[发明专利]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

说明书

本发明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。

技术领域

本发明属于电力系统负荷预测技术领域，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。

背景技术

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。

发明内容

为了解决上述技术问题，本发明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，矩阵为O行K列的矩阵，矩阵第o行第k列的元素记为y_ok；PDA为上级市场的电价矩阵，矩阵第o行第k列的元素记为pda_ok；PRT为下级市场的电价矩阵，矩阵第o行第k列的元素记为prt_ok；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t_ok；Ac为Y与真实负荷之间的偏差向量；矩阵PDA、PRT、T、Ac均与矩阵Y为同型矩阵；ε(z)表示神经元的激励函数；δ(z)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W_ih、W_ho、b_h、b_o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；X是一个(i*h+h*o+h+o)-1的向量，记为H-1的向量，其中，H＝i*h+h*o+h+o；

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；x_h表示X中第h个元素；e_q是Er中第q个元素，prtf_q表示L(PRT)中的第q个元素；pdaf_q表示L(PDA)中第q个元素；⊙表示矩阵的点乘；×表示矩阵的叉乘；