CN115130776B - 基于拉氏非对称ν型TSVR的风电场负荷预测方法 - Google Patents
基于拉氏非对称ν型TSVR的风电场负荷预测方法 Download PDFInfo
- Publication number
- CN115130776B CN115130776B CN202210821686.5A CN202210821686A CN115130776B CN 115130776 B CN115130776 B CN 115130776B CN 202210821686 A CN202210821686 A CN 202210821686A CN 115130776 B CN115130776 B CN 115130776B
- Authority
- CN
- China
- Prior art keywords
- asymmetric
- tsvr
- update
- load prediction
- law
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012937 correction Methods 0.000 claims abstract description 17
- 230000003416 augmentation Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 32
- 230000003190 augmentative effect Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 101150102092 ccdB gene Proteins 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000013459 approach Methods 0.000 abstract description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 abstract 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 abstract 1
- 210000000299 nuclear matrix Anatomy 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于拉氏非对称ν型TSVR的风电场负荷预测方法,包括间隔采样并记录负荷Lt,对负荷Lt按小时进行平均化处理得到平均负荷Lmt,根据采样时间获得特征Rt,其中t表示时间编号;令yt=Lmt,xt=Rt,获得训练样本(xt,yt);输入训练样本(xt,yt),若则输出实时模型并停止校正,同时等待下一个训练样本输入,其中表示当前风电场负荷预测模型得到的预测值,σ表示设定的校正模型所需的精度,若则输入训练样本(xt,yt),更新基于拉氏非对称ν型TSVR的风电场负荷预测模型。本发明通过剔除训练过程中的冗余信息以逼近原增广核矩阵确保解的稀疏性,同时提高预测和校正时模型的更新速度,更适合内存有限的风电场的在线风电场负荷估计和模型校正终端设备的部署。
Description
技术领域
本发明涉及风电场负荷预测技术领域,尤其是指一种基于拉氏非对称ν型TSVR的风电场负荷预测方法。
背景技术
风电作为新能源不可或缺的一项,越来越受到国家和社会的广泛关注,但其高波动性和偶尔中断的特性对电网的整合构成了极大的不确定性,因此准确实时预测风电场的负荷,得到合理准确的发电量预报显得非常重要。
目前基于物理模型和数据驱动模型是常见的两类风电场负荷预测方法。前者利用各种气象和地质信息作为输入,通过数学物理方程计算风速,但由于太阳辐射引起的空气流动,容易受海洋、地形的影响,带来的非线性时变特性造成物理模型拟合误差较大,而且套用经验值或者调整合适的模型参数相当耗时,没有充分考虑到环境布局、空间结构复杂等因素对风速测量的干扰,导致最后的负荷预测精度有限,不能在短期内完成预报任务,难以适应不同的风电场环境,因此并不适合短期负荷实时预测问题,而后者更贴合实际问题,目前,基于平稳时间序列的负荷预测算法主要代表有差分整合移动平均自回归模型、多层感知器、支持向量回归机、层次聚类算法和启发式搜索方法。
当历史数据的规模不断增加,传统机器学习方法将变得十分耗时,当前短期负荷预测算法结合深度学习模型来加快风电场负荷模型的训练时间并提高预报精度已经成为热门。得益于GPU硬件的发展,深度学习模型在训练时不会忽略每一个输入样本,但深度学习模型所依赖的硬件配套设施体积比较大,且算法模型难以轻量化到移动微处理器上完成部署,这使得数据采集,模型校正和负荷预报的成本变得十分昂贵,需要消耗大量人力物力财力。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术存在的问题,提出一种基于拉氏非对称ν型TSVR的风电场负荷预测方法,其通过剔除训练过程中的冗余信息(增广核矩阵线性相关程度较低的列向量和对模型贡献较小的行向量),以逼近原增广核矩阵确保解的稀疏性,同时提高预测和校正时模型的更新速度,更适合内存有限的风电场的在线风电场负荷估计和模型校正终端设备的部署,对风电场的调控和预警具有重要意义。
为解决上述技术问题,本发明提供一种基于拉氏非对称ν型TSVR的风电场负荷预测方法,包括以下步骤:
S1:间隔采样并记录负荷Lt,对负荷Lt按小时进行平均化处理得到平均负荷Lmt,并且根据采样时间获得特征Rt,其中t表示时间编号;
S2:令yt=Lmt,xt=Rt,获得训练样本(xt,yt);
S3:输入训练样本(xt,yt),若则输出实时基于拉氏非对称ν型TSVR的风电场负荷预测模型并停止校正,等待下一个训练样本输入,其中/>表示当前风电场负荷预测模型得到的预测值,σ表示设定的校正模型所需的精度,若/>则输入训练样本(xt,yt),更新基于拉氏非对称ν型TSVR的风电场负荷预测模型,并跳转到S1。
在本发明的一个实施例中,在S3中,更新基于拉氏非对称ν型TSVR的风电场负荷预测模型的方法包括:
令新增训练样本集合为T,将训练样本集合T划分为B、P、E三个集合,B、P、E 分别表示增广核矩阵列约简集、增广核矩阵行约简集和增广核矩阵无关集,其中P划分为上界回归函数行约简集P1和下界回归函数行约简集P2。
在本发明的一个实施例中,在S3中,更新基于拉氏非对称ν型TSVR的风电场负荷预测模型的方法包括:
S3.1:读取训练样本(xt,yt),令初始迭代值k=0,更新样本矩阵风电场负荷列向量Yt=[Yt-1;yt]和增广核矩阵/>其中T表示转置,Yt-1表示历史负荷构成的列向量,yt表示当前新增负荷值,/>Gt-1=[et-1K(Mt-1,Mt-1)],et-1表示t-1时刻相应维度的全为1列向量, K(xi,xj)=exp(-||xi-xj||2/2τ2)表示选取的高斯径向基核函数,||||表示2范数,τ表示核参数;
S3.2:当t=1时,设置超参数C1、C2、C3、C4,初始化模型参数ρ、r、q、σ、ν1和ν2,其中C1、C2是惩罚常数,C3、C4是正则化常数,ν1、ν2是不敏感常数,0<q<1是非对称参数,r=1-q,ρ∈(0,1)是预设的线性无关常数,σ是半光滑牛顿法迭代终止精度,令行约简标志位flag1(t)=0,flag2(t)=0,令C1=C1/2q,C2=C2/2r,b1=b2=0,ω1=ω2=0,其中b1、b2为偏置,ω1、ω2为权重向量,0表示全零列向量,并跳转到S3.4;
S3.3:当t≠1时,若γ1≥ε1,则新增训练样本被添加到集合P1中,令行约简标志位flag1(t)=1;否则新增训练样本被丢弃,flag1(t)=0,同理,若γ2≥ε2,则新增训练样本被添加到集合P2中,令行约简标志位flag2(t)=1,否则新增训练样本被丢弃,flag2(t)=0,计算Δ并更新Φt,其中,γ1,γ2分别为两个目标函数的行向量的信息贡献参数,ε1,ε2为上下界目标函数更新后的管道宽度,Δ为当前样本与历史增广核矩阵的列线性无关参数,Φt为中间判别逆矩阵,转到S3.4;
S3.4:计算并更新和/>其中,上标k表示第k轮迭代的基于拉氏非对称ν型TSVR的风电场负荷预测模型信息,/>分别表示t时刻半光滑牛顿法第k次迭代模型上界和下界目标函数的对角矩阵,/>分别表示t时刻半光滑牛顿法第k次模型上界和下界目标函数牛顿迭代法海塞矩阵的逆;
S3.5:计算牛顿迭代法中上界目标函数的一次梯度若/>则跳转到S3.6,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息/> 若/>则计算梯度下降方向/>并计算/>k=k+1,得到更新后的增广权重向量/>和管道宽度/>跳转到S3.4更新/>和/>
S3.6:计算牛顿迭代法中下界目标函数的一次梯度若/>则跳转到S3.7,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型模型信息/> 若/>则计算梯度下降方向并计算/>k=k+1,得到更新后的增广权重向量/>和管道宽度/>跳转到S3.4更新/>和/>
S3.7:若有新增训练样本到来,则返回到S1继续执行;若无新增训练样本到来,则完成此次更新并输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息u1(t),u2(t)和ε1(t),ε2(t)。
在本发明的一个实施例中,在S3.3中,γ1和γ2的表达式如下:
γ1=gtu1(t)-yt (1)
γ2=gtu2(t)-yt (2)
其中,u1(t)和u2(t)为t时刻牛顿迭代法更新的增广权重向量,gt表示t时刻增广核矩阵 Gt的新增行。
在本发明的一个实施例中,在S3.3中,计算Δ并更新Φt的方法包括:
假设之前t-1个采集的样本中按照列约简算法已经筛选出线性无关程度较大的样本,并保存样本到列约简集B中,采用式(3)判断新增训练样本(xt,yt)是否归属到B中:
Φt-1=(Kt-1Kt-1)-1(6)
将式(4)代入到式(3)中,由式(8)计算Δ
此外,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述所述方法的步骤。
并且,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点:
本发明通过剔除训练过程中的冗余信息(增广核矩阵线性相关程度较低的列向量和对模型贡献较小的行向量),以逼近原增广核矩阵确保解的稀疏性,同时提高预测和校正时模型的更新速度,更适合内存有限的风电场的在线风电场负荷估计和模型校正终端设备的部署,对风电场的调控和预警具有重要意义。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是基于拉氏非对称ν型TSVR的风电场负荷预测方法流程图。
图2是基于拉氏非对称ν型TSVR的风电场负荷预测模型结果折线图。
图3是基于拉氏非对称ν型TSVR的风电场负荷预测模型负荷输出残差图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照附图1,一种基于拉氏非对称ν型TSVR的风电场负荷预测方法,包括以下步骤:
S1:以采样间隔10min记录负荷Lt,对负荷Lt按小时进行平均化处理得到平均负荷Lmt,并且根据采样时间获得特征Rt,其中t表示时间编号;
S2:令yt=Lmt,xt=Rt,获得训练样本(xt,yt);
S3:输入训练样本(xt,yt),若则输出实时基于拉氏非对称ν型TSVR的风电场负荷预测模型并停止校正,同时等待下一个训练样本输入,其中表示当前风电场负荷预测模型得到的预测值,σ表示设定的校正模型所需的精度,若/>则输入训练样本(xt,yt),更新基于拉氏非对称ν型TSVR的风电场负荷预测模型,并跳转到S1。
在本发明实施例公开的一种基于拉氏非对称ν型TSVR的风电场负荷预测方法中,本发明通过剔除训练过程中的冗余信息(增广核矩阵线性相关程度较低的列向量和对模型贡献较小的行向量),以逼近原增广核矩阵确保解的稀疏性,同时提高预测和校正时模型的更新速度,更适合内存有限的风电场的在线风电场负荷估计和模型校正终端设备的部署,对风电场的调控和预警具有重要意义。
在本发明实施例公开的一种基于拉氏非对称ν型TSVR的风电场负荷预测方法中,所述步骤S3中,更新基于拉氏非对称ν型TSVR的风电场负荷预测模型的具体过程为:
令训练样本集合为T,T被分为B、P、E三个集合,分别为增广核矩阵的列约简集、行约简集和无关集;其中P又分为上界和下界回归函数行约简集P1,P2;
S3.1:读取训练样本(xt,yt),令初始迭代值k=0,上标k表示第k轮迭代的基于拉氏非对称ν型TSVR的风电场负荷预测模型信息,更新样本矩阵样本标签列向量Yt=[Yt-1;yt]和增广核矩阵/>其中/>Gt-1=[et-1K(Mt-1,Mt-1)],/>t个历史样本构成的核矩阵表示为其中, K(xi,xj)=exp(-||xi-xj||2/2τ2)表示选取的高斯径向基核函数,||||表示2范数,τ表示核参数;
S3.2:当t=1时,设置超参数C1、C2、C3、C4,初始化模型参数ρ、r、q、σ、ν1和ν2,其中C1、C2是惩罚常数,C3、C4是正则化常数,ν1、ν2是不敏感常数,0<q<1是非对称参数,r=1-q,ρ∈(0,1)是预设的线性无关常数,σ是半光滑牛顿法迭代终止精度,令行约简标志位flag1(t)=0,flag2(t)=0,令C1=C1/2q,C2=C2/2r,b1=b2=0,ω1=ω2=0,,其中b1、b2为偏置,ω1、ω2为权重,0表示全零列向量,并跳转到S3.4;
S3.3:当t≠1时,若γ1≥ε1,则新增训练样本的索引被添加到集合P1中,令行约简标志位flag1(t)=1;否则新增训练样本被丢弃,flag1(t)=0,同理,若γ2≥ε2,则新增训练样本的索引被添加到集合P2中,令行约简标志位flag2(t)=1,否则新增训练样本被丢弃,flag2(t)=0,计算列线性无关参数Δ并更新中间判别逆矩阵Φt,跳转到S3.4;
S3.5:计算牛顿迭代法中上界目标函数的一次梯度若/>则跳转到S3.6,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息/> 若/>则计算梯度下降方向/>并计算/>k=k+1,得到更新后的权重向量/>和通道宽度/>并跳转到S3.4更新/>和(O1(t))-1;
S3.6:计算牛顿迭代法中下界目标函数的一次梯度若/>则跳转到S3.7,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息/> 若/>则计算梯度下降方向并计算/>k=k+1,得到更新后的权重向量/>和通道宽度/>并跳转到S3.4更新/>和(O2(t))-1;
S3.7:若有新增训练样本到来,则返回到S1继续执行;若无新增训练样本到来,则完成此次更新并输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息u1(t),u2(t)和ε1(t),ε2(t)。
具体地,在本发明实施例公开的一种基于拉氏非对称ν型TSVR的风电场负荷预测方法中,在S3.3中,γ1和γ2的表达式如下:
γ1=gtu1(t)-yt (1)
γ2=gtu2(t)-yt (2)
其中,u1(t)和u2(t)为t时刻牛顿迭代法更新的增广权重向量,gt表示t时刻增广核矩阵 Gt的新增行。
具体地,在本发明实施例公开的一种基于拉氏非对称ν型TSVR的风电场负荷预测方法中,在S3.3中,计算Δ并更新Φt的方法包括:
假设之前t-1个采集的样本中按照列约简算法已经筛选出线性无关程度较大的样本,并保存样本到列约简集B中,采用式(3)判断新增训练样本(xt,yt)是否归属到B中:
Φt-1=(Kt-1Kt-1)-1 (6)
将式(4)代入到式(3)中,由式(8)计算Δ
本发明提出的基于拉氏非对称ν型TSVR的风电场负荷方法结合一个具体的某风电场2020年记录的负荷数据集例子来说明本发明的有效性。该数据集记录了2020年一月份到六月份4272个负荷数据,分别以小时为单位记录负荷,以及与负荷相关的15个相关属性,包括温度、湿度、降水、风速等属性,并选取其中前4248个数据为训练样本,最后一天一共24个数据为测试样本。具体实施方式如下:
初始化各个参数,设置C1=C3=2-6,C2=C4=2-4,ν1=ν2=0.3,ρ=0.01,p=0.1,τ=2-2,通过在线更新的方式,校正风电场负荷预测模型,然后保存校正后的模型参数,直接代入测试数据就可以得到未来短时间的预测值。
从附图2和附图3可以看出,基于拉氏非对称ν型TSVR的风电场负荷预测模型预测出的负荷值,有较好的预测精度。
相应于上述方法的实施例,本发明实施例还提供了一种计算机设备,包括:
存储器,其用于存储计算机程序;
处理器,其用于执行计算机程序时实现上述基于拉氏非对称ν型TSVR的风电场负荷预测方法的步骤。
在本发明实施例中,处理器可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
处理器可以调用存储器中存储的程序,具体的,处理器可以执行基于拉氏非对称ν型TSVR的风电场负荷预测方法的实施例中的操作。
存储器中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令。
此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件或其他易失性固态存储器件。
相应于上面的方法实施例,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述基于拉氏非对称ν型TSVR的风电场负荷预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.一种基于拉氏非对称ν型TSVR的风电场负荷预测方法,其特征在于,包括以下步骤:
S1:间隔采样并记录负荷Lt,对负荷Lt按小时进行平均化处理得到平均负荷Lmt,并根据采样时间获得特征Rt,其中t表示时间编号;
S2:令yt=Lmt,xt=Rt,获得训练样本(xt,yt);
S3:输入训练样本(xt,yt),若则输出实时基于拉氏非对称ν型TSVR的风电场负荷预测模型并停止校正,等待下一个训练样本输入,其中表示当前风电场负荷预测模型得到的预测值,σ表示设定的校正模型所需的精度,若/>则输入训练样本(xt,yt),更新基于拉氏非对称ν型TSVR的风电场负荷预测模型;
在S3中,更新基于拉氏非对称ν型TSVR的风电场负荷预测模型的方法包括:
S3.1:令新增训练样本集合为T,将训练样本集合T划分为B、P、E三个集合,B、P、E分别表示增广核矩阵列约简集、增广核矩阵行约简集和增广核矩阵无关集,其中P划分为上界回归函数行约简集P1和下界回归函数行约简集P2,读取训练样本(xt,yt),令初始迭代值k=0,更新样本矩阵Mt、风电场负荷列向量Yt和增广核矩阵Gt;
S3.2:当t=1时,设置超参数C1、C2、C3、C4,初始化模型参数ρ、r、q、σ、ν1和ν2,其中C1、C2是惩罚常数,C3、C4是正则化常数,ν1、ν2是不敏感常数,0<q<1是非对称参数,r=1-q,ρ∈(0,1)是预设的线性无关常数,σ是半光滑牛顿法迭代终止精度,令行约简标志位flag1(t)=0,flag2(t)=0,令C1=C1/2q,C2=C2/2r,b1=b2=0,ω1=ω2=0,其中b1、b2为偏置,ω1、ω2为权重向量,0表示全零列向量,并跳转到S3.4;
S3.3:当t≠1时,若γ1≥ε1,则新增训练样本被添加到集合P1中,令行约简标志位flag1(t)=1;否则新增训练样本被丢弃,flag1(t)=0,同理,若γ2≥ε2,则新增训练样本被添加到集合P2中,令行约简标志位flag2(t)=1,否则新增训练样本被丢弃,flag2(t)=0,计算Δ并更新Φt,其中,γ1,γ2分别为两个目标函数的行向量的信息贡献参数,ε1,ε2为上下界目标函数更新后的管道宽度,Δ为当前样本与历史增广核矩阵的列线性无关参数,Φt为中间判别逆矩阵,转到S3.4,γ1和γ2的表达式如下:
γ1=gtu1(t)-yt (1)
γ2=gtu2(t)-yt (2)
其中,u1(t)和u2(t)为t时刻牛顿迭代法更新的增广权重向量,gt表示t时刻增广核矩阵Gt的新增行;
S3.4:计算并更新和/>其中,上标k表示第k轮迭代的基于拉氏非对称ν型TSVR的风电场负荷预测模型信息,/>分别表示t时刻半光滑牛顿法第k次迭代模型上界和下界目标函数的对角矩阵,/>分别表示t时刻半光滑牛顿法第k次模型上界和下界目标函数牛顿迭代法海塞矩阵的逆;
S3.5:计算牛顿迭代法中上界目标函数的一次梯度若/>则跳转到S3.6,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息/>/>若/>则计算梯度下降方向并计算/>得到更新后的增广权重向量/>和管道宽度/>跳转到S3.4更新/>和/>计算/>和/>的公式如下:
S3.6:计算牛顿迭代法中下界目标函数的一次梯度若/>则跳转到S3.7,并令k=0,输出基于拉氏非对称ν型TSVR的风电场负荷预测模型模型信息/> 若/>则计算梯度下降方向并计算/>得到更新后的增广权重向量/>和管道宽度/>跳转到S3.4更新/>和/>
S3.7:若有新增训练样本到来,则返回到S1继续执行;若无新增训练样本到来,则完成此次更新并输出基于拉氏非对称ν型TSVR的风电场负荷预测模型信息u1(t),u2(t)和ε1(t),ε2(t);
在S3.3中,计算Δ并更新Φt的方法包括:
采用式(3)判断新增训练样本(xt,yt)是否归属到B中:
Φt-1=(Kt-1Kt-1)-1 (6)
将式(4)代入到式(3)中,由式(8)计算Δ
4.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至3任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821686.5A CN115130776B (zh) | 2022-07-13 | 2022-07-13 | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821686.5A CN115130776B (zh) | 2022-07-13 | 2022-07-13 | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115130776A CN115130776A (zh) | 2022-09-30 |
CN115130776B true CN115130776B (zh) | 2023-06-09 |
Family
ID=83384491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821686.5A Active CN115130776B (zh) | 2022-07-13 | 2022-07-13 | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130776B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677052A (zh) * | 2022-04-27 | 2022-06-28 | 西安建筑科技大学 | 基于tarch模型的天然气负荷波动非对称性分析方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921358B (zh) * | 2018-07-16 | 2021-10-01 | 广东工业大学 | 一种电力负荷特征的预测方法、预测系统及相关装置 |
CN110991747A (zh) * | 2019-12-05 | 2020-04-10 | 国网江苏省电力有限公司南通供电分公司 | 一种计及风电场功率的短期负荷预测方法 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
CN111461404A (zh) * | 2020-03-09 | 2020-07-28 | 华能四川水电有限公司 | 一种基于神经网络预测区间的短期负荷和水电预测方法 |
CN111541237B (zh) * | 2020-04-02 | 2021-08-27 | 浙江大学 | 基于机会约束极限学习机的风电功率非参数区间预测方法 |
CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
CN112398163B (zh) * | 2020-10-22 | 2022-04-08 | 三峡大学 | 基于电网临界惯量的最大风电并网容量计算方法 |
-
2022
- 2022-07-13 CN CN202210821686.5A patent/CN115130776B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677052A (zh) * | 2022-04-27 | 2022-06-28 | 西安建筑科技大学 | 基于tarch模型的天然气负荷波动非对称性分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115130776A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104317195A (zh) | 一种基于改进极限学习机的非线性逆模型控制方法 | |
CN112231582A (zh) | 一种基于变分自编码数据融合的网站推荐方法和设备 | |
JPWO2020137914A5 (zh) | ||
CN102708294A (zh) | 基于半监督局部线性回归的自适应参数软测量方法 | |
CN112991091A (zh) | 一种基于Stacking算法的短期电力负荷预测方法及装置 | |
CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
Yang et al. | Impact of paleoclimate on present and future evolution of the Greenland Ice Sheet | |
CN115130776B (zh) | 基于拉氏非对称ν型TSVR的风电场负荷预测方法 | |
Hyndman et al. | Monash electricity forecasting model | |
CN112505386B (zh) | 一种用于检定直流充电桩电流值的方法及系统 | |
CN110852475B (zh) | 基于极端梯度提升算法的植被指数预测方法、系统及设备 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN115688588B (zh) | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
Seledkova et al. | Forecasting characteristics of time series to support managerial decision making process in production-And-economic systems | |
CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
US5799172A (en) | Method of simulating an integrated circuit | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
Che et al. | Correcting discount-factor mismatch in on-policy policy gradient methods | |
CN113962495A (zh) | 一种风电场功率预测方法、装置及电子设备 | |
CN114169646A (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
Dash et al. | Prediction of Southwest Monsoon Rainfall for Kerala, India using ε-SVR Model | |
CN107766691B (zh) | Grace卫星重力场球谐系数去相关的方法及电子设备 | |
Chiu et al. | Imputation of rainfall data using improved neural network algorithm | |
CN110990761B (zh) | 水文模型参数率定方法、装置、计算机设备和存储介质 |
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 |