基于改进的神经网络分位数回归的风电预测方法及系统技术方案

本发明专利技术公开的基于改进的神经网络分位数回归的风电预测方法及系统，包括：获取多个风电场的天气预报数据；根据天气预报数据和训练好的风电发电功率概率预测模型，获得各风电场的风电发电功率预测结果，其中，风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，且模型输出层的激活函数采用斜坡函数，并在斜坡函数和分位数回归算法的检验函数中引入平滑函数。提高了风电功率预测的准确性，且构建的风电发电功率概率预测模型具有好的泛化能力。率概率预测模型具有好的泛化能力。率概率预测模型具有好的泛化能力。

【技术实现步骤摘要】
基于改进的神经网络分位数回归的风电预测方法及系统


[0001]本专利技术涉及风电发电功率
，尤其涉及基于改进的神经网络分位数回归的风电预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]不同于单一风电场站的发电功率预测，风电发电功率预测旨在估计区域内多个风电场总发电功率情况，它是对现行风电功率预测模式的补充，对于缓解风电并网对电力系统安全稳定造成的负面影响具有重要意义。
[0004]目前主要是采用概率预测模型对多个风电场的风电发电功率进行概率预测，但在对风电发电功率进行概率预测时，仅是依靠单一风电场数据进行预测，而没有利用到各风电场之间的相关联信息，导致预测结果不准确，且现有模型在进行风电功率概率预测时，存在原点处不可微的问题，模型的泛化能力有限。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了基于改进的神经网络分位数回归的风电预测方法及系统，在风电发电功率概率预测模型的输出层引入斜坡函数，避免了分位数曲线相交现象的产生；引入平滑函数克服了网络的损失函数和网络输出层的斜坡函数在原点处不可微的问题，提高了模型的泛化能力。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，提出了基于改进的神经网络分位数回归的风电预测方法，包括：
[0008]获取多个风电场的天气预报数据；
[0009]根据天气预报数据和训练好的风电发电功率概率预测模型，获得各风电场的风电发电功率预测结果，其中，风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，且模型输出层的激活函数采用斜坡函数，并在斜坡函数和分位数回归算法的检验函数中引入平滑函数。
[0010]第二方面，提出了基于改进的神经网络分位数回归的风电预测系统，包括：
[0011]数据获取模块，用于获取多个风电场的天气预报数据；
[0012]风电发电功率预测模块，用于根据天气预报数据和训练好的风电发电功率概率预测模型，获得各风电场的风电发电功率预测结果，其中，风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，且模型输出层的激活函数采用斜坡函数，并在斜坡函数和分位数回归算法的检验函数中引入平滑函数。
[0013]第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在
处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于改进的神经网络分位数回归的风电预测方法所述的步骤。
[0014]第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于改进的神经网络分位数回归的风电预测方法所述的步骤。
[0015]与现有技术相比，本专利技术的有益效果为：
[0016]1、本专利技术通过风电发电功率概率预测模型进行风电发电概率预测时，除利用了自身风电场数据外，还利用了多个风电场数据之间的相关联性，提高了风电发电概率预测的准确性。
[0017]2、本专利技术通过局部连接的方式对神经网络的输入层进行处理，减轻了网络的计算负担，减少了冗余学习，提高了模型的学习效率；
[0018]3、本专利技术在模型输出层引入斜坡函数，避免了分位数曲线相交现象的产生；引入平滑函数克服了模型损失函数和神经网络输出层斜坡函数在原点处不可微的不足，提高了模型的泛化能力。
[0019]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0020]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0021]图1为本专利技术实施例中改进多通道神经网络结构图；
[0022]图2为本专利技术实施例中检验函数图；
[0023]图3为本专利技术实施例中输出层激活函数——斜坡函数图；
[0024]图4为本专利技术实施例中修正检验函数；
[0025]图5为本专利技术实施例中修正斜坡函数；
[0026]图6为本专利技术实施例中风电发电功率80％和90％置信区间的可靠性指标随预测时长的变化趋势图；
[0027]图7为本专利技术实施例中风电发电功率80％和90％置信区间的敏锐性指标随预测时长的变化趋势图；
[0028]图8为本专利技术实施例中改进多通道神经网络分位数回归预测模型的2016年11月12日前瞻72小时预测结果图。
[0029]图9为本专利技术实施例中多通道神经网络分位数回归预测模型的2016年11月12日前瞻72小时预测结果图。
具体实施方式
[0030]下面结合附图与实施例对本专利技术作进一步说明。
[0031]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0032]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根
据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0033]实施例1
[0034]在该实施例中，公开了基于改进的神经网络分位数回归的风电预测方法，包括：
[0035]S1：获取多个风电场的天气预报数据。
[0036]S2：根据天气预报数据和训练好的风电发电功率概率预测模型，获得各风电场的风电发电功率预测结果，其中，风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，且模型输出层的激活函数采用斜坡函数，并在斜坡函数和分位数回归算法的检验函数中引入平滑函数。
[0037]风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，具体的风电发电功率概率预测模型，如公式(1)所示，模型的损失函数如式(2)所示：
[0038][0039]minE{ρ
τ
(y,Q
τ
)}(2)
[0040]其中，h
j
为BP神经网络隐含层数据，w
j
为隐含层第j个神经元到输出神经元的权重，b2是输出层偏置，φ(
·
)是输出层的激活函数，ρ
τ
为分位数回归算法中的检验函数，Q
τ
为所求τ水平下的分位数，y为风电场的风电发电功率预测值。
[0041]本实施例公开的神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的神经网络分位数回归的风电预测方法，其特征在于，包括：获取多个风电场的天气预报数据；根据天气预报数据和训练好的风电发电功率概率预测模型，获得各风电场的风电发电功率预测结果，其中，风电发电功率概率预测模型以各风电场的天气预报数据为输入，以风电发电功率预测结果为输出，采用神经网络表达分位数回归算法构建获得，且模型输出层的激活函数采用斜坡函数，并在斜坡函数和分位数回归算法的检验函数中引入平滑函数。2.如权利要求1所述的基于改进的神经网络分位数回归的风电预测方法，其特征在于，神经网络包括多个输入层，每个输入层之后均连接多个依次连接的隐含层，每个输入层的输入为一个风电场的天气预报数据，输入层数量与风电场数量相同，将每个风电场的天气预报数据输入到对应的输入层中，并经输入层输入隐含层中，进行特征提取，隐含层提取的特征通过输出层进行输出。3.如权利要求1所述的基于改进的神经网络分位数回归的风电预测方法，其特征在于，获取多个风电场预设时间段内的天气预报数据和对应的风电发电功率数据，并通过获取的数据构建训练集和验证集；利用训练集对构建的风电发电功率概率预测模型进行训练，利用验证集确定风电发电功率预测模型的训练终止条件，训练终止时，获得训练好的风电发电功率概率预测模型。4.如权利要求1所述的基于改进的神经网络分位数回归的风电预测方法，其特征在于，采用梯度下降方法，对构建的风电发电功率概率预测模型进行训练。5.如权利要求1所述的基于改进的神经网络分位数回归的风电预测方法，其特征在于，在斜坡函数中引入平滑函数后，获得的修正后斜坡函数为：其中，r(Q
τ
)为斜坡函数，Q
τ
为所求τ水平下的分位数，Q
τ1
为所求τ1水平下的分位数，h(y,Q
τ
)为引入的平滑函数，y为风电场的风电发电功率预测值。6.如权利要求1所述的基于改进的神经网络...

【专利技术属性】
技术研发人员：李振凯，刘杰，褚宁，殷红旭，付迪雅，邢志同，宋亮，毛晨旭，
申请(专利权)人：国网山东省电力公司德州供电公司，
类型：发明
国别省市：