[發(fā)明專利]基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211607600.5
• 申請(qǐng)日: 2022-12-14
• 公開（公告）號(hào): CN115952893A
• 公開（公告）日: 2023-04-11
• 發(fā)明（設(shè)計(jì)）人: 李振凱;劉杰;褚寧;殷紅旭;付迪雅;邢志同;宋亮;毛晨旭
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)山東省電力公司德州供電公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/048;G06N3/084;H02J3/00
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李琳

1.基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，包括：

獲取多個(gè)風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)；

根據(jù)天氣預(yù)報(bào)數(shù)據(jù)和訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測(cè)模型，獲得各風(fēng)電場(chǎng)的風(fēng)電發(fā)電功率預(yù)測(cè)結(jié)果，其中，風(fēng)電發(fā)電功率概率預(yù)測(cè)模型以各風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)為輸入，以風(fēng)電發(fā)電功率預(yù)測(cè)結(jié)果為輸出，采用神經(jīng)網(wǎng)絡(luò)表達(dá)分位數(shù)回歸算法構(gòu)建獲得，且模型輸出層的激活函數(shù)采用斜坡函數(shù)，并在斜坡函數(shù)和分位數(shù)回歸算法的檢驗(yàn)函數(shù)中引入平滑函數(shù)。

2.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，神經(jīng)網(wǎng)絡(luò)包括多個(gè)輸入層，每個(gè)輸入層之后均連接多個(gè)依次連接的隱含層，每個(gè)輸入層的輸入為一個(gè)風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)，輸入層數(shù)量與風(fēng)電場(chǎng)數(shù)量相同，將每個(gè)風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)輸入到對(duì)應(yīng)的輸入層中，并經(jīng)輸入層輸入隱含層中，進(jìn)行特征提取，隱含層提取的特征通過輸出層進(jìn)行輸出。

3.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，獲取多個(gè)風(fēng)電場(chǎng)預(yù)設(shè)時(shí)間段內(nèi)的天氣預(yù)報(bào)數(shù)據(jù)和對(duì)應(yīng)的風(fēng)電發(fā)電功率數(shù)據(jù)，并通過獲取的數(shù)據(jù)構(gòu)建訓(xùn)練集和驗(yàn)證集；

利用訓(xùn)練集對(duì)構(gòu)建的風(fēng)電發(fā)電功率概率預(yù)測(cè)模型進(jìn)行訓(xùn)練，利用驗(yàn)證集確定風(fēng)電發(fā)電功率預(yù)測(cè)模型的訓(xùn)練終止條件，訓(xùn)練終止時(shí)，獲得訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測(cè)模型。

4.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，采用梯度下降方法，對(duì)構(gòu)建的風(fēng)電發(fā)電功率概率預(yù)測(cè)模型進(jìn)行訓(xùn)練。

5.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，在斜坡函數(shù)中引入平滑函數(shù)后，獲得的修正后斜坡函數(shù)為：

其中，r(Q_τ)為斜坡函數(shù)，Q_τ為所求τ水平下的分位數(shù)，Q_τ1為所求τ1水平下的分位數(shù)，h(y,Q_τ)為引入的平滑函數(shù)，y為風(fēng)電場(chǎng)的風(fēng)電發(fā)電功率預(yù)測(cè)值。

6.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，在檢驗(yàn)函數(shù)中引入平滑函數(shù)后，獲得的修正后檢驗(yàn)函數(shù)為：

其中，ρ_τ′(y,Q_τ)為修正后檢驗(yàn)函數(shù)，τ為概率水平，Q_τ為所求τ水平下的分位數(shù)，h(y,Q_τ)為引入的平滑函數(shù)，y為風(fēng)電場(chǎng)的風(fēng)電發(fā)電功率預(yù)測(cè)值。

7.如權(quán)利要求1所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法，其特征在于，風(fēng)電發(fā)電功率概率預(yù)測(cè)模型的損失函數(shù)為：

其中，E_τ′為預(yù)測(cè)模型的損失函數(shù)，N為樣本數(shù)，τ為概率水平，Q_τ為所求τ水平下的分位數(shù)，ρ_τ′為修正后檢驗(yàn)函數(shù)，y為風(fēng)電場(chǎng)的風(fēng)電發(fā)電功率預(yù)測(cè)值。

8.基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)系統(tǒng)，其特征在于，包括：

數(shù)據(jù)獲取模塊，用于獲取多個(gè)風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)；

風(fēng)電發(fā)電功率預(yù)測(cè)模塊，用于根據(jù)天氣預(yù)報(bào)數(shù)據(jù)和訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測(cè)模型，獲得各風(fēng)電場(chǎng)的風(fēng)電發(fā)電功率預(yù)測(cè)結(jié)果，其中，風(fēng)電發(fā)電功率概率預(yù)測(cè)模型以各風(fēng)電場(chǎng)的天氣預(yù)報(bào)數(shù)據(jù)為輸入，以風(fēng)電發(fā)電功率預(yù)測(cè)結(jié)果為輸出，采用神經(jīng)網(wǎng)絡(luò)表達(dá)分位數(shù)回歸算法構(gòu)建獲得，且模型輸出層的激活函數(shù)采用斜坡函數(shù)，并在斜坡函數(shù)和分位數(shù)回歸算法的檢驗(yàn)函數(shù)中引入平滑函數(shù)。

9.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器以及存儲(chǔ)在存儲(chǔ)器上并在處理器上運(yùn)行的計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器運(yùn)行時(shí)，完成權(quán)利要求1-7任一項(xiàng)所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，完成權(quán)利要求1-7任一項(xiàng)所述的基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測(cè)方法的步驟。