【技术实现步骤摘要】
本专利技术涉及的是一种资源分配领域的技术，具体是一种融合非线性特征的决策导向源荷多层优化预测方法。
技术介绍
1、现有方法基于线性回归模型，虽能构建凸优化问题求解，但无法有效表征源荷功率预测中时空耦合的非平稳关联、多能流交互的非对称扩散及误差标准差动态演变等非线性特征。其线性映射关系难以刻画多能转换约束与跨尺度波动间的复杂关联，导致预测精度受限，直接影响运行策略优化效果。
技术实现思路
1、本专利技术针对现有园区综合能源系统运行目标预测建模时自身难以充分反映特征与预测目标间的非线性关系，预测精度有限的不足，提出一种融合非线性特征的决策导向源荷多层优化预测方法，通过引入参考神经网络隐藏层的预测特征映射方法，将源荷功率预测特征进行非线性映射，并通过进化算法以两阶段运行目标为导向对其映射的权重、偏置和激活函数进行优化，得到的双层参数组合通过特征映射提升了预测模型对多能耦合非线性特征的刻画能力，又通过两阶段运行目标导向的协同优化实现了园区能源调度经济性与预测精度的动态权衡，实现园区综合能源系统运行...
【技术保护点】
1.一种融合非线性特征的决策导向源荷多层优化预测方法，其特征在于，通过构造双层参数优化问题并初始化后，将计算得到的隐藏层参数输入两阶段优化模型，通过运行成本最优目标优化算法得到输出层参数后，经遗传算法更新生成新的隐藏层参数并循环优化直至得到使运行成本与预测误差达到最优平衡的双层参数组合，即隐藏层非线性映射参数与输出层线性权重参数，实现优化预测；
2.根据权利要求1所述的融合非线性特征的决策导向源荷多层优化预测方法，其特征是，所述的成本最优目标优化算法是指：基于遗传算法的全局搜索策略，以测试集运行成本为适应度函数，通过进化机制优化输入层参数，并结合两阶段求解...
【技术特征摘要】
1.一种融合非线性特征的决策导向源荷多层优化预测方法，其特征在于，通过构造双层参数优化问题并初始化后，将计算得到的隐藏层参数输入两阶段优化模型，通过运行成本最优目标优化算法得到输出层参数后，经遗传算法更新生成新的隐藏层参数并循环优化直至得到使运行成本与预测误差达到最优平衡的双层参数组合，即隐藏层非线性映射参数与输出层线性权重参数，实现优化预测；
2.根据权利要求1所述的融合非线性特征的决策导向源荷多层优化预测方法，其特征是，所述的成本最优目标优化算法是指：基于遗传算法的全局搜索策略，以测试集运行成本为适应度函数，通过进化机制优化输入层参数，并结合两阶段求解器优化输出层参数，最终实现总运行成本最小化。
3.根据权利要求1或2所述的融合非线性特征的决策导向源荷多层优化预测方法，其特征是，具体包括：
4.根据权利要求3所述的融合非线性特征的决策导向源荷多层优化预测方法，其特征是，所述的遗传算法，具体包括：
5.根据权利要求4所述的融合非线性特征的决策导向源荷多层优化预测方法，其特征是，所述的选择操作，即锦标赛选择，设定锦标赛规模为3，在进行锦标赛操作时，首先对于每一次选择过程，从种群中随机抽取3个个体；然后，比较这3个个体...
【专利技术属性】
技术研发人员：樊飞龙，刘嵩源，罗家宜，夏元浩，邰能灵，黄文焘，
申请(专利权)人：上海交通大学，
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。