技術(shù)特征：

1.一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)方法，其特征在于，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)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，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)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(2)所述預(yù)訓(xùn)練的具體過(guò)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。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(3)所述建模的具體過(guò)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B(niǎo)P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。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，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(guò)程為：

(401)均方根誤差扣分，公式如下：

$E_i=(0.8-CR)*100*\frac{Cap}{10}$

其中，

$RMSE=\frac{\sqrt{\underset{t=1}{\overset{n}{\Σ}}{(P_{Mt}-P_{Pt})}^2}}{Cap\×\sqrt{n}}$

CR＝1-RMSE

P_Mt為t時(shí)刻的實(shí)際功率，P_Pt為t時(shí)刻的預(yù)測(cè)功率，Cap為平均開(kāi)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：

$E_{sum}=\frac{\underset{i=(Q_t==0)}{\overset{n}{\Σ}}|P_{Mt}-P_{pt}|}{4}/10$

其中，

$q=(1-|\frac{P_{Mt}-P_{pt}}{Cap}\left|\right)\×100\%$

$Q_t=\left\{\begin{array}{c}1,q\≥75\\ 0,other\end{array}\right.$

P_Mt為t時(shí)刻的實(shí)際功率，P_Pt為t時(shí)刻的預(yù)測(cè)功率，Cap為平均開(kāi)機(jī)容量；

(403)計(jì)算誤差函數(shù)，公式為：

err＝k*E_i+(1-k)*E_sum

其中，k為不同項(xiàng)所占的權(quán)重，通過(guò)實(shí)驗(yàn)確定最優(yōu)的k值，從而得到預(yù)測(cè)結(jié)果。

6.一種基于深度學(xué)習(xí)的多目標(biāo)優(yōu)化新能源功率預(yù)測(cè)裝置，其特征在于，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)。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，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)。

8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，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。

9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，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B(niǎo)P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。

10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，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(guò)實(shí)驗(yàn)確定最優(yōu)的權(quán)重k值。