免費下載！
[!--downpath--]一種基于求和的短期負荷概率預測方法
技術領域
1.本發(fā)明涉及電力預測技術領域，具體涉及一種基于求和的短期負荷概率預測方法。
背景技術：
2. 短期負荷預測一般是根據(jù)電力系統(tǒng)的運行特性、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。 準確的短期負荷預測可用于制定實時發(fā)電計劃和實時電力市場結算等，為電力系統(tǒng)安全經(jīng)濟運行提供依據(jù)。 近年來，新能源發(fā)電的并網(wǎng)發(fā)電降低了電力負荷的不確定性，給短期負荷預測帶來了挑戰(zhàn)。 因此，研究如何提高負荷預測的準確性，獲取電力負荷的不確定性信息具有現(xiàn)實意義。
3、目前的短期負荷預測方法按預測結果可分為點負荷預測和概率負荷預測。 點負荷預測方法主要有支持向量機（svr）、長短期記憶網(wǎng)絡（lstm）和極端梯度提升樹（）等。 事實上，對點負荷預測方法的研究很多，但存在預測結果僅為單一值，無法定量描述電力負荷不確定性等問題。 與點負荷預測方法相比，概率負荷預測方法可以量化未來電力負荷的不確定性信息，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)絡和徑向基神經(jīng)網(wǎng)絡相結合來預測概率密度。 同時，他們還利用分位數(shù)回歸理論和lstm構建了分位數(shù)回歸長短期記憶網(wǎng)絡()的短期風電功率預測，驗證了預測效果優(yōu)于普通模型。 上述概率預測方法側重于算法融合和改進，對挖掘影響電力負荷不確定性的重要特征的研究不足，難以可靠、準確地預測電力負荷概率。
技術實現(xiàn)要素：
4、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于短期負荷概率的預測方法，與現(xiàn)有技術相比，本發(fā)明能夠準確、快速地進行電力負荷預測，并且能夠反映概率的電力負荷信息。
5、本發(fā)明是通過以下技術方案實現(xiàn)的：
6、提供一種基于總和的短期負荷概率預測方法，包括以下步驟：
7.s1：獲取基礎數(shù)據(jù)，包括歷史負荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關數(shù)據(jù)集；
8.s2：根據(jù)數(shù)據(jù)類型，選擇相應的特征和編碼方式構建數(shù)據(jù)集，通過以下公式對數(shù)據(jù)進行歸一化處理，
[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 是歸一化結果；
[0011]
s3：使用算法進行點負荷預測，生成特征重要性排序；
[0012]
s4：根據(jù)重要特征和點負荷預測結果添加到s2構建的數(shù)據(jù)集中；
[0013]
s5：使用損失函數(shù)和lstm構造（分位數(shù)回歸長短期記憶網(wǎng)絡）函數(shù)。
[0014]
s6：利用s4中構建的數(shù)據(jù)集建立預測模型，得到不同分位數(shù)下的預測結果z1,...,zn；
[0015]
s7：將s6中每個分位數(shù)輸出下的預測結果作為核密度或輸入值lstm風電功率預測，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]
進一步地，在s2中，三種數(shù)據(jù)類型對應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]
更進一步，s3的具體過程如下：
[0028]
s31、算法參數(shù)和預測函數(shù)f0(x)的初始化；
[0029]
s32。 在訓練樣本上迭代估計損失函數(shù)的一階導數(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)值是否多次未恢復或達到最大迭代次數(shù)，如果是則轉s36，
否則轉至 s32；
[0033]
s36。 得到完整的預測函數(shù)和特征重要性。
[0034]
更進一步，s5中函數(shù)的構造方法：
[0035]
s51。 損失函數(shù)的估計公式如下：
[0036] [0037] [0038]
式中：yi為第i時刻的電力負荷值，為第i時刻q分位數(shù)下電力負荷的預測值。
[0039]
s52. 使用損失函數(shù)修改lstm的目標函數(shù)構造函數(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)下的預測值； 可輸出多分位數(shù)預測結果，反映電力負荷的不確定性。
[0042]
與現(xiàn)有技術相比，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荷概率預測方法，利用算法進行點負荷預測，并對影響電力負荷的特征進行排序，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的目標函數(shù)進行變換得到預測模型，可以得到電力負荷的分位數(shù)預測結果，解決了點負荷預測不能反映電力負荷概率的問題。電力負荷
[0045]
3、本發(fā)明提出兩階段預測方法，即利用預測方法得到點負荷結果，將點負荷結果作為預測模型的輸入特征，使預測結果更加準確更快。
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)明實施例方法的應用過程示意圖。
[0048]
圖3是改造后的結構示意圖。
[0049]
圖4為本發(fā)明方法與傳統(tǒng)方法在實施例中的預測結果對比示意圖。
[0050]
圖5為本發(fā)明方法在實施例中預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)明的預測方法與其他預測方法的預測比較結果。
具體實現(xiàn)方法
[0053]
為了清楚說明本方案的技術特點，下面通過具體的實現(xiàn)方法對本方案進行討論。
[0054]
本實施例的詳細應用流程如圖2所示，具體說明如下：
[0055]
s1：獲取本發(fā)明所需的基礎數(shù)據(jù)，主要包括歷史負荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關數(shù)據(jù)集；
[0056]
s2：根據(jù)獲取的數(shù)據(jù)構建數(shù)據(jù)集，并對數(shù)據(jù)進行歸一化處理；
[0057]
s3：使用算法進行點負荷預測，生成特征重要性排序；
[0058]
s4：根據(jù)重要特征和點負荷預測結果添加到s2構建的數(shù)據(jù)集中；
[0059]
s5：利用損失函數(shù)和lstm構建分位數(shù)回歸長短期記憶網(wǎng)絡（）；
[0060]
s6：利用s4中構建的數(shù)據(jù)集建立預測模型，得到不同分位數(shù)下的預測結果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)構建數(shù)據(jù)集，并對數(shù)據(jù)進行歸一化處理。 詳細說明如下：
[0063]
s21. 構建的數(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是歸一化后的結果。
[0067]
在 s3 中，該算法用于預測點負載并生成特征重要性排名。 詳細過程如下：
[0068]
s31、算法參數(shù)和預測函數(shù)f0(x)的初始化；
[0069]
s32。 在訓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到最大迭代次數(shù)，如果是則轉s36，否則轉s32；
[0073]
s36。 得到完整的預測函數(shù)和特征重要性。
[0074]
s5中，利用損失函數(shù)和lstm構建分位數(shù)回歸長短期記憶網(wǎng)絡（），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測結果的清晰度和可靠性。 損失越小，概率預測結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時刻的電力負荷值，為第i時刻q分位數(shù)下電力負荷的預測值。
[0079]
s52. 使用 loss重構lstm的目標函數(shù)結構。 重構的目標函數(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)下的預測值； 構建的knot light如圖3所示，重構后可以輸出多分位數(shù)預測結果，反映電力負荷的不確定性。
[0082]
將s6中每個分位數(shù)輸出下的預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的負荷數(shù)據(jù)集作為實驗數(shù)據(jù)集。 為了說明所提預測方法的有效性，施工對比預測方法如下：
[0091]
分位數(shù)回歸神經(jīng)網(wǎng)絡 (qrnn)、xgb+、xgb+qrnn 和預測方法。
[0092]
為了量化本發(fā)明預測值的準確性，采用平均絕對比誤差（，mape）和均方根誤差（root mean error，rmse）作為確定性負荷預測結果的評價指標，他們的表達如下。
[0093] [0094] [0095]
式中：n為預測樣本總數(shù)； yn為用電負荷實際值； 是負荷預測值。 mape和rmse分別反映預測療效的準確性和穩(wěn)定性。
[0096]
loss用來評價概率預測結果的可靠性，估計公式如下：
[0097] [0098] [0099]
式中：yi為第i時刻的電力負荷值，為第i時刻q分位數(shù)下電力負荷的預測值。
[0100]
本發(fā)明的預測方法與其他預測方法的預測比較結果如圖3所示。 7.
[0101]
從上表可以看出，本發(fā)明提出的預測方法在所采用的評價方法中均取得了較好的預測療效。 與xgb+qrnn、qrnn和預測模型相比，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風電功率預測，驗證了所提出的預測方法能夠提高電力負荷預測的準確性。 在損失的評估中，與xgb+qrnn和qrnn概率預測模型相比，所提出的預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測有重大影響。 清晰度和可靠性指標得到改善。
[0102]
圖4為本發(fā)明方法與對比技術的預測結果對比圖，qrnn預測方法不能更好地擬合波動階段的實際負荷曲線。 本發(fā)明提出的預測方法無論在穩(wěn)定階段還是波動階段，都能較好地擬合實際負荷值，表現(xiàn)出穩(wěn)定的預測療效。 因此，驗證了本發(fā)明提出的預測方法能夠有效地挖掘影響電力負荷波動階段的誘因，提高點負荷預測的準確性。
[0103]
圖5為本發(fā)明方法的概率密度預測曲線。 本發(fā)明提出預測方法的峰值更接近實際負荷值，同時預測的波形更穩(wěn)定，波動更小。因此，驗證了預測方法中的特征挖掘本發(fā)明提出的概率預測方法可以更準確地描述電力負荷的不確定性信息
[0104]
綜上所述，本發(fā)明利用一種算法進行點負荷預測，并對影響電力負荷的特征進行排序，解決了預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lstm的目標函數(shù)得到預測模型，可以得到電力負荷的分位數(shù)預測結果，解決了點負荷預測不能反映電力負荷概率的問題。
[0106]
本發(fā)明利用核密度或算法，通過數(shù)字預測結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測方法，即利用預測方法得到點負荷結果，并將點負荷結果作為預測模型的輸入特征，使得預測結果更加準確更快。
[0108]
事實上，以上描述不限于以上示例，本發(fā)明未描述的技術特征可以通過或
采用現(xiàn)有技術實現(xiàn)，這里不再贅述； 以上實施例及附圖僅用于說明本發(fā)明的技術方案，并不用于限制本發(fā)明，本發(fā)明已經(jīng)結合優(yōu)選實施方式進行了詳細說明，本領域的普通技術人員技術人員應當理解，本領域的技術人員在本發(fā)明的實質范圍內所作的改動、修改、增加或替換，均不脫離本發(fā)明的精神，也應屬于本發(fā)明的保護范圍。本發(fā)明的權利要求。
技術特點：
1、一種基于sum的短期負荷概率預測方法，其特征在于包括以下步驟： s1：獲取基礎數(shù)據(jù)，包括歷史負荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關數(shù)據(jù)集； s2：根據(jù)數(shù)據(jù)類型和編碼方式選擇相應的特征構建數(shù)據(jù)集，通過以下公式對數(shù)據(jù)進行歸一化，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
是歸一化的結果； s3：使用算法預測點載荷，生成特征重要性排序：s31，初始化算法參數(shù)和預測函數(shù)f0(x)； s32，訓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到最大迭代次數(shù)，是則轉s36，否則轉s32； s36，得到完整的預測函數(shù)和特征重要性。 s4：根據(jù)重要特征和點負荷預測結果，添加到s2構建的數(shù)據(jù)集中； s5：使用損失函數(shù)和lstm構建（分位數(shù)回歸長短期記憶網(wǎng)絡）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時刻的電力負荷值， 為第i時刻q分位數(shù)下電力負荷的預測值。 s52. 使用損失函數(shù)重構lstm的目標函數(shù)構造函數(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)下的預測值。 s6：使用s4中構建的數(shù)據(jù)集構建預測模型，得到不同分位數(shù)下的預測結果
z1,...,z
不
;s7：將s6中每個分位數(shù)輸出下的預測結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)求和的短期負荷2.一種如權利要求1所述的概率預測方法，其特征在于，在s2中，三種數(shù)據(jù)類型對應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。
技術概要
本發(fā)明涉及一種基于和的短期負荷概率預測方法，包括獲取本發(fā)明所需的基礎數(shù)據(jù)，主要包括歷史負荷數(shù)據(jù)、日期類型數(shù)據(jù)和天氣相關數(shù)據(jù)集等； 根據(jù)得到的數(shù)據(jù)構建數(shù)據(jù)集，并對數(shù)據(jù)進行歸一化處理； 利用算法預測點負載，得到特征重要性排序； 將重要特征和點負荷預測結果添加到構建的數(shù)據(jù)集中； 使用 損失函數(shù)和 LSTM 構造分位數(shù)； 使用構建的數(shù)據(jù)集訓練預測模型，得到不同分位數(shù)下的預測結果； 利用核密度或函數(shù)得到概率密度曲線。 與現(xiàn)有技術相比，本發(fā)明能夠準確、快速地預測電力負荷，能夠反映電力負荷的概率信息。 電荷的概率信息。
技術開發(fā)人員：杜銀晶、周廣創(chuàng)、張兆北、李繼攀、田克強、孫蘇亮、楊亞麗、程欣、江惠喜、郭銳、李明、趙體尊、魏中杰
技術保護用戶：國網(wǎng)廣東捷電德州供電公司
技術研發(fā)日：2022.02.15
技術公告日期：2022/5/17