基于非对称Laplace分布的风功率预测方法和系统与流程

基于非对称laplace分布的风功率预测方法和系统
技术领域
1.本发明实施例涉及风力发电技术领域，尤其涉及一种基于非对称laplace分布的风功率预测方法和系统。


背景技术：

2.随着全球能源短缺、气候变化、环境恶化等问题日益突出，以可再生能源替代化石燃料变得越来越迫切。风能是一种清洁、无污染、可再生的资源，越来越受到全球各国的广泛关注。据2021年全球风能报告中的统计数据可知，2020年新曾装机容量约93gw，全球累计风电装机容量达到743gw，预计未来五年新增风电装机容量将超过469gw，即到2025年每年新增近94gw的装机容量。
3.然而，当大规模风电并网时，风电的随机性和间歇性会给整个电网的稳定性带来巨大的挑战。因此，有必要规划具有足够备用容量的发电系统，以适应风电的不确定性。对风电功率预测进行准确的预测是一种有效解决风电并网中存在的一系列挑战的有效途径。具体而言，它有助于最小化备用容量和优化发电调度，从而提高电力系统的稳定性和经济性。此外，准确的风电功率预测可以提前预知风电机组的检修和维护需求，提高风电的竞争力。目前，研究人员为了准确地刻画风电功率的复杂波动，设计了许多确定性预测模型，大致可分为四大类：物理模型、传统统计模型、基于人工智能(ai)的模型，以及组合模型。
4.物理模型通常有很多复杂的数学公式构成。它们根据各种气象因子来对未来的风速进行预测，如气温、气压和湿度等。当前最常见的物理模型为数值天气预报(nwp)和天气研究与预报(wrf)。一般地，物理模型适用于中长期风速预测。基于预测的风速，可以通过反映给定风速下的风机发电性能的风功率曲线获得最终的风功率预测结果。
5.传统的统计模型仅仅使用历史风电数据来预测未来的风电。在风电预测中最流行的传统统计模型是自回归滑动平均模型(arma)、差分整合移动平均自回归模型(arima)和截断的arima模型。总的来说，传统的统计方法主要刻画风功率的线性波动，在超短期和短期风功率或风速预测时具有良好的性能。
6.随着计算机科学技术的发展，越来越多的基于人工智能的模型被用于风功率预测，其中包括人工神经网络(ann)、支持向量机(svm)、卡尔曼滤波、极限学习机(elm)和模糊逻辑模型等。最近，因其超强的特征提取和非线性拟合能力，深度学习方法在风电预测中越来越受到关注，如卷积神经网络(cnn)、深度置信网络(dbn)、长短期记忆模型(lstm)和门控循环单元(gru)等。许多研究表明，在大多数情况下，基于人工智能的模型比传统的统计模型表现更好，而基于深度学习的预测模型比一些传统的机器学习技术能产生更好的风电预测结果。
7.组合模型通常将不同方法的优势结合在一起来提高风电功率预测精度。目前主要有两种构建混合模型的策略。第一种是将多个预测方法的预测结果进行结合；第二种是通过其他策略或者技术来提高风功率预测精度，其中包括数据处理方法(如基于经验模式分解和小波分解的模型)和特征选择方法(如相空间重构、互信息和条件互信息等)。一般地，
由于组合模型结合了多种模型的优势，其预测结果要比单一的预测模型性能更好。
8.上述提到的大多数方法都是确定性的功率预测方法。然而，确定性预测不能表征风电的不确定性。因此，许多研究人员开发了不确定的风电功率预测模型，其中包括概率预测模型和区间预测模型。它们的主要区别在于概率模型通常对不确定性的分布做出先验假设并使用连续概率密度函数(pdf)来刻画不确定性，而基于区间的模型则无任何分布假设并采用不连续的预测区间量化不确定性。
9.最常见的区间预测模型是基于下上界估计(lube)和基于分位数的回归模型。khosravi提出的lube方法主要是用于生成宽度窄、覆盖概率大的预测区间，其核心思想主要是针对生成的预测区间设计合适的目标函数。基于分位数的回归模型通常通过最小化分位数损失来对模型进行训练。传统的分位数回归在处理非线性问题方面存在局限性。因此，分位数回归通常与其他非线性模型相结合，以获得准确的预测区间。例如，传统的支持向量机模型和神经网络无法直接获得预测区间。利用分位数损失替代原模型中的损失函数，进而产生支持向量分位数回归和分位数回归神经网络，克服了传统分位数回归模型处理非线性问题能力弱的缺点并生成预测区间。
10.大多数区间预测模型可以在给定的置信水平下生成所需要的预测区间。若需要对整个不确定性的连续概率分布进行描述，就需要做无数个不同置信水平下单独训练的预测模型，因此非常耗时。此外，不同置信水平下的预测区间还存在交叉的风险，这也违背了累积分布函数单调递增的特性。
11.在概率预测模型中，主要有5中代表性方法：delta方法、贝叶斯方法、均值方差估计、bootstrap方法以及高斯过程。它们利用高斯分布和学生的t分布来刻画预测的不确定性。一般来说，几乎所有的概率模型都依赖于风电预测误差的分布假设，都面临着理论分布假设与现实不确定性特性不一致的风险，进而导致预测模型不能对风电预测结果的不确定性进行准确刻画。


技术实现要素：

12.本发明实施例提供一种基于非对称laplace分布的风功率预测方法和系统，采用非对称laplace分布可以同时全面地描述不确定性的偏度和峰度，采用该分布对风电预测的不确定性进行建模，以解决现有技术中理论分布假设与现实不确定性特性不一致，进而导致预测模型不能对风电预测结果的不确定性进行准确刻画的问题。
13.第一方面，本发明实施例提供一种基于非对称laplace分布的风功率预测方法，包括：
14.步骤s1、获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
15.步骤s2、构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
16.步骤s3、基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
17.步骤s4、基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
18.作为优选的，所述步骤s1具体包括：
19.步骤s11、获取历史风功率数据，将所述历史风功率数据分为训练集、验证集和测试集；并对所述训练集、验证集和测试集中的数据进行归一化处理；
20.步骤s12、确定所述历史风功率数据中若干等间距时刻[t i,t,t-i,t-2i,
…
,t-ni]的风功率，以t i时刻的分功率作为预测输出变量，获取t i时刻与t,t-i,t-2i,
…
,t-ni时刻的风功率的最大互信息系数mic值，选取其中mic值大于预设阈值的若干连续时刻的风功率数据作为预测输入变量。
[0021]
作为优选的，所述步骤s12中，mic值的计算方法为：
[0022]
确定预测输入变量x和预测输出变量y相关的n个样本d＝{(xi,yi,)|i＝1,2,
…
,n}，将样本分别分为m、n个不同的区间，以形成一个m
×
n的网格g；
[0023]
根据预测输入变量x和预测输出变量y的经验联合概率分布p(x,y)确定预测输入变量x和预测输出变量y的经验边际分布p(x)和p(y)；在样本d和网格g的条件下预测输入变量x和预测输出变量y之间的互信息mi(x,y
│
d,g)表示为：
[0024][0025]
网格g中标准化最大互信息nmi
*
(d,m,n)可表示为：
[0026][0027]
预测输入变量x和预测输出变量y的最大互信息系数为：
[0028][0029]
式中，k(n)表示样本个数的函数。
[0030]
作为优选的，所述步骤s2中，所述多尺度融合模块包括一个具有3层卷积层的1为cnn网络，所述cnn网络的卷积核大小为k
×
1；对每个卷积层，对应的输出层为一个1
×1×d×
k的张量；
[0031]
每个卷积层的输出拉伸后得到个1
×1×
q的张量，其中q＝d
×
k；
[0032]
3层卷积层中第一层卷积层、第二层卷积层、第三层卷积层拉伸后的输出分别为
[0033]
多尺度特征融合模块的输出为
[0034]
作为优选的，所述步骤s3具体包括：
[0035]
步骤s31、确定非对称laplace分布的概率分布函数：
[0036][0037]
上式中，x∈(-∞, ∞)；κ＞0，κ为形状参数，μ为位置参数，s为尺度参数；
[0038]
步骤s32、针对输入的特征xi，参数κ,μ,s随着特征的不同而不同；给定n个训练样本，似然函数为：
[0039][0040]
步骤s33、基于所述神经网络模型通过最大化对数似然函数学习得到对称laplace分布的参数，并确定损失函数：
[0041][0042]
其中，基于所述损失函数对所述神经网络模型进行训练。
[0043]
作为优选的，所述步骤s4中，基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果为：
[0044][0045]
上式中，μ
*
，κ
*
，s
*
表示分别表示非对称laplace分布中预测的位置参数、形状参数和尺度参数。
[0046]
第二方面，本发明实施例提供一种基于非对称laplace分布的风功率预测系统，包括：
[0047]
采集模块，获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
[0048]
神经网络模块，构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
[0049]
训练模块，基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
[0050]
预测模块，基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
[0051]
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述基于非对称laplace分布的风功率预测方法的步骤。
[0052]
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于非对称laplace分布的风功率预测方法的步骤。
[0053]
本发明实施例提供的一种基于非对称laplace分布的风功率预测方法和系统，利采用该分布对风电预测的不确定性进行建模，在实现概率风功率预测的过程中，首先，利用最大信息系数(mic)来刻画预测目标与历史功率之间的线性和非线性关系，进而选择合理
的历史功率数据作为最优的输入；然后，为了避免信息丢失，提出了基于多个cnn卷积层上多尺度特征融合模块，进一步提升cnn的特征提取能力；最后利用双向lstm提取时间信息并预测非对称laplace分布的参数。
附图说明
[0054]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1为根据本发明实施例的基于非对称laplace分布的风功率预测方法流程框图；
[0056]
图2为根据本发明实施例的两个数据集上mic值示意图；
[0057]
图3为根据本发明实施例的模型al-mcnn-bilstm在be-on上的区间预测结果以及确定性预测结果示意图；
[0058]
图4为根据本发明实施例的模型al-mcnn-bilstm在be-off上的区间预测结果以及确定性预测结果示意图；
[0059]
图5为根据本发明实施例的实体结构示意图。
具体实施方式
[0060]
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。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。
[0061]
本技术实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
[0062]
本技术实施例中的术语“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至少一个该特征。本技术的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0063]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0064]
现有技术中，几乎所有的概率模型都依赖于风电预测误差的分布假设，都面临着理论分布假设与现实不确定性特性不一致的风险，进而导致预测模型不能对风电预测结果的不确定性进行准确刻画。
[0065]
与区间预测模型相比，概率预测方法可以直接输出连续概率密度函数，因此其对
风电预测不确定性进行刻画时效率更高。此外，由于概率分布的特性，概率预测模型可以克服生成的预测区间存在交叉的问题。因此，本实施例的重点是考虑设计一种合适的概率风功率预测方法来刻画风功率预测的不确定性。当前，很多学者通过研究发现，风功率预测的不确定性具有非对称和尖峰特性。因此，如何根据风功率预测不确定性特性以及有限的输入特征构建合适的预测模型来提取出更有效的信息对风功率波动及其不确定性进行准确刻画具有一定的挑战性。
[0066]
因此，本发明实施例提供一种基于非对称laplace分布的风功率预测方法和系统，采用非对称laplace分布可以同时全面地描述不确定性的偏度和峰度，采用该分布对风电预测的不确定性进行建模，以解决现有技术中理论分布假设与现实不确定性特性不一致，进而导致预测模型不能对风电预测结果的不确定性进行准确刻画的问题。以下将通过多个实施例进行展开说明和介绍。
[0067]
图1为本发明实施例提供一种基于非对称laplace分布的风功率预测方法，包括：
[0068]
步骤s1、获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
[0069]
步骤s11、获取历史风功率数据，将所述历史风功率数据分为训练集、验证集和测试集；并对所述训练集、验证集和测试集中的数据进行归一化处理；
[0070]
具体的，本实施例中选用真实的历史风功率数据进行实验。整个风功率数据集分为三个子集，即训练集、验证集和测试集。训练集用于训练模型，验证集辅助选择最优的模型参数，测试集用于测试模型的预测性能。为了方便模型训练，所有数据都用以下方式归一化：
[0071][0072]
上式中，表示正则化后的数据，x表示原始数据，x
max
、x
min
分别表示序列中的最大值和最小值。
[0073]
步骤s12、确定所述历史风功率数据中若干等间距时刻[t i,t,t-i,t-2i,
…
,t-ni]的风功率，以t i时刻的分功率作为预测输出变量，获取t i时刻与t,t-i,t-2i,
…
,t-ni时刻的风功率的最大互信息系数mic值，选取其中mic值大于预设阈值的若干连续时刻的风功率数据作为预测输入变量。
[0074]
本步骤中主要进行最优的输入选择，合适的输入特征可以准确的捕捉风功率的波动，从而实现准确的风电预测。冗余的特征或者不足的特征都无法准确的刻画风功率的复杂波动。由于mic值不仅可以度量两个随机变量的线性关系，也可以度量两个变量之间的非线性关系。因此，本实施例采用mic值来为风电预测选择最佳输入。两个随机变量(x,y)之间的mic值计算如下：
[0075]
给定与两个随机变量x(预测输入变量)和y(预测输出变量)相关的n个样本d＝{(xi,yi)|i＝1,2,
…
,n}，将样本分别分成m和n个不同的区间，因此整个样本空间可以看成是一个m
×
n的网格g。根据随机变量x和y的经验联合概率分布p(x,y)可估计出变量x和y的经验边际分布p(x)和p(y)。在样本d和网格g的条件下变量x和y之间的互信息mi(x,y
│
d,g)可表示为：
[0076][0077]
在给定m
×
n网格大小时，针对数据有很多种划分方法。网格g中标准化最大互信息nmi
*
(d,m,n)可表示为：
[0078][0079]
根据最大互信息，预测输入变量x和预测输出变量y的最大互信息系数为：
[0080][0081]
式中，k(n)表示为最大的网格大小，并且这个最大的网格大小是样本个数的函数，可设置为k(n)＝n
0.6
。
[0082]
mic除了可以度量线性和非线性关系之外，它还有以下三个特性：(1)有限的mic值，mic的取值为[0,1]；(2)对称性，mic(x,y)＝mic(y,x)；(3)低计算复杂度以及高鲁棒性。
[0083]
步骤s2、构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
[0084]
本实施例中提出了基于卷积多尺度信息融合模块用于充分提取数据中的空间特征，时间特征则利用bilstm来提取。对于传统的cnn，不同卷积层通常是从数据中提取不同尺度的特征。随着卷积层数的增加，更能提取深层次的特征且更加抽象。通常仅仅利用最后一层卷积层提取的深层次特征来做预测或者输入到另外的一个网络中，而浅层的特征则直接丢弃了。因此，cnn中的多尺度特征并没有被充分利用，存在信息丢失的风险。
[0085]
在本实施例中提出了基于多尺度特征融合模块的cnn网络，即mcnn，来解决信息损失的问题。假定输入d维历史功率数据，将其转换成一个1
×1×d×
1的张量x，并输入到一个具有3个卷积层的1维cnn网络中，卷积核的大小为k
×
1，激活函数为relu，步长为1，填充的方式为“same”。对于每个卷积层来说，输出层是一个(1
×1×d×
k)的张量。将每个卷积层的输出进行拉伸，得到(1
×1×
q)的张量，其中q＝d
×
k，3层卷积层中第一层卷积层、第二层卷积层、第三层卷积层拉伸后的输出分别为
[0086]
多尺度特征融合模块的输出为
[0087]
将融合后的特征规整为一个(1
×d×
k)的张量然后输入到bilstm模型中进行时间特征提取，最后通过两个全连接层得到最终的输出结果。
[0088]
步骤s3、基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
[0089]
步骤s31、考虑到风功率预测的不确定性具有非对称和尖峰特性，本实施例考虑使用非对称laplace分布来对其进行刻画，确定非对称laplace分布的概率分布函数：
[0090]
[0091]
上式中，x∈(-∞, ∞)；κ＞0，κ为形状参数，μ为位置参数，s为尺度参数；
[0092]
步骤s32、针对输入的特征xi，参数κ,μ,s随着特征的不同而不同；给定n个训练样本，似然函数为：
[0093][0094]
步骤s33、根据极大似然估计，非对称laplace分布中的参数可通过上述步骤的深度神经网络通过最大化对数似然函数学习得到，即最小化负对数似然函数。因此，损失函数表示为：
[0095][0096]
其中，表示的是神经网络的输出向量，利用该损失函数训练第三步设计的深度神经网络；基于所述损失函数对所述神经网络模型进行训练。
[0097]
步骤s4、基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
[0098]
本实施例所提出的模型并不是直接对风功率进行预测，而是预测非对称laplace分布的参数。因此，通过该模型可以直接得到风功率的概率预测结果。根据所估计的非对称laplace分布函数，可用其均值统计量作为风功率的确定性预测结果，计算公式为：：
[0099][0100]
上式中，μ
*
，κ
*
，s
*
表示分别表示非对称laplace分布中预测的位置参数、形状参数和尺度参数。
[0101]
本实施例中还采用2019年比利时陆上和海上风力发电数据集来评估所提出模型的有效性。该数据集中风功率数据中采样尺度为1小时。在整个数据集中，前10个月的数据作为训练样本来训练整个模型，剩余的2个月数据分别作为验证集和测试集。验证集用来辅助选择模型最优参数，而测试集用来测试模型的预测性能。为了方便描述，将陆上和海上的数据集分别命名为be-on和be-off。
[0102]
本实施例中为了度量不同模型的确定性预测性能，采用四种误差指标，即可决系数(r^2)、平均绝对误差(mae)、均方根误差(rmse)以及改进的平均绝对百分比误差(mmape)。为了度量模型的概率预测结果，本实施例采用3项评价指标，即pinball损失(pl)、winkler得分(ws)以及覆盖宽度指标(cwc)。
[0103]
为了评估本实施例所提出方法的确定性风功率预测性能，本实施例考虑如下对比模型：持续预测法、svm、bp神经网络(bpnn)、cnn、lstm、双向lstm(bilstm)、cnn-lstm、cnn-bilstm以及mcnn-bilstm。对于cnn-lstm和cnn-bilstm，两个模型中并没有多尺度特征融合层，卷积层的输出直接输入到lstm以及bilstm中。模型mcnn-bilstm包含了多尺度特征融合层，所用的损失函数为均方误差mse。为了说明本文所提方法概率风功率预测性能的优越性，本实施例采用两类对比模型。第一类为利用区间度量指标为损失的区间模型，如基于平
均pl的lstm模型(pl-lstm)以及基于区间估计误差(piee)的lstm模型(piee-lstm)。此外，还有利用pl作为损失的传统分位数回归模型qr。第二类为概率预测模型，其中包括高斯过程(gp)以及基于gaussian和laplace不确定性描述的cnn、lstm、bilstm、cnn-lstm和cnn-bilstm模型。
[0104]
本实施例中利用验证集来选择模型的最优参数。对于基于cnn的模型，采用三层卷积层，最优的卷积核个数以及卷积核大小分别从{16,32,64,128}和{1,2,3,4}中选择。对于基于lstm和bilstm的模型，最优的隐含层节点数从{50,100,150,200}中选择。对于本实施例中所有的深度学习模型都采用adamax优化器进行模型训练。对于所有对比模型中用于确定性预测的深度学习模型，所用的损失函数均为均方误差mse。
[0105]
本实施例中利用mic来选择模型合适的输入。越大的mic值表示输入越好。在实验中，功率数据的最大滞后阶数选为30。不同数据集中mic值如图2所示。在图中，灰色区域表示mic的值小于0.2。在不同的滞后阶数的条件下，mic值超出灰色区域的历史功率数据被选为最优的模型输入。因此，对于两个数据集来说最优的滞后阶数均为12。在时刻，为了刻画t 1时刻风功率wp(t 1)的波动，最优的输入为{wp(t),wp(t-1),
…
,wp(t-11)}。
[0106]
所有模型的确定性功率预测结果如表1所示。
[0107]
表1不同模型的确定性预测结果
[0108][0109]
从表中可以看出所提出模型al-mcnn-bilstm的性能要优于其他9个对比模型，而且基本上所有基于深度学习的模型要优于传统的风功率预测方法，其中包括持续预测法、svm以及bpnn。三个单一深度学习模型(cnn、lstm和bilstm)在两个数据集上相性能当。对于充分结合两种深度学习模型优势的组合模型cnn-lstm和cnn-bilstm来说，理论上应该比单一的深度学习模型性能更优。然而在实际中，复杂的模型结构以及模型组合方式限制了组合模型的性能。因此，有时组合模型的性能要比单一的模型性能差。例如在数据集be-off中，丛4个误差指标来看，cnn-bilstm的确定性风功率预测性能要比cnn和bilstm的性能差。
[0110]
模型mcnn-bilstm和cnn-bilstm的对比说明不同的组合策略可以导致不同的预测性能。在mcnn-bilstm模型中，cnn不同卷积层上的多尺度特征融合以后输入到bilst中，而cnn-bilstm模型仅仅使用来自于cnn最后一个卷积层的特征，即同一尺度上的信息。从表1的结果可以看出在提前1小时的风功率预测中mcnn-bilstm要优于cnn-bilstm。该现象表明
多尺度特征融合能帮助改进预测性能，其原因可能是因为多尺度信息的充分利用，进而避免了信息损失。
[0111]
模型al-mcnn-bilstm和mcnn-bilstm的差异在于损失函数。所提出模型并不能直接输出确定性的风功率预测值，而是从预测的概率分布推导得到，并且在损失函数中也考虑了基于非对称laplace分布描述的不确定性。然而用于训练mcnn-bilstm的mse损失函数并没有考虑任何不确定性。从表1可以看出al-mcnn-bilstm的性能在两个数据集上均优于mcnn-bilstm。从结果分析来看，在损失函数中考虑不确定性有助于确定性功率预测精度的提升。
[0112]
为了说明概率风功率预测的性能，本实施例对比了85％、90％以及95％置信度下的置信区间，结果如表2和表3所示。
[0113]
表2数据集be-on上不同模型的概率预测结果
[0114][0115]
表3数据集be-off上不同模型的概率预测结果
[0116][0117][0118]
从表2中可以看出在数据集be-on上不同的置信度和概率预测结果度量指标下所提出模型al-mcnn-bilstm比其他对比模型都要好。同样地，在数据集be-off上(表3)也可以看到所提出方法的优越性。所提模型在两个数据集上的区间预测结果以及确定性预测结果如图3、图4中所示。从图中可以看出al-mcnn-bilstm的确定性风电功率预测与实际观测结果吻合度较好，并且在不同置信水平下获得的相应概率预测结果也准确地刻画了风功率预测的不确定性。
[0119]
从表2和表3中的结果也可以看出基于深度学习的概率预测方法的性能要优于传统的概率预测方法gp和qr，并且绝大部分基于概率分布的深度学习模型要优于pl-lstm和pirr-lstm。从pl-lstm、pirr-lstm、al-cnn、al-lstm和al-bilstm的预测结果可以看出非对称laplace损失函数要优于基于区间损失函数pl和pirr，并且在概率风功率预测中lstm和bilstm的性能要优于cnn。从al-cnn、al-lstm和al-bilstm的对比以及al-cnn-lstm、al-cnn-bilstm、al-mcnn-lstm和al-mcnn-bilstm的对比中可以看出混合方法要比单个模型的性能更好，由于mcnn充分利用卷积层中的多尺度信息进而在空间特征提取上优于传统的cnn网络，bilstm在提取时空特征上性能更好。此外，从g-mcnn-bilstm、l-mcnn-bilstm和al-mcnn-bilstm的对比可以看出，基于非对称laplace分布刻画的不确定性要优于基于高斯以及laplace分布刻画的不确定性。
[0120]
本发明实施例还提供一种基于非对称laplace分布的风功率预测系统，基于上述各实施例中的基于非对称laplace分布的风功率预测方法，包括：
[0121]
采集模块，获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
[0122]
神经网络模块，构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
[0123]
训练模块，基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
[0124]
预测模块，基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
[0125]
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图5所示，该服务器可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述基于非对称laplace分布的风功率预测方法的步骤。例如包括：
[0126]
步骤s1、获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
[0127]
步骤s2、构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
[0128]
步骤s3、基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
[0129]
步骤s4、基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
[0130]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0131]
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述基于非对称laplace分布的风功率预测方法的步骤。例如包括：
[0132]
步骤s1、获取历史风功率数据，基于最大互信息系数mic值在所述历史风功率数据中中选择前后两个不同时间集的风功率作为预测输入变量和预测输出变量，预测输入变量和预测输出变量的mic值大于预设阈值；
[0133]
步骤s2、构建多尺度特征融合模块的神经网络模型，所述神经网络模型的输入为一个1
×1×d×
1的张量，其中，d为所述预测输入变量的维度；
[0134]
步骤s3、基于非对称laplace分布的极大似然估计确定所述神经网络的损失函数，基于所述预测输入变量和预测输出变量对所述神经网络模型进行训练，得到用于预测非对称laplace分布的参数的神经网络模型；
[0135]
步骤s4、基于训练好的所述神经网络模型确定非对称laplace分布的参数，并基于非对称laplace分布的参数的均值统计量作为风功率的确定性预测结果。
[0136]
基于相同的技术构思，本技术实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
[0137]
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
[0138]
基于相同的技术构思，本技术实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
[0139]
综上所述，本发明实施例提供的一种基于非对称laplace分布的风功率预测方法和系统，利采用该分布对风电预测的不确定性进行建模，在实现概率风功率预测的过程中，首先，利用最大信息系数(mic)来刻画预测目标与历史功率之间的线性和非线性关系，进而选择合理的历史功率数据作为最优的输入；然后，为了避免信息丢失，提出了基于多个cnn卷积层上多尺度特征融合模块，进一步提升cnn的特征提取能力；最后利用双向lstm提取时间信息并预测非对称laplace分布的参数。
[0140]
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid statedisk)等。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：rom或随机存储记忆体ram、磁碟或者光盘等各种可存储程序代码的介质。
[0143]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。