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

在審

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

本發(fā)明公開的基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法及系統(tǒng)，包括：獲取多個風(fēng)電場的天氣預(yù)報數(shù)據(jù)；根據(jù)天氣預(yù)報數(shù)據(jù)和訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測模型，獲得各風(fēng)電場的風(fēng)電發(fā)電功率預(yù)測結(jié)果，其中，風(fēng)電發(fā)電功率概率預(yù)測模型以各風(fēng)電場的天氣預(yù)報數(shù)據(jù)為輸入，以風(fēng)電發(fā)電功率預(yù)測結(jié)果為輸出，采用神經(jīng)網(wǎng)絡(luò)表達分位數(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)回歸算法的檢驗函數(shù)中引入平滑函數(shù)。提高了風(fēng)電功率預(yù)測的準(zhǔn)確性，且構(gòu)建的風(fēng)電發(fā)電功率概率預(yù)測模型具有好的泛化能力。

技術(shù)領(lǐng)域

本發(fā)明涉及風(fēng)電發(fā)電功率技術(shù)領(lǐng)域，尤其涉及基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

不同于單一風(fēng)電場站的發(fā)電功率預(yù)測，風(fēng)電發(fā)電功率預(yù)測旨在估計區(qū)域內(nèi)多個風(fēng)電場總發(fā)電功率情況，它是對現(xiàn)行風(fēng)電功率預(yù)測模式的補充，對于緩解風(fēng)電并網(wǎng)對電力系統(tǒng)安全穩(wěn)定造成的負面影響具有重要意義。

目前主要是采用概率預(yù)測模型對多個風(fēng)電場的風(fēng)電發(fā)電功率進行概率預(yù)測，但在對風(fēng)電發(fā)電功率進行概率預(yù)測時，僅是依靠單一風(fēng)電場數(shù)據(jù)進行預(yù)測，而沒有利用到各風(fēng)電場之間的相關(guān)聯(lián)信息，導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確，且現(xiàn)有模型在進行風(fēng)電功率概率預(yù)測時，存在原點處不可微的問題，模型的泛化能力有限。

發(fā)明內(nèi)容

本發(fā)明為了解決上述問題，提出了基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法及系統(tǒng)，在風(fēng)電發(fā)電功率概率預(yù)測模型的輸出層引入斜坡函數(shù)，避免了分位數(shù)曲線相交現(xiàn)象的產(chǎn)生；引入平滑函數(shù)克服了網(wǎng)絡(luò)的損失函數(shù)和網(wǎng)絡(luò)輸出層的斜坡函數(shù)在原點處不可微的問題，提高了模型的泛化能力。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

第一方面，提出了基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法，包括：

獲取多個風(fēng)電場的天氣預(yù)報數(shù)據(jù)；

根據(jù)天氣預(yù)報數(shù)據(jù)和訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測模型，獲得各風(fēng)電場的風(fēng)電發(fā)電功率預(yù)測結(jié)果，其中，風(fēng)電發(fā)電功率概率預(yù)測模型以各風(fēng)電場的天氣預(yù)報數(shù)據(jù)為輸入，以風(fēng)電發(fā)電功率預(yù)測結(jié)果為輸出，采用神經(jīng)網(wǎng)絡(luò)表達分位數(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)回歸算法的檢驗函數(shù)中引入平滑函數(shù)。

第二方面，提出了基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測系統(tǒng)，包括：

數(shù)據(jù)獲取模塊，用于獲取多個風(fēng)電場的天氣預(yù)報數(shù)據(jù)；

風(fēng)電發(fā)電功率預(yù)測模塊，用于根據(jù)天氣預(yù)報數(shù)據(jù)和訓(xùn)練好的風(fēng)電發(fā)電功率概率預(yù)測模型，獲得各風(fēng)電場的風(fēng)電發(fā)電功率預(yù)測結(jié)果，其中，風(fēng)電發(fā)電功率概率預(yù)測模型以各風(fēng)電場的天氣預(yù)報數(shù)據(jù)為輸入，以風(fēng)電發(fā)電功率預(yù)測結(jié)果為輸出，采用神經(jīng)網(wǎng)絡(luò)表達分位數(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)回歸算法的檢驗函數(shù)中引入平滑函數(shù)。

第三方面，提出了一種電子設(shè)備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法所述的步驟。

第四方面，提出了一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成基于改進的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的風(fēng)電預(yù)測方法所述的步驟。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

1、本發(fā)明通過風(fēng)電發(fā)電功率概率預(yù)測模型進行風(fēng)電發(fā)電概率預(yù)測時，除利用了自身風(fēng)電場數(shù)據(jù)外，還利用了多個風(fēng)電場數(shù)據(jù)之間的相關(guān)聯(lián)性，提高了風(fēng)電發(fā)電概率預(yù)測的準(zhǔn)確性。

2、本發(fā)明通過局部連接的方式對神經(jīng)網(wǎng)絡(luò)的輸入層進行處理，減輕了網(wǎng)絡(luò)的計算負擔(dān)，減少了冗余學(xué)習(xí)，提高了模型的學(xué)習(xí)效率；