申请/专利权人：东北电力大学

申请日：2024-01-24

公开（公告）日：2024-04-26

公开（公告）号：CN117937455A

主分类号：H02J3/00

分类号：H02J3/00;H02J3/38;G06F30/27;G06Q10/063;G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06F113/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明一种基于因果正则化极限学习机的风电功率短期预测方法，属于风电功率预测技术领域；包括生成干预样本集、计算神经元之间的平均因果效应、基于平均因果效应构成因果正则化项从而计算最优权重、基于最优权重建立预测模型预测未来风电功率、仿真计算和误差分析等步骤。本发明与现有的考虑或不考虑特征选择方法的预测模型相比，能更好地跟踪未来的功率趋势。基于因果正则化极限学习机的风电功率短期预测方法预测精度高、预测稳定性好，预测结果有效，适用性和实用性强。

主权项：1.一种基于因果正则化极限学习机的风电功率短期预测方法，其特征在于，包括以下步骤，且以下步骤顺次进行：步骤一：生成干预样本集对于每个特征都采用非参数概率建模采样方法来生成对应的干预样本集；步骤二：计算平均因果效应将极限学习机Extremelearningmachine,ELM建模为结构因果模型Structuralcausalmodels,SCM，在SCM上输入训练样本及其由步骤一生成的干预训练样本集来计算随机化矩阵和干预随机化矩阵；然后对网络进行切片，切除输入层，保留隐藏层和输出层，并将隐藏层和输出层重新建模为SCM；接着将随机化矩阵和干预随机化矩阵作为输入，计算每个隐藏层神经元对输出层神经元的平均因果效应Averagecausaleffect,ACE；步骤三：基于因果正则化项计算最优权重将步骤二中计算得到的隐藏层神经元对输出层神经元的ACE来求出两层之间的平均因果效应向量，并与输出层权重相结合构成因果正则化项；然后将训练误差与因果正则化项共同作为损失函数，求出网络的最优权重；步骤四：基于因果正则化极限学习机的风电功率预测依据所述步骤三求出的最优权重建立因果正则化极限学习机Causalregularizedextremelearningmachine,CRELM模型，并输入NWP特征来预测未来的风电功率；步骤五：根据所述步骤一至步骤四建立仿真输入量，根据电场的实测数据进行分析，确定风电场的总装机容量，进行仿真计算，得到风电功率短期预测结果。

全文数据：

权利要求：

百度查询： 东北电力大学 基于因果正则化极限学习机的风电功率短期预测方法

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。

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