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】
本专利技术属于风电功率预测,尤其涉及基于因果正则化极限学习机的风电功率短期预测方法。
技术介绍
1、由于全球化石燃料消耗所带来的环境恶化、能源枯竭等问题,使得可再生能源日益受到人们的青睐。由于风能本身的波动性、间歇性和随机性,大规模风电整合往往会对电网的安全性和稳定性产生负面影响。准确的风电功率预测有利于减少风电并入电力系统的不利影响,降低电网运行成本,提高电力系统的运行可靠性,有效确保电网安全。随着风电场数据来源的增加,输入特征会对基于数据驱动的风电功率预测模型的预测精度造成严重影响。因此,通常需要在模型训练之前采用特征选择对特征进行筛选,来降低模型训练时间和减少预测误差。然而,当将多种特征选择方法应用于同一数据集时,会出现不同方法筛选出不同特征子集的情况。为了避免上述情况,现有研究以开发多种基于稳定性度量的特征选择方法为主,但这些方法无法保证稳定性度量本身是稳定的。
2、因此,现有技术中亟需一种新的技术方案来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是:提供一种基于因果正则化极限学习机的风电功率短期预测方法,将极限学习机建模为结构因果模型,通过计算神经元之间的平均因果效应,以同时最大化网络的因果关系和最小化训练误差,最终实现风电功率预测稳定性和预测精度之间的权衡。
2、为实现上述目的,本专利技术的基于因果正则化极限学习机的风电功率短期预测方法的具体技术方案如下:
3、一种基于因果正则化极限学习机的风电功率短期预测方法,其特
4、步骤一:生成干预样本集
5、已知15min分辨率的数值天气预报(numerical weather prediction,nwp),由于不同特征通常以不同的方式分布;因此,对于每个特征都采用非参数概率建模采样方法来生成对应的干预样本集;
6、步骤二:计算平均因果效应
7、将极限学习机(extreme learning machine,elm)建模为结构因果模型(structural causal models,scm),在scm上输入训练样本及其由步骤一生成的干预训练样本集来计算随机化矩阵和干预随机化矩阵;然后对网络进行切片,切除输入层,保留隐藏层和输出层,并将隐藏层和输出层重新建模为scm;接着将随机化矩阵和干预随机化矩阵作为输入,来计算每个隐藏层神经元对输出层神经元的平均因果效应(average causaleffect,ace),ace计算公式为:
8、
9、其中:e为期望;do(·)为干预算子;为平均因果效应;e[y|do(xi=αi)]为干预期望;为基线;
10、步骤三:基于因果正则化项计算最优权重
11、将步骤二中计算得到的隐藏层神经元对输出层神经元的ace来求出两层之间的平均因果效应向量,并与输出层权重相结合构成因果正则化项。然后将训练误差与因果正则化项共同作为损失函数,以求出网络的最优权重;最优权重的计算公式为:
12、
13、其中:β′表示最优权重,h表示隐藏层输出矩阵,c表示每个隐藏层神经元与输出层神经元之间的平均因果效应向量,t表示目标矩阵;
14、步骤四:基于因果正则化极限学习机的风电功率预测
15、依据求出的最优权重建立因果正则化极限学习机(causal regularized extremelearning machine,crelm)模型,并输入nwp特征来预测未来的风电功率;
16、步骤五:根据所述步骤一至步骤四建立仿真输入量,根据电场的实测数据进行分析,确定风电场的总装机容量;功率和nwp数据采样间隔为15min;进行仿真计算,得到风电功率短期预测结果。
17、进一步,采用归一化均方根误差(normalized root mean square error,nrmse)、归一化平均绝对误差(normalized mean absolute error,nmae)、稳定性指标(stabilityaccuracy,sta)评估风电功率短期预测结果,精度指标的标准公式表示为:
18、
19、
20、
21、其中,nrmse为功率预测的nrmse,cap为风电场装机容量,n为测试样本数,yi为光伏发电功率真实值,为光伏发电功率预测值,nmae为功率预测的nmae,sta为功率预测的sta,d为方差;
22、将模型计算的预测功率同实测功率经过误差评价标准式(3)、式(4)、式(5)进行误差计算,获得预测精度和预测稳定性。
23、本专利技术的基于因果正则化极限学习机的风电功率短期预测方法具有以下优点:本专利技术相较于开发各种特征选择方法作为预测环节前的一部分,引入了神经元之间平均因果效应的计算方法,在考虑网络的内部状态的同时兼顾了因果关系本身不变性和鲁棒性的特点,以此来增大网络的因果关系,从而增强了模型的泛化能力和提升预测稳定性,以达到更高的预测精度和更好的预测稳定性。
本文档来自技高网...【技术保护点】
1.一种基于因果正则化极限学习机的风电功率短期预测方法,其特征在于,包括以下步骤,且以下步骤顺次进行:
2.根据权利要求1所述的基于因果正则化极限学习机的风电功率短期预测方法,其特征在于,所述步骤二中的平均因果效应计算公式为:
3.根据权利要求1所述的基于因果正则化极限学习机的风电功率短期预测方法,其特征在于,所述步骤三中最优权重的计算公式为:
【技术特征摘要】
1.一种基于因果正则化极限学习机的风电功率短期预测方法,其特征在于,包括以下步骤,且以下步骤顺次进行:
2.根据权利要求1所述的基于因果正则化极限学习机的风电功率短期预测方法...
【专利技术属性】
技术研发人员:杨茂,张书天,于欣楠,王勃,王钊,王铮,王姝,
申请(专利权)人:东北电力大学,
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。