[發(fā)明專利]基于隨機敏感度的短期風速區(qū)間的優(yōu)化預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110294165.4
• 申請日: 2021-03-19
• 公開（公告）號: CN113191526B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設計）人: 吳永賢;陳暄群;鐘燦琨
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/006;G06N3/084
• 代理公司: 廣州名揚高玥專利代理事務所(普通合伙) 44738
• 代理人: 郭琳

本發(fā)明公開了一種基于隨機敏感度的短期風速區(qū)間多目標優(yōu)化預測方法及系統(tǒng)，首先采用反向傳播的訓練方式對神經網絡進行預訓練，隨后將隨機敏感度進行改進以適用于特殊的預測方式——預測區(qū)間，再將預測區(qū)間的兩個重要指標：區(qū)間覆蓋準確率和區(qū)間寬度，與所構造的用于預測區(qū)間的隨機敏感度作為三個目標函數，使用多目標遺傳優(yōu)化算法NSGA?III對預訓練好的神經網絡進行優(yōu)化，其中隨機敏感度可用于計算模型對于添加隨機擾動后的周圍樣本的抗干擾能力；訓練完畢后，在最終得到的帕累托最優(yōu)種群中進行啟發(fā)式選解。本發(fā)明提出的方法可用于不同的網絡結構，具有高可擴展性；利用多目標優(yōu)化和特殊的選取最優(yōu)解方案，使超參數數量大大減少，具有較好的實際應用價值。

技術領域

本發(fā)明涉及智能電網、短期風速區(qū)間預測領域，尤其涉及一種基于隨機敏感度的短期風速區(qū)間多目標優(yōu)化預測方法及系統(tǒng)。

背景技術

傳統(tǒng)上，電力是通過燃燒煤、天然氣和石油等化石燃料來生產的。但是，這種發(fā)電方式會向環(huán)境釋放大量有毒物質，不利于人類的可持續(xù)發(fā)展。近年來，隨著先進技術的發(fā)展，可再生能源的利用越來越受到人們的重視。目前，風能具有儲量大、分布廣、取之不盡、用之不竭的特點。與其他能源相比，風能具有最大的發(fā)展?jié)摿Α１M管風力發(fā)電有許多優(yōu)點，但它具有間歇性和隨機性波動。這也使得風能預測成為一個挑戰(zhàn)，給風力發(fā)電系統(tǒng)的穩(wěn)定性和安全性帶來了很大的困難。

在國內外的現有的研究中，提出了許多風能預測技術，通常分為物理方法、統(tǒng)計方法和人工智能方法。物理方法需要收集氣象數據，包括濕度、溫度、氣壓、風速、風向和地形數據，通常稱為數值天氣預報模型。這些方法的優(yōu)點是預測精度高，解釋性強。缺點是數據收集困難，需要大量的計算和對大氣的詳細描述。在當前的工業(yè)環(huán)境中，物理方法被大量使用。雖然物理方法的預測精度高，但是物理方法需要極大的計算能力支持，在某些場景下甚至需要超算作為輔助，并且運行時長也很長。這對于實際工業(yè)環(huán)境的應用是一個很大的限制。在很多實際情況下，各種物理信息的采集與整理也是比較困難的，并且其在短期風速預測的領域表現比較一般，主要用于中長期風速預測。因此目前業(yè)界認為物理模型并不適用于短期風速預測。至今為止，包括中國在內，全世界有三十多個國家和地區(qū)使用數值天氣預報模型來進行風能預測。

統(tǒng)計方法是數據驅動的，使用從風電場收集的歷史時間序列數據來預測未來價值。例如，自回歸移動平均模型(ARMA)和自回歸綜合移動平均模型(ARIMA)。然而，這些時間序列模型是線性的，不能準確預測風速時間序列的非線性和非平穩(wěn)波動。近年來，許多機器學習技術得到了應用。其中，人工神經網絡(ANN)由于能夠捕捉歷史數據之間的非線性關系，已成為風速預測的常用方法。大多數研究使用淺層人工神經網絡，一些研究使用深度學習(DL)來捕捉復雜的非線性特征。近年來，風速數據的預處理也被認為是為了濾除噪聲，如經驗模態(tài)分解(EMD)、電磁模態(tài)分解(EEMD)和改進的CEEMDAN(ICEEMDAN)。風速是周期性的，峰值變化很快，所以用正弦激活函數代替了sigmoid激活函數。一些研究將人工神經網絡與統(tǒng)計方法相結合來捕捉風速的線性和非線性特征，這些方法提高了短期風速預測的準確性。然而，傳統(tǒng)的點預測方法存在預測誤差大、預測精度變化大等缺點，在一定的時間步長內只能產生一定的預測值，不存在相關的不確定性。因此，近年來風速預測研究的重點主要集中在區(qū)間預測上。區(qū)間預測可以更合理地估計潛在的不確定性和風險水平，為電力系統(tǒng)的規(guī)劃和運行提供更全面的參考。