[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

本發明提供了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，在神經網絡模型的優化訓練中關聯了成本因素，并采用修正了的梯度下降法進行訓練。本發明兼顧了電力系統負荷申報的精確度和成本最優值，保證應用本發明提供的方法和裝置進行電力負荷申報預測的預測結果既具有較為理想的精度，又可以有效降低成本、提升效益，輔助電力市場中各負荷申報決策者制定其市場負荷申報策略。

技術領域

本發明屬于電力系統負荷預測技術領域，尤其涉及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。

背景技術

電力系統的負荷預測是電力系統規劃的重要組成部分，也是電力系統經濟系統運行的基礎，對電力系統的規劃和運行都極其重要。合理地進行電力負荷預測是電力系統對電力資源進行調度和規劃的前提條件，通過準確的負荷預測，可以合理安排機組啟停和檢修計劃，減少旋轉備用容量，降低發電成本。隨著技術進步和智能電網的深入，電力負荷預測理論和技術已有很大的發展，但是現有預測技術均是以提高預測精度為目的，并沒有兼顧成本因素。

發明內容

為了解決上述技術問題，本發明提供一種基于成本關聯的抗效益偏差神經網絡預測方法，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；

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；

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。

進一步的，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。

進一步的，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。

進一步的，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)；