CN112949210A - 一种基于ut变换和宽度学习的微电网可再生能源预测方法 - Google Patents
一种基于ut变换和宽度学习的微电网可再生能源预测方法 Download PDFInfo
- Publication number
- CN112949210A CN112949210A CN202110344710.6A CN202110344710A CN112949210A CN 112949210 A CN112949210 A CN 112949210A CN 202110344710 A CN202110344710 A CN 202110344710A CN 112949210 A CN112949210 A CN 112949210A
- Authority
- CN
- China
- Prior art keywords
- renewable energy
- matrix
- microgrid
- prediction
- nodes
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009466 transformation Effects 0.000 title claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000014509 gene expression Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括：获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；将预测集载入预先建立的宽度学习预测模型中，并为宽度学习预测模型新增特征映射节点和广义增强节点，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。与现有技术相比，本发明可以达到提高微电网中可再生能源的消纳量、减少燃料消耗、降低运行成本的目的，还能够有效消除可再生能源输出的不确定性带来的影响。
Description
技术领域
本发明涉及微电网可再生能源预测技术领域，尤其是涉及一种基于UT变换和宽度学习的微电网可再生能源预测方法。
背景技术
微电网是未来电力系统的重要组成部分，为实现更可持续的能源系统提供了快速途径。微电网可以定义为低压网络中的一个活动单元，由一组组件组成，这些组件能够在电网连接和孤岛模式下运行。这些组件包括负载、控制装置和各种分布式发电单元，目前，针对微电网中可再生能源预测的研究，主要有数学预测方法和机器学习预测方法两个方面。
常见的数学预测方法包括简易平均法、移动平均法、指数平滑法、线性回归法；常用的三种机器学习预测方法包括线性回归、BP神经网络、支持向量机。
线性回归其实是一种比较基础的回归算法，他假设特征与最后的结果之间存在某种线性关系，他通过最小化损失函数(平方误差)，来获取最优的系数值和截距值，主要通过最小二乘法，对函数求偏导从而获取他的极值点，来最小化损失函数，线性回归有直接的正规方程解，所以可以直接得到系数矩阵，但复杂度相对较高。
与传统的机器学习算法相比，神经网络通常需要更多的数据，至少需要数千数百万个标记样本。而如果使用其它算法，许多机器学习问题可以用较少的数据很好地解决。
支持向量机算法对大规模训练样本难以实施；解决多分类问题存在困难；对缺失数据敏感，对参数和核函数的选择敏感。
发明内容
本发明的目的就是为了克服上述现有技术存在需要训练样本多、复杂度较高、解决多分类问题存在困难的缺陷而提供一种基于UT变换和宽度学习的微电网可再生能源预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括以下步骤：
获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；
将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。
进一步地，所述sigma点集的表达式为
χ[0]＝μ
式中，χ是sigma点向量，μ是高斯的平均向量，λ是标度系数或扩展因子，Σ是协方差矩阵，Σ的平方根称为矩阵平方根，用S表示：Σ＝SST，向量(
对应于矩阵
的第i列向量乘以
进一步地，所述为每个sigma点分配权重的计算表达式为：
式中，ω[i]为χ[i]对应的权重。
进一步地，所述可再生能源的预测出力的平均值和协方差的计算表达式为：
式中，μ'是预测出力的平均值，Σ'是预测出力的协方差，g(χ[i])是将输入数据χ[i]转换为结果的非线性函数。
进一步地，所述sigma样本由协方差矩阵的奇异值分解生成，所述协方差矩阵的计算表达式为：
∑＝VDVT＝VD1/2D1/2VT
式中，矩阵D是一个对角线矩阵，其对角线上包含奇异值，每个奇异值表示矩阵U的相应列和矩阵V的行在表示矩阵R的列或行空间时的重要性；矩阵U的列构成矩阵R列空间的基，而矩阵V的列构成矩阵R行空间的基，U和V是正交的；
所述矩阵平方根可定义为：
ST＝D1/2VT。
进一步地，将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值具体为：
为所述宽度学习预测模型新增特征映射节点和广义增强节点，实现升级，根据所述预测集，通过升级后的伪逆矩阵，并根据所述预测集，计算升级后的宽度学习预测模型的权重，从而求取微电网中可再生能源的出力预测值。
进一步地，假设所述宽度学习预测模型包括n组特征映射节点和m组广义增强节点，则所述新增特征映射节点表示为：
式中，Zn+1为第n+1组特征映射节点，X为宽度学习预测模型的新输入，
为第一向量，
为第二向量，
和
均随机生成，φ为随机映射。
进一步地，所述新增特征映射节点对应的广义增强节点表示为：
式中，
为新增映射节点相应的增强节点，ξ为随机映射函数。
进一步地，所述升级后的伪逆矩阵的表达式为：
式中，
是新增特征映射节点和相应的广义增强节点的升级，
为包括n组特征映射节点和m组广义增强节点的初始的宽度学习预测模型，C为求
分块矩阵假设的矩阵，上标T为转置，上标+表示伪逆，
为更新的权重，Y为输出数据。
进一步地，所述升级后的宽度学习预测模型的权重的计算表达式为：
式中，Ax为将新输入输入升级后的宽度学习预测模型后映射特征节点和增强节点的增量，Xa为新输入，
为新输入的特征映射。
与现有技术相比，本发明具有以下优点：
(1)本发明提出了一种基于UT变换和宽度学习的微电网中可再生能源预测方法，UT是一种强大而高效的不确定性建模方法，与传统的分析方法(不适用于非线性问题)和蒙特卡罗方法(需要大量运行才能收敛)相比，UT的优势在于它能够同时处理线性和非线性系统。UT方法具有很高的收敛速度和非线性处理能力；在各种应用中，对于所选择的特征映射，增强节点的动态增量可能不足以进行学习，因为特征映射节点不够充分而导致的，这些节点可能没有提取足够的定义输入数据结构的底层变化因子。在流行的深层结构网络中，当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，使得模型的训练变得十分繁琐。在本发明所提出的方法中，如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习。
(2)由于求解矩阵平方根的困难，生成sigma点比较复杂。为了克服这个问题，将使用基于奇异值分解的UT，其中sigma样本由协方差矩阵的奇异值分解生成。SVD的使用可以降低协方差矩阵的阶数，从而进一步减少样本数量。
附图说明
图1为本发明实施例中提供的一种基于UT变换和宽度学习的微电网可再生能源预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
实施例1
参考图1所示，本实施例提供一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括以下步骤：
获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；
将预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。
下面对本方法进行具体表述。
一、UT变换
UT变换输出平均值和方差由以下3个主要步骤计算。
1.1、计算sigma点集；
sigma点数取决于系统的维数。一般公式为2n+1，其中n表示扰动输入数据的维数。首先，根据以下公式生成sigma点：
χ[0]＝μ
式中，χ是sigma点向量，μ是高斯的平均向量，λ是标度系数或扩展因子(它表示我们应该选择sigma点离平均值有多远)，Σ是协方差矩阵，式中Σ的平方根称为矩阵平方根，用S表示(其中Σ＝SST)可以使用Cholesky分解或SVD来解决。向量(
对应于矩阵
的第i列向量乘以
1.2、为每个sigma分配权重；
选择sigma点后，下一步是计算它们的权重，如下所示：
式中，ω[i]为χ[i]对应的权重。
1.3、计算可再生能源的预测出力的平均值和协方差
转换sigma点并计算平均值和协方差，将具有高斯分布的sigma点通过非线性函数传递到目标分布上，然后计算转换后的高斯分布的平均值和协方差。非线性变换后结果的平均值和协方差可使用以下方程计算：
式中，μ'是新的预测出力的平均值，Σ'是新的预测出力的协方差，g(χ[i])是将输入数据χ[i]转换为结果的非线性函数。
UT是一种强大而高效的不确定性建模方法，与传统的分析方法(不适用于非线性问题)和蒙特卡罗方法(需要大量运行才能收敛)相比，UT的优势在于它能够同时处理线性和非线性系统。UT方法具有很高的收敛速度和非线性处理能力，因此采用UT方法对本发明所提出问题的不确定性进行建模。
然而，由于求解矩阵平方根的困难，使用上式生成sigma点比较复杂。为了克服这个问题，将使用基于奇异值分解的UT，其中sigma样本由协方差矩阵的奇异值分解生成。SVD的使用可以降低协方差矩阵的阶数，从而进一步减少样本数量。
SVD-UT背后的基本动机是协方差矩阵可以用其特征向量或奇异值来表征,矩阵的奇异值分解是：
Σ＝UDVT＝UD1/2D1/2VT
式中，矩阵U的列构成矩阵R列空间的基，而矩阵V的列构成矩阵R行空间的基，U和V是正交的，矩阵D是一个对角线矩阵，其对角线上包含奇异值，每个奇异值表示U的相应列和V的行在表示矩阵R的列或行空间时的重要性。
考虑到协方差矩阵R是对称的，那么它的奇异值分解可以写成：
∑＝VDVT＝VD1/2D1/2VT
因此，矩阵平方根可定义为：
ST＝D1/2VT
二、宽度学习预测
假设初始宽度学习预测模型由n组特征映射节点和m组广义增强节点组成。
在各种应用中，对于所选择的特征映射，增强节点的动态增量可能不足以进行学习，因为特征映射节点不够充分而导致的，这些节点可能没有提取足够的定义输入数据结构的底层变化因子。在流行的深层结构网络中，当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，使得模型的训练变得十分繁琐。在所提出的BLS中，如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习。
本实施例通过新增特征映射节点和广义增强节点，对宽度学习预测模型进行升级，根据所述预测集，通过升级后的伪逆矩阵，计算升级后的宽度学习预测模型的权重，再基于该权重与预测集数据，求取微电网中可再生能源的出力预测值。
考虑到第(n+1)个特征映射组节点被添加并表示为：
式中，Zn+1为第n+1组特征映射节点，X为宽度学习预测模型的新输入，
为第一向量，
为第二向量，
和
均随机生成，φ为随机映射。
相应的增强节点随机生成如下：
式中，
为新增映射节点相应的增强节点，ξ为随机映射函数。
相对升级后的伪逆矩阵应实现如下：
式中，
是新增特征映射节点和相应的广义增强节点的升级，
为包括n组特征映射节点和m组广义增强节点的初始的宽度学习预测模型，C为求
分块矩阵假设的矩阵，上标T为转置，上标+表示伪逆，
为更新的权重，Y为输出数据。
映射特征节点和增强节点的增量的表达式为：
式中，Ax为将新输入输入升级后的宽度学习预测模型后映射特征节点和增强节点的增量，Xa为新输入，
为新输入的特征映射。
通常，一旦一个系统建模完成，并且如果一个新的输入和相应的输出进入到模型中，则应该更新模型以反映额外的样本。当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，这些程序的学习十分繁琐。本算法设计用于在不需要整个训练周期的情况下轻松地更新权重。将Xa表示为加入到神经网络中的新输入，将
表示为初始网络的n 组特征映射节点和m组增强节点。
这种增量学习如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习，只计算必要的伪逆的时间，节省了大量时间，非常适合于新输入数据的增量学习。
本实施例还进行了仿真实验，结果表明：基于UT变换和宽度学习的微电网中可再生能源预测方法可以达到提高微电网中可再生能源的消纳量、减少燃料消耗、降低运行成本的目的，还能够有效消除可再生能源输出的不确定性带来的影响。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，包括以下步骤：
获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；
将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。
2.根据权利要求1所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述sigma点集的表达式为
χ[0]＝μ
式中，χ是sigma点向量，μ是高斯的平均向量，λ是标度系数或扩展因子，Σ是协方差矩阵，Σ的平方根称为矩阵平方根，用S表示：Σ＝SST，向量
对应于矩阵
的第i列向量乘以
3.根据权利要求2所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述为每个sigma点分配权重的计算表达式为：
式中，ω[i]为χ[i]对应的权重。
4.根据权利要求3所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述可再生能源的预测出力的平均值和协方差的计算表达式为：
式中，μ'是预测出力的平均值，Σ'是预测出力的协方差，g(χ[i])是将输入数据χ[i]转换为结果的非线性函数。
5.根据权利要求2所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述sigma样本由协方差矩阵的奇异值分解生成，所述协方差矩阵的计算表达式为：
∑＝VDVT＝VD1/2D1/2VT
式中，矩阵D是一个对角线矩阵，其对角线上包含奇异值，每个奇异值表示矩阵U的相应列和矩阵V的行在表示矩阵R的列或行空间时的重要性；矩阵U的列构成矩阵R列空间的基，而矩阵V的列构成矩阵R行空间的基，U和V是正交的；
所述矩阵平方根可定义为：
ST＝D1/2VT。
6.根据权利要求1所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值具体为：
为所述宽度学习预测模型新增特征映射节点和广义增强节点，实现升级，根据所述预测集，通过升级后的伪逆矩阵，并根据所述预测集，计算升级后的宽度学习预测模型的权重，从而求取微电网中可再生能源的出力预测值。
7.根据权利要求6所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，假设所述宽度学习预测模型包括n组特征映射节点和m组广义增强节点，则所述新增特征映射节点表示为：
式中，Zn+1为第n+1组特征映射节点，X为宽度学习预测模型的新输入，
为第一向量，
为第二向量，
和
均随机生成，φ为随机映射。
8.根据权利要求7所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述新增特征映射节点对应的广义增强节点表示为：
式中，
为新增映射节点相应的增强节点，ξ为随机映射函数。
9.根据权利要求8所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述升级后的伪逆矩阵的表达式为：
式中，
是新增特征映射节点和相应的广义增强节点的升级，
为包括n组特征映射节点和m组广义增强节点的初始的宽度学习预测模型，C为求
分块矩阵假设的矩阵，上标T为转置，上标+表示伪逆，
为更新的权重，Y为输出数据。
10.根据权利要求9所述的一种基于UT变换和宽度学习的微电网可再生能源预测方法，其特征在于，所述升级后的宽度学习预测模型的权重的计算表达式为：
式中，Ax为将新输入输入升级后的宽度学习预测模型后映射特征节点和增强节点的增量，Xa为新输入，
为新输入的特征映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344710.6A CN112949210A (zh) | 2021-03-31 | 2021-03-31 | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344710.6A CN112949210A (zh) | 2021-03-31 | 2021-03-31 | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949210A true CN112949210A (zh) | 2021-06-11 |
Family
ID=76231127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110344710.6A Pending CN112949210A (zh) | 2021-03-31 | 2021-03-31 | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949210A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160267397A1 (en) * | 2015-03-11 | 2016-09-15 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
| CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
| CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学（保定） | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
| CN108649556A (zh) * | 2018-04-16 | 2018-10-12 | 东南大学 | 一种电网应急场景随机优化调度方法 |
| CN108682023A (zh) * | 2018-03-21 | 2018-10-19 | 南京理工大学 | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 |
| CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力系统状态估计方法 |
| CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
-
2021
- 2021-03-31 CN CN202110344710.6A patent/CN112949210A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160267397A1 (en) * | 2015-03-11 | 2016-09-15 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
| CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
| CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学（保定） | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
| CN108682023A (zh) * | 2018-03-21 | 2018-10-19 | 南京理工大学 | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 |
| CN108649556A (zh) * | 2018-04-16 | 2018-10-12 | 东南大学 | 一种电网应急场景随机优化调度方法 |
| CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力系统状态估计方法 |
| CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任长娥 等: "宽度学习系统研究进展", 《计算机应用与研究》 * |
| 孙磊 等: "改进的强跟踪SVD-UKF算法在组合导航中的应用", 《计算机工程与应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao | A new design formula exploited for accelerating Zhang neural network and its application to time-varying matrix inversion | |
| Hadian-Rasanan et al. | A single layer fractional orthogonal neural network for solving various types of Lane–Emden equation | |
| Lan et al. | Constructive hidden nodes selection of extreme learning machine for regression | |
| Xiao et al. | Nonlinear gradient neural network for solving system of linear equations | |
| Guo et al. | A pseudoinverse learning algorithm for feedforward neural networks with stacked generalization applications to software reliability growth data | |
| Xiao et al. | A new recurrent neural network with noise-tolerance and finite-time convergence for dynamic quadratic minimization | |
| Barocio et al. | Modified bio‐inspired optimisation algorithm with a centroid decision making approach for solving a multi‐objective optimal power flow problem | |
| Gan et al. | Seasonal and trend time series forecasting based on a quasi-linear autoregressive model | |
| Cheng et al. | Balanced truncation of networked linear passive systems | |
| Ebadat et al. | New fuzzy wavelet network for modeling and control: The modeling approach | |
| Zhou et al. | Regularization incremental extreme learning machine with random reduced kernel for regression | |
| Wei et al. | Impulsive control for the synchronization of coupled neural networks with reaction–diffusion terms | |
| Wei et al. | Computing Moore-Penrose inverses of Toeplitz matrices by Newton's iteration | |
| Yan et al. | Solving mixed integer nonlinear programming problems with line-up competition algorithm | |
| Boukal et al. | Large‐scale fractional‐order systems: stability analysis and their decentralised functional observers design | |
| CN112818588A (zh) | 一种电力系统的最优潮流计算方法、装置及存储介质 | |
| Liao et al. | Global exponential stability for a class of generalized neural networks with distributed delays | |
| Li et al. | Neural input selection—A fast model-based approach | |
| Pan et al. | Consensus analysis for a class of stochastic PSO algorithm | |
| Sun et al. | Zhang neural networks for a set of linear matrix inequalities with time-varying coefficient matrix | |
| CN112949210A (zh) | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 | |
| Xiao et al. | Comparing unscented transformation and point estimate method for probabilistic power flow computation | |
| Wang et al. | Speeding up finite-time consensus via minimal polynomial of a weighted graph—A numerical approach | |
| Carbonell et al. | Multiple shooting-local linearization method for the identification of dynamical systems | |
| Gál et al. | Modified bacterial memetic algorithm used for fuzzy rule base extraction |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |