CN109615152A - 基于成本导向梯度上升回归树的风力发电预测方法及产品 - Google Patents
基于成本导向梯度上升回归树的风力发电预测方法及产品 Download PDFInfo
- Publication number
- CN109615152A CN109615152A CN201910131088.3A CN201910131088A CN109615152A CN 109615152 A CN109615152 A CN 109615152A CN 201910131088 A CN201910131088 A CN 201910131088A CN 109615152 A CN109615152 A CN 109615152A
- Authority
- CN
- China
- Prior art keywords
- regression tree
- gradient
- wind
- cost
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010248 power generation Methods 0.000 title abstract description 15
- 230000001174 ascending effect Effects 0.000 title abstract 5
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000005611 electricity Effects 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 60
- 230000000630 rising effect Effects 0.000 claims description 40
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000009452 underexpressoin Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于成本导向梯度上升回归树的风力发电预测方法及产品,该方法,包括:获取待预测地的风力历史数据、预测误差损失函数模型;求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;利用所述成本导向梯度上升回归树模型,预测风力发电量。本发明采用了一种梯度上升回归树方法,该方法能够有效地处理成本导向型损失函数,并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中,梯度上升回归树方法来执行最优点预测,使其能够有效地处理成本导向的损失函数,能够降低高、低估预测带来的成本差异。
Description
技术领域
本发明涉及新能源发电预测领域,特别涉及基于成本导向梯度上升回归树的风力发电预测方法及产品。
背景技术
可再生能源,如风能和太阳能,是传统发电方式的重要替代能源。在许多国家,可再生能源占总能源供应的比例显著。然而,可再生能源发电的不确定性为其在电力系统中的规模化应用带来了巨大挑战。可再生能源发电预测被认为是最具成本效益的解决方案之一。准确的预测为电网运行和电网安全评估提供了有力支撑,并在电力市场,经济调度等应用中发挥着关键作用。
大量研究的重点是尽可能准确地预测可再生能源发电,通过使用更复杂的技术,使得无偏预测具有更高的准确性。虽然传统的无偏点预测在某些应用中引起了很多关注,但在这些应用中,由于预测误差是不可避免的,低估可再生能源发电量(预测值小于实际值)和高估可再生能源发电量(预测值大于实际值)对成本的影响是完全不同的。
因此,如何提出了一种风力发电预测方案,降低高、低估预测带来的成本差异,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供基于成本导向梯度上升回归树的风力发电预测方法及产品,降低高、低估预测带来的成本差异。其具体方案如下:
第一方面,本发明提供一种基于成本导向梯度上升回归树的风力发电预测方法,包括:
获取待预测地的风力历史数据、预测误差损失函数模型;
求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
利用所述成本导向梯度上升回归树模型,预测风力发电量。
优选地,
在所述获取待预测地的风力历史数据、预测误差损失函数模型之后;
在所述求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值之前,还包括:
采用min-max标准化方法将所述风力历史数据进行归一化处理。
优选地,
所述采用min-max标准化方法将所述风力历史数据进行归一化处理,包括:
利用公式式x*=(x-xmin)/(xmax-xmin)对所述风力历史数据进行线性变换,以使结果值映射到[0,1]之间;其中,x*为归一化结果;x为原始数据;xmin为所述风力历史数据的最小值;xmax为所述风力历史数据的最大值。
优选地,
所述预测误差损失函数模型,包括:
其中:y为风力发电真实值;为风力发电预测值;为第i段预测误差补偿成本函数表达式;δ为分段点。
优选地,
所述残差估计值的计算公式如下:
其中:i=1,…,N.,N为风力历史数据的总个数。
优选地,
所述利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型,包括:
A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
A3:利用该输出值更新当前梯度上升回归树模型;
A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
第二方面,本发明提供一种基于成本导向梯度上升回归树的风力发电预测系统,包括:
数据模型获取模块,用于获取待预测地的风力历史数据、预测误差损失函数模型;
残差估计求取模块,用于求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
模型训练模块,用于利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
发电预测模块,用于利用所述成本导向梯度上升回归树模型,预测风力发电量。
优选地,
所述模型训练模块,包括:
模型初始化单元,用于实现步骤A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
残差计算单元,用于实现步骤A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
模型更新单元,用于实现步骤A3:利用该输出值更新当前梯度上升回归树模型;
迭代判定单元,用于实现步骤A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
第三方面,本发明提供一种基于成本导向梯度上升回归树的风力发电预测计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述第一方面任一种所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。
本发明提供一种基于成本导向梯度上升回归树的风力发电预测方法,包括:获取待预测地的风力历史数据、预测误差损失函数模型;求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;利用所述成本导向梯度上升回归树模型,预测风力发电量。本发明采用了一种梯度上升回归树方法,该方法能够有效地处理成本导向型损失函数,并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中,使用成本导向的梯度上升回归树方法来执行最优点预测,使其能够有效地处理成本导向的损失函数。从而能够降低高、低估预测带来的成本差异。
本发明提供的基于成本导向梯度上升回归树的风力发电预测系统、计算机设备、计算机可读存储介质,也具有上述的有益效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测方法的流程图;
图2为本发明有一种具体实施方式所提供的残差估计值训练回归树模型的流程图;
图3为本发明一种具体实施方式所提供的一种成本导向型梯度上升回归树的风力发电预测方法的流程图;
图4为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的组成结构示意图;
图5为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的模型训练模块组成结构示意图;
图6为本发明又一种具体实施方式所提供的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测方法的流程图。
在本发明一种更具体实施方式中,该发明实施例提供一种基于成本导向梯度上升回归树的风力发电预测方法,包括:
步骤S11:获取待预测地的风力历史数据、预测误差损失函数模型;
具体地,在获取到待测地的风力历史数据后,为了便于管理和计算可以对风力历史数据进行归一化处理,更具体地,可以采用min-max标准化方法将所述风力历史数据进行归一化处理。可以利用公式式x*=(x-xmin)/(xmax-xmin)对所述风力历史数据进行线性变换,以使结果值映射到[0,1]之间;其中,x*为归一化结果;x为原始数据;xmin为所述风力历史数据的最小值;xmax为所述风力历史数据的最大值。
而对于预测误差损失函数模型,该损失函数模型以分段函数形式表达,表明风力发电预测结果偏高和偏低对预测误差补偿成本的影响是不同的。具体地,所述预测误差损失函数模型,可以为:
其中:y为风力发电真实值;为风力发电预测值;为第i段预测误差补偿成本函数表达式;δ为分段点。
步骤S12:求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
利用预测误差补偿成本模型所构建的损失函数计算当前回归树表达式下预测值与真实值间的残差。残差的计算采用最速下降的近似方法,即求解损失函数在当前回归树表达式下预测值的负梯度值。具体地,所述残差估计值的计算公式如下:
其中:i=1,…,N.,N为风力历史数据的总个数。
步骤S13:利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
当然,在训练梯度上升回归树模型之前,需要初始化梯度上升回归树表达式包括:设置当前回归树编号m为零,设置当前梯度上升回归树表达式值为零,F0(x)=0;设置需要迭代生成的回归树总个数为M,M为大于1的自然数。
训练得到当前回归树包括:
更新当前回归树编号,
m=m+1
将上一步得到的残差作为第m棵回归树的训练样本,即利用样本训练得到回归树T(x;Θm),Θm为回归树参数。回归树的叶节点划分的区域为Rm,j,j=1,2,…,J。
计算叶节点输出值并更新梯度上升回归树表达式包括:
对于回归树的每一个叶节点,计算其输出值:
式中:cm,j为编号为m的回归树中节点j的输出值;L(·)为步骤S2中的损失函数模型;yi为第i个样本中的实际值;c为上一次迭代过程中叶节点j的输出值;Fm-1(xi)为编号为m-1的回归树的表达式值,可由下述递推公式计算。
更新梯度上升回归树表达式
式中:I(xi∈Rm,j)为叶节点对应的权重。
利用得到的梯度上升回归树表达式预测风力发电具体可以:
经过M次迭代,可以最终得到成本导向梯度上升回归树模型
步骤S14:利用所述成本导向梯度上升回归树模型,预测风力发电量。
采集风电场风力数据,如果在训练该成本导向梯度上升回归树模型时的训练数据进行了归一化处理,这时也要对预测的数据进行归一化处理后,才能输入成本导向梯度上升回归树模型中,从而可以得到风力发电预测结果。
本发明实施例为了解决高、低估预测带来的成本差异,最大限度地利用点预测产生的效益,本发明提出了一种基于成本导向型损失函数的预测方法,在模型中应用分段形式的损失函数,准确地计算与预测误差相关的成本大小;由于传统点预测方法,如多元线性回归,ARIMA模型,反向传播神经网络等,都要求内置的二次损失函数为可微分的,因此这些方法均无法有效处理成本导向型损失函数,为此,本发明采用了一种梯度上升回归树方法,该方法能够有效地处理成本导向型损失函数,并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中。
请参考图2,图2为本发明有一种具体实施方式所提供的残差估计值训练回归树模型的流程图。
在本发明实施例中,为了利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型,具体地可以进行以下步骤:
A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
A3:利用该输出值更新当前梯度上升回归树模型;
A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
本发明实施例提供一种基于成本导向梯度上升回归树的风力发电预测方法,包括:获取待预测地的风力历史数据、预测误差损失函数模型;求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;利用所述成本导向梯度上升回归树模型,预测风力发电量。本发明采用了一种梯度上升回归树方法,该方法能够有效地处理成本导向型损失函数,并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中,使用成本导向的梯度上升回归树方法来执行最优点预测,使其能够有效地处理成本导向的损失函数。从而能够降低高、低估预测带来的成本差异。
请参考图3,图3为本发明一种具体实施方式所提供的一种成本导向型梯度上升回归树的风力发电预测方法的流程图。
在本具体实施方式中,该方法具体可以包括:
步骤S1,将用于风力发电预测的风力历史数据归一化,将该数据作为风力发电预测的训练集输入;
步骤S2,建立合适的预测误差补偿成本模型,利用预测误差补偿成本模型构建损失函数模型;
步骤S3,建立梯度上升回归树模型,初始化梯度上升回归树表达式,设置需要迭代生成的回归树总个数;
步骤S4,对训练集中的每一个样本,计算损失函数的负梯度值,并将其作为残差的估计值;
步骤S5,利用计算得到的所有样本的残差,训练得到对应回归树;
步骤S6,计算当前回归树每一个叶节点的输出值,并利用该输出值更新梯度上升回归树表达式;
步骤S7,返回步骤S4,直到迭代所得回归树个数达到目标值,利用得到的成本导向梯度上升回归树模型预测风力发电。
实施案例:
本发明提供的一种成本导向的风力发电预测方法的实施案例中,
步骤S1中历史数据归一化方法包括:
采用min-max标准化方法,利用式x*=(x-xmin)/(xmax-xmin)对原始数据进行线性变换,使结果值映射到[0,-1]之间。其中,x*为归一化结果;x为原始数据;xmin为样本数据的最小值;xmax为样本数据的最大值。
步骤S2中建立损失函数模型包括:
式中:y为真实值;为预测值;为第i段预测误差补偿成本函数表达式;δ为分段点。该损失函数模型以分段函数形式表达,表明风力发电预测结果偏高和偏低对预测误差补偿成本的影响是不同的。
步骤S3中初始化梯度上升回归树表达式包括:
设置当前回归树编号m为零,设置当前梯度上升回归树表达式值为零,
F0(x)=0;
设置需要迭代生成的回归树总个数为M。
步骤S4中以损失函数负梯度值作为残差估计值:
式中:N为训练集样本总个数。利用预测误差补偿成本模型所构建的损失函数计算当前回归树表达式下预测值与真实值间的残差。残差的计算采用最速下降的近似方法,即求解损失函数在当前回归树表达式下预测值的负梯度值。
步骤S5中训练第m棵回归树包括:
更新当前回归树编号,
m=m+1
将上一步得到的残差作为第m棵回归树的训练样本,即利用样本训练得到回归树T(x;Θm),Θm为回归树参数。回归树的叶节点划分的区域为Rm,j,j=1,2,…,J。
步骤S6中计算叶节点输出值并更新梯度上升回归树表达式包括:
对于回归树的每一个叶节点,计算其输出值
式中:cm,j为编号为m的回归树中节点j的输出值;L(·)为步骤S2中的损失函数模型;yi为第i个样本中的实际值;c为上一次迭代过程中叶节点j的输出值;Fm-1(xi)为编号为m-1的回归树的表达式值,可由下述递推公式计算:
更新梯度上升回归树表达式
式中:I(xi∈Rm,j)为叶节点对应的权重。
步骤S7中利用得到的梯度上升回归树表达式预测风力发电包括:
经过M次迭代,可以最终得到成本导向梯度上升回归树模型
采集风电场风力数据,对数据进行归一化处理后,输入成本导向梯度上升回归树模型中,可以得到风力发电预测结果。
步骤S7之后,还包括:
步骤S8中为了进一步验证成本导向梯度上升回归树方法的准确性,再利用GEFCOM2012-WF中2009.07.01到2012.06.28期间的风电场历史数据,分别通过最小二乘回归树和本发明所提成本导向梯度上升回归树进行预测,并利用表1所示预测误差补偿电价计算与两种方法预测误差相关的成本大小。
表1预测误差补偿电价
利用最小二乘回归树法,计算的RMSE误差为19.6%;利用本发明所提成本导向梯度上升回归树法,计算的RMSE误差为21.04%。
利用最小二乘回归树法,计算得到与预测误差相关的成本大小为3654.1;利用本发明所提成本导向梯度上升回归树法,计算得到与预测误差相关的成本大小为3426.8。
对比结果可以看出,相比采用最小二乘回归树法,采用本发明所提成本导向梯度上升回归树法可以保证一定的预测精度,且具有更好的经济性效益。
请参考图4、图5,图4为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的组成结构示意图;图5为本发明一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的模型训练模块组成结构示意图。
第二方面,本发明提供一种基于成本导向梯度上升回归树的风力发电预测系统400,包括:
数据模型获取模块410,用于获取待预测地的风力历史数据、预测误差损失函数模型;
残差估计求取模块420,用于求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
模型训练模块430,用于利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
发电预测模块440,用于利用所述成本导向梯度上升回归树模型,预测风力发电量。
优选地,
所述模型训练模块430,包括:
模型初始化单元431,用于实现步骤A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
残差计算单元432,用于实现步骤A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
模型更新单元433,用于实现步骤A3:利用该输出值更新当前梯度上升回归树模型;
迭代判定单元434,用于实现步骤A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
请参考图6,图6为本发明又一种具体实施方式所提供的计算机设备的结构示意图。
在本发明的又一种具体实施方式中,本发明实施例提供一种计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种具体实施方式所述的一种基于成本导向梯度上升回归树的风力发电预测方法的步骤。
下面参考图6,其示出了适于用来实现本申请实施例的计算机设备的结构示意图。图6示出的计算机设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。
CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口603也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口607。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为本发明的又一具体实施方式,本发明实施例提供一种计算机可读存储介质所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意具体实施方式中的一种基于成本导向梯度上升回归树的风力发电预测方法的步骤。
该计算机可读介质可以是上述实施例中描述的计算机或终端设备中所包含的;也可以是单独存在,而未装配入该计算机设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该计算机设备执行时,使得该计算机设备:获取待预测地的风力历史数据、预测误差损失函数模型;求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;利用所述成本导向梯度上升回归树模型,预测风力发电量。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的基于成本导向梯度上升回归树的风力发电预测方法及产品进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,包括:
获取待预测地的风力历史数据、预测误差损失函数模型;
求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
利用所述成本导向梯度上升回归树模型,预测风力发电量。
2.根据权利要求1所述的基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,
在所述获取待预测地的风力历史数据、预测误差损失函数模型之后;
在所述求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值之前,还包括:
采用min-max标准化方法将所述风力历史数据进行归一化处理。
3.根据权利要求2所述的基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,
所述采用min-max标准化方法将所述风力历史数据进行归一化处理,包括:
利用公式式x*=(x-xmin)/(xmax-xmin)对所述风力历史数据进行线性变换,以使结果值映射到[0,1]之间;其中,x*为归一化结果;x为原始数据;xmin为所述风力历史数据的最小值;xmax为所述风力历史数据的最大值。
4.根据权利要求1所述的基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,
所述预测误差损失函数模型,包括:
其中:y为风力发电真实值;为风力发电预测值;为第i段预测误差补偿成本函数表达式;δ为分段点。
5.根据权利要求4所述的基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,
所述残差估计值的计算公式如下:
其中:i=1,…,N.,N为风力历史数据的总个数。
6.根据权利要求1至5任一项所述的基于成本导向梯度上升回归树的风力发电预测方法,其特征在于,
所述利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型,包括:
A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
A3:利用该输出值更新当前梯度上升回归树模型;
A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
7.一种基于成本导向梯度上升回归树的风力发电预测系统,其特征在于,包括:
数据模型获取模块,用于获取待预测地的风力历史数据、预测误差损失函数模型;
残差估计求取模块,用于求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值,作为残差估计值;
模型训练模块,用于利用所述残差估计值训练梯度上升回归树模型,得到成本导向梯度上升回归树模型;
发电预测模块,用于利用所述成本导向梯度上升回归树模型,预测风力发电量。
8.根据权利要求7所述的基于成本导向梯度上升回归树的风力发电预测系统,其特征在于,
所述模型训练模块,包括:
模型初始化单元,用于实现步骤A1:初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数;
残差计算单元,用于实现步骤A2:利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值;
模型更新单元,用于实现步骤A3:利用该输出值更新当前梯度上升回归树模型;
迭代判定单元,用于实现步骤A4:判断当前迭代次数是否达到所述梯度上升回归树模型总个数,如果否,则返回步骤A2;如果是,则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。
9.一种基于成本导向梯度上升回归树的风力发电预测计算机设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131088.3A CN109615152B (zh) | 2019-02-21 | 2019-02-21 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131088.3A CN109615152B (zh) | 2019-02-21 | 2019-02-21 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615152A true CN109615152A (zh) | 2019-04-12 |
CN109615152B CN109615152B (zh) | 2023-05-26 |
Family
ID=66022069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910131088.3A Active CN109615152B (zh) | 2019-02-21 | 2019-02-21 | 基于成本导向梯度上升回归树的风力发电预测方法及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615152B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188963A (zh) * | 2019-06-05 | 2019-08-30 | 中国矿业大学(北京) | 基于最小角回归和梯度提升模型的建筑能耗预测方法 |
CN110837913A (zh) * | 2019-09-24 | 2020-02-25 | 广州地理研究所 | 一种基于极端梯度算法的陆地水储量预测方法及设备 |
CN111064199A (zh) * | 2020-01-07 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种智能微网的控制方法及装置 |
CN113033704A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法 |
CN113076522A (zh) * | 2019-12-17 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 物品退回成本的预测方法、装置、设备和存储介质 |
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
CN116611117A (zh) * | 2023-07-21 | 2023-08-18 | 国网山东省电力公司广饶县供电公司 | 电缆电荷测试数据存储方法 |
CN118133235A (zh) * | 2024-03-05 | 2024-06-04 | 长江大学 | 气井油管积液高度预测方法、装置、介质和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
-
2019
- 2019-02-21 CN CN201910131088.3A patent/CN109615152B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
李国等: "基于提升回归树与随机森林的风电功率集成预测方法", 《电力系统及其自动化学报》 * |
王守相等: "计及用电模式的居民负荷梯度提升树分类识别方法", 《电力系统及其自动化学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188963A (zh) * | 2019-06-05 | 2019-08-30 | 中国矿业大学(北京) | 基于最小角回归和梯度提升模型的建筑能耗预测方法 |
CN110837913A (zh) * | 2019-09-24 | 2020-02-25 | 广州地理研究所 | 一种基于极端梯度算法的陆地水储量预测方法及设备 |
CN113076522A (zh) * | 2019-12-17 | 2021-07-06 | 北京沃东天骏信息技术有限公司 | 物品退回成本的预测方法、装置、设备和存储介质 |
CN111064199A (zh) * | 2020-01-07 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种智能微网的控制方法及装置 |
CN113033704A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法 |
CN113033704B (zh) * | 2021-04-22 | 2023-11-07 | 江西理工大学 | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 |
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
CN116611117A (zh) * | 2023-07-21 | 2023-08-18 | 国网山东省电力公司广饶县供电公司 | 电缆电荷测试数据存储方法 |
CN116611117B (zh) * | 2023-07-21 | 2023-10-03 | 国网山东省电力公司广饶县供电公司 | 电缆电荷测试数据存储方法 |
CN118133235A (zh) * | 2024-03-05 | 2024-06-04 | 长江大学 | 气井油管积液高度预测方法、装置、介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109615152B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615152A (zh) | 基于成本导向梯度上升回归树的风力发电预测方法及产品 | |
US20190228329A1 (en) | Prediction system and prediction method | |
US10404067B2 (en) | Congestion control in electric power system under load and uncertainty | |
JP4577841B2 (ja) | 分散型電源を配電ネットワークに連系する際の条件を決定する支援システム及び支援方法 | |
Dvorkin et al. | Wind generation as a reserve provider | |
Bin Humayd et al. | Comprehensive multi‐year distribution system planning using back‐propagation approach | |
US12003102B2 (en) | Methods and systems for determining distribution grid hosting capacity | |
US11847591B2 (en) | Short-term load forecasting | |
CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
Nunes et al. | Multi‐stage co‐planning framework for electricity and natural gas under high renewable energy penetration | |
Annapandi et al. | An efficient optimal power flow management based microgrid in hybrid renewable energy system using hybrid technique | |
Mazaheri et al. | An online method for MILP co‐planning model of large‐scale transmission expansion planning and energy storage systems considering N‐1 criterion | |
CN110263791A (zh) | 一种识别功能区的方法和装置 | |
Fernández‐Muñoz et al. | Unit commitment in a hybrid diesel/wind/pumped‐storage isolated power system considering the net demand intra‐hourly variability | |
CN115311084A (zh) | 一种电能点对点交易的方法、装置、设备及存储介质 | |
CN116911574B (zh) | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 | |
Marinho et al. | Redispatch index for assessing bidding zone delineation | |
US11387652B2 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
Qi et al. | Expectation–maximisation model for stochastic distribution network planning considering network loss and voltage deviation | |
CN114741872A (zh) | 基站选址数据处理方法、装置、电子设备及存储介质 | |
Venkatesh Kumar et al. | A novel hybrid grey wolf optimization algorithm and artificial neural network technique for stochastic unit commitment problem with uncertainty of wind power | |
CN114638463A (zh) | 一种精细化光伏容量配置方案生成方法及系统 | |
CN113762687A (zh) | 一种仓库内的人员排班调度方法和装置 | |
CN113627610B (zh) | 用于表箱预测的深度学习模型训练方法及表箱预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |