[發明專利]一種基于集成深度學習的非交叉分位數風電功率概率預測方法

在審

• 申請號: 202211054504.2
• 申請日: 2022-08-31
• 公開（公告）號: CN115456145A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 萬燦;崔文康
• 申請（專利權）人: 浙江大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;H02J3/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

1.一種基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，該方法是：建立基于胡貝爾損失的深度學習分位數回歸模型；在此基礎上，提出非交叉分位數回歸概率預測模型；提出一種雙階段集成方法實現同質集成深度學習模型和異質集成深度學習模型的自適應集成。

2.根據權利要求1所述的基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，所建立的基于胡貝爾損失的深度學習分位數回歸模型如下：

式中：x_n為預測模型輸入向量，y_n為實際功率輸出值，DL∈{M，L，D}分別表示多層感知機、長短期記憶神經網絡和深度信念神經網絡三種異質集成深度學習模型，為預測輸出分位數向量，f_DL和θ_DL分別為深度學習模型及其參數；為給定分位水平α_i下的胡貝爾損失函數：

式中：為給定分位水平α_i下的預測分位數，為給定的r個分位水平的集合，滿足α_i＜α_i+1，η為任意小的正數，定義為：

3.根據權利要求2所述的基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，所述的非交叉分位數回歸概率預測模型的構建方法為，采用基于指數堆棧映射的非交叉分位數生成策略，首先利用深度學習分位數回歸模型生成非負的分位數元素然后生成預測分位數：

式中：是深度學習分位數回歸模型輸出層結果，所述深度學習分位數回歸模型輸出層的激活函數采用ReLU函數以保證非負性，ReLU函數定義為：

通過所述基于指數堆棧映射的非交叉分位數生成策略輸出的預測分位數滿足單調遞增特性，即：

4.根據權利要求3所述的基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，所述雙階段集成方法為，第一階段構建同質集成深度學習模型G(x_n)和第二階段構建異質集成深度學習模型E(x_n)：

式中：是同質深度學習模型索引的集合，τ_m和λ_DL分別表示同質集成深度學習和異質集成深度學習模型的集成權重，g(·)表示同質集成深度學習的集成方法。

5.根據權利要求4所述的基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，所述同質集成深度學習模型和異質集成深度學習模型的集成權重根據所提出的評估預測分位數總體性能的分位數損失指標Q_n確定，Q_n定義為：

式中：

6.根據權利要求5所述的基于集成深度學習的非交叉分位數風電功率概率預測方法，其特征在于，所述同質集成深度學習模型的集成方式為平均集成，其集成權重的計算公式為：

所述異質集成深度學習模型的集成方式為平均集成，其集成權重的計算公式為：

式中：和分別為同質集成深度學習模型和異質集成深度學習模型中利用驗證集計算的分位數損失指標。