【技术实现步骤摘要】
本专利技术适用于风电、光电功率区间预测，涉及一种基于分位数回归的长短期记忆神经网络的预测模型。
技术介绍
1、含有光伏、风力发电等分布式能源的微电网系统，能够在满足电力负荷需求的同时，降低系统的碳排放量。然而，由于风、光资源的不确定性，大比例可再生能源的接入，极大的冲击了电力系统运行的稳定性。因此，如何处理微电网系统中风电、光电出力的不确定性，对提升电力系统稳定性，降低系统碳排放量具有重要意义。
2、近年来，随着人工智能技术的快速发展，越来越多的智能算法被应用于微电网系统调度领域。深度学习技术因其强大的数据处理与数据挖掘能力，被广泛应用于微电网系统电力负荷预警及风、光出力预测等方面，为微电网系统容量配置及优化调度起到了至关重要的作用。
3、尽管群体智能算法在微电网优化调度领域能够获得较为合理运行策略，但多数研究在优化过程中仅考虑了单一风电或光电功率不确定性对微电网系统优化调度的影响。同时考虑风、光不确定性对运行策略影响的情况较少。同时，在多数微电网系统调度过程中，所建立的风电或光电功率预测模型均为点预测模型，难以反映风电及光电功率的不确定性，对削弱风光不确定性对微电网系统调度的影响较小。且多数研究采用的蒙特卡洛采样等方式量化风光不确定性的方式难以实现动态调度过程中的风光不确定性处理。
技术实现思路
1、针对当前系统风光不确定性处理的不足，本文主要采用数据预处理与模型算法相结合的方式进行。首先利用相关分析为模型选取最佳输入参数，降低弱相关参数对模型训练结果的扰
2、与已有技术相比，本专利技术有益效果体现在：
3、1、本专利技术采用改进的自适应集成经验模态分解算法，对风电及太阳能发电功率进行模态分解，将其分解成多个相对平滑的本征模态分量，建立分量神经网络预测模型。
4、2、本专利技术采用卷积神经网络对本征模态分量特征进行提取，将输出的风电及光电数据作为lstm网络的输入数据，利用长短期记忆神经网络强大的特征学习能力，实现风电及光电功率的精准预测。
5、3、本专利技术基于分位数回归损失函数，将lstm神经网络的目标函数改进后，网络变为qrlstm神经网络，实现风电及光电功率的分位数预测。对预测结果进行重构后，将风电及光电功率的不确定性描述为误差区间的形式，通过风电及光电功率的上下界区间来涵盖绝大部分风电及光电功率的不确定性。
本文档来自技高网...【技术保护点】
1.一种基于模态分解与混合神经网络的风电及光电功率区间预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于数据处理与混合神经网络相结合的风电及光电功率区间预测方法，其特征在于，步骤S5包括如下步骤：
【技术特征摘要】
1.一种基于模态分解与混合神经网络的风电及光电功率区间预测方法，其特征在于，包括如下步骤：
2.根据...
【专利技术属性】
技术研发人员：赖纪东，赵杰，苏建徽，周晨光，
申请(专利权)人：合肥工业大学，
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。