System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于可再生能源发电预测,尤其涉及一种风电功率在线概率预测方法。
技术介绍
1、风电具有发电边际成本低、低碳环保的优点,但是风电出力的不确定性及其机组动态特性给传统电力系统的安全经济运行带来诸多挑战。在现有气象建模水平下,传统的点预测方法的准确性难以提高,因而对于新型电力系统运行的支撑作用有限。相比之下,概率预测提供了未来时刻风电出力的概率分布,有助于系统调度决策,因此日益受到学术界与产业界的关注。
2、风电功率概率预测对现有信息,如数值气象预测和历史出力值进行处理,得出未来时刻下风电出力的概率分布,并通过概率密度、分位数或预测区间等形式呈现。近年来,学界通常采用机器学习方法建立已知信息与待预测概率分布之间的映射,将已知信息的变量称为解释变量,待预测的变量称为预测变量。例如,结合分位数回归方法与神经网络模型对风电功率进行区间预测,将损失函数设置为区间的宽度与覆盖率的函数。采用标准化流模型对高斯分布进行变换,从而得到风电功率的概率分布,提升了概率密度预测的准确性。但是目前的风电功率概率预测方法大多采用基于模型系数不变的假设的离线学习算法,即在训练数据集上一次性地估计得到模型参数的最优值的算法。然而,风电出力的随机过程因受到气象条件、季节、以及风电场设备变化等因素影响而呈现出非平稳性特点,导致解释变量与预测变量之间的关系随时间推移发生变化。该现象在机器学习领域被称为概念漂移,采用离线学习方式对预测模型进行训练可能导致预测的准确性较差。
3、为解决上述概念漂移问题,可以采用主动或被动的方式对模型进行更新
技术实现思路
1、为解决上述技术问题,本专利技术提供了一种风电功率在线概率预测方法,可以自适应的学习模型参数的变化,具有较高的预测准确度。
2、为实现上述目的,本专利技术提供了一种风电功率在线概率预测方法,包括:
3、获取风电功率数据;
4、将所述风电功率数据输入分位数神经网络模型,获取风电功率的分位数,其中,所述分位数神经网络模型采用神经网络构建,所述神经网络优化过程中采用动态指数时间平滑随机梯度下降算法。
5、可选的,获取所述分位数神经网络模型由凸神经网络模型构成。
6、可选的,所述凸神经网络模型由预设层凸神经网络构成;
7、基于所述凸神经网络模型,引入动态局部遗憾度,并据此根据梯度下降算法对参数进行更新。
8、可选的,所述动态局部遗憾度为:
9、
10、其中,dlrh(t)为动态局部遗憾度,t为时间步长,h为标准化参数,xt为t时刻下输入特征,xt-i为t-i时刻下输入特征,st,h,ρ为指数平滑后的损失函数,t为时间步,lt-i为t-i时刻下的损失函数,h为窗口宽度,ρ为指数平滑参数。
11、可选的,获取风电功率的分位数包括:
12、基于第一风电功率数据,获得第一输入特征;
13、将所述第一输入特征输入分位数神经网络模型,获取第一风电功率预测值;
14、基于所述第一风电功率预测值和所述第一风电功率数据,获取分位数损失;
15、根据所述分位数损失,实时更新分位数神经网络模型参数;
16、根据更新后的模型参数和第二输入特征,获取第二风电功率预测值,重复上述过程,直至获得风电功率的分位数。
17、可选的,获取第一风电功率预测值包括:
18、将所述第一输入特征输入至所述凸神经网络模型,利用凸函数,获取第一风电功率预测值;
19、所述凸函数为
20、其中,hl为第一风电功率预测值,relu()为元素化算子,bl为偏置,hl-1为第一输入特征,与为权重。
21、可选的,实时更新分位数神经网络模型参数包括:
22、根据所述分位数损失,结合动态局部遗憾度,实时更新分位数神经网络模型参数。
23、可选的,结合动态局部遗憾度,实时更新分位数神经网络模型参数包括:
24、计算所述分位数神经网络模型损失的指数平均值,利用滑动窗口的相应参数获得不同的分配权重,更新分位数神经网络模型参数。
25、与现有技术相比,本专利技术具有如下优点和技术效果:
26、本专利技术能有效提升风电功率预测准确度,对于不同的数据都有较强的稳定性,同时对超参数的选择不敏感;可以自适应的学习模型参数的变化;具有较高的计算效率。
本文档来自技高网...【技术保护点】
1.一种风电功率在线概率预测方法,其特征在于,包括:
2.根据权利要求1所述的一种风电功率在线概率预测方法,其特征在于,获取所述分位数神经网络模型由凸神经网络模型构成。
3.根据权利要求2所述的一种风电功率在线概率预测方法,其特征在于,所述凸神经网络模型由预设层凸神经网络构成;
4.根据权利要求3所述的一种风电功率在线概率预测方法,其特征在于,所述动态局部遗憾度为:
5.根据权利要求1所述的一种风电功率在线概率预测方法,其特征在于,获取风电功率的分位数包括:
6.根据权利要求5所述的一种风电功率在线概率预测方法,其特征在于,获取第一风电功率预测值包括:
7.根据权利要求5所述的一种风电功率在线概率预测方法,其特征在于,实时更新分位数神经网络模型参数包括:
8.根据权利要求7所述的一种风电功率在线概率预测方法,其特征在于,结合动态局部遗憾度,实时更新分位数神经网络模型参数包括:
【技术特征摘要】
1.一种风电功率在线概率预测方法,其特征在于,包括:
2.根据权利要求1所述的一种风电功率在线概率预测方法,其特征在于,获取所述分位数神经网络模型由凸神经网络模型构成。
3.根据权利要求2所述的一种风电功率在线概率预测方法,其特征在于,所述凸神经网络模型由预设层凸神经网络构成;
4.根据权利要求3所述的一种风电功率在线概率预测方法,其特征在于,所述动态局部遗憾度为:
5.根据权利要求1...
【专利技术属性】
技术研发人员:李泽民,刘雁行,乔如妤,梁楠,徐恺,于凯,李旭东,冯军,孔繁春,
申请(专利权)人:内蒙古电力集团有限责任公司电力营销服务与运营管理分公司,
类型:发明
国别省市:
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。