本發(fā)明屬于風(fēng)電領(lǐng)域,特別是涉及到一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)方法及裝置。
背景技術(shù):
風(fēng)電并網(wǎng)容量迅速增加,由于風(fēng)能的間歇性和波動(dòng)性,對(duì)電網(wǎng)的沖擊很大,風(fēng)電出力的變化給電力系統(tǒng)電能質(zhì)量、安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)效益帶來不利影響。因此,準(zhǔn)確的風(fēng)電場(chǎng)功率預(yù)測(cè)是解決規(guī)?;L(fēng)電并網(wǎng)安全高效運(yùn)行的重要基礎(chǔ),進(jìn)行風(fēng)電功率預(yù)測(cè)具有重要的現(xiàn)實(shí)意義。目前國際上新能源預(yù)測(cè)模型主要為物理模型、統(tǒng)計(jì)模型和人工智能等,較多采用的是基于NWP功率預(yù)測(cè)模型,只對(duì)均方根誤差就行優(yōu)化,單點(diǎn)偏差比較大,而且沒有考慮風(fēng)速的連續(xù)性,風(fēng)功率預(yù)測(cè)準(zhǔn)確性較低。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明提出一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)方法及裝置,通過建立深度網(wǎng)絡(luò)模型,對(duì)均方根誤差和偏差進(jìn)行多目標(biāo)優(yōu)化,同時(shí)充分利用風(fēng)速短暫的連續(xù)性,提高預(yù)測(cè)的準(zhǔn)確性。。
為達(dá)到上述目的,本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的,一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)方法,包括:
(1)選取預(yù)測(cè)風(fēng)速跟實(shí)發(fā)功率建立對(duì)應(yīng)關(guān)系,作為建模數(shù)據(jù);
(2)限制玻爾茲曼機(jī)預(yù)訓(xùn)練;
(3)深信度網(wǎng)絡(luò)建模;
(4)基于目標(biāo)加權(quán)的新能源功率預(yù)測(cè)。
進(jìn)一步的,步驟(1)所述建模數(shù)據(jù)選取的具體步驟為:選取當(dāng)前時(shí)刻t,及t-1,t-2時(shí)刻的預(yù)測(cè)風(fēng)速數(shù)據(jù)作為輸入數(shù)據(jù),t時(shí)刻的實(shí)發(fā)功率為輸出數(shù)據(jù)。
進(jìn)一步的,步驟(2)所述預(yù)訓(xùn)練的具體過程為:
把輸入數(shù)據(jù)帶入到限制玻爾茲曼機(jī),輸出為其對(duì)應(yīng)的功率,對(duì)模型進(jìn)行預(yù)訓(xùn)練,為預(yù)測(cè)模型做準(zhǔn)備。
進(jìn)一步的,步驟(3)所述建模的具體過程為:在步驟(2)的基礎(chǔ)上,在其輸出層在疊加一個(gè)BP神經(jīng)網(wǎng)絡(luò),構(gòu)建深信度網(wǎng)絡(luò),而BP神經(jīng)網(wǎng)絡(luò)的輸出層為實(shí)發(fā)功率,得到一個(gè)完成的預(yù)測(cè)模型。
進(jìn)一步的,步驟(4)所述基于目標(biāo)加權(quán)的新能源功率預(yù)測(cè)使用神經(jīng)網(wǎng)絡(luò)算法,具體過程為:
(401)均方根誤差扣分,公式如下:
其中,
CR=1-RMSE
PMt為t時(shí)刻的實(shí)際功率,PPt為t時(shí)刻的預(yù)測(cè)功率,Cap為平均開機(jī)容量,n為樣本個(gè)數(shù);
(402)積分偏差電量扣分,公式如下:
其中,
PMt為t時(shí)刻的實(shí)際功率,PPt為t時(shí)刻的預(yù)測(cè)功率,Cap為平均開機(jī)容量;
(403)計(jì)算誤差函數(shù),公式為:
err=k*Ei+(1-k)*Esum
其中,k為不同項(xiàng)所占的權(quán)重,通過實(shí)驗(yàn)確定最優(yōu)的k值,從而得到預(yù)測(cè)結(jié)果。
本發(fā)明的另一方面,還提供了一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)裝置,包括:
建模數(shù)據(jù)選取模塊,用于選取預(yù)測(cè)風(fēng)速跟實(shí)發(fā)功率建立對(duì)應(yīng)關(guān)系,作為建模數(shù)據(jù);
預(yù)訓(xùn)練模塊,用于限制玻爾茲曼機(jī)預(yù)訓(xùn)練;
建模模塊,用于深信度網(wǎng)絡(luò)建模;
預(yù)測(cè)模塊,用于基于目標(biāo)加權(quán)的新能源功率預(yù)測(cè)。
進(jìn)一步的,建模數(shù)據(jù)選取模塊包括三時(shí)刻選取單元,用于選取當(dāng)前時(shí)刻t,及t-1,t-2時(shí)刻的預(yù)測(cè)風(fēng)速數(shù)據(jù)作為輸入數(shù)據(jù),t時(shí)刻的實(shí)發(fā)功率為輸出數(shù)據(jù)。
進(jìn)一步的,所述預(yù)訓(xùn)練模塊包括限制玻爾茲曼機(jī)單元,用于把輸入數(shù)據(jù)帶入到限制玻爾茲曼機(jī),輸出為其對(duì)應(yīng)的功率,對(duì)模型進(jìn)行預(yù)訓(xùn)練,為預(yù)測(cè)模型做準(zhǔn)備。
進(jìn)一步的,所述建模模塊包括深信度網(wǎng)絡(luò)單元,用于在預(yù)訓(xùn)練模塊的輸出層疊加一個(gè)BP神經(jīng)網(wǎng)絡(luò),構(gòu)建深信度網(wǎng)絡(luò),而BP神經(jīng)網(wǎng)絡(luò)的輸出層為實(shí)發(fā)功率,得到一個(gè)完成的預(yù)測(cè)模型。
進(jìn)一步的,所述預(yù)測(cè)模塊包括:
均方根單元,用于計(jì)算均方根誤差扣分;
偏差單元,用于計(jì)算積分偏差電量扣分;
誤差統(tǒng)計(jì)單元,用于計(jì)算誤差函數(shù);
所述誤差統(tǒng)計(jì)單元包括權(quán)重子單元,用于通過實(shí)驗(yàn)確定最優(yōu)的權(quán)重k值。
相對(duì)于現(xiàn)有技術(shù),本發(fā)明所述一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)方法及裝置的有益效果為:
本發(fā)明充分利用風(fēng)速變化的短暫連續(xù)性,利用預(yù)測(cè)風(fēng)速與實(shí)發(fā)功率進(jìn)行建模,避免引入累計(jì)誤差,同時(shí)考慮均方根誤差和單點(diǎn)偏差,提高預(yù)測(cè)準(zhǔn)確性;同時(shí)利用深度學(xué)習(xí)的自學(xué)習(xí)能力,提高模型的泛化能力。
附圖說明
圖1是本發(fā)明實(shí)施例的流程示意圖。
具體實(shí)施方式
需要說明的是,在不沖突的情況下,本發(fā)明的實(shí)施例及實(shí)施例中的特征可以相互組合。
如圖1所示,本發(fā)明的具體說明如下:
(1)建模數(shù)據(jù)的選取
對(duì)未來的功率進(jìn)行預(yù)測(cè),本來選取數(shù)據(jù)天氣預(yù)報(bào)(NWP)回算的預(yù)測(cè)風(fēng)速跟實(shí)發(fā)功率建立對(duì)應(yīng)關(guān)系。相對(duì)于實(shí)發(fā)風(fēng)速跟實(shí)發(fā)功率建立關(guān)系的優(yōu)勢(shì)在于:對(duì)于未來的預(yù)測(cè)是根據(jù)預(yù)測(cè)風(fēng)速來進(jìn)行計(jì)算的;在后期建模時(shí)不需要對(duì)風(fēng)速進(jìn)行復(fù)雜的處理,是操作簡單,同時(shí)避免引入累計(jì)誤差。
風(fēng)速的變化是一個(gè)連續(xù)的過程,風(fēng)速時(shí)間序列存在著很強(qiáng)的相關(guān)性,綜合考慮風(fēng)速時(shí)間的連續(xù)性,本文選取當(dāng)前時(shí)刻t,及t-1,t-2時(shí)刻的預(yù)測(cè)風(fēng)速數(shù)據(jù)作為輸入數(shù)據(jù),t時(shí)刻的實(shí)發(fā)功率為輸出數(shù)據(jù)。
(2)限制玻爾茲曼機(jī)預(yù)訓(xùn)練
首先在已知輸入v的情況下,所有的隱藏節(jié)點(diǎn)之間是條件獨(dú)立的(因?yàn)楣?jié)點(diǎn)之間不存在連接),即p(h|v)=p(h1|v)…p(hn|v)。同理,在已知隱藏層h的情況下,所有的可視節(jié)點(diǎn)都是條件獨(dú)立的。因此,當(dāng)輸入v的時(shí)候,通過p(h|v)可以得到隱藏層h,而得到隱藏層h之后,通過p(v/h)又能得到可視層,通過調(diào)整參數(shù),我們就是要使得從隱藏層得到的可視層v1與原來的可視層v如果一樣,那么得到的隱藏層就是可視層另外一種表達(dá),因此隱藏層可以作為可視層輸入數(shù)據(jù)的特征,
聯(lián)合組態(tài)的能量可以表示為:
θ={W,a,b}為模型參數(shù);
W為可視層節(jié)點(diǎn)和隱節(jié)點(diǎn)間的權(quán)值,a和b為權(quán)值;
組態(tài)的聯(lián)合概率分布為:
因?yàn)殡[藏節(jié)點(diǎn)相互沒有連接,概率獨(dú)立分布:
可得到在給定可視層v的基礎(chǔ)上,隱層第j個(gè)節(jié)點(diǎn)為1或者為0的概率:
同理,在給定隱層h的基礎(chǔ)上,可視層第i個(gè)節(jié)點(diǎn)為1或者為0的概率為:
給定一個(gè)滿足獨(dú)立同分布的樣本集:D={v(1),v(2),…,v(N)},我們需要學(xué)習(xí)參數(shù)θ={W,a,b}。
最大化對(duì)數(shù)似然函數(shù)
對(duì)最大對(duì)數(shù)似然函數(shù)求導(dǎo),得到L最大時(shí)對(duì)應(yīng)的參數(shù)W了。
(3)深信度網(wǎng)絡(luò)(DBNs)建模過程
深信度網(wǎng)絡(luò)是建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布的概率生成模型,由多層限制玻爾茲曼機(jī)(RBM)組成,這些網(wǎng)絡(luò)被“限制”為一個(gè)可視層和一個(gè)隱層,層間存在連接,但層內(nèi)的單元間不存在連接。隱層單元被訓(xùn)練去捕捉在可視層表現(xiàn)出來的高階數(shù)據(jù)的相關(guān)性。
把深信度網(wǎng)絡(luò)(DBNs)分層來處理,由下至上,對(duì)每一層進(jìn)行無監(jiān)督的訓(xùn)練,底層限制玻爾茲曼機(jī)(RBM)的隱含層作為上一個(gè)RBM的輸入,無監(jiān)督訓(xùn)練結(jié)束后,使用有監(jiān)督的學(xué)習(xí)對(duì)網(wǎng)絡(luò)進(jìn)行精調(diào)。其訓(xùn)練過程,首先,輸入層與第一個(gè)隱含層之間構(gòu)成一個(gè)RBM,在可視層會(huì)產(chǎn)生一個(gè)向量v,通過它將值傳遞到隱層。反過來,可視層的輸入會(huì)被隨機(jī)的選擇,以嘗試去重構(gòu)原始的輸入信號(hào),通過訓(xùn)練使其達(dá)到能量平衡。最后,這些新的可視的神經(jīng)元激活單元將前向傳遞重構(gòu)隱層激活單元,這些新可視單元再次映射給隱單元,這樣就獲取新的隱單元;重復(fù)此過程紙質(zhì)訓(xùn)練完所有層的RBM。
完成無監(jiān)督的逐層預(yù)訓(xùn)練以后,對(duì)于原始的輸入x,以目標(biāo)輸出作為監(jiān)督信號(hào),構(gòu)造多目標(biāo)優(yōu)化函數(shù),采用BP神經(jīng)網(wǎng)絡(luò)對(duì)精度進(jìn)行調(diào)整。
(4)基于目標(biāo)加權(quán)的新能源功率預(yù)測(cè)
在預(yù)訓(xùn)練后,DBN可以通過利用帶標(biāo)簽數(shù)據(jù)用BP算法去對(duì)判別性能做調(diào)整。在這里,一個(gè)標(biāo)簽集將被附加到頂層(推廣聯(lián)想記憶),通過一個(gè)自下向上的,學(xué)習(xí)到的識(shí)別權(quán)值獲得一個(gè)網(wǎng)絡(luò)面。根據(jù)NWP回算的歷史預(yù)測(cè)風(fēng)速與實(shí)發(fā)功率的對(duì)應(yīng)關(guān)系,建立模型,對(duì)未來進(jìn)行預(yù)測(cè)。
目前對(duì)新能源功率預(yù)測(cè)主要關(guān)注兩點(diǎn):均方根誤差和單點(diǎn)偏大。
CR=1-RMSE
其中,PMt為t時(shí)刻的實(shí)際功率,PPt為t時(shí)刻的預(yù)測(cè)功率,Cap為平均開機(jī)容量,n為樣本個(gè)數(shù)。
1)均方根扣分
根據(jù)各省網(wǎng)考核辦法,計(jì)算出電廠當(dāng)天若是精度不達(dá)標(biāo)的情況下(低于80%)的扣分情況:
2)積分偏差電量扣分
若是Qt等于0則將這個(gè)點(diǎn)計(jì)入考核,求這個(gè)點(diǎn)的偏差電量,計(jì)入累計(jì)值,最終求得一天的偏差電量。
BP算法對(duì)于輸入信號(hào),要先向前傳播到隱含層節(jié)點(diǎn),經(jīng)作用函數(shù)后,再把隱節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。節(jié)點(diǎn)的作用的激勵(lì)函數(shù)通常選取S型函數(shù)。
該算法的學(xué)習(xí)過程正向傳播和反向傳播組成。在正向傳播過程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出,則轉(zhuǎn)入反向傳播,將誤差信號(hào)沿原來的連接通道返回,通過修改各層神經(jīng)元的權(quán)值,使得誤差信號(hào)最小。
將誤差函數(shù)定義為
err=k*Ei+(1-k)*Esum
k為不同項(xiàng)所占的權(quán)重。
通過實(shí)驗(yàn)確定最優(yōu)的k值,從而得到預(yù)測(cè)結(jié)果。
(5)實(shí)驗(yàn)結(jié)果
為了驗(yàn)證本文算法的有效性,以裝機(jī)容量為148.5MW某電場(chǎng)為例,實(shí)驗(yàn)結(jié)果如下:
以上所述內(nèi)容,步驟(4)中基于目標(biāo)加權(quán)的新能源功率預(yù)測(cè)中用的bP神經(jīng)網(wǎng)絡(luò)可以用支持向量機(jī)來代替。
以上描述了本發(fā)明的基本原理、主要特征和實(shí)施方案等信息,但是本發(fā)明不受上述實(shí)施過程的限制,在不脫離發(fā)明精神和范圍的前提下,本發(fā)明還可以有各種變化和改進(jìn)。因此,除非這種變化和改進(jìn)脫離了本發(fā)明的范圍,它們應(yīng)該被看作包含在本發(fā)明中。