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。