法依托互相关优化模型实现将非线性问题用一系列线性拟合子模型串联起来实现问题逼近，但是逼近结果仍不够精确，无法得到最优解。


技术实现要素：

3.鉴于上述的分析，本发明旨在提供一种联合循环发电站的电能输出预测方法和系统，基于流形学习算法级联回归埃尔米特多项式拟合模型，能够利用环境数据更准确预测联合循环发电站的电能输出数据。
4.一方面，本发明公开了一种联合循环发电站的电能输出预测方法，其特征在于，包括如下步骤：
5.获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；
6.基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数；
7.基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出。
8.进一步的，使用迭代法训练所述模型；所述基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数包括：
9.分别预处理所述历史环境数据和相应的电能输出数据得到训练的初始输入残差和初始输出残差，并初始化迭代训练和流行学习的参数；
10.在每一轮模型迭代中：基于该轮模型迭代的输入残差和输出残差计算广义grassmann流形上的该轮模型迭代的互相关投影矩阵；基于所述该轮模型迭代的互相关投影矩阵将该轮的输入残差投影到主成分空间，得到投影后的样本特征；计算所述样本特征的埃尔米特多项式矩阵；基于所述埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得该轮迭代的子回归器的回归系数和下一轮迭代的输入残差和输出残差；
11.当满足终止条件时终止迭代，得到各子回归器的回归系数和相关参数。
12.进一步的，所述环境数据的参数种类包括每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度；
13.所述分别预处理所述历史环境数据和相应的电能输出数据得到训练的初始输入残差和初始输出残差包括：
14.分别将所述历史环境数据中各时段的每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度以及相应的电能输出数据做归一化处理；
15.拼接归一化处理后的各时段的历史环境数据形成训练输入矩阵作为训练的初始输入残差，其中所述训练输入矩阵的行数为样本数量，列数为历史环境数据的参数种类；
16.将归一化的所述电能输出数据写为训练标签矩阵作为训练的初始输出残差，所述训练标签矩阵的行数为样本数量，列数为1。
17.进一步的，所述计算广义grassmann流形上的该轮模型迭代的互相关投影矩阵使用流形学习迭代的方法，包括：
18.初始化该轮模型迭代的互相关投影矩阵；
19.在每一轮流形学习迭代中：
20.基于所述该轮模型迭代的输入残差、输出残差和该轮流形学习的初始互相关投影矩阵计算欧式空间的梯度；
21.基于欧式空间的梯度计算广义grassmann流形上的梯度；
22.基于广义grassmann流形上的梯度计算权重和转移方向；
23.基于权重和转移方向计算本轮迭代的共轭方向；
24.基于共轭方向、权重、流形学习系数和欧式空间的梯度生成步长；
25.基于步长和共轭方向计算该轮流形学习的互相关投影矩阵作为下一轮流形学习迭代的初始互相关投影矩阵；
26.当满足终止条件时终止流形学习迭代，终止流形学习迭代时最后一轮迭代计算所得的互相关投影矩阵为该轮模型迭代的互相关投影矩阵。
27.进一步的，所述基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出包括：
28.预处理所述当前环境数据作为预测的输入残差，令输出残差初始为0，并初始化预测训练参数；
29.在每一轮迭代中：利用训练过程中获得的互相关投影矩阵将该轮的输入样本投影到主成分空间，得到投影后的样本特征；基于所述投影后的样本特征形成埃尔米特多项式矩阵；基于所述埃尔米特多项式矩阵获得相应子回归器的回归系数和下一轮迭代残差；
30.当满足终止条件时终止迭代，基于各轮的迭代残差得到预测结果。
31.另一方面，本发明公开了一种联合循环发电站的电能输出预测系统，包括：
32.数据采集模块，用于获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；其中，使用传感器获取所述当前环境数据；
33.数据处理模块，包括训练子模块和预测子模块；其中，训练子模块用于基于数据采集模块的数据，基于流形学习算法级联回归埃尔米特多项式拟合模型；预测子模块用于基于数据采集模块的数据，使用训练好的所述模型预测电能输出数据；
34.结果展示模块，用于展示所述数据处理模块预测得到的电能输出数据。
35.进一步的，所述训练子模块包括：
36.第一数据预处理单元：用于将所述历史环境数据和相应的电能输出数据分别进行归一化处理并分布拼合为训练输入矩阵和训练标签矩阵；
37.迭代处理单元，用于基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数。
38.进一步的，所述迭代处理单元包括：
39.流形学习子单元，用于在每一轮模型迭代中计算互相关投影矩阵；
40.第一投影子单元，用于基于所述互相关投影矩阵将输入样本投影到主成分空间得到投影后的样本特征；
41.回归系数获取子单元，用于基于所述投影后的样本特征的埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得回归系数；
42.训练残差子单元，用于获取下一轮迭代残差；
43.第一迭代条件判断子单元，用于判断迭代是否满足终止条件；
44.数据输出单元，用于输出所述模型各子回归器的回归系数和相关参数，所述相关参数包括总的迭代次数、每一轮迭代计算得到的互相关投影矩阵以及归一化时生成的边界参数。
45.进一步的，所述预测子模块包括：
46.第二数据预处理单元：用于将所述当前环境数据进行归一化处理并拼合为预测输入矩阵；
47.迭代预测单元，用于基于所述当前环境数据和数据输出单元输出的数据预测电能输出数据。
48.进一步的，所述迭代预测单元包括：
49.第二投影子单元，用于基于数据输出单元输出的相应的互相关投影矩阵将输入样本投影到主成分空间，得到投影后的样本特征；
50.预测残差子单元，用于基于数据输出单元输出的相应子回归器的回归系数和该轮的输入残差和输出残差获取下一轮迭代的输入残差和输出残差；
51.第二迭代条件判断子单元，用于判断迭代是否满足终止条件；
52.预测结果单元，用于将预测残差子单元获得的各轮迭代的输出残差进行累加得到预测值，并将所述预测值进行逆归一化处理得到电能输出数据。
53.本发明至少可以实现下述之一的有益效果：
54.通过考虑历史环境数据对联合发电站电能输出的影响，将预测联合发电站电能输出问题转换为多元非线性回归问题，级联回归埃尔米特多项式拟合模型，快速准确的完成从输入特征到预测值的映射，有利于更准确的预测电能输出数据；
55.通过基于流行学习算法级联回归埃尔米特多项式拟合模型，能够在保证对多元非线性回归问题的快速预测前提下，进一步更准确地完成从输入特征到预测值的映射，进一步提升预测电能输出数据的准确性。
56.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
57.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
58.图1为本发明电能输出预测方法流程图。
具体实施方式
59.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
60.方法实施例
61.本发明的一个具体实施例，公开了一种联合循环发电站的电能输出预测方法，包括如下步骤：
62.步骤s01、获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；
63.步骤s02、基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数；
64.步骤s03、基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出。
65.具体的，在步骤s01中，所述环境数据的参数种类包括每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度；具体的，所述环境数据收集于联合循环发电站的数据点；其中，所述每小时平均环境压力指联合循环发电站的每小时平均大气压力；所述每小时平均排气真空度指联合循环发电站的凝汽器每小时排气真空度；所述电能输出数据指联合循环发电站的每小时电能输出量。
66.具体的，在步骤s02中，使用迭代法训练所述模型；步骤s02包括步骤s021-s023：
67.s021、分别预处理所述历史环境数据和相应的电能输出数据得到训练的输入残差和输出残差，并初始化迭代训练和流行学习的参数。
68.具体的，分别将所述历史环境数据中各时段的每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度以及相应的电能输出数据做归一化处理。
69.具体的，将历史环境数据中各种类参数的各时段的样本按下式进行归一化处理：
[0070][0071]
其中，ai指上述其中a参数的样本i取值，a
max
为a参数的最大值，a
min
为a参数的最小值。
[0072]
具体的，拼接归一化处理后的各时段的历史环境数据形成训练输入矩阵x作为训练的初始输入残差e1，e1＝x；其中x的行数为样本数量a，列数为历史环境数据的参数种类，本实施例中取值为4。
[0073]
具体的，将归一化的所述电能输出数据写为训练标签矩阵y作为训练的初始输出残差f1，f1＝y；所述训练标签矩阵的行数为样本数量a，列数为1。
[0074]
具体的，迭代训练的参数包括拟合模型的迭代次数n、埃尔米特多项式的阶数n和迭代系数l，其中l的初值为1，l∈[1,n]；可选的，根据环境数据参数种类和经验取值，n＝4，n＝5。
[0075]
具体的，流行学习的参数包括流行学习的迭代次数m、流形学习梯度范数最小误差ε1、流形学习步长最小值ε2和流形学习系数c；可选的，使用流行学习的经验参数取值ε1＝10-6
，ε2＝10-10
，m＝1000,c＝0.5。
[0076]
s022、在每一轮模型迭代中，执行如下步骤s0221-s0225：
[0077]
s0221、基于该轮模型迭代的输入残差和输出残差计算广义grassmann流形上的该轮模型迭代的互相关投影矩阵。
[0078]
具体的，每轮模型迭代的输入残差和输出参数基于上一轮模型迭代获得。
[0079]
具体的，步骤s0221包括步骤s02211-s02213，利用流形学习迭代计算该轮模型迭代的互相关投影矩阵。
[0080]
s02211、具体的，初始化该轮模型迭代的互相关投影矩阵w1：由高斯分布随机生成矩阵w1∈r4×1；令流形学习迭代系数k＝1，k∈[1,m]。
[0081]
s02212、在每一轮流形学习迭代中，执行如下步骤：
[0082]
s02212-1、基于所述该轮模型迭代的输入残差、输出残差和该轮流形学习的初始互相关投影矩阵计算欧式空间的梯度，表示为：
[0083][0084]
其中，wk为该轮流行学习迭代的初始互相关投影矩阵；e
l
和f
l
为所述模型该轮迭代的输入残差和输出残差；
[0085]
s02212-2、基于欧式空间的梯度gradef(wk)计算广义grassmann流形上的梯度ηk，表示为：
[0086][0087]
其中，为梯度投影算子，中间算子symm(d)＝(d+d
t
)/2；
[0088]
s02212-3、基于广义grassmann流形上的梯度ηk计算权重βk和转移方向
[0089]
具体的，判断k是否大于1，如果否，则跳过此步；如果是，则：
[0090][0091]
其中ζ
k-1
表示上一轮流形学习迭代的共轭方向；
[0092]
s02212-4、基于权重和转移方向计算本轮迭代的共轭方向；
[0093][0094]
s02212-5、基于共轭方向、权重、流形学习系数和欧式空间的梯度生成步长ak；
[0095]
具体的，ak满足阿米霍准则，
[0096][0097]
其中，retraction操作符wk+ζk＝u∑v，为svd分解公式，u为酉矩阵(u的列组成一套对wk+ζk的正交"输入"或"分析"的基向
量)，v为酉矩阵(v的列组成一套对wk+ζk的正交"输入"或"分析"的基向量)；为谱分解公式，ev为正交矩阵，e
λ
为实对角矩阵，es＝ev(e
λ
)-1/2
。
[0098]
s02212-6、基于步长和共轭方向计算该轮流形学习的互相关投影矩阵作为下一轮流形学习迭代的初始互相关投影矩阵，表示为：
[0099][0100]
s02212-7、判断是否满足流形学习的迭代终止条件，若是，进入s02213终止迭代；若否，重复步骤s02212进行下一轮迭代；
[0101]
具体的，令k＝k+1，当k大于m或者||η
k+1
||f≤ε1或者ak≤ε2出现时，满足迭代终止条件；其中||
·
||f表示f范数。
[0102]
s02213、当满足终止条件时终止流形学习迭代，记录终止流形学习迭代时最后一轮迭代计算所得的互相关投影矩阵。
[0103]
具体的，记步骤s02212-6的计算结果为该轮模型迭代的互相关投影矩阵p
l
。
[0104]
s0222、基于所述该轮模型迭代的互相关投影矩阵将该轮的输入残差投影到主成分空间，得到投影后的样本特征，表示为：
[0105]sl
＝e
l
p
l
。
[0106]
s0223、计算所述样本特征的埃尔米特多项式矩阵t
l
。
[0107]
具体的，计算s
l
的埃尔米特多项式展开t
l
，即t
l
＝u(s
l
)，其中u计算方式写作：
[0108][0109]
s0224、基于埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得该轮迭代的子回归器的回归系数和下一轮迭代的输入残差和输出残差：
[0110][0111]
具体的，每一轮迭代对应相应的子回归器；c
l
和r
l
分别表示输入残差和输出残差的回归系数，即该轮模型迭代相对应的子回归器的回归系数。
[0112]
s0225、判断是否满足模型迭代的终止条件，若是，进入步骤s023终止迭代，若否，重复步骤s022进行下一轮迭代；
[0113]
具体的，令l＝l+1，判断是否满足迭代终止条件，终止条件为l＞n。
[0114]
s023、当满足终止条件时终止迭代，得到各子回归器的回归系数和相关参数。
[0115]
具体的，相关参数包括总的迭代次数、每一轮迭代计算得到的互相关投影矩阵以及归一化时生成的边界参数。
[0116]
具体的，归一化时生成的边界参数为a
max
,a
min
；各子回归器的回归系数和每一轮迭
代计算得到的互相关投影矩阵表示为
[0117]
具体的，在步骤s03中，使用迭代法计算得到预测结果；步骤s03包括步骤s031—步骤s033：
[0118]
步骤s031、预处理所述当前环境数据作为预测的输入残差，令输出标签初始为0，并初始化预测训练参数。
[0119]
具体的，将所述当前环境数据中各时段的每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度以及相应的电能输出数据做归一化处理。
[0120]
具体的，将当前环境数据中各种类参数的各时段的样本按下式进行归一化处理：
[0121][0122]
其中，ai指上述其中a参数的样本i取值，a
max
为a参数的最大值，a
min
为a参数的最小值。
[0123]
具体的，拼接归一化处理后的各时段的当前环境数据形成预测输入矩阵x'作为训练的初始输入残差e1'，其中x'的行数为样本数量a'，列数为当前环境数据的参数种类，本实施例中取值为4。
[0124]
具体的，初始输出残差f1'＝0。
[0125]
具体的，预测训练的参数与训练模型时的迭代训练的参数相同，包括拟合模型的迭代次数n、埃尔米特多项式的阶数n和迭代系数l，其中l的初值为1，l∈[1,n]。
[0126]
步骤s032、在每一轮迭代中，执行如下步骤：
[0127]
s0321、利用训练过程中获得的互相关投影矩阵将该轮的输入样本投影到主成分空间，得到投影后的样本特征s
l
'＝e
l
'p
l
；
[0128]
s0322、基于所述投影后的样本特征形成埃尔米特多项式矩阵t
l
'，具体过程同步骤s0223；
[0129]
s0323、基于所述埃尔米特多项式矩阵和训练过程中获得的相应子回归器的回归系数计算下一轮迭代残差：
[0130][0131]
步骤s033、当满足终止条件时终止迭代，基于各轮的迭代残差得到预测结果。
[0132]
具体的，终止条件同s0225。
[0133]
具体的，将各轮的迭代残差累加得到预测值，将预测值进行逆归一化处理得到电能输出数据预测结果。
[0134]
本实施例公开的一种联合循环发电站的电能输出预测方法，通过考虑历史环境数据对联合发电站电能输出的影响，将预测联合发电站电能输出问题转换为多元非线性回归问题，级联回归埃尔米特多项式拟合模型，快速准确的完成从输入特征到预测值的映射，有利于更准确的预测电能输出数据；通过基于流行学习算法级联回归埃尔米特多项式拟合模型，能够在保证对多元非线性回归问题的快速预测前提下，进一步更准确地完成从输入特征到预测值的映射，进一步提升预测电能输出数据的准确性。
[0135]
系统实施例
[0136]
本发明的一个具体实施例，公开了一种联合循环发电站的电能输出预测系统，包括数据采集模块、数据处理模块和结果展示模块：
[0137]
数据采集模块
[0138]
具体的，数据采集模块用于获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；其中，使用传感器获取所述当前环境数据。
[0139]
数据处理模块
[0140]
具体的，数据处理模块包括训练子模块和预测子模块。
[0141]
具体的，训练子模块用于基于数据采集模块的数据，使用流形学习算法级联回归埃尔米特多项式拟合模型；训练子模块包括第一数据预处理单元和迭代处理单元。
[0142]
具体的，第一数据预处理单元用于将所述历史环境数据和相应的电能输出数据分别进行归一化处理并分布拼合为训练输入矩阵和训练标签矩阵；迭代处理单元用于基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数。
[0143]
具体的，迭代处理单元包括：
[0144]
流形学习子单元，用于在每一轮模型迭代中计算互相关投影矩阵；
[0145]
第一投影子单元，用于基于所述互相关投影矩阵将输入样本投影到主成分空间得到投影后的样本特征；
[0146]
回归系数获取子单元，用于基于所述投影后的样本特征的埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得回归系数；
[0147]
训练残差子单元，用于获取下一轮迭代残差；
[0148]
第一迭代条件判断子单元，用于判断迭代是否满足终止条件；
[0149]
数据输出单元，用于输出所述模型各子回归器的回归系数和相关参数，所述相关参数包括总的迭代次数、每一轮迭代计算得到的互相关投影矩阵以及归一化时生成的边界参数。
[0150]
具体的，预测子模块用于基于数据采集模块的数据，使用训练好的所述模型预测电能输出数据；预测子模块包括第二数据预处理单元和迭代预测单元。
[0151]
具体的，第二数据预处理单元用于将所述当前环境数据进行归一化处理并拼合为预测输入矩阵；迭代预测单元用于基于所述当前环境数据和数据输出单元输出的数据预测电能输出数据。
[0152]
具体的，迭代预测单元包括：
[0153]
第二投影子单元，用于基于数据输出单元输出的相应的互相关投影矩阵将输入样本投影到主成分空间，得到投影后的样本特征；
[0154]
预测残差子单元，用于基于数据输出单元输出的相应子回归器的回归系数和该轮的输入残差和输出残差获取下一轮迭代的输入残差和输出残差；
[0155]
第二迭代条件判断子单元，用于判断迭代是否满足终止条件；
[0156]
预测结果单元，用于将预测残差子单元获得的各轮迭代残差进行累加得到预测值，并将所述预测值进行逆归一化处理得到电能输出数据。
[0157]
结果展示模块
[0158]
具体的，结果展示模块用于展示所述数据处理模块预测得到的电能输出数据。
[0159]
相比于现有技术，本实施例提供的一种联合循环发电站的电能输出预测系统的有益效果与方法实施例提供的有益效果基本相同，在此不一一赘述。
[0160]
需要说明的是，上述实施例基于相同的发明构思，未重复描述之处，可相互借鉴。
[0161]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种联合循环发电站的电能输出预测方法，其特征在于，包括如下步骤：获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数；基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出。2.根据权利要求1所述的电能输出预测方法，其特征在于，使用迭代法训练所述模型；所述基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数包括：分别预处理所述历史环境数据和相应的电能输出数据得到训练的初始输入残差和初始输出残差，并初始化迭代训练和流行学习的参数；在每一轮模型迭代中：基于该轮模型迭代的输入残差和输出残差计算广义grassmann流形上的该轮模型迭代的互相关投影矩阵；基于所述该轮模型迭代的互相关投影矩阵将该轮的输入残差投影到主成分空间，得到投影后的样本特征；计算所述样本特征的埃尔米特多项式矩阵；基于所述埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得该轮迭代的子回归器的回归系数和下一轮迭代的输入残差和输出残差；当满足终止条件时终止迭代，得到各子回归器的回归系数和相关参数。3.根据权利要求2所述的电能输出预测方法，其特征在于，所述环境数据的参数种类包括每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度；所述分别预处理所述历史环境数据和相应的电能输出数据得到训练的初始输入残差和初始输出残差包括：分别将所述历史环境数据中各时段的每小时平均环境温度、每小时平均环境压力、每小时平均相对湿度和每小时平均排气真空度以及相应的电能输出数据做归一化处理；拼接归一化处理后的各时段的历史环境数据形成训练输入矩阵作为训练的初始输入残差，其中所述训练输入矩阵的行数为样本数量，列数为历史环境数据的参数种类；将归一化的所述电能输出数据写为训练标签矩阵作为训练的初始输出残差，所述训练标签矩阵的行数为样本数量，列数为1。4.根据权利要求3所述的电能输出预测方法，其特征在于，所述计算广义grassmann流形上的该轮模型迭代的互相关投影矩阵使用流形学习迭代的方法，包括：初始化该轮模型迭代的互相关投影矩阵；在每一轮流形学习迭代中：基于所述该轮模型迭代的输入残差、输出残差和该轮流形学习的初始互相关投影矩阵计算欧式空间的梯度；基于欧式空间的梯度计算广义grassmann流形上的梯度；基于广义grassmann流形上的梯度计算权重和转移方向；基于权重和转移方向计算本轮迭代的共轭方向；基于共轭方向、权重、流形学习系数和欧式空间的梯度生成步长；
基于步长和共轭方向计算该轮流形学习的互相关投影矩阵作为下一轮流形学习迭代的初始互相关投影矩阵；当满足终止条件时终止流形学习迭代，终止流形学习迭代时最后一轮迭代计算所得的互相关投影矩阵为该轮模型迭代的互相关投影矩阵。5.根据权利要求4所述的电能输出预测方法，其特征在于，所述基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出包括：预处理所述当前环境数据作为预测的输入残差，令输出残差初始为0，并初始化预测训练参数；在每一轮迭代中：利用训练过程中获得的互相关投影矩阵将该轮的输入样本投影到主成分空间，得到投影后的样本特征；基于所述投影后的样本特征形成埃尔米特多项式矩阵；基于所述埃尔米特多项式矩阵获得相应子回归器的回归系数和下一轮迭代残差；当满足终止条件时终止迭代，基于各轮的迭代残差得到预测结果。6.一种联合循环发电站的电能输出预测系统，其特征在于，包括：数据采集模块，用于获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；其中，使用传感器获取所述当前环境数据；数据处理模块，包括训练子模块和预测子模块；其中，训练子模块用于基于数据采集模块的数据，基于流形学习算法级联回归埃尔米特多项式拟合模型；预测子模块用于基于数据采集模块的数据，使用训练好的所述模型预测电能输出数据；结果展示模块，用于展示所述数据处理模块预测得到的电能输出数据。7.根据权利要求6所述的电能输出预测系统，其特征在于，所述训练子模块包括：第一数据预处理单元：用于将所述历史环境数据和相应的电能输出数据分别进行归一化处理并分布拼合为训练输入矩阵和训练标签矩阵；迭代处理单元，用于基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数。8.根据权利要求7所述的电能输出预测系统，其特征在于，所述迭代处理单元包括：流形学习子单元，用于在每一轮模型迭代中计算互相关投影矩阵；第一投影子单元，用于基于所述互相关投影矩阵将输入样本投影到主成分空间得到投影后的样本特征；回归系数获取子单元，用于基于所述投影后的样本特征的埃尔米特多项式矩阵分别针对该轮的输入残差和输出残差回归，获得回归系数；训练残差子单元，用于获取下一轮迭代残差；第一迭代条件判断子单元，用于判断迭代是否满足终止条件；数据输出单元，用于输出所述模型各子回归器的回归系数和相关参数，所述相关参数包括总的迭代次数、每一轮迭代计算得到的互相关投影矩阵以及归一化时生成的边界参数。9.根据权利要求8所述的电能输出预测系统，其特征在于，所述预测子模块包括：第二数据预处理单元：用于将所述当前环境数据进行归一化处理并拼合为预测输入矩阵；迭代预测单元，用于基于所述当前环境数据和数据输出单元输出的数据预测电能输出
数据。10.根据权利要求9所述的电能输出预测系统，其特征在于，所述迭代预测单元包括：第二投影子单元，用于基于数据输出单元输出的相应的互相关投影矩阵将输入样本投影到主成分空间，得到投影后的样本特征；预测残差子单元，用于基于数据输出单元输出的相应子回归器的回归系数和该轮的输入残差和输出残差获取下一轮迭代的输入残差和输出残差；第二迭代条件判断子单元，用于判断迭代是否满足终止条件；预测结果单元，用于将预测残差子单元获得的各轮迭代的输出残差进行累加得到预测值，并将所述预测值进行逆归一化处理得到电能输出数据。

技术总结
本发明涉及一种联合循环发电站的电能输出预测方法和系统，属于电能预测领域。本发明的方法包括：获得联合循环发电站的历史环境数据和相应的电能输出数据，以及获得联合循环发电站的当前环境数据；基于所述历史环境数据和相应的电能输出数据，基于流形学习算法级联回归埃尔米特多项式拟合模型，得到所述模型各子回归器的回归系数和相关参数；基于所述当前环境数据、所述各子回归器的回归系数和相关参数，预测联合循环发电站的电能输出。本发明方法和系统能够利用环境数据更准确预测联合循环发电站的电能输出数据。环发电站的电能输出数据。环发电站的电能输出数据。


技术研发人员：李子博 郭小星 张慧超 张彤 薛铸鑫 姚帅 白洋
受保护的技术使用者：北京京航计算通讯研究所
技术研发日：2023.05.24
技术公布日：2023/8/13