【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于新能源出力預(yù)測(cè)，具體涉及一種基于小波分解序列的新能源出力預(yù)測(cè)方法、系統(tǒng)和相關(guān)裝置。
技術(shù)介紹
1、隨著我國(guó)電力體系市場(chǎng)化改革的推進(jìn)，市場(chǎng)機(jī)制在資源配置中的作用愈發(fā)重要，其中市場(chǎng)風(fēng)險(xiǎn)對(duì)于市場(chǎng)主體的經(jīng)營(yíng)具有至關(guān)重要的意義，不過(guò)市場(chǎng)風(fēng)險(xiǎn)在供需兩端的來(lái)源和表現(xiàn)形式不盡相同。在需求端，市場(chǎng)風(fēng)險(xiǎn)主要來(lái)自于用戶負(fù)荷的不確定性，在當(dāng)前的兩結(jié)算框架下，具體的風(fēng)險(xiǎn)為日前計(jì)劃供給與日內(nèi)實(shí)時(shí)需求的偏差帶來(lái)的收益不確定性；在供給端，則主要來(lái)自于新能源，特別是分布式電源的出力不確定性導(dǎo)致的日前日內(nèi)供給偏差。因此，針對(duì)供需兩端的出力和負(fù)荷預(yù)測(cè)問(wèn)題，是市場(chǎng)主體的經(jīng)營(yíng)決策必須考慮和解決的核心問(wèn)題。
2、不論光伏還是風(fēng)電機(jī)組，其出力的特性，呈現(xiàn)出時(shí)域和頻域的波動(dòng)性，并且其出力的間歇性，導(dǎo)致其功率若直接處理為連續(xù)變量進(jìn)行建模，比較偏離現(xiàn)實(shí)。現(xiàn)有新能源出力預(yù)測(cè)方法難以兼顧對(duì)于新能源預(yù)測(cè)的精度和時(shí)效性要求。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本專利技術(shù)旨在提供基于小波分解序列的新能源出力預(yù)測(cè)方法、系統(tǒng)和相關(guān)裝置，該方法利用小波對(duì)新能源出力數(shù)據(jù)進(jìn)行分解，從而挖掘時(shí)間序列的有用信息；構(gòu)建rnn-lstm-gru組合的神經(jīng)網(wǎng)絡(luò)架構(gòu)，克服單個(gè)神經(jīng)網(wǎng)絡(luò)的缺陷，發(fā)揮優(yōu)勢(shì)互補(bǔ)，輸出組合模型的訓(xùn)練集；訓(xùn)練集對(duì)接q-learning，通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練智能體在無(wú)模型的馬爾科夫鏈過(guò)程中迭代出最優(yōu)的預(yù)測(cè)結(jié)果，提高預(yù)測(cè)的精度和迭代過(guò)程的魯棒性。
2、為了實(shí)現(xiàn)上述技術(shù)效果，本專利技術(shù)提供的技術(shù)方案如下：
3
4、獲取原始的新能源出力數(shù)據(jù)，采用小波分解的方法對(duì)新能源出力數(shù)據(jù)進(jìn)行小波分解；
5、將分解好的新能源出力數(shù)據(jù)輸入到預(yù)先訓(xùn)練好的組合神經(jīng)網(wǎng)絡(luò)中，由組合神經(jīng)網(wǎng)絡(luò)中的各個(gè)子神經(jīng)網(wǎng)絡(luò)輸出各自的預(yù)測(cè)結(jié)果；
6、基于組合預(yù)測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)的方法確定最優(yōu)的整合預(yù)測(cè)結(jié)果，從而確定新能源出力的最終預(yù)測(cè)結(jié)果。
7、進(jìn)一步地，采用小波分解的方法對(duì)新能源出力數(shù)據(jù)進(jìn)行小波分解，具體包括：
8、將新能源場(chǎng)站的功率信號(hào)離散化為若干個(gè)采樣點(diǎn)；
9、將若干個(gè)采樣點(diǎn)組成的初始離散信號(hào)序列進(jìn)行下采樣，得到新的離散信號(hào)序列；
10、將新的離散信號(hào)序列分別通過(guò)分解高通濾波器和分解低通濾波器進(jìn)行小波分解輸出得到分別表示原離散信號(hào)近似部分和細(xì)節(jié)部分的兩個(gè)信號(hào)序列。
11、進(jìn)一步地，兩個(gè)信號(hào)序列，具體如下：
12、
13、式中，aj-1表示原離散信號(hào)分解到下一層輸出的低通部分，即近似部分；βj-1表示原離散信號(hào)分解到下一層輸出的小波部分，即細(xì)節(jié)部分；d(·)表示下取樣操作，即去除序列中的奇數(shù)項(xiàng)部分；h(·)和l(·)分別表示高通和低通濾波卷積操作；αj表示離散信號(hào)序列。
14、進(jìn)一步地，組合神經(jīng)網(wǎng)絡(luò)中各子神經(jīng)網(wǎng)絡(luò)進(jìn)行新能源出力預(yù)測(cè)時(shí)的輸入包括：分解好的新能源出力數(shù)據(jù)和新能源出力的關(guān)聯(lián)變量。
15、進(jìn)一步地，組合神經(jīng)網(wǎng)絡(luò)具體包括：rnn循環(huán)神經(jīng)網(wǎng)絡(luò)、lstm長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和gru循環(huán)門神經(jīng)網(wǎng)絡(luò)。
16、進(jìn)一步地，整合預(yù)測(cè)結(jié)果的計(jì)算表達(dá)式，具體如下：
17、
18、式中，表示整合預(yù)測(cè)結(jié)果，n表示組合神經(jīng)網(wǎng)絡(luò)n個(gè)子神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)結(jié)果數(shù)量，表示第i個(gè)子神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)結(jié)果的最優(yōu)權(quán)重，表示第i個(gè)子神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)結(jié)果。
19、進(jìn)一步地，最優(yōu)權(quán)重的確定流程，具體包括：
20、記組合預(yù)測(cè)結(jié)果至整合預(yù)測(cè)結(jié)果的動(dòng)作集合為各個(gè)預(yù)測(cè)結(jié)果對(duì)應(yīng)的最優(yōu)權(quán)重；
21、基于新能源歷史出力數(shù)據(jù)和組合預(yù)測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)中q函數(shù)的更新機(jī)制，進(jìn)行多次訓(xùn)練，q函數(shù)的更新機(jī)制的表達(dá)式，具體如下：
22、
23、式中，下標(biāo)t表示迭代步數(shù)，qt+1和qt分別表示第t+1步和第t步的q值，ι為超參數(shù)，rt為回報(bào)函數(shù)，γ是折扣系數(shù)，π表示動(dòng)作集合，ω表示目標(biāo)狀態(tài)序列，a表示具體動(dòng)作，st表示當(dāng)前步的記憶狀態(tài)；
24、記錄給出的最佳策略對(duì)應(yīng)于使q值最大的動(dòng)作集合，具體如下：
25、π*(ωt,a∈π)＝maxq
26、當(dāng)訓(xùn)練至收斂后且預(yù)測(cè)精度達(dá)到設(shè)定要求時(shí)，返回此時(shí)最大的動(dòng)作集合中具體的權(quán)值，作為最優(yōu)權(quán)值，記為：
27、
28、式中，為最優(yōu)權(quán)值集合，為第n個(gè)最優(yōu)權(quán)值。
29、第二方面，本專利技術(shù)提供了一種基于小波分解序列的新能源出力預(yù)測(cè)系統(tǒng)，包括：
30、信號(hào)分解單元，用于獲取原始的新能源出力數(shù)據(jù)，采用小波分解的方法對(duì)新能源出力數(shù)據(jù)進(jìn)行小波分解；
31、組合預(yù)測(cè)單元，用于將分解好的新能源出力數(shù)據(jù)輸入到預(yù)先訓(xùn)練好的組合神經(jīng)網(wǎng)絡(luò)中，由組合神經(jīng)網(wǎng)絡(luò)中的各個(gè)子神經(jīng)網(wǎng)絡(luò)輸出各自的預(yù)測(cè)結(jié)果；
32、整合預(yù)測(cè)單元，用于基于組合預(yù)測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)的方法確定最優(yōu)的整合預(yù)測(cè)結(jié)果，從而確定新能源出力的最終預(yù)測(cè)結(jié)果。
33、相應(yīng)地，本專利技術(shù)還提供了一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器和處理器及存儲(chǔ)在存儲(chǔ)器上的計(jì)算機(jī)程序，當(dāng)計(jì)算機(jī)程序在處理器上被執(zhí)行時(shí)，實(shí)現(xiàn)如第一方面的一種基于小波分解序列的新能源出力預(yù)測(cè)方法。
34、相應(yīng)地，本專利技術(shù)還提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面的一種基于小波分解序列的新能源出力預(yù)測(cè)方法。
35、綜上，本專利技術(shù)提供了一種基于小波分解序列的新能源出力預(yù)測(cè)方法、系統(tǒng)和相關(guān)裝置，包括獲取原始的新能源出力數(shù)據(jù)，采用小波分解的方法對(duì)新能源出力數(shù)據(jù)進(jìn)行小波分解；將分解好的新能源出力數(shù)據(jù)輸入到預(yù)先訓(xùn)練好的組合神經(jīng)網(wǎng)絡(luò)中，由組合神經(jīng)網(wǎng)絡(luò)中的各個(gè)子神經(jīng)網(wǎng)絡(luò)輸出各自的預(yù)測(cè)結(jié)果；基于組合預(yù)測(cè)結(jié)果，利用強(qiáng)化學(xué)習(xí)的方法確定最優(yōu)的整合預(yù)測(cè)結(jié)果，從而確定新能源出力的最終預(yù)測(cè)結(jié)果。本專利技術(shù)將新能源真實(shí)出力信號(hào)進(jìn)行小波分解，能夠挖掘出樣本中更多的細(xì)節(jié)信息；利用組合神經(jīng)網(wǎng)絡(luò)進(jìn)行模型預(yù)測(cè)，既能夠克服單個(gè)神經(jīng)網(wǎng)絡(luò)的固有缺點(diǎn)，又能組合發(fā)揮其優(yōu)勢(shì)，實(shí)現(xiàn)協(xié)同優(yōu)化；將組合神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果形成rql的訓(xùn)練集，通過(guò)強(qiáng)化學(xué)習(xí)方法進(jìn)一步提升預(yù)測(cè)的精度和收斂過(guò)程的魯棒性。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，采用小波分解的方法對(duì)所述新能源出力數(shù)據(jù)進(jìn)行小波分解，具體包括：
3.根據(jù)權(quán)利要求2所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述兩個(gè)信號(hào)序列，具體如下：
4.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述組合神經(jīng)網(wǎng)絡(luò)中各子神經(jīng)網(wǎng)絡(luò)進(jìn)行新能源出力預(yù)測(cè)時(shí)的輸入包括：分解好的所述新能源出力數(shù)據(jù)和新能源出力的關(guān)聯(lián)變量。
5.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述組合神經(jīng)網(wǎng)絡(luò)具體包括：RNN循環(huán)神經(jīng)網(wǎng)絡(luò)、LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和GRU循環(huán)門神經(jīng)網(wǎng)絡(luò)。
6.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述整合預(yù)測(cè)結(jié)果的計(jì)算表達(dá)式，具體如下：
7.根據(jù)權(quán)利要求6所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述最優(yōu)權(quán)重的確定流程，具體包括：
8.一種
9.一種計(jì)算機(jī)設(shè)備，其特征在于，包括：存儲(chǔ)器和處理器及存儲(chǔ)在存儲(chǔ)器上的計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序在處理器上被執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的一種基于小波分解序列的新能源出力預(yù)測(cè)方法。
10.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的一種基于小波分解序列的新能源出力預(yù)測(cè)方法。
...【技術(shù)特征摘要】
1.一種基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，采用小波分解的方法對(duì)所述新能源出力數(shù)據(jù)進(jìn)行小波分解，具體包括：
3.根據(jù)權(quán)利要求2所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述兩個(gè)信號(hào)序列，具體如下：
4.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述組合神經(jīng)網(wǎng)絡(luò)中各子神經(jīng)網(wǎng)絡(luò)進(jìn)行新能源出力預(yù)測(cè)時(shí)的輸入包括：分解好的所述新能源出力數(shù)據(jù)和新能源出力的關(guān)聯(lián)變量。
5.根據(jù)權(quán)利要求1所述的基于小波分解序列的新能源出力預(yù)測(cè)方法，其特征在于，所述組合神經(jīng)網(wǎng)絡(luò)具體包括：rnn循環(huán)神經(jīng)網(wǎng)絡(luò)、lstm長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和gru循環(huán)門神經(jīng)網(wǎng)絡(luò)。
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄧韋斯，程銘，王皓懷，戴仲覆，魯聰，盧斯煜，劉顯茁，周保榮，胡甲秋，李崇浩，卓映君，梁金冰，
申請(qǐng)(專利權(quán))人：中國(guó)南方電網(wǎng)有限責(zé)任公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。