CN115526399A - 一种卷积注意力融合置信域强化迁移的风电出力预测方法 - Google Patents
一种卷积注意力融合置信域强化迁移的风电出力预测方法 Download PDFInfo
- Publication number
- CN115526399A CN115526399A CN202211189803.7A CN202211189803A CN115526399A CN 115526399 A CN115526399 A CN 115526399A CN 202211189803 A CN202211189803 A CN 202211189803A CN 115526399 A CN115526399 A CN 115526399A
- Authority
- CN
- China
- Prior art keywords
- output
- scaling
- data
- network
- wind power
- 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 54
- 230000005012 migration Effects 0.000 title claims abstract description 16
- 238000013508 migration Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种卷积注意力融合置信域强化迁移的风电出力预测方法，该卷积注意力融合置信域强化迁移的风电出力预测方法的步骤为：首先，进行数据预处理，将数据集分割为数据集1和数据集2；其次，使用数据集1训练基于缩放注意力机制和Inception模块的记忆卷积网络，并使用置信域策略优化方法对网络参数进行调优；最后，基于迁移操作，使用已训练完成的基于缩放注意力机制和Inception模块的记忆卷积网络根据数据集2对风电场出力进行预测。所述卷积注意力融合置信域强化迁移的风电出力预测方法能够完成对风电场出力数据的精确预测，提高能源利用率，减少碳排放。
Description
技术领域
本发明属于新能源与人工智能领域，涉及新一代人工智能方法，适用于新能源风电场出力预测。
背景技术
现有的用于风电出力预测的浅层学习模型缺乏捕捉数据特征的能力，导致预测精度低，难以满足实际应用的需要；而传统的深度学习模型虽然具备足够的深度与宽度，能够捕捉数据中包含的特征，但却由历史数据进行训练，不具备动态更新参数的能力，这导致传统的深度学习模型在实际应用中容易出现性能下降的问题。
另外，现有的用于风电出力预测的模型无法与模型训练条件相差大的实际应用条件相适应，因此泛用性差，无法进行大规模应用。
因此，提出一种卷积注意力融合置信域强化迁移的风电出力预测方法。所述方法将强化学习与缩放注意力卷积网络进行结合，使模型具备自优化能力，能够根据实时数据的变化对超参数进行调整；同时，所述方法中包括迁移操作，以提高模型的泛用性，使模型能够适应不同的工作条件。
发明内容
本发明提出一种卷积注意力融合置信域强化迁移的风电出力预测方法，该方法将强化学习、迁移学习和基于注意力机制的卷积网络进行结合，用于风电场出力的预测，所述方法具备根据实时数据的变化对超参数进行调整的能力，能够提高模型的泛用性以及对风电场出力预测结果的准确性，有利于对风电场出力进行更精准的规划，提高风能利用率，以便节约能源，减少碳排放；在使用过程中的步骤为：
步骤(1)：输入风电场原始数据，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据和气象实测数据；
步骤(2)：对所输入的风电场原始数据进行数据清洗，然后按比例ω:1进行随机分割，分割后的数据集分别记为数据集1与数据集2；
步骤(3)：输入基于缩放注意力机制和Inception模块的记忆卷积网络参数，包括权重Wnetwork和偏置bnetwork；记循环编号i＝1，输入置信域策略优化方法的参数，包括初始策略参数θ0和相对熵约束δ，策略参数θ为一集合：
θ＝[Wnetwork,bnetwork] (1)
步骤(4)：基于缩放注意力机制和Inception模块的记忆卷积网络使用数据集1进行训练，所述基于缩放注意力机制和Inception模块的记忆卷积网络中的数据处理流程为：首先将数据同时输入缩放注意力机制架构和Inception V3模块进行处理，Inception V3模块即为Inception V3神经网络；然后两个处理结果同时依次输入门循环单元和全连接层进行处理，最后输出预测结果，其中全连接层对数据的处理过程为：
Mfc＝Wfc·Nfc+bfc (2)
其中，Nfc为输入矩阵；Mfc为输出矩阵；Wfc为权重矩阵；bfc为偏置向量；
所述缩放注意力机制的架构如下：由一个stem模块和一个Inception-A模块按顺序连接组成一个S-A结构，四个S-A结构同时接收输入基于缩放注意力机制和Inception模块的记忆卷积网络的数据，并进行处理；第一个S-A结构和第二个S-A结构的输出经过一次乘法运算和一个softmax处理后，与第三个S-A结构的输出一起进行乘法运算，并在经过一个卷积层的处理后，与第四个S-A结构的输出一同依次进入缩放处理层和全连接层进行处理；
在所述stem模块和Inception-A模块中涉及到卷积模块和阈值运算操作，其中，所述卷积模块包括一个卷积操作，一个批量归一化操作和一个阈值运算操作，所述批量归一化操作对数据的处理过程如式(3)和式(4)所示；
其中ε是一个常数；μB为输入的平均值；σ2 B为输入元素的方差；B代表当前层的第B个维度，即第B个神经元节点；xBatch，o为任意输入元素；
为xBatch，o归一化后的对应元素；o为编号；β为偏移量；ρ为因子；yBatch，o为
进行处理后的对应元素；
所述阈值运算操作对数据的处理过程如式(5)所示；
其中，q代表所述阈值运算操作的输入，z(q)代表所述阈值运算操作的输出；
所述softmax处理的过程为：
其中xsoftmax，u，xsoftmax，v分别为第u个和第v个输入元素；Su为xsoftmax，u的softmax值；exp(xsoftmax，v)为自然数e的xsoftmax，v次方；j为输入元素总数；u和v均为编号；
所述缩放处理层的处理过程为：
yscaling，p＝lscalingxscaling，p+c (7)
其中lscaling为缩放因子；c为偏置因子；xscaling，p为第p个输入元素，yscaling，p为第p个输出元素，p为编号；
步骤(5)：计算所述基于缩放注意力机制和Inception模块的记忆卷积网络的预测值与真实值的均方根误差RMSE，判断均方根误差的值是否小于设定值，如满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络训练完成，进入步骤(13)；如不满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络尚未训练完成，进入步骤(6)；
步骤(6)：设置置信域策略方法的奖励R和状态s如式(8)和式(9)所示，动作a代表是否使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新；使用置信域策略方法对权重Wnetwork和偏置bnetwork进行策略学习和参数调优，记寻优次数编号k＝1；
R＝-RMSE (8)
其中θk，θk-1，θ1分别为第k，k-1，1次寻优中的策略参数；||||2为2范数；
步骤(7)：在环境中执行策略πk＝π(θk)，收集轨迹Dk＝{τt}，其中不为策略，πk为第k次寻优中的策略，τt为具体轨迹，包括动作和状态，t为时间步；
步骤(8)：计算当前奖励
和优势函数
其中
为动作价值函数，
状态价值函数，at和at+1分别为t时间步和t+1时间步的动作，st+1为t+1时间步的状态，
为t+1时间步的奖励，γ为奖励折扣系数，α为γ的指数，α∈N*；
表示从st+1和at+1开始，直到s∞和a∞，对
求期望；
表示从st+1和at开始，直到s∞和a∞，对
求期望；s∞和a∞分别为∞时间步的状态与动作；
步骤(9)：计算策略梯度
πk(at|st)＝P(a＝at|s＝st) (14)
其中st为t时间步的状态；
为梯度算子；logπk(at|st)表示以10为底πk(at|st)的对数；
表示在θ＝θk的情况下进行梯度算子的运算；P(a＝at|s＝st)为s＝st条件下a＝at的概率；
步骤(10)：使用共轭梯度计算步长约束
其中
是相对熵的黑森矩阵，黑森矩阵H的计算通式为：
其中f为任意多元函数，xH，1，xH，2，…，
为f的自变量，
为自变量个数；
步骤(11)：更新策略θk+1如式(17)和式(18)所示；
θk+1＝θk+Δθ (17)
其中Δθ为修正后的步长；
为
的转置；
步骤(12)：判断θk+1是否满足约束条件，如不满足约束条件，令k＝k+1，根据式(9)更新状态s，执行动作a为“不使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新”并返回至步骤(7)继续向后执行；如满足约束条件，则更新循环编号i＝i+1，策略参数θi＝θk+1，执行动作a为“使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新”并返回至步骤(4)继续向后执行；
步骤(13)：基于迁移操作，使用已训练好的基于缩放注意力机制和Inception模块的记忆卷积网络基于数据集2进行预测并输出预测结果，预测的具体步骤与步骤(4)中所述步骤相同。
本发明相对于现有技术具有如下的优点及效果：
(1)将强化学习、迁移学习和缩放注意力卷积网络相结合，使模型具备根据实时数据的变化对超参数进行调整的能力，能够提高模型的泛用性以及对风电场出力预测结果的准确性。将人工智能方法中的强化学习、迁移学习和图片卷积神经网络三大分支进行结合，提高预测精度。
(2)有利于对风电场出力进行更精准的规划，提高风能利用率。
(3)有利于节约能源，减少碳排放，有助于实现“碳达峰”及“碳中和”。
附图说明
图1是本发明方法的风电场出力预测框架图。
图2是本发明方法的基于缩放注意力机制和Inception模块的记忆卷积网络框架图。
图3是本发明方法的置信域策略优化流程图。
具体实施方式
本发明提出的一种卷积注意力融合置信域强化迁移的风电出力预测方法，结合附图详细说明如下：
图1是本发明方法的风电场出力预测框架图。风电场出力预测的流程为：
首先，输入风电场原始数据，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据和气象实测数据；
然后，对所输入的数据进行清洗，然后按比例ω∶1进行随机分割，分割后的数据集分别记为数据集1与数据集2；
其次，输入基于缩放注意力机制和Inception模块的记忆卷积网络参数和置信域策略优化方法的参数；
随后，基于缩放注意力机制和Inception模块的记忆卷积网络使用数据集1进行训练，计算预测值与真实值的均方根误差RMSE。判断均方根的误差值是否小于设定值，如满足条件，则认为网络训练完成，不再进行参数调优；如不满足条件，则认为网络尚未训练完成，继续使用置信域策略方法对网络的权重和偏置进行参数调优；
最后，基于迁移操作，使用已训练好的基于缩放注意力机制和Inception模块的记忆卷积网络基于数据集2进行预测，输出预测结果。
图2是本发明方法的基于缩放注意力机制和Inception模块的记忆卷积网络框架图。
基于缩放注意力机制和Inception模块的记忆卷积网络结构分为初始部分和强化部分。初始部分包括stem模块、Inception-A模块和Inception V3模块，其中stem模块和Inception-A模块由缩放注意力机制架构进行连接。InceptionV3模块即为InceptionV3神经网络。强化部分由一个门循环单元和两个全连接层组成。
基于缩放注意力机制和Inception模块的记忆卷积网络中的数据处理流程为：首先数据同时输入缩放的注意力机制架构和Inception V3模块进行处理，然后两个处理结果同时依次输入门循环单元和全连接层进行处理，最后输出预测结果。缩放的注意力机制的架构如下：由一个stem模块和一个Inception-A模块按顺序连接组成一个S-A结构，四个S-A结构同时接收输入基于缩放注意力机制和Inception模块的记忆卷积网络的数据，并进行处理。第一个S-A结构和第二个S-A结构的输出经过一次乘法运算和一个softmax处理后，与第三个S-A结构的输出一起进行乘法运算，并在经过一个卷积层的处理后，与第四个S-A结构的输出一同依次进入缩放处理层和全连接层进行处理。
图3是本发明方法的置信域策略优化流程图。置信域策略优化的流程为：
首先，读取输入的初始策略参数θ0；
其次，在环境中执行策略πk，收集轨迹Dk；
然后，依次计算奖励
优势函数
策略梯度
随后，使用共轭梯度计算
最后，更新策略θk+1＝θk+Δθ，判断θk+1是否满足约束条件，如不满足约束条件，则令k＝k+1，并返回至“在环境中执行策略πk，收集轨迹Dk”继续向后执行；如满足约束条件，则结束循环。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种卷积注意力融合置信域强化迁移的风电出力预测方法，其特征在于，将强化学习、迁移学习和基于注意力机制的卷积网络进行结合，用于风电场出力的预测，所述方法具备根据实时数据的变化对超参数进行调整的能力，能够提高模型的泛用性以及对风电场出力预测结果的准确性，有利于对风电场出力进行更精准的规划，提高风能利用率，以便节约能源，减少碳排放；在使用过程中的步骤为：
步骤(1)：输入风电场原始数据，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据和气象实测数据；
步骤(2)：对所输入的风电场原始数据进行数据清洗，然后按比例ω:1进行随机分割，分割后的数据集分别记为数据集1与数据集2；
步骤(3)：输入基于缩放注意力机制和Inception模块的记忆卷积网络参数，包括权重Wnetwork和偏置bnetwork；记循环编号i＝1，输入置信域策略优化方法的参数，包括初始策略参数θ0和相对熵约束δ，策略参数θ为一集合：
θ＝[Wnetwork,bnetwork] (1)
步骤(4)：基于缩放注意力机制和Inception模块的记忆卷积网络使用数据集1进行训练，所述基于缩放注意力机制和Inception模块的记忆卷积网络中的数据处理流程为：首先将数据同时输入缩放注意力机制架构和Inception V3模块进行处理，Inception V3模块即为Inception V3神经网络；然后两个处理结果同时依次输入门循环单元和全连接层进行处理，最后输出预测结果，其中全连接层对数据的处理过程为：
Mfc＝Wfc·Nfc+bfc (2)
其中，Nfc为输入矩阵；Mfc为输出矩阵；Wfc为权重矩阵；bfc为偏置向量；
所述缩放注意力机制的架构如下：由一个stem模块和一个Inception-A模块按顺序连接组成一个S-A结构，四个S-A结构同时接收输入基于缩放注意力机制和Inception模块的记忆卷积网络的数据，并进行处理；第一个S-A结构和第二个S-A结构的输出经过一次乘法运算和一个softmax处理后，与第三个S-A结构的输出一起进行乘法运算，并在经过一个卷积层的处理后，与第四个S-A结构的输出一同依次进入缩放处理层和全连接层进行处理；
在所述stem模块和Inception-A模块中涉及到卷积模块和阈值运算操作，其中，所述卷积模块包括一个卷积操作，一个批量归一化操作和一个阈值运算操作，所述批量归一化操作对数据的处理过程如式(3)和式(4)所示；
其中ε是一个常数；μB为输入的平均值；σ2 B为输入元素的方差；B代表当前层的第B个维度，即第B个神经元节点；xBatch,o为任意输入元素；
为xBatch,o归一化后的对应元素；o为编号；β为偏移量；ρ为因子；yBatch,o为
进行处理后的对应元素；
所述阈值运算操作对数据的处理过程如式(5)所示；
其中，q代表所述阈值运算操作的输入，z(q)代表所述阈值运算操作的输出；
所述softmax处理的过程为：
其中xsoftmax,u,xsoftmax,v分别为第u个和第v个输入元素；Su为xsoftmax,u的softmax值；exp(xsoftmax,v)为自然数e的xsoftmax,v次方；j为输入元素总数；u和v均为编号；
所述缩放处理层的处理过程为：
yscaling,p＝lscalingxscaling,p+c (7)
其中lscaling为缩放因子；c为偏置因子；xscaling,p为第p个输入元素，yscaling,p为第p个输出元素，p为编号；
步骤(5)：计算所述基于缩放注意力机制和Inception模块的记忆卷积网络的预测值与真实值的均方根误差RMSE，判断均方根误差的值是否小于设定值，如满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络训练完成，进入步骤(13)；如不满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络尚未训练完成，进入步骤(6)；
步骤(6)：设置置信域策略方法的奖励R和状态s如式(8)和式(9)所示，动作a代表是否使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新；使用置信域策略方法对权重Wnetwork和偏置bnetwork进行策略学习和参数调优，记寻优次数编号k＝1；
R＝-RMSE (8)
其中θk，θk-1，θ1分别为第k，k-1，1次寻优中的策略参数；‖ ‖2为2范数；
步骤(7)：在环境中执行策略πk＝π(θk)，收集轨迹Dk＝{τt}，其中π为策略，πk为第k次寻优中的策略，τt为具体轨迹，包括动作和状态，t为时间步；
步骤(8)：计算当前奖励
和优势函数
其中
为动作价值函数，
状态价值函数，at和at+1分别为t时间步和t+1时间步的动作，st+1为t+1时间步的状态，
为t+1时间步的奖励，γ为奖励折扣系数，α为γ的指数，α∈N*；
表示从st+1和at+1开始，直到s∞和a∞，对
求期望；
表示从st+1和at开始，直到s∞和a∞，对
求期望；s∞和a∞分别为∞时间步的状态与动作；
步骤(9)：计算策略梯度
πk(at|st)＝P(a＝at|s＝st) (14)
其中st为t时间步的状态；
为梯度算子；logπk(at|st)表示以10为底πk(at|st)的对数；
表示在θ＝θk的情况下进行梯度算子的运算；P(a＝at|s＝st)为s＝st条件下a＝at的概率；
步骤(10)：使用共轭梯度计算步长约束
其中
是相对熵的黑森矩阵，黑森矩阵H的计算通式为：
其中f为任意多元函数，
为f的自变量，
为自变量个数；
步骤(11)：更新策略θk+1如式(17)和式(18)所示；
θk+1＝θk+Δθ (17)
其中Δθ为修正后的步长；
为
的转置；
步骤(12)：判断θk+1是否满足约束条件，如不满足约束条件，令k＝k+1，根据式(9)更新状态s，执行动作a为“不使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新”并返回至步骤(7)继续向后执行；如满足约束条件，则更新循环编号i＝i+1，策略参数θi＝θk+1，执行动作a为“使用置信域策略方法对权重Wnetwork和偏置bnetwork进行更新”并返回至步骤(4)继续向后执行；
步骤(13)：基于迁移操作，使用已训练好的基于缩放注意力机制和Inception模块的记忆卷积网络基于数据集2进行预测并输出预测结果，预测的具体步骤与步骤(4)中所述步骤相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211189803.7A CN115526399A (zh) | 2022-09-28 | 2022-09-28 | 一种卷积注意力融合置信域强化迁移的风电出力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211189803.7A CN115526399A (zh) | 2022-09-28 | 2022-09-28 | 一种卷积注意力融合置信域强化迁移的风电出力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115526399A true CN115526399A (zh) | 2022-12-27 |
Family
ID=84699455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211189803.7A Pending CN115526399A (zh) | 2022-09-28 | 2022-09-28 | 一种卷积注意力融合置信域强化迁移的风电出力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526399A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及系统 |
-
2022
- 2022-09-28 CN CN202211189803.7A patent/CN115526399A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及系统 |
| CN116191571B (zh) * | 2023-04-17 | 2023-08-04 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
| Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
| Tian et al. | A combination forecasting model of wind speed based on decomposition | |
| Wei et al. | Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
| Wang et al. | A novel wind power forecasting system integrating time series refining, nonlinear multi-objective optimized deep learning and linear error correction | |
| CN114036850A (zh) | 一种基于vecgm的径流预测方法 | |
| Pu et al. | UFNGBM (1, 1): A novel unbiased fractional grey Bernoulli model with Whale Optimization Algorithm and its application to electricity consumption forecasting in China | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
| CN114169251A (zh) | 一种超短期风电功率预测方法 | |
| CN115526399A (zh) | 一种卷积注意力融合置信域强化迁移的风电出力预测方法 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
| Xu et al. | A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network | |
| CN117408833A (zh) | 一种基于负荷辨识的短期负荷预测的方法 | |
| Zhang et al. | Ensemble optimization approach based on hybrid mode decomposition and intelligent technology for wind power prediction system | |
| Wen et al. | Short-Term Power Load Forecasting with Hybrid TPA-BiLSTM Prediction Model Based on CSSA. |
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 |