一种基于修正的小波神经网络预测风电消纳需求量算法的制作方法

本发明涉及风电消纳领域，具体为一种基于修正的小波神经网络预测风电消纳需求量算法。
背景技术：
：风能是目前发展最迅速的清洁能源，然而随着近几年风电装机容量的迅猛增加，出现了越来越严重的弃风限电现象。若何解决风电消纳问题是目前风电发展所面临的巨大考验。而风电消纳需求量的预测是风电消纳问题中最为困难的一环；针对风电消纳问题，已有很多学者做了大量研究。目前最常见的风电消纳需求量研究方法有制约因素法和数学优化法。制约因素法是对制约风电消纳需求量的影响因素进行研究，这些影响因素包括居民用电的自然规律的特性以及电力系统运行的约束条件；数学优化法则大多是通过构建以风电接入容量最大或常规机组运行成本最小为目标函数的优化模型，综合考虑电力系统运行的多种自然约束条件，对系统的风电消纳需求量进行优化求解。然而上述研究都是针对系统整体的风电消纳空间进行评估，而未能具体反映系统在其真实运行状态、用户需求波动以及自然天气骤变等不确定因素影响下的风电消纳需求的突变。技术实现要素：本发明的目的是针对现有技术的缺陷，提供一种基于修正的小波神经网络预测风电消纳需求量算法，以解决上述
背景技术：
提出的问题。为实现上述目的，本发明提供如下技术方案：一种基于修正的小波神经网络预测风电消纳需求量算法，包括：(1)：收集风电场消纳需求时间序列数据构建训练集和测试集：(1a)：根据风电厂的以往供电需求和自然属性，将每个时间点供电需求与自然属性相对应，制作5000个训练样本和500个测试样本；(1b)：供电需求与量数值相对应，量数值阈值零界点为0，量数值有正有负，量数值越高表明消纳需求越高；(2)：建立小波神经网络预测风电消纳需求量模型：(2a)：假设输入层序列x中的子集xi(i＝1,2,3,...,k)，隐含层输出为：式中，h(j)表示隐含层中第j个节点输出；式中，hj表示小波基数，wij表示网络输入层到隐含层连接权值，aj为小波基函数hj的伸缩因子，bj为hj平移因子；(2b)：小波神经网络输出层计算公式为：式中，wik代表隐含层到输出层的网络连接权值；式中，l代表网络隐含层节点总数目；式中，m为输出节点数目；(2c)：通过梯度下降法寻优参数aj和bj，从而提高网络判别性能，其loss函数为：式中，yn(k)为标签值集合，y(k)为预测值集合，通过集合之间的差值确定梯度下降方向；(2d)：通过梯度下降迭代修正网络权数和其他小波参数，修正公式为：式中，分别代表各参数通过网络预测误差值；式中，η为学习率；(3)：建立马尔科夫预测风电消纳需求概率模型：(3a)：假设马氏链点(n+1)维概率分布的条件概率为则一步转移概率矩阵为：式中，pij表示条件概率p在时刻n的一步转移概率；(3b)：通过转移概率矩阵计算m步转移概率，计算方程为：p(m)＝p(m-1)p＝…＝(p)m；(4)：使用训练数据集对模型参数分别进行训练，其中：(4a)：对于小波神经网络预测风电消纳需求量模型，输入样本为时间属性和自然属性的矩阵，输出结果为供电需求量；(4b)：对于马尔科夫预测风电消纳需求概率模型，输入样本为供电需求时间序列，输入属性为自然属性时间序列，输出结果为下一个时间点的供电需求概率；(4c)：需求概率与需求量呈正比线性相关；(5)：利用马尔科夫模型对小波网络修正误差残值，得到风电消纳需求量预测模型，修正公式为：f＝μfg+(1-μ)fm式中，fg表示小波神经网络预测风电消纳需求量模型预测结果，fm表示马尔科夫预测风电消纳需求概率模型预测结果；式中，μ表示算法融合阈值；作为本发明的一种优选技术方案，所述步骤(1a)中训练样本和测试样本：(1a1)：将时间属性和自然属性作为每个样本序列，将供电需求量作为对应的样本标签；(1a2)：按照时间顺序将消纳需求制作成单向链表，时间属性和自然属性作为链表各元素子集，采用切片算法随机抽取链表中某一节点作为预测标签，该节点前的链表作为模型输入标签；(1a3)：重复(1a1)和(1a2)步骤5000次，生成5000样本，随机抽取4500作为训练样本，随机抽取500作为测试样本。作为本发明的一种优选技术方案，所述步骤(2)中小波神经网络主要包含：输入层，隐含层和输出层，其中隐含层由4层卷积网络组成。作为本发明的一种优选技术方案，所述步骤(4a)中的小波神经网络具体训练步骤为：(4a1)：随机初始化学习率，伸缩因子，平移因子以及网络权重等参数；(4a2)：输入训练样本，获得预测输出，计算预测输出与期望输出之间的误差；(4a3)：通过误差函数和步骤(2d)所述的随机梯度下降法，修正网络权值与网络参数，逐步减小误差；(4a4)：设置一定的阈值判断训练过程是否结束，若没有，则返回步骤(4a2)继续循环训练计算。作为本发明的一种优选技术方案，所述步骤(5)中融合阈值μ的计算公式为：min(|l-f|)＝min(|l-μfg+(1-μ)fm|)式中，l代表标签值；式中，通过风电消纳需求量预测模型预测结果与标签值的差值，不断递归阈值μ得到最小误差。本发明的有益效果：本发明结合了传统机器学习预测模型马尔科夫和深层网络模型小波神经网络，使得结合后的风电消纳需求量预测模型既克服了神经网络的局限性，又能在长期对时间序列判别预测中获得较为精准的结果，有效的提高了预测风电消纳需求量。非常适用于供电需求多变的风力发电机组。风电消纳通常受变化多样因素的影响，而由于天气和环境因素具有一定可预测性，所以用户用电量既存在规律数据又存在不规律性数据，通过准确的算法将时间序列相关性和自然属性两部分数据属性分别开来，则风电消纳量中的多种复杂规律可以更加容易预测。通过对真实风电消纳场景模拟实验，从实验结果可以较为明显的看出通过马尔科夫对于时间序列预测和小波神经网络对属性序列的判别相结合的算法对多变风电消纳需求量预测的准确性得到了有效的提升。附图说明：图1是本发明的算法流程图；图2是本发明的小波网络结构图；图3是本发明所涉及基于马尔科夫修正的小波神经网络和对比算法随机采样预测数值对比图。具体实施方式：下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。请参阅图1-3，本发明提供一种技术方案：一种基于修正的小波神经网络预测风电消纳需求量算法：包括：(1)：收集风电场消纳需求时间序列数据构建训练集和测试集：(1a)：根据风电厂的以往供电需求和自然属性，将每个时间点供电需求与自然属性相对应，制作5000个训练样本和500个测试样本；(2a)：供电需求与量数值相对应，量数值阈值零界点为0，量数值有正有负，量数值越高表明消纳需求越高；(2)：建立小波神经网络预测风电消纳需求量模型：(2a)：假设输入层序列x中的子集xi(i＝1,2,3,...,k)，隐含层输出为：式中，h(j)表示隐含层中第j个节点输出；式中，hj表示小波基数，wij表示网络输入层到隐含层连接权值，aj为小波基函数hj的伸缩因子，bj为hj平移因子；(2b)：小波神经网络输出层计算公式为：式中，wik代表隐含层到输出层的网络连接权值；式中，l代表网络隐含层节点总数目；式中，m为输出节点数目；(2c)：通过梯度下降法寻优参数aj和bj，从而提高网络判别性能，其loss函数为：式中，yn(k)为标签值集合，y(k)为预测值集合，通过集合之间的差值确定梯度下降方向；(2d)：通过梯度下降迭代修正网络权数和其他小波参数，修正公式为：式中，分别代表各参数通过网络预测误差值；式中，η为学习率；(3)：建立马尔科夫预测风电消纳需求概率模型：(3a)：假设马氏链点(n+1)维概率分布的条件概率为则一步转移概率矩阵为：式中，pij表示条件概率p在时刻n的一步转移概率；(3b)：通过转移概率矩阵计算m步转移概率，计算方程为：p(m)＝p(m-1)p＝…＝(p)m；(4)：使用训练数据集对模型参数分别进行训练，其中：(4a)：对于小波神经网络预测风电消纳需求量模型，输入样本为时间属性和自然属性的矩阵，输出结果为供电需求量；(4b)：对于马尔科夫预测风电消纳需求概率模型，输入样本为供电需求时间序列，输入属性为自然属性时间序列，输出结果为下一个时间点的供电需求概率；(4c)：需求概率与需求量呈正比线性相关；(5)：利用马尔科夫模型对小波网络修正误差残值，得到风电消纳需求量预测模型，修正公式为：f＝μfg+(1-μ)fm式中，fg表示小波神经网络预测风电消纳需求量模型预测结果，fm表示马尔科夫预测风电消纳需求概率模型预测结果；式中，μ表示算法融合阈值；步骤(1a)中训练样本和测试样本：(1a1)：将时间属性和自然属性作为每个样本序列，将供电需求量作为对应的样本标签；(1a2)：按照时间顺序将消纳需求制作成单向链表，时间属性和自然属性作为链表各元素子集，采用切片算法随机抽取链表中某一节点作为预测标签，该节点前的链表作为模型输入标签；(1a3)：重复(1a1)和(1a2)步骤5000次，生成5000样本，随机抽取4500作为训练样本，随机抽取500作为测试样本。步骤(2)中小波神经网络主要包含：输入层，隐含层和输出层，其中隐含层由4层卷积网络组成。步骤(4a)中的小波神经网络具体训练步骤为：(4a1)：随机初始化学习率，伸缩因子，平移因子以及网络权重等参数；(4a2)：输入训练样本，获得预测输出，计算预测输出与期望输出之间的误差；(4a3)：通过误差函数和步骤(2d)的随机梯度下降法，修正网络权值与网络参数，逐步减小误差；(4a4)：设置一定的阈值判断训练过程是否结束，若没有，则返回步骤(4a2)继续循环训练计算。步骤(5)中融合阈值μ的计算公式为：min(|l-f|)＝min(|l-μfg+(1-μ)fm|)式中，l代表标签值；式中，通过风电消纳需求量预测模型预测结果与标签值的差值，不断递归阈值μ得到最小误差。仿真实验：为验证本发明算法的有效性，在测试数据集上采用小波网络、马尔科夫和本发明的算法进行系统的风电消纳需求量预测进行评估，以均方根误差(rmse)、和方差(sse)以及确定系数为评价标准衡量算法整体准确度，以均值、标准差、最大值和最小值指标为评价标准衡量算法在多次预算时在统计指标上的鲁棒性。均方根误差(rmse)、和方差(sse)以及确定系数的计算公式如下：式中，代表样本数据，yi代表原始数据，代表原始数据的平均值。评估方法rmsesser^2小波网络0.0009370.0008040.916马尔科夫0.0007910.0003390.942本算法0.0001850.0002580.981表1：风电消纳预测模型准确度评价指标计算结果。评估方法迭代次数均值/mw标准差/mw最大值/mw最小值/mw小波网络3000688.3241.32797565马尔科夫1000694.1137.21773561本算法3000681.5040.17792460表2：本发明所涉及基于马尔科夫修正的小波神经网络和对比算法的统计指标对比。评估方法均值/％标准差/％最大值/％最小值/％小波网络0.684.411.711.27马尔科夫0.785.911.831.05本算法0.150.070.120.34表3：本发明所涉及基于马尔科夫修正的小波神经网络和对比算法的误差分析。通过数据分析可以看出：通过本专利基于马尔科夫修正的小波神经网络预测风电消纳需求量算法的计算，可全面真实的预测风电消纳在不同环境因素和时间段内的需求；研究结果表明，马尔科夫修正的小波神经网络预测风电消纳需求量算法的均方根误差和方差分别为0.000185和0.000258，确定系数可达到0.981，相比于其他预测模型，能更准确地对风电消纳需求量进行预测；当迭代次数为3000次时，基于基于马尔科夫修正的小波神经网络预测风电消纳需求量算法的标准差仅为0.07％，很大程度上提高了本发明评估方法的准确性。本发明结合了传统机器学习预测模型马尔科夫和深层网络模型小波神经网络，使得结合后的风电消纳需求量预测模型既克服了神经网络的局限性，又能在长期对时间序列判别预测中获得较为精准的结果，有效的提高了预测风电消纳需求量。非常适用于供电需求多变的风力发电机组。风电消纳通常受变化多样因素的影响，而由于天气和环境因素具有一定可预测性，所以用户用电量既存在规律数据又存在不规律性数据，通过准确的算法将时间序列相关性和自然属性两部分数据属性分别开来，则风电消纳量中的多种复杂规律可以更加容易预测。通过对真实风电消纳场景模拟实验，从实验结果可以较为明显的看出通过马尔科夫对于时间序列预测和小波神经网络对属性序列的判别相结合的算法对多变风电消纳需求量预测的准确性得到了有效的提升。以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。当前第1页12