申请/专利权人：中南大学

申请日：2020-10-26

公开（公告）日：2024-03-22

公开（公告）号：CN112365033B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0442;G06N3/0464;G06N3/048;G06N3/084;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.03.05#实质审查的生效;2021.02.12#公开

摘要：本发明实施例提供一种风电功率区间预测方法、系统及存储介质，综合利用LUBE边界估值理论的一步式预测区间构造特性和GRU神经网络的时间序列建模能力，基于LUBE边界估值理论，建立基于神经网络的区间预测模型，其输出层包含两个神经元，根据输入张量直接生成预测区间；所述神经网络包含GRU循环神经网络与全连接神经网络，GRU对多变量时间序列进行时间依赖性建模，全连接神经网络用于获取预测区间的上下界；其次，针对预测区间的评估函数不可微分的缺点，改进了预测区间评估函数，克服传统LUBE无法采用梯度下降法的难点，有效将GRU深度学习算法整合进LUBE模型体系，在减少计算步骤的情况下，提升预测精度。

主权项：1.一种风电功率区间预测方法，其特征在于，包括：基于LUBE边界估值理论与GRU神经网络构建风电功率区间预测模型，具体包括：基于神经网络构建核心预测器，所述神经网络包括GRU循环神经网络和全连接神经网络；所述GRU循环神经网络的输出连接全连接神经网络的输入，所述全连接神经网络的输出层仅包括两个神经元，两个神经元用于输出预测区间的上下边界；基于预测区间覆盖概率和平均预测宽度构建风电功率区间预测损失函数，具体包括：在每个预测批量中，基于预测区间捕获的功率点数推导出预测区间覆盖概率的负对数似然函数；基于加权系数法结合预测区间覆盖概率和平均预测宽度，以构成风电功率区间预测评估函数，具体包括：选择预测区间覆盖概率PICP、平均预测区间宽度MPIW、组合指标CWC、区间分数Score作为模型的误差评价指标，衡量预测的优劣；定义PICP和MPIW如下: 其中，X和y分别表示输入与输出，n个样本数量，其中ci揭示第i个目标值yi是否落在上边界UXi与下边界LXi之间： PICP是预测区间质量的关键指标，衡量预测区间的可靠性，PICP越高，越多真实值是包含在区间内，PICP要大于一定的置信水平，才能得到高质量的区间预测结果；CL＝1-α×100％10其中，α为置信度；为了同时评价预测区间的覆盖概率和平均宽度，定义组合指标CWC如下： 其中，R为目标区间的宽度，μ设置为置信水平CL,λ用来放大PICP与μ之间的差异，γ是一个阶跃函数： 此外，采用区间评分综合指标评价预测区间的校准和锐度，假设一个区间的宽度为：wi＝UXi-LXi13综合预测区间得分为： 其中，Si为单个区间的得分，定义如下： 将预测区间是否捕获功率值表示为0-1二进制量，在风电功率区间预测评估函数中，基于sigmoid函数和软化因子对所述二进制量进行连续化处理，所得梯度连续化的评估函数作为风电功率区间预测模型的损失函数；所述损失函数的输入为预测区间的上下边界点和目标功率点，训练中在每设定小批量上根据损失函数值进行反向传播运算；定义MPIWcap如下： 引入平衡因子λ1和λ2，得到新的评估函数为： 基于实际风电场的风力发电时间序列数据构建样本集，所述样本集中每个样本张量包括变量数、滞后窗口和批量大小，每个输出张量对应一个输出预测区间的上下边界；所述风力发电时间序列数据包括风电功率、理论功率曲线、风向和风速；基于所述样本集进行风电功率区间预测模型训练，基于训练后的风电功率区间预测模型进行风电功率区间预测。

全文数据：

权利要求：

百度查询： 中南大学 一种风电功率区间预测方法、系统及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD