一种基于UT变换和宽度学习的微电网可再生能源预测方法

摘要

本发明涉及一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括：获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；将预测集载入预先建立的宽度学习预测模型中，并为宽度学习预测模型新增特征映射节点和广义增强节点，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。与现有技术相比，本发明可以达到提高微电网中可再生能源的消纳量、减少燃料消耗、降低运行成本的目的，还能够有效消除可再生能源输出的不确定性带来的影响。

说明书

技术领域

本发明涉及微电网可再生能源预测技术领域，尤其是涉及一种基于UT变换和宽度学习的微电网可再生能源预测方法。

背景技术

微电网是未来电力系统的重要组成部分，为实现更可持续的能源系统提供了快速途径。微电网可以定义为低压网络中的一个活动单元，由一组组件组成，这些组件能够在电网连接和孤岛模式下运行。这些组件包括负载、控制装置和各种分布式发电单元，目前，针对微电网中可再生能源预测的研究，主要有数学预测方法和机器学习预测方法两个方面。

常见的数学预测方法包括简易平均法、移动平均法、指数平滑法、线性回归法；常用的三种机器学习预测方法包括线性回归、BP神经网络、支持向量机。

线性回归其实是一种比较基础的回归算法，他假设特征与最后的结果之间存在某种线性关系，他通过最小化损失函数(平方误差)，来获取最优的系数值和截距值，主要通过最小二乘法，对函数求偏导从而获取他的极值点，来最小化损失函数，线性回归有直接的正规方程解，所以可以直接得到系数矩阵，但复杂度相对较高。

与传统的机器学习算法相比，神经网络通常需要更多的数据，至少需要数千数百万个标记样本。而如果使用其它算法，许多机器学习问题可以用较少的数据很好地解决。

支持向量机算法对大规模训练样本难以实施；解决多分类问题存在困难；对缺失数据敏感，对参数和核函数的选择敏感。

发明内容

本发明的目的就是为了克服上述现有技术存在需要训练样本多、复杂度较高、解决多分类问题存在困难的缺陷而提供一种基于UT变换和宽度学习的微电网可再生能源预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括以下步骤：

获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；

将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。

进一步地，所述sigma点集的表达式为

χ

式中，χ是sigma点向量，μ是高斯的平均向量，λ是标度系数或扩展因子，Σ是协方差矩阵，Σ的平方根称为矩阵平方根，用S表示：Σ＝SS

进一步地，所述为每个sigma点分配权重的计算表达式为：

式中，ω

进一步地，所述可再生能源的预测出力的平均值和协方差的计算表达式为：

式中，μ'是预测出力的平均值，Σ'是预测出力的协方差，g(χ

进一步地，所述sigma样本由协方差矩阵的奇异值分解生成，所述协方差矩阵的计算表达式为：

∑＝VDV

式中，矩阵D是一个对角线矩阵，其对角线上包含奇异值，每个奇异值表示矩阵U的相应列和矩阵V的行在表示矩阵R的列或行空间时的重要性；矩阵U的列构成矩阵R列空间的基，而矩阵V的列构成矩阵R行空间的基，U和V是正交的；

所述矩阵平方根可定义为：

S

进一步地，将所述预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值具体为：

为所述宽度学习预测模型新增特征映射节点和广义增强节点，实现升级，根据所述预测集，通过升级后的伪逆矩阵，并根据所述预测集，计算升级后的宽度学习预测模型的权重，从而求取微电网中可再生能源的出力预测值。

进一步地，假设所述宽度学习预测模型包括n组特征映射节点和m组广义增强节点，则所述新增特征映射节点表示为：

式中，Z

进一步地，所述新增特征映射节点对应的广义增强节点表示为：

式中，

进一步地，所述升级后的伪逆矩阵的表达式为：

式中，

进一步地，所述升级后的宽度学习预测模型的权重的计算表达式为：

式中，A

与现有技术相比，本发明具有以下优点：

(1)本发明提出了一种基于UT变换和宽度学习的微电网中可再生能源预测方法，UT是一种强大而高效的不确定性建模方法，与传统的分析方法(不适用于非线性问题)和蒙特卡罗方法(需要大量运行才能收敛)相比，UT的优势在于它能够同时处理线性和非线性系统。UT方法具有很高的收敛速度和非线性处理能力；在各种应用中，对于所选择的特征映射，增强节点的动态增量可能不足以进行学习，因为特征映射节点不够充分而导致的，这些节点可能没有提取足够的定义输入数据结构的底层变化因子。在流行的深层结构网络中，当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，使得模型的训练变得十分繁琐。在本发明所提出的方法中，如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习。

(2)由于求解矩阵平方根的困难，生成sigma点比较复杂。为了克服这个问题，将使用基于奇异值分解的UT，其中sigma样本由协方差矩阵的奇异值分解生成。SVD的使用可以降低协方差矩阵的阶数，从而进一步减少样本数量。

附图说明

图1为本发明实施例中提供的一种基于UT变换和宽度学习的微电网可再生能源预测方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

实施例1

参考图1所示，本实施例提供一种基于UT变换和宽度学习的微电网可再生能源预测方法，包括以下步骤：

获取微电网中可再生能源的出力样本数据，该出力样本数据包括多个样本集，对每个样本集采用UT变换计算sigma点集，并为每个sigma点分配权重，从而计算每个样本集中可再生能源的预测出力的平均值和协方差，构建预测集；

将预测集载入预先建立的宽度学习预测模型中，获取微电网中可再生能源的出力预测值，从而调整微电网的功率分配。

下面对本方法进行具体表述。

一、UT变换

UT变换输出平均值和方差由以下3个主要步骤计算。

1.1、计算sigma点集；

sigma点数取决于系统的维数。一般公式为2n+1，其中n表示扰动输入数据的维数。首先，根据以下公式生成sigma点：

χ[

式中，χ是sigma点向量，μ是高斯的平均向量，λ是标度系数或扩展因子(它表示我们应该选择sigma点离平均值有多远)，Σ是协方差矩阵，式中Σ的平方根称为矩阵平方根，用S表示(其中Σ＝SS

1.2、为每个sigma分配权重；

选择sigma点后，下一步是计算它们的权重，如下所示：

式中，ω

1.3、计算可再生能源的预测出力的平均值和协方差

转换sigma点并计算平均值和协方差，将具有高斯分布的sigma点通过非线性函数传递到目标分布上，然后计算转换后的高斯分布的平均值和协方差。非线性变换后结果的平均值和协方差可使用以下方程计算：

式中，μ'是新的预测出力的平均值，Σ'是新的预测出力的协方差，g(χ

UT是一种强大而高效的不确定性建模方法，与传统的分析方法(不适用于非线性问题)和蒙特卡罗方法(需要大量运行才能收敛)相比，UT的优势在于它能够同时处理线性和非线性系统。UT方法具有很高的收敛速度和非线性处理能力，因此采用UT方法对本发明所提出问题的不确定性进行建模。

然而，由于求解矩阵平方根的困难，使用上式生成sigma点比较复杂。为了克服这个问题，将使用基于奇异值分解的UT，其中sigma样本由协方差矩阵的奇异值分解生成。SVD的使用可以降低协方差矩阵的阶数，从而进一步减少样本数量。

SVD-UT背后的基本动机是协方差矩阵可以用其特征向量或奇异值来表征,矩阵的奇异值分解是：

Σ＝UDV

式中，矩阵U的列构成矩阵R列空间的基，而矩阵V的列构成矩阵R行空间的基，U和V是正交的，矩阵D是一个对角线矩阵，其对角线上包含奇异值，每个奇异值表示U的相应列和V的行在表示矩阵R的列或行空间时的重要性。

考虑到协方差矩阵R是对称的，那么它的奇异值分解可以写成：

∑＝VDV

因此，矩阵平方根可定义为：

S

二、宽度学习预测

假设初始宽度学习预测模型由n组特征映射节点和m组广义增强节点组成。

在各种应用中，对于所选择的特征映射，增强节点的动态增量可能不足以进行学习，因为特征映射节点不够充分而导致的，这些节点可能没有提取足够的定义输入数据结构的底层变化因子。在流行的深层结构网络中，当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，使得模型的训练变得十分繁琐。在所提出的BLS中，如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习。

本实施例通过新增特征映射节点和广义增强节点，对宽度学习预测模型进行升级，根据所述预测集，通过升级后的伪逆矩阵，计算升级后的宽度学习预测模型的权重，再基于该权重与预测集数据，求取微电网中可再生能源的出力预测值。

考虑到第(n+1)个特征映射组节点被添加并表示为：

式中，Z

相应的增强节点随机生成如下：

式中，

相对升级后的伪逆矩阵应实现如下：

式中，

映射特征节点和增强节点的增量的表达式为：

式中，A

通常，一旦一个系统建模完成，并且如果一个新的输入和相应的输出进入到模型中，则应该更新模型以反映额外的样本。当现有模型不能很好地学习任务时，一般的做法是增加过滤器(或窗口)的数量或者增加层数，通过重新设置新结构的参数，这些程序的学习十分繁琐。本算法设计用于在不需要整个训练周期的情况下轻松地更新权重。将X

这种增量学习如果需要增加一个新的特征映射，则可以很容易地构造出整个结构，并且不需要从头重新训练整个网络就可以应用增量学习，只计算必要的伪逆的时间，节省了大量时间，非常适合于新输入数据的增量学习。

本实施例还进行了仿真实验，结果表明：基于UT变换和宽度学习的微电网中可再生能源预测方法可以达到提高微电网中可再生能源的消纳量、减少燃料消耗、降低运行成本的目的，还能够有效消除可再生能源输出的不确定性带来的影响。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。