[发明专利]一种风电功率的区间预测方法

权利要求书

1.一种风电功率的区间预测方法，其特征在于，具体步骤如下：

S1、将风电功率相关数据进行归一化处理，确定卷积神经网络的卷积层和池化层参数以及长短期记忆网络的输入层、隐含层和输出层的神经元数目，全连接层神经元数目，使用卷积神经网络获得风电相关信息的特征图谱作为风电相关信息的特征图谱作为长短期记忆网络分位数回归的输入信息；

S2、确定长短期记忆网络分位数回归中的分位点数目，且长短期记忆网络分位数回归的分位点数取值范围为0.01-0.99，间隔为0.01，其中在同一分位点下均运行20次取其平均分位数作为输出分位数；

S3、采用训练完毕的长短期记忆网络分位数回归输出在不同分位点下的预测风电功率分位数，从而描述出风电功率波动范围。

2.根据权利要求1所述的一种风电功率的区间预测方法，其特征在于，所述卷积层的计算过程如下：

式中：表示第k-1层的第i个特征图的输出值，表示第k层第j个特征图与第k-1层第i个特征图之间的卷积核，代表第k层的第j个特征图所对应的阀值，N_j代表输入的特征图的集合，代表第k层的第j个特征图的输出值，f(·)为激活函数。

3.根据权利要求1所述的一种风电功率的区间预测方法，其特征在于，所述池化层是非线性下采样的一种形式，最大池化方式是对邻域内特征点取最大值。

4.根据权利要求1所述的一种风电功率的区间预测方法，其特征在于，长短期记忆网络通过在隐含层中添加遗忘门、输入门、输出门来有效地挖掘时间序列中信息的时序依从关系；每个时刻长短期记忆网络单元通过三个门接收当前数据输入x_t和上一隐含状态h_t-1和记忆单元状态C_t-1，则长短期记忆网络的计算过程如下：

遗忘门帮助长短期记忆网络决定哪些信息将从记忆单元状态中删除：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (2)

其次，长短期记忆网络使用输入门i_t来决定将要存储到新单元状态C_t的新信息，计算过程如下：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (3)

g_t＝φ(W_gxx_t+W_ghh_t-1+b_g) (4)

C_t＝C_t-1⊙f_t+g_t⊙i_t (5)

式中：g_t为添加到新单元状态C_t的候选值；C_t-1⊙f_t作用是确定有多少信息将从C_t-1中遗忘；g_t⊙i_t确定有多少信息添加到新单元状态C_t；L⊙表示向量中元素按位相乘；

最后使用输出门o_t计算h_t的过程如下：

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (6)

h_t＝o_t⊙φ(C_t) (7)

式中：σ、φ分别为sigmoid激活函数和tanh激活函数；W_fx，W_fh，W_ix，W_ih，W_gx，W_gh，W_ox，W_oh分别为遗忘门、输入门、输入节点、输出门与输入x_t和上一隐含状态h_t-1相乘的权值矩阵，b_f，b_i，b_g，b_o为对应的偏置；f_t，i_t，g_t，o_t，C_t，h_t分别为遗忘门、输入门、输入节点、输出门、记忆单元状态和隐含状态的输出结果。

5.根据权利要求1所述的一种风电功率的区间预测方法，其特征在于，建立长短期记忆网络分位数回归模型，其中解释变量X＝[x₁，x₂，…，x_S]和相应变量Y分别对应于神经网络的输入层和输出层的变量，设神经网络含有J个节点，则神经网络分位数回归模型QRNN可表示为：

式中：和b^(o)(τ)分别为神经网络输出层的权值和阀值；τ为分位点，Q_Y(τ)为相应变量Y的τ条件分位数；f^(o)(·)为输出层的激活函数；g_j(τ)为神经网络的隐含层节点：

式中：x_k为解释变量；f^(h)(·)为激活函数；为输出层权重；为隐含层阀值；

则响应变量Y在解释变量X＝[x₁，x₂，…，x_S]下的τ条件分位数Q_Y(τ|X)可表示为：

此时模型待估计参数向量θ(τ)可表示为：

QRNN根据式(12)最小化损失函数对模型的参数θ(τ)进行估计：

式中：M为样本量；Y_i为第i个样本的被解释变量；为第i个样本的输入变量带入式(8)得到的被解释变量的τ条件分位数；I(·)为指示函数；

设长短期记忆网络中隐含层神经元共有K个，则根据式2到7可得到t时刻隐含层输出向量为将隐含层输出向量作为全连接层输入即可得到长短期记忆网络在分位点τ下的条件分位数：

式中：K为全连接层的输入数目；b^r分别为长短期记忆网络的隐含层输出与全连接层输入之间的权值和偏置，f为线性激活函数；

长短期记忆网络分位数回归通过式(12)、(13)最小化损失函数对不同分位点下长短期记忆网络分位数回归的权值和偏置进行估计后，可求得预测值的不同分位数。