免費下載！
[!--downpath--]一種基于求和的短期負(fù)荷概率預(yù)測方法
技術(shù)領(lǐng)域
1.本發(fā)明涉及電力預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于求和的短期負(fù)荷概率預(yù)測方法。
背景技術(shù)：
2. 短期負(fù)荷預(yù)測一般是根據(jù)電力系統(tǒng)的運(yùn)行特性、過去的用電模式、天氣等誘因，計算未來幾個小時的電力需求。 準(zhǔn)確的短期負(fù)荷預(yù)測可用于制定實時發(fā)電計劃和實時電力市場結(jié)算等，為電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行提供依據(jù)。 近年來，新能源發(fā)電的并網(wǎng)發(fā)電降低了電力負(fù)荷的不確定性，給短期負(fù)荷預(yù)測帶來了挑戰(zhàn)。 因此，研究如何提高負(fù)荷預(yù)測的準(zhǔn)確性，獲取電力負(fù)荷的不確定性信息具有現(xiàn)實意義。
3、目前的短期負(fù)荷預(yù)測方法按預(yù)測結(jié)果可分為點負(fù)荷預(yù)測和概率負(fù)荷預(yù)測。 點負(fù)荷預(yù)測方法主要有支持向量機(jī)（svr）、長短期記憶網(wǎng)絡(luò)（lstm）和極端梯度提升樹（）等。 事實上，對點負(fù)荷預(yù)測方法的研究很多，但存在預(yù)測結(jié)果僅為單一值，無法定量描述電力負(fù)荷不確定性等問題。 與點負(fù)荷預(yù)測方法相比，概率負(fù)荷預(yù)測方法可以量化未來電力負(fù)荷的不確定性信息，因此近年來受到更多研究者的追捧。 研究人員將分位數(shù)回歸理論與神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)相結(jié)合來預(yù)測概率密度。 同時，他們還利用分位數(shù)回歸理論和lstm構(gòu)建了分位數(shù)回歸長短期記憶網(wǎng)絡(luò)()的短期風(fēng)電功率預(yù)測，驗證了預(yù)測效果優(yōu)于普通模型。 上述概率預(yù)測方法側(cè)重于算法融合和改進(jìn)，對挖掘影響電力負(fù)荷不確定性的重要特征的研究不足，難以可靠、準(zhǔn)確地預(yù)測電力負(fù)荷概率。
技術(shù)實現(xiàn)要素：
4、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于短期負(fù)荷概率的預(yù)測方法，與現(xiàn)有技術(shù)相比，本發(fā)明能夠準(zhǔn)確、快速地進(jìn)行電力負(fù)荷預(yù)測，并且能夠反映概率的電力負(fù)荷信息。
5、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：
6、提供一種基于總和的短期負(fù)荷概率預(yù)測方法，包括以下步驟：
7.s1：獲取基礎(chǔ)數(shù)據(jù)，包括歷史負(fù)荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關(guān)數(shù)據(jù)集；
8.s2：根據(jù)數(shù)據(jù)類型，選擇相應(yīng)的特征和編碼方式構(gòu)建數(shù)據(jù)集，通過以下公式對數(shù)據(jù)進(jìn)行歸一化處理，
[0009] [0010]
式中：x為原始輸入特征，x
最大限度
與 x
分鐘
是原始特征的兩個極值，xn 是歸一化結(jié)果；
[0011]
s3：使用算法進(jìn)行點負(fù)荷預(yù)測，生成特征重要性排序；
[0012]
s4：根據(jù)重要特征和點負(fù)荷預(yù)測結(jié)果添加到s2構(gòu)建的數(shù)據(jù)集中；
[0013]
s5：使用損失函數(shù)和lstm構(gòu)造（分位數(shù)回歸長短期記憶網(wǎng)絡(luò)）函數(shù)。
[0014]
s6：利用s4中構(gòu)建的數(shù)據(jù)集建立預(yù)測模型，得到不同分位數(shù)下的預(yù)測結(jié)果z1,...,zn；
[0015]
s7：將s6中每個分位數(shù)輸出下的預(yù)測結(jié)果作為核密度或輸入值lstm風(fēng)電功率預(yù)測，通過下式得到概率密度曲線；
[0016] [0017]
在公式：
[0018]
n 是輸入樣本的總量；
[0019]
h是帶寬：
[0020] [0021]
k(
·
) 是一個非負(fù)核函數(shù)：
[0022]
采用經(jīng)驗法選取函數(shù)作為核函數(shù)。 核函數(shù)的估計公式和帶寬估計公式如下：
[0023] [0024]
進(jìn)一步地，在s2中，三種數(shù)據(jù)類型對應(yīng)的特征和編碼方式如表1所示：
[0025]
表1 數(shù)據(jù)類型、特征及編碼方式對比表
[0026] [0027]
更進(jìn)一步，s3的具體過程如下：
[0028]
s31、算法參數(shù)和預(yù)測函數(shù)f0(x)的初始化；
[0029]
s32。 在訓(xùn)練樣本上迭代估計損失函數(shù)的一階導(dǎo)數(shù)gi和二階行列式hi；
[0030]
s33。 通過貪心策略生成新的回歸樹f
噸
(x)、估計葉節(jié)點參數(shù)值；
[0031]
s34。 將新的回歸樹加入到預(yù)測函數(shù)中，統(tǒng)計輸入特征被用于生成新樹的次數(shù)；
[0032]
s35。 判斷損失函數(shù)值是否多次未恢復(fù)或達(dá)到最大迭代次數(shù)，如果是則轉(zhuǎn)s36，
否則轉(zhuǎn)至 s32；
[0033]
s36。 得到完整的預(yù)測函數(shù)和特征重要性。
[0034]
更進(jìn)一步，s5中函數(shù)的構(gòu)造方法：
[0035]
s51。 損失函數(shù)的估計公式如下：
[0036] [0037] [0038]
式中：yi為第i時刻的電力負(fù)荷值，為第i時刻q分位數(shù)下電力負(fù)荷的預(yù)測值。
[0039]
s52. 使用損失函數(shù)修改lstm的目標(biāo)函數(shù)構(gòu)造函數(shù)如下：
[0040] [0041]
式中：q為條件分位數(shù)總數(shù)； q 是分位數(shù)； 是第q個條件分位數(shù)下的預(yù)測值； 可輸出多分位數(shù)預(yù)測結(jié)果，反映電力負(fù)荷的不確定性。
[0042]
與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
[0043]
1、本發(fā)明提出了一種基于和的短期負(fù)荷概率預(yù)測方法，利用算法進(jìn)行點負(fù)荷預(yù)測，并對影響電力負(fù)荷的特征進(jìn)行排序，解決了特征冗余的問題。
[0044]
2、本發(fā)明利用損失函數(shù)對lstm的目標(biāo)函數(shù)進(jìn)行變換得到預(yù)測模型，可以得到電力負(fù)荷的分位數(shù)預(yù)測結(jié)果，解決了點負(fù)荷預(yù)測不能反映電力負(fù)荷概率的問題。電力負(fù)荷
[0045]
3、本發(fā)明提出兩階段預(yù)測方法，即利用預(yù)測方法得到點負(fù)荷結(jié)果，將點負(fù)荷結(jié)果作為預(yù)測模型的輸入特征，使預(yù)測結(jié)果更加準(zhǔn)確更快。
圖紙說明
[0046]
圖1為本發(fā)明方法的流程示意圖。
[0047]
圖2為本發(fā)明實施例方法的應(yīng)用過程示意圖。
[0048]
圖3是改造后的結(jié)構(gòu)示意圖。
[0049]
圖4為本發(fā)明方法與傳統(tǒng)方法在實施例中的預(yù)測結(jié)果對比示意圖。
[0050]
圖5為本發(fā)明方法在實施例中預(yù)測的概率密度示意圖。
[0051]
圖6是本發(fā)明的數(shù)據(jù)類型、特征和編碼形式的對照表。
[0052]
圖7是本發(fā)明的預(yù)測方法與其他預(yù)測方法的預(yù)測比較結(jié)果。
具體實現(xiàn)方法
[0053]
為了清楚說明本方案的技術(shù)特點，下面通過具體的實現(xiàn)方法對本方案進(jìn)行討論。
[0054]
本實施例的詳細(xì)應(yīng)用流程如圖2所示，具體說明如下：
[0055]
s1：獲取本發(fā)明所需的基礎(chǔ)數(shù)據(jù)，主要包括歷史負(fù)荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關(guān)數(shù)據(jù)集；
[0056]
s2：根據(jù)獲取的數(shù)據(jù)構(gòu)建數(shù)據(jù)集，并對數(shù)據(jù)進(jìn)行歸一化處理；
[0057]
s3：使用算法進(jìn)行點負(fù)荷預(yù)測，生成特征重要性排序；
[0058]
s4：根據(jù)重要特征和點負(fù)荷預(yù)測結(jié)果添加到s2構(gòu)建的數(shù)據(jù)集中；
[0059]
s5：利用損失函數(shù)和lstm構(gòu)建分位數(shù)回歸長短期記憶網(wǎng)絡(luò)（）；
[0060]
s6：利用s4中構(gòu)建的數(shù)據(jù)集建立預(yù)測模型，得到不同分位數(shù)下的預(yù)測結(jié)果z1,...,zn；
[0061]
s7：利用核密度或函數(shù)得到概率密度曲線。
[0062]
在s2中，根據(jù)獲取的數(shù)據(jù)構(gòu)建數(shù)據(jù)集，并對數(shù)據(jù)進(jìn)行歸一化處理。 詳細(xì)說明如下：
[0063]
s21. 構(gòu)建的數(shù)據(jù)集的特征和編碼方式如圖6所示。
[0064]
s22. 數(shù)據(jù)歸一化公式如下：
【0065】【0066】
式中：x為原始輸入特征，x
最大限度
與 x
分鐘
是一個原始特征的兩個極值，xn是歸一化后的結(jié)果。
[0067]
在 s3 中，該算法用于預(yù)測點負(fù)載并生成特征重要性排名。 詳細(xì)過程如下：
[0068]
s31、算法參數(shù)和預(yù)測函數(shù)f0(x)的初始化；
[0069]
s32。 在訓(xùn)練樣本上迭代估計損失函數(shù)的一階行列式gi和二階行列式hi；
[0070]
s33。 通過貪心策略生成新的回歸樹f
噸
(x)、估計葉節(jié)點參數(shù)值；
[0071]
s34。 將新的回歸樹加入到預(yù)測函數(shù)中，統(tǒng)計輸入特征被用于生成新樹的次數(shù)；
[0072]
s35。 判斷損失函數(shù)值是否多次上升或達(dá)到最大迭代次數(shù)，如果是則轉(zhuǎn)s36，否則轉(zhuǎn)s32；
[0073]
s36。 得到完整的預(yù)測函數(shù)和特征重要性。
[0074]
s5中，利用損失函數(shù)和lstm構(gòu)建分位數(shù)回歸長短期記憶網(wǎng)絡(luò)（），具體為：
[0075]
s51。 loss，又稱分位數(shù)回歸損失，可以綜合評價概率預(yù)測結(jié)果的清晰度和可靠性。 損失越小，概率預(yù)測結(jié)果的清晰度和可靠性越好。 估計公式如下。
[0076]
[0077] [0078]
式中：yi為第i時刻的電力負(fù)荷值，為第i時刻q分位數(shù)下電力負(fù)荷的預(yù)測值。
[0079]
s52. 使用 loss重構(gòu)lstm的目標(biāo)函數(shù)結(jié)構(gòu)。 重構(gòu)的目標(biāo)函數(shù)如下式所示：
[0080] [0081]
式中：q為條件分位數(shù)總數(shù)； q 是分位數(shù)； 是q的條件分位數(shù)下的預(yù)測值； 構(gòu)建的knot light如圖3所示，重構(gòu)后可以輸出多分位數(shù)預(yù)測結(jié)果，反映電力負(fù)荷的不確定性。
[0082]
將s6中每個分位數(shù)輸出下的預(yù)測值作為核密度或輸入值，概率密度曲線可由下式得到。
【0083】【0084】
在公式：
[0085]
n 是輸入樣本的總量；
[0086]
h是帶寬：
【0087】【0088】
k(
·
)為非負(fù)核函數(shù)：采用經(jīng)驗法選取一個函數(shù)作為核函數(shù)，核函數(shù)的估計公式和帶寬估計公式如下。
【0089】【0090】
采用2013-2015年采樣間隔為1h的負(fù)荷數(shù)據(jù)集作為實驗數(shù)據(jù)集。 為了說明所提預(yù)測方法的有效性，施工對比預(yù)測方法如下：
[0091]
分位數(shù)回歸神經(jīng)網(wǎng)絡(luò) (qrnn)、xgb+、xgb+qrnn 和預(yù)測方法。
[0092]
為了量化本發(fā)明預(yù)測值的準(zhǔn)確性，采用平均絕對比誤差（，mape）和均方根誤差（root mean error，rmse）作為確定性負(fù)荷預(yù)測結(jié)果的評價指標(biāo)，他們的表達(dá)如下。
[0093] [0094] [0095]
式中：n為預(yù)測樣本總數(shù)； yn為用電負(fù)荷實際值； 是負(fù)荷預(yù)測值。 mape和rmse分別反映預(yù)測療效的準(zhǔn)確性和穩(wěn)定性。
[0096]
loss用來評價概率預(yù)測結(jié)果的可靠性，估計公式如下：
[0097] [0098] [0099]
式中：yi為第i時刻的電力負(fù)荷值，為第i時刻q分位數(shù)下電力負(fù)荷的預(yù)測值。
[0100]
本發(fā)明的預(yù)測方法與其他預(yù)測方法的預(yù)測比較結(jié)果如圖3所示。 7.
[0101]
從上表可以看出，本發(fā)明提出的預(yù)測方法在所采用的評價方法中均取得了較好的預(yù)測療效。 與xgb+qrnn、qrnn和預(yù)測模型相比，本發(fā)明的方法在mape上提高了0.45%、0.24%、1.71%和0.31%； 均方根誤差評價值(mw)提高了19.32(mw)、11.8(mw)、76.26、17.32(mw)lstm風(fēng)電功率預(yù)測，驗證了所提出的預(yù)測方法能夠提高電力負(fù)荷預(yù)測的準(zhǔn)確性。 在損失的評估中，與xgb+qrnn和qrnn概率預(yù)測模型相比，所提出的預(yù)測方法的得分分別提高了5.14（mw）、2.28（mw）和19.32（mw），反映出本文方法對概率預(yù)測有重大影響。 清晰度和可靠性指標(biāo)得到改善。
[0102]
圖4為本發(fā)明方法與對比技術(shù)的預(yù)測結(jié)果對比圖，qrnn預(yù)測方法不能更好地擬合波動階段的實際負(fù)荷曲線。 本發(fā)明提出的預(yù)測方法無論在穩(wěn)定階段還是波動階段，都能較好地擬合實際負(fù)荷值，表現(xiàn)出穩(wěn)定的預(yù)測療效。 因此，驗證了本發(fā)明提出的預(yù)測方法能夠有效地挖掘影響電力負(fù)荷波動階段的誘因，提高點負(fù)荷預(yù)測的準(zhǔn)確性。
[0103]
圖5為本發(fā)明方法的概率密度預(yù)測曲線。 本發(fā)明提出預(yù)測方法的峰值更接近實際負(fù)荷值，同時預(yù)測的波形更穩(wěn)定，波動更小。因此，驗證了預(yù)測方法中的特征挖掘本發(fā)明提出的概率預(yù)測方法可以更準(zhǔn)確地描述電力負(fù)荷的不確定性信息
[0104]
綜上所述，本發(fā)明利用一種算法進(jìn)行點負(fù)荷預(yù)測，并對影響電力負(fù)荷的特征進(jìn)行排序，解決了預(yù)測過程中特征冗余的問題。
[0105]
本發(fā)明利用損失函數(shù)重構(gòu)lstm的目標(biāo)函數(shù)得到預(yù)測模型，可以得到電力負(fù)荷的分位數(shù)預(yù)測結(jié)果，解決了點負(fù)荷預(yù)測不能反映電力負(fù)荷概率的問題。
[0106]
本發(fā)明利用核密度或算法，通過數(shù)字預(yù)測結(jié)果生成概率密度曲線，直接反映概率信息。
[0107]
本發(fā)明提出了一種兩階段的預(yù)測方法，即利用預(yù)測方法得到點負(fù)荷結(jié)果，并將點負(fù)荷結(jié)果作為預(yù)測模型的輸入特征，使得預(yù)測結(jié)果更加準(zhǔn)確更快。
[0108]
事實上，以上描述不限于以上示例，本發(fā)明未描述的技術(shù)特征可以通過或
采用現(xiàn)有技術(shù)實現(xiàn)，這里不再贅述； 以上實施例及附圖僅用于說明本發(fā)明的技術(shù)方案，并不用于限制本發(fā)明，本發(fā)明已經(jīng)結(jié)合優(yōu)選實施方式進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員技術(shù)人員應(yīng)當(dāng)理解，本領(lǐng)域的技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所作的改動、修改、增加或替換，均不脫離本發(fā)明的精神，也應(yīng)屬于本發(fā)明的保護(hù)范圍。本發(fā)明的權(quán)利要求。
技術(shù)特點：
1、一種基于sum的短期負(fù)荷概率預(yù)測方法，其特征在于包括以下步驟： s1：獲取基礎(chǔ)數(shù)據(jù)，包括歷史負(fù)荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關(guān)數(shù)據(jù)集； s2：根據(jù)數(shù)據(jù)類型和編碼方式選擇相應(yīng)的特征構(gòu)建數(shù)據(jù)集，通過以下公式對數(shù)據(jù)進(jìn)行歸一化，其中：x為原始輸入特征，x
最大限度
與 x
分鐘
是某個原始特征 x 的兩個極值
不
是歸一化的結(jié)果； s3：使用算法預(yù)測點載荷，生成特征重要性排序：s31，初始化算法參數(shù)和預(yù)測函數(shù)f0(x)； s32，訓(xùn)練樣本上迭代估計損失函數(shù)的一階計算指南g
我
和二階行列式 hi； s33、通過貪心策略生成新的回歸樹f
噸
(x)，估計葉節(jié)點的參數(shù)值； s34、將新的回歸樹加入到預(yù)測函數(shù)中，統(tǒng)計輸入特征被用于生成新樹的次數(shù)； s35，判斷損失函數(shù)值是否沒有多次反彈或達(dá)到最大迭代次數(shù)，是則轉(zhuǎn)s36，否則轉(zhuǎn)s32； s36，得到完整的預(yù)測函數(shù)和特征重要性。 s4：根據(jù)重要特征和點負(fù)荷預(yù)測結(jié)果，添加到s2構(gòu)建的數(shù)據(jù)集中； s5：使用損失函數(shù)和lstm構(gòu)建（分位數(shù)回歸長短期記憶網(wǎng)絡(luò)）函數(shù)：s51，損失函數(shù)的估計公式為如下公式：s51。 損失函數(shù)的估計公式為下式： 其中：y
我
為第i時刻的電力負(fù)荷值， 為第i時刻q分位數(shù)下電力負(fù)荷的預(yù)測值。 s52. 使用損失函數(shù)重構(gòu)lstm的目標(biāo)函數(shù)構(gòu)造函數(shù)如下： 式中：q為條件分位數(shù)總數(shù)； q 是分位數(shù)； 是第q個條件分位數(shù)下的預(yù)測值。 s6：使用s4中構(gòu)建的數(shù)據(jù)集構(gòu)建預(yù)測模型，得到不同分位數(shù)下的預(yù)測結(jié)果
z1,...,z
不
;s7：將s6中每個分位數(shù)輸出下的預(yù)測結(jié)果作為核密度或輸入值，通過以下公式得到概率密度曲線； 其中： n 是輸入樣本的總量； h是帶寬：k(
·
)為非負(fù)核函數(shù)：采用經(jīng)驗法選取一個函數(shù)作為核函數(shù)，核函數(shù)的估計公式和帶寬估計公式如下： 2. 根據(jù)求和的短期負(fù)荷2.一種如權(quán)利要求1所述的概率預(yù)測方法，其特征在于，在s2中，三種數(shù)據(jù)類型對應(yīng)的特征及編碼方式如表1所示： 表1為數(shù)據(jù)類型、特征及編碼形式對照表。
技術(shù)概要
本發(fā)明涉及一種基于和的短期負(fù)荷概率預(yù)測方法，包括獲取本發(fā)明所需的基礎(chǔ)數(shù)據(jù)，主要包括歷史負(fù)荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關(guān)數(shù)據(jù)集等； 根據(jù)得到的數(shù)據(jù)構(gòu)建數(shù)據(jù)集，并對數(shù)據(jù)進(jìn)行歸一化處理； 利用算法預(yù)測點負(fù)載，得到特征重要性排序； 將重要特征和點負(fù)荷預(yù)測結(jié)果添加到構(gòu)建的數(shù)據(jù)集中； 使用 損失函數(shù)和 LSTM 構(gòu)造分位數(shù)； 使用構(gòu)建的數(shù)據(jù)集訓(xùn)練預(yù)測模型，得到不同分位數(shù)下的預(yù)測結(jié)果； 利用核密度或函數(shù)得到概率密度曲線。 與現(xiàn)有技術(shù)相比，本發(fā)明能夠準(zhǔn)確、快速地預(yù)測電力負(fù)荷，能夠反映電力負(fù)荷的概率信息。 電荷的概率信息。
技術(shù)開發(fā)人員：杜銀晶、周廣創(chuàng)、張兆北、李繼攀、田克強(qiáng)、孫蘇亮、楊亞麗、程欣、江惠喜、郭銳、李明、趙體尊、魏中杰
技術(shù)保護(hù)用戶：國網(wǎng)廣東捷電德州供電公司
技術(shù)研發(fā)日：2022.02.15
技術(shù)公告日期：2022/5/17