[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

本發明公開了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，該方法首先利用胡貝爾損失函數，建立了基于深度學習的分位數回歸模型；然后提出了一種指數堆棧映射方法，用于規避深度學習分位數回歸模型的分位數交叉問題；最后構建了一種評估預測分位數總體性能的分位數損失指標，用于深度學習分位數回歸模型的雙階段自適應集成，構建了同質深度學習和異質深度學習的混合集成模型。該方法利用深度學習的非線性映射能力和自適應特征提取能力，采用集成學習提升了預測模型的泛化能力，保證了預測分位數的嚴格單調特性，實現了風電功率的非參數概率預測，有效量化了預測不確定性，為新能源電力系統安全可靠穩定運行提供了關鍵信息支撐。

技術領域

本發明涉及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，屬于電力系統功率預測領域。

背景技術

作為最重要的可再生能源之一，風力發電在現代電力系統中的比例在世界范圍內一直在急劇增長。然而，風電的不確定性給電力系統的安全穩定運行帶來嚴峻挑戰。準確、可靠的風電功率預測對高風電滲透率下電力系統的安全、經濟運行具有重要意義。

傳統的確定性預測只提供了對未來風力發電的單點期望值。但由于氣象系統的混沌特性，風力發電的預測誤差不可避免，概率預測可以提供預測對象完整概率分布，成為新能源電力系統研究的熱點，為需求響應、機組組合、備用調度、電力市場交易等提供關鍵信息支撐。經典概率預測模型人為設定預測對象的預測誤差分布，難以準確描述預測不確定性；而非參數自適應的分位數回歸模型中的分位數交叉問題尚未得到解決。

發明內容

為了克服現有技術的不足，本發明的目的是提出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，該方法避免了分位數預測中的分位數交叉問題，利用雙階段集成提升了模型泛化能力和總體性能，實現了風電功率預測不確定性的非參數量化。

為了實現上述目的，本發明采用了如下的技術方案：

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，包括以下步驟。

(1)構建基于胡貝爾損失的深度學習分位數回歸模型

深度學習模型訓練依賴于梯度下降法，由于經典的分位數回歸損失在零處不可微，因此采用胡貝爾損失函數作為深度學習分位數回歸模型的目標函數，所構建的深度學習分位數回歸模型表示為：

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，η為任意小的正數。ρ定義為：

(2)構建基于指數堆棧映射的非交叉分位數回歸概率預測模型

預測模型輸出不同分位水平下的預測分位數滿足以下約束：

式中：α_l和α_u為分位水平，為給定的分位水平集合。

為保證預測分位數的上述非交叉特性，構建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分位數元素然后生成預測分位數，預測分位數表示為：