面向成本关联抗效益偏差神经网络的高效训练方法及装置制造方法及图纸

本发明专利技术提供了一种面向成本关联抗效益偏差神经网络的高效训练方法及装置，在神经网络模型的优化训练中关联了成本因素，并采用高效的针对性算法进行优化训练。本发明专利技术兼顾了电力系统负荷申报的精确度和成本最优值，保证应用本发明专利技术提供的方法和装置进行电力负荷申报预测的预测结果既具有较为理想的精度，又可以有效降低成本、提升效益；同时有效了降低优化训练过程迭代收敛的步数，提升神经网络模型降低成本的效果，辅助电力市场中各负荷申报决策者制定其市场负荷申报策略。

【技术实现步骤摘要】
面向成本关联抗效益偏差神经网络的高效训练方法及装置
本专利技术属于电力系统负荷预测
，尤其涉及一种面向成本关联抗效益偏差神经网络的高效训练方法及装置。
技术介绍
电力系统的负荷预测是电力系统规划的重要组成部分，也是电力系统经济系统运行的基础，对电力系统的规划和运行都极其重要。合理地进行电力负荷预测是电力系统对电力资源进行调度和规划的前提条件，通过准确的负荷预测，可以合理安排机组启停和检修计划，减少旋转备用容量，降低发电成本。随着技术进步和智能电网的深入，电力负荷预测理论和技术已有很大的发展，但是现有预测技术均是以提高预测精度为目的，并没有兼顾成本因素；另一方面，现有的电力负荷预测的优化训练效率不高，迭代过程繁冗。
技术实现思路
为了解决上述技术问题，本专利技术提供一种面向成本关联抗效益偏差神经网络的高效训练方法，包括：S1.建立神经网络模型；S2.设定对神经网络模型进行优化训练的优化目标；所述优化目标包括精度目标和成本目标两部分,具体如下所示：其中，Er表示精度目标；Cos表示成本目标；β表示罚项系数；Y为神经网络训练集的输出矩阵，矩阵第o行第k列的元素记为yok；PDA为上级市场的电价矩阵，矩阵第o行第k列的元素记为pdaok；PRT为下级市场的电价矩阵，矩阵第o行第k列的元素记为prtok；T为神经网络训练集的真实负荷矩阵，矩阵第o行第k列的元素记为tok；Ac为Y与真实负荷之间的偏差向量；ε(x)表示神经元的激励函数；δ(x)为一个阶跃逼近函数；S3.对神经网络模型进行优化训练，得到经过训练的神经网络模型，具体包括：S31.依据LM算法的优化思想建立优化训练方法，过程如下：S311.建立优化训练的自变量Wih、Who、bh、bo的转换变量X的矩阵表达形式，如下所示：其中，函数L()将输入矩阵中每一列按次序拼接至第一列下方，形成一个列向量输出；S312.构建雅可比矩阵，如下所示：其中，Q为训练集中样本数量；S313.计算优化目标的偏导数，如下所示：其中，obj代表G；μ代表β；xh表示X中第h个元素；eq是Er中第q个元素，prtfq表示PRT中的第q个元素；pdafq表示PDA中第q个元素；⊙表示矩阵的点乘；×表示矩阵的叉乘；S314.构建海森矩阵，如下所示：其中，函数COPE()将接受的向量复制多组同样的向量，拼成一个矩阵并输出；S315.更新X，如下所示：[Wih(r+1)，Who(r+1)，bh(r+1)，bo(r+1)]＝D(X(r+1))其中，r是迭代次数；λ是迭代步长系数，由负荷申报决策者给出，λ的值越大，迭代收敛速度越快，但同时误差也越大；I是单位矩阵；S32.对优化训练的自变量Wih(r)、Who(r)、bh(r)、bo(r)进行初始化；S33.根据步骤S31确定的优化训练方法计算优化训练的自变量Wih(r+1)、Who(r+1)、bh(r+1)、bo(r+1)；S34.根据步骤S33的结果计算Er和Cos的数值，判断是否满足终端条件；若是，则迭代终止，优化训练结束；若不是，则使r＝r+1，并转至步骤S33；S4.将申报目标日的相关特征数据输入经过训练的神经网络模型，即可输出申报目标日的负荷预测结果。进一步的，所述步骤S3的优化训练过程还需要满足如下所示的约束要求：其中，C表示负荷申报决策者设定的误差阈值。进一步的，所述相关特征数据包括目标时间的温度、湿度、天气状况以及历史的负荷数据。进一步的，所述“是否满足终端条件”的判断标准具体包括：通过Er和Cos的数值判断优化结果与真实值之间的误差是否小于设定阈值；若是，则满足终端条件；若否，则不满足终端条件。进一步的，所述方法还包括：为防止步骤S34的迭代过程成为死循环，预先设置停止时间或停止循环次数；如果优化结果与真实值之间的误差一直大于设定阈值，则迭代循环到达停止时间或停止循环次数后即自动满足终端条件。本专利技术还提供一种面向成本关联抗效益偏差神经网络的高效训练装置，包括：数据输入模块：用于输入数据；神经网络模型模块：用于建立神经网络模型；优化目标模块：用于设定对神经网络模型进行优化训练的优化目标；优化训练模块：用于对神经网络模型进行优化训练，得到经过训练的神经网络模型；结果输出模块：用于输出负荷预测结果。与现有技术相比，本专利技术的有益效果在于：本专利技术提供的面向成本关联抗效益偏差神经网络的高效训练方法及装置兼顾了电力系统负荷申报的精确度和成本最优值，在神经网络模型的优化训练中关联了成本因素，保证应用本专利技术提供的方法和装置进行电力负荷申报预测的预测结果既具有较为理想的精度，又可以有效降低成本、提升效益；同时采用高效的针对性算法进行优化训练，有效降低迭代收敛的步数，提升神经网络模型降低成本的效果，辅助电力市场中各负荷申报决策者制定其市场负荷申报策略。附图说明图1为本专利技术的神经网络模型的结构及其优化训练过程的示意图；图2为本专利技术的神经网络模型优化训练的流程图；图3为本专利技术的面向成本关联抗效益偏差神经网络的高效训练装置的结构示意图。具体实施方式实施例1一种面向成本关联抗效益偏差神经网络的高效训练方法，如图1所示，包括如下步骤：S1.建立神经网络模型；本专利技术中建立的神经网络模型可以选用多种现有的神经网络模型，如传统BP神经网络模型、多层感知器(MLP)、自适应神经网络模型等；本实施例仅以传统BP神经网络模型为例进行详细说明；步骤S1建立的神经网络模型共分为输入层、中间层和隐含层三层；其中，输入层由申报负荷的相关特征组成的特征空间构成；中间层包含多个神经元；输出层即为神经网络的输出，输出层同样包含多个神经元，其神经元结构和中间层完全一致；在本实施例提供的方法的实际应用中，申报负荷的相关特征一般至少包括目标时间的温度、湿度、天气状况以及历史的负荷数据；其中，中间层的输出如下所示：其中，fh[]表示中间层神经元中的传递函数；q表示迭代的步数序号；WihT(q)表示第q次迭代中输入层与中间层之间的权重矩阵；X(q)表示第q次迭代时输入层的输入；Bh(q)表示第q次迭代时中间层的偏置变量矩阵；S(q)表示第q次迭代时中间层的输出；输出层的输出如下所示：其中，fo[]表示输出层神经元中的传递函数；WhoT(q)表示第q次迭代中中间层与输出层之间的权重矩阵；Bo(q)表示第q次迭代时输出层的偏置变量矩阵；Y(q)表示第q次迭代时输出层的输出；S2.设定对神经网络模型进行优化训练的优化目标；优化训练的优化目标包括精度目标和成本目标两部分,如下所示：其中，Er表示优化训练的精度目标，Cos表示优化训练的成本目标，β表示罚项系数；在本实施例中，精度目标的计算与传统BP神经网络训练中的精度计算方法一样，采用F-范数计算；成本目标的计算考虑了上级电力市场与下级电力市场的电价，同时构建有虚拟神经元，具体如下所示：其中，Y为神经网络训练集的输出矩阵，矩阵第o行第k列的元素记为yok；PDA为上级市场的电价矩阵，典型的上级市场如美国电力市场中的日前市场，其中，矩阵第o行第k列的元素记为pdaok；PRT为下级市场的电价矩阵，典型的下级市场如美国电力市场中的实时市场，其中，矩阵第o行第k列的元素记为prtok；T为神经网络训练集的真实负荷矩阵，也称为目标矩阵，其中，矩阵第本文档来自技高网...

【技术保护点】
一种面向成本关联抗效益偏差神经网络的高效训练方法，其特征在于，所述方法包括：S 1.建立神经网络模型；S2.设定对神经网络模型进行优化训练的优化目标；所述优化目标包括精度目标和成本目标两部分,具体如下所示：

【技术特征摘要】
1.一种面向成本关联抗效益偏差神经网络的高效训练方法，其特征在于，所述方法包括：S1.建立神经网络模型；S2.设定对神经网络模型进行优化训练的优化目标；所述优化目标包括精度目标和成本目标两部分,具体如下所示：其中，Er表示精度目标；Cos表示成本目标；β表示罚项系数；Y为神经网络训练集的输出矩阵，矩阵第o行第k列的元素记为yok；PDA为上级市场的电价矩阵，矩阵第o行第k列的元素记为pdaok；PRT为下级市场的电价矩阵，矩阵第o行第k列的元素记为prtok；T为神经网络训练集的真实负荷矩阵，矩阵第o行第k列的元素记为tok；Ac为Y与真实负荷之间的偏差向量；ε(x)表示神经元的激励函数；δ(x)为一个阶跃逼近函数；S3.对神经网络模型进行优化训练，得到经过训练的神经网络模型，具体包括：S31.依据LM算法的优化思想建立优化训练方法，过程如下：S311.建立优化训练的自变量Wih、Who、bh、bo的转换变量X的矩阵表达形式，如下所示：其中，函数L()将输入矩阵中每一列按次序拼接至第一列下方，形成一个列向量输出；S312.构建雅可比矩阵，如下所示：其中，Q为训练集中样本数量；S313.计算优化目标的偏导数，如下所示：

【专利技术属性】
技术研发人员：贾德香，郑厚清，王智敏，柳占杰，于灏，陈光，陈睿欣，王玓，刘素蔚，王广辉，李伟阳，王锋华，钱仲文，张旭东，成敬周，王政，宋国超，王征，寸馨，黄柏富，晏梦璇，许方园，刘爱民，崔万里，周小明，李广翱，施明泰，李浩松，许中平，李金，康泰峰，
申请(专利权)人：国网能源研究院有限公司，国网浙江省电力有限公司，国网辽宁省电力有限公司，北京国网信通埃森哲信息技术有限公司，
类型：发明
国别省市：北京,11