(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111370186.6 (22)申请日 2021.11.17 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 万灿　赵长飞　宋永华　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 万尾甜　韩介梅 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 一种成本驱动 的可再生能源发电功率区间 预测方法 (57)摘要 本发明公开了一种成本驱动的可再生能源 发电功率区间预测方法。 该方法构建了成本驱动 的机器学习双层优化模型： 下层优化问题利用分 位数回归技术生成可再生能源发电功率预测区 间的端点， 基于该区间预测信息确定未来时段可 再生能源厂站的出力计划； 上层优化问题以最小 化出力计划所导致的预期成本为总体目标优化 预测区间端点的分位数水平。 该方法将可再生能 源的区间预测与决策集成在统一的优化模型中， 实现了预测性能与决策性能的协同优化。 权利要求书3页 说明书7页 附图1页 CN 114201912 A 2022.03.18 CN 114201912 A 1.一种成本驱动的可 再生能源发电功率区间预测方法， 其特 征在于， 包括以下步骤： 1)构建基于极限学习机的分位数回归 模型； 2)构建可 再生能源厂站发电计划的区间优化决策模型； 3)构建成本驱动的机器学习双 层优化模型； 4)将成本驱动的机器学习双 层优化模型等 价转化为单层非线性优化问题； 5)利用空间分支定界算法求 解双层优化的等效单层非线性优化问题。 2.根据权利要求1所述的成本驱动的可再生 能源发电功率 区间预测方法， 其特征在于， 所述的步骤1)具体为： 利用极限学习机作为可再生能源发电功率分位数估计的输出函数， 通过最小化分位数损失函数， 构建基于极限学习机的分位数回归 模型： subject to: 式中， α 表示分位数水平， α和 分别为预测区间左右端点对应的分位数水平； t为时标， 为训练样本的时标集合； ωα和 分别为α和 分位数估计对应的极限学习机输出层权 重向量； 和 为非负的辅助变 量； g(·,·)为极限学习机的输出函 数； wt为归一化后的t 时刻可再生能源的实际出力， xt为t时刻的特 征向量。 3.根据权利要求2所述的成本驱动的可再生 能源发电功率 区间预测方法， 其特征在于， 所述的步骤2)具体为： 将可再生能源发电功率的预测不确定性用预测区间进行建模， 假定 未来可再生能源发电功 率可在该预测区间内任意取值， 以各种情况下可能出现的发电计划 偏差成本最小化 为目标， 构建可 再生能源厂站发电计划的区间优化决策模型： subject to： 式中， 是决策时段内的时标集合； πt表示可再生能源厂站在t时刻的发电计划； φt表 示因发电计划 πt与可再生能源实际出力wt存在偏差而导致的成本， 和 分别表示出力 正负偏差在t时刻的单位功率成本； [ ·]+将运算符内 的操作数与 0进行比较， 若操作数大于 0， 则输出操作数， 否则输出0 。 4.根据权利要求3所述的成本驱动的可再生 能源发电功率 区间预测方法， 其特征在于，权　利　要　求　书 1/3 页 2 CN 114201912 A 2所述的步骤3)中构建成本驱动的机器学习双层优化模型， 具体为： 将基于极限学习机的分 位数回归模型和可再生能源厂站发电计划的区间优化决策模型作为下层优化问题； 以最小 化发电计划的决策成本为目标调整预测区间左右端点对应的分位数水平， 作为上层 优化问 题； 所述上层优化问题为： subject to: 0≤α ≤α ≤1 所述下层优化问题为： subject to: 式中， 1‑β 为预测区间置信水平。 5.根据权利要求4所述的成本驱动的可再生 能源发电功率 区间预测方法， 其特征在于， 所述的步骤4)具体为： 将基于极限学习机的分位数回归模型用其最优性条件代替， 将发电 计划的区间优化决策模型等效转化为确定性优化决策问题， 并对上层 优化的目标函数等效 合并， 得到与原 始双层优化模型等效的单层优化问题： subject to: 0≤α ≤α ≤1 权　利　要　求　书 2/3 页 3 CN 114201912 A 3