申请/专利权人:华南理工大学
申请日:2023-12-27
公开(公告)日:2024-04-12
公开(公告)号:CN117878904A
主分类号:H02J3/00
分类号:H02J3/00;G06F18/214;G06N3/048;G06N3/09
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种决策目标导向的闭环负荷预测方法,首先,以真实负荷、扰动负荷为输入,以基于扰动负荷的决策成本与基于真实负荷的决策成本之差作为标签,训练MLP代理网络模型,建立真实负荷、预测负荷和最优决策成本偏差之间的关系;随后,输入外源特征信息到Transformer负荷预测网络中,将输出的预测负荷与真实负荷输入到上述训练完成的MLP代理网络模型中,以MLP代理模型输出的决策成本偏差为损失函数,结合Adam梯度下降方法对Transformer负荷预测网络中的参数进行修正。相比直接以负荷预测误差最小作为训练目标的预测器,基于本发明提出的负荷预测方法所得预测值进行决策,有更大概率获得更优的决策方案。
主权项:1.一种决策目标导向的闭环负荷预测方法,其特征在于,包括以下步骤:1获取外源特征数据和真实负荷数据作为原始数据,建立日前-日内的两阶段经济调度模型,将原始数据基于随机性原则划分为训练集和测试集,其中,所述外源特征数据包括温度和湿度;2在真实负荷数据基础上添加随机扰动生成有偏差的扰动负荷数据,结合两阶段经济调度模型计算预测负荷对应的决策成本,为后续构建代理网络模型提供数据基础;3构建多层感知机网络作为代理网络模型,称为MLP代理网络模型,以训练集中真实负荷、扰动负荷为输入,以基于扰动负荷的决策成本与基于真实负荷的决策成本之差作为标签,训练MLP代理网络模型建立真实负荷、预测负荷和最优决策成本偏差之间的关系,保存训练后的MLP代理网络模型;4构建决策闭环的Transformer负荷预测网络,以训练集中外源特征数据为输入,经过Transformer负荷预测网络,将输出的预测负荷与历史真实负荷输入到上述训练完成的MLP代理网络模型中,经过MLP代理网络模型输出决策成本偏差值,以决策成本偏差值作为损失函数的输入,结合Adam梯度下降方法对Transformer负荷预测网络中的参数进行修正;5将测试集输入修正参数后的Transformer负荷预测网络,根据Transformer负荷预测网络的输出结果,评估Transformer负荷预测网络在MSE、MAE、RMSE三种不同误差函数下的决策成本偏差大小,选取最优的Transformer负荷预测网络作为最优预测网络,后续采用该最优预测网络即可实现电力系统中负荷的精准预测。
全文数据:
权利要求:
百度查询: 华南理工大学 一种决策目标导向的闭环负荷预测方法
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。