【技术实现步骤摘要】
一种基于修正的小波神经网络预测风电消纳需求量算法
：本专利技术涉及风电消纳领域，具体为一种基于修正的小波神经网络预测风电消纳需求量算法。
技术介绍
：风能是目前发展最迅速的清洁能源，然而随着近几年风电装机容量的迅猛增加，出现了越来越严重的弃风限电现象。若何解决风电消纳问题是目前风电发展所面临的巨大考验。而风电消纳需求量的预测是风电消纳问题中最为困难的一环；针对风电消纳问题，已有很多学者做了大量研究。目前最常见的风电消纳需求量研究方法有制约因素法和数学优化法。制约因素法是对制约风电消纳需求量的影响因素进行研究，这些影响因素包括居民用电的自然规律的特性以及电力系统运行的约束条件；数学优化法则大多是通过构建以风电接入容量最大或常规机组运行成本最小为目标函数的优化模型，综合考虑电力系统运行的多种自然约束条件，对系统的风电消纳需求量进行优化求解。然而上述研究都是针对系统整体的风电消纳空间进行评估，而未能具体反映系统在其真实运行状态、用户需求波动以及自然天气骤变等不确定因素影响下的风电消纳需求的突变。
技术实现思路
：本专利技术的目的是针对现有技术的缺陷，提供一种基于修正的小波神...
【技术保护点】
1.一种基于修正的小波神经网络预测风电消纳需求量算法，其特征在于，包括：(1)：收集风电场消纳需求时间序列数据构建训练集和测试集：(1a)：根据风电厂的以往供电需求和自然属性，将每个时间点供电需求与自然属性相对应，制作5000个训练样本和500个测试样本；(1b)：供电需求与量数值相对应，量数值阈值零界点为0，量数值有正有负，量数值越高表明消纳需求越高；(2)：建立小波神经网络预测风电消纳需求量模型：(2a)：假设输入层序列x中的子集xi(i＝1,2,3,...,k)，隐含层输出为：
【技术特征摘要】
1.一种基于修正的小波神经网络预测风电消纳需求量算法，其特征在于，包括：(1)：收集风电场消纳需求时间序列数据构建训练集和测试集：(1a)：根据风电厂的以往供电需求和自然属性，将每个时间点供电需求与自然属性相对应，制作5000个训练样本和500个测试样本；(1b)：供电需求与量数值相对应，量数值阈值零界点为0，量数值有正有负，量数值越高表明消纳需求越高；(2)：建立小波神经网络预测风电消纳需求量模型：(2a)：假设输入层序列x中的子集xi(i＝1,2,3,...,k)，隐含层输出为：式中，h(j)表示隐含层中第j个节点输出；式中，hj表示小波基数，wij表示网络输入层到隐含层连接权值，aj为小波基函数hj的伸缩因子，bj为hj平移因子；(2b)：小波神经网络输出层计算公式为：式中，wik代表隐含层到输出层的网络连接权值；式中，l代表网络隐含层节点总数目；式中，m为输出节点数目；(2c)：通过梯度下降法寻优参数aj和bj，从而提高网络判别性能，其loss函数为：式中，yn(k)为标签值集合，y(k)为预测值集合，通过集合之间的差值确定梯度下降方向；(2d)：通过梯度下降迭代修正网络权数和其他小波参数，修正公式为：式中，分别代表各参数通过网络预测误差值；式中，η为学习率；(3)：建立马尔科夫预测风电消纳需求概率模型：(3a)：假设马氏链点(n+1)维概率分布的条件概率为则一步转移概率矩阵为：式中，Pij表示条件概率|在时刻n的一步转移概率；(3b)：通过转移概率矩阵计算m步转移概率，计算方程为：P(m)＝P(m-1)P＝…＝(P)m；(4)：使用训练数据集对模型参数分别进行训练，其中：(4a)：对于小波神经网络预测风电消纳需求量模型，输入样本为时间属性和自然属性的矩阵，输出结果为供电需求量；(4b)：对于马尔科夫预测风电消纳需求概率模型，输入样本为供电需求时间序列，输入属性为自然属性时间序列，输出结果为下一个时间点的供电需求概率；(4c)：需求概率与需求量呈正比线性相...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。