本发明专利技术公开了一种成本驱动的可再生能源发电功率区间预测方法。该方法构建了成本驱动的机器学习双层优化模型：下层优化问题利用分位数回归技术生成可再生能源发电功率预测区间的端点，基于该区间预测信息确定未来时段可再生能源厂站的出力计划；上层优化问题以最小化出力计划所导致的预期成本为总体目标优化预测区间端点的分位数水平。该方法将可再生能源的区间预测与决策集成在统一的优化模型中，实现了预测性能与决策性能的协同优化。实现了预测性能与决策性能的协同优化。实现了预测性能与决策性能的协同优化。
【技术实现步骤摘要】
一种成本驱动的可再生能源发电功率区间预测方法
[0001]本专利技术涉及一种成本驱动的可再生能源发电功率区间预测方法，属于可再生能源预测领域。
技术介绍
[0002]为了应对气候变化和能源危机，推动能源转型，我国积极开发可再生能源，以风电和光伏为代表的间歇性电源正大规模接入电力系统。受大气系统的混沌特性影响，可再生能源发电功率的预测误差难以避免，运行人员难以对其出力水平进行实时调整，给电力系统的能量供应带来极高的不确定性。区间预测通过估计任意置信度下可再生能源的出力范围，能够有效量化可再生能源发电功率预测的不确定性，为高比例可再生能源电力系统提供关键信息支撑。
[0003]传统的区间预测方法仅关注预测统计性能的提升，通常以优化预测结果的性能指标或损失函数方式构建预测模型，这些统计性能包括区间宽度、区间概率可靠性、区间评分等。作为电力系统决策的信息输入，预测的价值需要通过预测所导致决策的成本或收益来反映，仅提升区间预测统计性能并不能保证决策性能的改善，目前以优化统计性能为目标的区间预测方法忽视了预测对于决策性能的影响。因此，需要提出新的区间预测框架，在保证预测具有良好统计特性的同时优化其对于决策的价值。
技术实现思路
[0004]针对相关
技术介绍
的局限性，本专利技术提出了一种成本驱动的可再生能源发电功率区间预测方法，构建了成本驱动的机器学习双层优化模型：下层优化问题利用分位数回归技术生成可再生能源发电功率预测区间的端点，基于该区间预测信息确定未来时段可再生能源厂站的出力计划；上层优化问题以最小化出力计划所导致的预期成本为总体目标优化预测区间端点的分位数水平(quantile proportion)。该方法将可再生能源的区间预测与决策集成在统一的优化模型中，实现了预测性能与决策性能的协同优化。
[0005]为了实现上述目的，本专利技术采用了如下的技术方案：
[0006](1)构建基于极限学习机的分位数回归模型
[0007]利用极限学习机作为可再生能源发电功率分位数估计的输出函数，无需假设可再生能源发电功率预测误差服从特定概率分布，通过最小化分位数损失函数，构建基于极限学习机的分位数回归模型：
[0008][0009]subject to:
[0010][0011][0012][0013]式中，α表示分位数水平，α和分别为预测区间左右端点对应的分位数水平；t为时标，为训练样本的时标集合；ω
α
和分别为α和分位数估计对应的极限学习机输出层权重向量；和为非负的辅助变量；g(
·
,
·
)为极限学习机的输出函数；w
t
为归一化后的t时刻可再生能源的实际出力，x
t
为t时刻的特征向量。
[0014](2)构建可再生能源厂站发电计划的区间优化决策模型
[0015]将可再生能源发电功率的预测不确定性用预测区间进行建模，假定未来可再生能源发电功率可在该预测区间内任意取值，以各种情况下可能出现的发电计划偏差成本最小化为目标，构建可再生能源厂站发电计划的区间优化决策模型：
[0016][0017]subject to：
[0018][0019][0020]式中，是决策时段内的时标集合；π
t
表示可再生能源厂站在t时刻的发电计划；φ
t
表示因发电计划π
t
与可再生能源实际出力w
t
存在偏差而导致的成本，和分别表示出力正负偏差在t时刻的单位功率成本；[
·
]+
将运算符内的操作数与0进行比较，若操作数大于0，则输出操作数，否则输出0，即对于任意的操作数[x]+
＝max{x,0}。
[0021](3)构建成本驱动的机器学习双层优化模型
[0022]将基于极限学习机的分位数回归模型和可再生能源厂站发电计划的区间优化决策模型作为下层优化问题；以最小化发电计划的决策成本为目标调整预测区间左右端点对应的分位数水平，作为上层优化问题，得到成本驱动的机器学习双层优化模型：
[0023]所述上层优化问题为：
[0024][0025]subject to:
[0026][0027]0≤α≤α≤1
[0028][0029][0030]所述下层优化问题为：
[0031][0032]subject to:
[0033][0034][0035][0036]式中，1
‑
为预测区间置信水平。
[0037](4)将成本驱动的机器学习双层优化模型等价转化为单层非线性优化问题
[0038]将双层优化中基于极限学习机的分位数回归模型用其最优性条件代替，将发电计划的区间优化决策模型等效转化为确定性优化决策问题，并对上层优化的目标函数等效合并，得到与原始双层优化模型等效的单层优化问题：
[0039][0040]subject to:
[0041][0042]0≤α≤α≤1
[0043][0044][0045][0046][0047][0048][0049][0050][0051][0052][0053][0054]式中，冒号“:”后出现的变量μ
t
和分别表示对应等式和不等式约束的对偶变量；h(x
t
)表示输入特征向量为x
t
时极限学习机的隐含层特征向量；0表示元素全为0的向量。
[0055](5)利用空间分支定界算法求解双层优化的等效单层非线性优化问题
[0056]利用空间分支定界算法对双层优化的等效单层非线性优化问题进行求解，完成机器学习模型的训练，获得决策时段内的可再生能源发电功率预测区间和发电计划决策。
[0057]本专利技术的有益效果在于：
[0058]本专利技术利用决策成本引导可再生能源发电功率区间预测的构建，能够在保证预测具有良好统计性能的同时提升其应用价值，实现预测性能与决策性能的协同优化；本专利技术将可再生能源区间预测和场站发电计划决策集成至统一的机器学习模型中，能够仅通过求解一个优化模型同时获得预测和决策结果，减少决策者和预测者之间的信息传递，简化了预测与决策的业务流程。
附图说明
[0059]图1为本专利技术的成本驱动的可再生能源发电功率区间预测方法流程；
[0060]图2为成本驱动的机器学习双层优化模型示意图。
具体实施方式
[0061]以下结合附图与实施实例对本专利技术做进一步说明。
[0062]本专利技术所提出的成本驱动的可再生能源发电功率区间预测方法流程如图1所示。
[0063](1)给定预测区间的置信水平100(1
‑
β)％、训练集样本的数量以及决策时段的长度
[0064](2)更新当前时标t0，确定训练集时标集合，确定训练集时标集合和决策集样本时标集合确定训练集样本和决策集样本其中x
t
为t时刻的特征向量，w
t
为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种成本驱动的可再生能源发电功率区间预测方法，其特征在于，包括以下步骤：1)构建基于极限学习机的分位数回归模型；2)构建可再生能源厂站发电计划的区间优化决策模型；3)构建成本驱动的机器学习双层优化模型；4)将成本驱动的机器学习双层优化模型等价转化为单层非线性优化问题；5)利用空间分支定界算法求解双层优化的等效单层非线性优化问题。2.根据权利要求1所述的成本驱动的可再生能源发电功率区间预测方法，其特征在于，所述的步骤1)具体为：利用极限学习机作为可再生能源发电功率分位数估计的输出函数，通过最小化分位数损失函数，构建基于极限学习机的分位数回归模型：subject to:to:to:式中，α表示分位数水平，α和分别为预测区间左右端点对应的分位数水平；t为时标，为训练样本的时标集合；ω
α
和分别为α和分位数估计对应的极限学习机输出层权重向量；和为非负的辅助变量；g(
·
,
·
)为极限学习机的输出函数；w
t
为归一化后的t时刻可再生能源的实际出力，x
t
为t时刻的特征向量。3.根据权利要求2所述的成本驱动的可再生能源发电功率区间预测方法，其特征在于，所述的步骤2)具体为：将可再生能源发电功率的预测不确定性用预测区间进行建模，假定未来可再生能源发电功率可在该预测区间内任意取值，以各种情况下可能出现的发电计划偏差成本最小化为目标，构建可再生能源厂站发电计划的区间优化决策模型：subject to：to：式中，是决策时段内的时标集合；π
t
表示可再生能源厂站在t时刻的发电计划；φ
【专利技术属性】
技术研发人员：万灿，赵长飞，宋永华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。