[发明专利]基于随机敏感度的短期风速区间的优化预测方法及系统

说明书

本发明公开了一种基于随机敏感度的短期风速区间多目标优化预测方法及系统，首先采用反向传播的训练方式对神经网络进行预训练，随后将随机敏感度进行改进以适用于特殊的预测方式——预测区间，再将预测区间的两个重要指标：区间覆盖准确率和区间宽度，与所构造的用于预测区间的随机敏感度作为三个目标函数，使用多目标遗传优化算法NSGA‑III对预训练好的神经网络进行优化，其中随机敏感度可用于计算模型对于添加随机扰动后的周围样本的抗干扰能力；训练完毕后，在最终得到的帕累托最优种群中进行启发式选解。本发明提出的方法可用于不同的网络结构，具有高可扩展性；利用多目标优化和特殊的选取最优解方案，使超参数数量大大减少，具有较好的实际应用价值。

技术领域

本发明涉及智能电网、短期风速区间预测领域，尤其涉及一种基于随机敏感度的短期风速区间多目标优化预测方法及系统。

背景技术

传统上，电力是通过燃烧煤、天然气和石油等化石燃料来生产的。但是，这种发电方式会向环境释放大量有毒物质，不利于人类的可持续发展。近年来，随着先进技术的发展，可再生能源的利用越来越受到人们的重视。目前，风能具有储量大、分布广、取之不尽、用之不竭的特点。与其他能源相比，风能具有最大的发展潜力。尽管风力发电有许多优点，但它具有间歇性和随机性波动。这也使得风能预测成为一个挑战，给风力发电系统的稳定性和安全性带来了很大的困难。

在国内外的现有的研究中，提出了许多风能预测技术，通常分为物理方法、统计方法和人工智能方法。物理方法需要收集气象数据，包括湿度、温度、气压、风速、风向和地形数据，通常称为数值天气预报模型。这些方法的优点是预测精度高，解释性强。缺点是数据收集困难，需要大量的计算和对大气的详细描述。在当前的工业环境中，物理方法被大量使用。虽然物理方法的预测精度高，但是物理方法需要极大的计算能力支持，在某些场景下甚至需要超算作为辅助，并且运行时长也很长。这对于实际工业环境的应用是一个很大的限制。在很多实际情况下，各种物理信息的采集与整理也是比较困难的，并且其在短期风速预测的领域表现比较一般，主要用于中长期风速预测。因此目前业界认为物理模型并不适用于短期风速预测。至今为止，包括中国在内，全世界有三十多个国家和地区使用数值天气预报模型来进行风能预测。

统计方法是数据驱动的，使用从风电场收集的历史时间序列数据来预测未来价值。例如，自回归移动平均模型(ARMA)和自回归综合移动平均模型(ARIMA)。然而，这些时间序列模型是线性的，不能准确预测风速时间序列的非线性和非平稳波动。近年来，许多机器学习技术得到了应用。其中，人工神经网络(ANN)由于能够捕捉历史数据之间的非线性关系，已成为风速预测的常用方法。大多数研究使用浅层人工神经网络，一些研究使用深度学习(DL)来捕捉复杂的非线性特征。近年来，风速数据的预处理也被认为是为了滤除噪声，如经验模态分解(EMD)、电磁模态分解(EEMD)和改进的CEEMDAN(ICEEMDAN)。风速是周期性的，峰值变化很快，所以用正弦激活函数代替了sigmoid激活函数。一些研究将人工神经网络与统计方法相结合来捕捉风速的线性和非线性特征，这些方法提高了短期风速预测的准确性。然而，传统的点预测方法存在预测误差大、预测精度变化大等缺点，在一定的时间步长内只能产生一定的预测值，不存在相关的不确定性。因此，近年来风速预测研究的重点主要集中在区间预测上。区间预测可以更合理地估计潜在的不确定性和风险水平，为电力系统的规划和运行提供更全面的参考。