本发明属于风电领域，特别是涉及到一种基于深度学习的多目标优化新能源功率预测方法及装置。
背景技术：
风电并网容量迅速增加，由于风能的间歇性和波动性，对电网的冲击很大，风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来不利影响。因此，准确的风电场功率预测是解决规模化风电并网安全高效运行的重要基础，进行风电功率预测具有重要的现实意义。目前国际上新能源预测模型主要为物理模型、统计模型和人工智能等，较多采用的是基于NWP功率预测模型，只对均方根误差就行优化，单点偏差比较大，而且没有考虑风速的连续性，风功率预测准确性较低。
技术实现要素：
本发明提出一种基于深度学习的多目标优化新能源功率预测方法及装置，通过建立深度网络模型，对均方根误差和偏差进行多目标优化，同时充分利用风速短暂的连续性，提高预测的准确性。。
为达到上述目的，本发明的技术方案是这样实现的，一种基于深度学习的多目标优化新能源功率预测方法，包括：
(1)选取预测风速跟实发功率建立对应关系，作为建模数据；
(2)限制玻尔兹曼机预训练；
(3)深信度网络建模；
(4)基于目标加权的新能源功率预测。
进一步的，步骤(1)所述建模数据选取的具体步骤为：选取当前时刻t,及t-1,t-2时刻的预测风速数据作为输入数据，t时刻的实发功率为输出数据。
进一步的，步骤(2)所述预训练的具体过程为：
把输入数据带入到限制玻尔兹曼机，输出为其对应的功率，对模型进行预训练，为预测模型做准备。
进一步的，步骤(3)所述建模的具体过程为：在步骤(2)的基础上，在其输出层在叠加一个BP神经网络，构建深信度网络，而BP神经网络的输出层为实发功率，得到一个完成的预测模型。
进一步的，步骤(4)所述基于目标加权的新能源功率预测使用神经网络算法，具体过程为：
(401)均方根误差扣分，公式如下：
其中，
CR＝1-RMSE
PMt为t时刻的实际功率，PPt为t时刻的预测功率，Cap为平均开机容量，n为样本个数；
(402)积分偏差电量扣分，公式如下：
其中，
PMt为t时刻的实际功率，PPt为t时刻的预测功率，Cap为平均开机容量；
(403)计算误差函数，公式为：
err＝k*Ei+(1-k)*Esum
其中，k为不同项所占的权重，通过实验确定最优的k值，从而得到预测结果。
本发明的另一方面，还提供了一种基于深度学习的多目标优化新能源功率预测装置，包括：
建模数据选取模块，用于选取预测风速跟实发功率建立对应关系，作为建模数据；
预训练模块，用于限制玻尔兹曼机预训练；
建模模块，用于深信度网络建模；
预测模块，用于基于目标加权的新能源功率预测。
进一步的，建模数据选取模块包括三时刻选取单元，用于选取当前时刻t,及t-1,t-2时刻的预测风速数据作为输入数据，t时刻的实发功率为输出数据。
进一步的，所述预训练模块包括限制玻尔兹曼机单元，用于把输入数据带入到限制玻尔兹曼机，输出为其对应的功率，对模型进行预训练，为预测模型做准备。
进一步的，所述建模模块包括深信度网络单元，用于在预训练模块的输出层叠加一个BP神经网络，构建深信度网络，而BP神经网络的输出层为实发功率，得到一个完成的预测模型。
进一步的，所述预测模块包括：
均方根单元，用于计算均方根误差扣分；
偏差单元，用于计算积分偏差电量扣分；
误差统计单元，用于计算误差函数；
所述误差统计单元包括权重子单元，用于通过实验确定最优的权重k值。
相对于现有技术，本发明所述一种基于深度学习的多目标优化新能源功率预测方法及装置的有益效果为：
本发明充分利用风速变化的短暂连续性，利用预测风速与实发功率进行建模，避免引入累计误差，同时考虑均方根误差和单点偏差，提高预测准确性；同时利用深度学习的自学习能力，提高模型的泛化能力。
附图说明
图1是本发明实施例的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
如图1所示，本发明的具体说明如下：
(1)建模数据的选取
对未来的功率进行预测，本来选取数据天气预报(NWP)回算的预测风速跟实发功率建立对应关系。相对于实发风速跟实发功率建立关系的优势在于：对于未来的预测是根据预测风速来进行计算的；在后期建模时不需要对风速进行复杂的处理，是操作简单，同时避免引入累计误差。
风速的变化是一个连续的过程,风速时间序列存在着很强的相关性，综合考虑风速时间的连续性，本文选取当前时刻t,及t-1,t-2时刻的预测风速数据作为输入数据，t时刻的实发功率为输出数据。
(2)限制玻尔兹曼机预训练
首先在已知输入v的情况下，所有的隐藏节点之间是条件独立的(因为节点之间不存在连接)，即p(h|v)＝p(h1|v)…p(hn|v)。同理，在已知隐藏层h的情况下，所有的可视节点都是条件独立的。因此，当输入v的时候，通过p(h|v)可以得到隐藏层h，而得到隐藏层h之后，通过p(v/h)又能得到可视层，通过调整参数，我们就是要使得从隐藏层得到的可视层v1与原来的可视层v如果一样，那么得到的隐藏层就是可视层另外一种表达，因此隐藏层可以作为可视层输入数据的特征，
联合组态的能量可以表示为：
θ＝{W,a,b}为模型参数；
W为可视层节点和隐节点间的权值，a和b为权值；
组态的联合概率分布为：
因为隐藏节点相互没有连接，概率独立分布：
可得到在给定可视层v的基础上，隐层第j个节点为1或者为0的概率：
同理，在给定隐层h的基础上，可视层第i个节点为1或者为0的概率为：
给定一个满足独立同分布的样本集：D＝{v(1),v(2),…,v(N)}，我们需要学习参数θ＝{W,a,b}。
最大化对数似然函数
对最大对数似然函数求导，得到L最大时对应的参数W了。
(3)深信度网络(DBNs)建模过程
深信度网络是建立一个观察数据和标签之间的联合分布的概率生成模型，由多层限制玻尔兹曼机(RBM)组成，这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。
把深信度网络(DBNs)分层来处理，由下至上，对每一层进行无监督的训练，底层限制玻尔兹曼机(RBM)的隐含层作为上一个RBM的输入，无监督训练结束后，使用有监督的学习对网络进行精调。其训练过程，首先，输入层与第一个隐含层之间构成一个RBM，在可视层会产生一个向量v，通过它将值传递到隐层。反过来，可视层的输入会被随机的选择，以尝试去重构原始的输入信号，通过训练使其达到能量平衡。最后，这些新的可视的神经元激活单元将前向传递重构隐层激活单元，这些新可视单元再次映射给隐单元，这样就获取新的隐单元；重复此过程纸质训练完所有层的RBM。
完成无监督的逐层预训练以后，对于原始的输入x，以目标输出作为监督信号，构造多目标优化函数，采用BP神经网络对精度进行调整。
(4)基于目标加权的新能源功率预测
在预训练后，DBN可以通过利用带标签数据用BP算法去对判别性能做调整。在这里，一个标签集将被附加到顶层(推广联想记忆)，通过一个自下向上的，学习到的识别权值获得一个网络面。根据NWP回算的历史预测风速与实发功率的对应关系，建立模型，对未来进行预测。
目前对新能源功率预测主要关注两点：均方根误差和单点偏大。
CR＝1-RMSE
其中，PMt为t时刻的实际功率，PPt为t时刻的预测功率，Cap为平均开机容量，n为样本个数。
1)均方根扣分
根据各省网考核办法，计算出电厂当天若是精度不达标的情况下(低于80％)的扣分情况:
2)积分偏差电量扣分
若是Qt等于0则将这个点计入考核，求这个点的偏差电量，计入累计值，最终求得一天的偏差电量。
BP算法对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S型函数。
该算法的学习过程正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。
将误差函数定义为
err＝k*Ei+(1-k)*Esum
k为不同项所占的权重。
通过实验确定最优的k值，从而得到预测结果。
(5)实验结果
为了验证本文算法的有效性，以装机容量为148.5MW某电场为例，实验结果如下：
以上所述内容，步骤(4)中基于目标加权的新能源功率预测中用的bP神经网络可以用支持向量机来代替。
以上描述了本发明的基本原理、主要特征和实施方案等信息，但是本发明不受上述实施过程的限制，在不脱离发明精神和范围的前提下，本发明还可以有各种变化和改进。因此，除非这种变化和改进脱离了本发明的范围，它们应该被看作包含在本发明中。