[發明專利]一種基于成本關聯的抗效益偏差神經網絡預測方法及裝置

有效

• 申請號: 201711408089.5
• 申請日: 2017-12-22
• 公開（公告）號: CN108108842B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 鄭厚清;王廣輝;李偉陽;賈德香;王智敏;柳占杰;于灝;陳光;陳睿欣;王玓;劉素蔚;錢仲文;王鋒華;夏洪濤;成敬周;宋國超;石惠承;仲立軍;袁駿;周小明;王大維;李偉;施明泰;李浩松;許中平;李金;康泰峰;寸馨;黃柏富;晏夢璇;許方園
• 申請（專利權）人: 國網能源研究院有限公司;國網浙江省電力有限公司;國網遼寧省電力有限公司;北京國網信通埃森哲信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 馬東瑞

1.一種基于成本關聯的抗效益偏差神經網絡預測方法，其特征在于，所述方法包括：

S1.建立神經網絡模型；

S2.設定對神經網絡模型進行優化訓練的優化目標；所述優化目標包括精度目標和成本目標兩部分,具體如下所示：

其中， Er表示精度目標，Cos表示成本目標，β表示罰項系數；

所述成本目標按照下列公式進行計算：

其中，Y為神經網絡訓練集的輸出矩陣，矩陣第o行第k列的元素記為y_ok；PDA為上級市場的電價矩陣，矩陣第o行第k列的元素記為pda_ok；PRT為下級市場的電價矩陣，矩陣第o行第k列的元素記為prt_ok；T為神經網絡訓練集的真實負荷矩陣，矩陣第o行第k列的元素記為t_ok；Ac為Y與真實負荷之間的偏差向量；ε(x)表示神經元的激勵函數；δ(x)為一個階躍逼近函數；

S3.對神經網絡模型進行優化訓練，得到經過訓練的神經網絡模型；

所述步驟S3中的優化訓練過程還需要滿足如下所示的約束要求：

其中，C表示負荷申報決策者設定的誤差閾值；

S4. 將申報目標日的相關特征數據輸入經過訓練的神經網絡模型，即可輸出申報目標日的負荷預測結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟S3具體包括：

S31.依據梯度下降的優化思想建立優化訓練方法，按照下列公式計算優化訓練的自變量：

其中：W_ih表示輸入層與中間層之間的權重矩陣；B_h表示中間層的偏置變量矩陣；W_ho表示中間層與輸出層之間的權重矩陣；B_o表示輸出層的偏置變量矩陣；λ是迭代步長系數，由負荷申報決策者給出，λ的值越大，迭代收斂速度越快，但同時誤差也越大；

S32.對優化訓練的自變量W_ho（q）、B_o（q）、W_ih（q）、B_h（q）進行初始化；

S33.計算優化訓練的自變量W_ho（q+1）、B_o（q+1）、W_ih（q+1）、B_h（q+1）；

S34.計算Er和Cos的數值，判斷是否滿足終端條件；若是，則迭代終止，優化訓練結束；若不是，則使q=q+1，并轉至步驟S33。

3.根據權利要求2所述的方法，其特征在于，所述“是否滿足終端條件”的判斷標準具體包括：通過Er和Cos的數值判斷優化結果與真實值之間的誤差是否小于設定閾值；若是，則滿足終端條件；若否，則不滿足終端條件。

4.根據權利要求3所述的方法，其特征在于，所述方法還包括：為防止步驟S34的迭代過程成為死循環，預先設置停止時間或停止循環次數；如果優化結果與真實值之間的誤差一直大于設定閾值，則迭代循環到達停止時間或停止循環次數后即自動滿足終端條件。

5.根據權利要求1所述的方法，其特征在于，所述相關特征數據包括目標時間的溫度、濕度、天氣狀況以及歷史的負荷數據。

6.一種基于成本關聯的抗效益偏差神經網絡預測裝置，其特征在于，所述裝置包括：

數據輸入模塊：用于輸入數據；

神經網絡模型模塊：用于建立神經網絡模型；

優化目標模塊：用于設定對神經網絡模型進行優化訓練的優化目標；所述優化目標包括精度目標和成本目標兩部分,具體如下所示：

其中， Er表示精度目標，Cos表示成本目標，β表示罰項系數；

所述成本目標按照下列公式進行計算：

其中，Y為神經網絡訓練集的輸出矩陣，矩陣第o行第k列的元素記為y_ok；PDA為上級市場的電價矩陣，矩陣第o行第k列的元素記為pda_ok；PRT為下級市場的電價矩陣，矩陣第o行第k列的元素記為prt_ok；T為神經網絡訓練集的真實負荷矩陣，矩陣第o行第k列的元素記為t_ok；Ac為Y與真實負荷之間的偏差向量；ε(x)表示神經元的激勵函數；δ(x)為一個階躍逼近函數；

優化訓練模塊：用于對神經網絡模型進行優化訓練，得到經過訓練的神經網絡模型；

優化訓練過程還需要滿足如下所示的約束要求：

其中，C表示負荷申報決策者設定的誤差閾值；

結果輸出模塊：用于輸出負荷預測結果。