一种基于集成深度学习的非交叉分位数风电功率概率预测方法技术

本发明专利技术公开了一种基于集成深度学习的非交叉分位数风电功率概率预测方法，该方法首先利用胡贝尔损失函数，建立了基于深度学习的分位数回归模型；然后提出了一种指数堆栈映射方法，用于规避深度学习分位数回归模型的分位数交叉问题；最后构建了一种评估预测分位数总体性能的分位数损失指标，用于深度学习分位数回归模型的双阶段自适应集成，构建了同质深度学习和异质深度学习的混合集成模型。该方法利用深度学习的非线性映射能力和自适应特征提取能力，采用集成学习提升了预测模型的泛化能力，保证了预测分位数的严格单调特性，实现了风电功率的非参数概率预测，有效量化了预测不确定性，为新能源电力系统安全可靠稳定运行提供了关键信息支撑。供了关键信息支撑。供了关键信息支撑。

【技术实现步骤摘要】
一种基于集成深度学习的非交叉分位数风电功率概率预测方法


[0001]本专利技术涉及一种基于集成深度学习的非交叉分位数风电功率概率预测方法，属于电力系统功率预测领域。

技术介绍

[0002]作为最重要的可再生能源之一，风力发电在现代电力系统中的比例在世界范围内一直在急剧增长。然而，风电的不确定性给电力系统的安全稳定运行带来严峻挑战。准确、可靠的风电功率预测对高风电渗透率下电力系统的安全、经济运行具有重要意义。
[0003]传统的确定性预测只提供了对未来风力发电的单点期望值。但由于气象系统的混沌特性，风力发电的预测误差不可避免，概率预测可以提供预测对象完整概率分布，成为新能源电力系统研究的热点，为需求响应、机组组合、备用调度、电力市场交易等提供关键信息支撑。经典概率预测模型人为设定预测对象的预测误差分布，难以准确描述预测不确定性；而非参数自适应的分位数回归模型中的分位数交叉问题尚未得到解决。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术的目的是提出一种基于集成深度学习的非交叉分位数风电功率概率预测方法，该方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成深度学习的非交叉分位数风电功率概率预测方法，其特征在于，该方法是：建立基于胡贝尔损失的深度学习分位数回归模型；在此基础上，提出非交叉分位数回归概率预测模型；提出一种双阶段集成方法实现同质集成深度学习模型和异质集成深度学习模型的自适应集成。2.根据权利要求1所述的基于集成深度学习的非交叉分位数风电功率概率预测方法，其特征在于，所建立的基于胡贝尔损失的深度学习分位数回归模型如下：征在于，所建立的基于胡贝尔损失的深度学习分位数回归模型如下：征在于，所建立的基于胡贝尔损失的深度学习分位数回归模型如下：式中：x
n
为预测模型输入向量，y
n
为实际功率输出值，DL∈{M，L，D}分别表示多层感知机、长短期记忆神经网络和深度信念神经网络三种异质集成深度学习模型，为预测输出分位数向量，f
DL
和θ
DL
分别为深度学习模型及其参数；为给定分位水平α
i
下的胡贝尔损失函数：式中：为给定分位水平α
i
下的预测分位数，为给定的r个分位水平的集合，满足α
i
＜α
i+1
，η为任意小的正数，定义为：3.根据权利要求2所述的基于集成深度学习的非交叉分位数风电功率概率预测方法，其特征在于，所述的非交叉分位数回归概率预测模型的构建方法为，采用基于指数堆栈映射的非交叉分位数生成策略，首先利用深度学习分位数回归模型生成非负的分位数元素然后生成预测分位数...

【专利技术属性】
技术研发人员：万灿，崔文康，
申请(专利权)人：浙江大学，
类型：发明
国别省市：