[發明專利]基于PCA和分位數回歸森林的短期負荷概率密度預測方法

有效

• 申請號: 201710854109.5
• 申請日: 2017-09-20
• 公開（公告）號: CN108022001B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 孫國強;梁智;衛志農;臧海祥
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開一種基于PCA和分位數回歸森林的短期負荷概率密度預測方法，包括以下步驟：1)收集電力系統短期負荷預測所需的基本數據，如負荷歷史數據，溫度、濕度等氣象信息，日期類型等；2)從影響因素中選取相關性較強的輸入變量，并構造合適的訓練樣本集；3)采用主成分分析對輸入變量集合進行降維處理；4)對降維處理后的數據建立分位數回歸森林預測模型，獲得任意分位點條件下的回歸預測結果；5)通過核密度估計獲得短期負荷概率密度預測。本發明提供的方法有效地提高了短期負荷預測精度，可以獲得任意時刻負荷概率密度預測結果，能夠較好解決電力系統短期負荷預測問題。

技術領域

本發明涉及一種電力系統短期負荷概率密度預測方法，對電力系統負荷進行預測，屬于電力系統技術領域。

背景技術

電力系統負荷預測是保障電網安全穩定運行技術措施之一，不同時間尺度的負荷預測對安排電力生產調度、設備檢修計劃及中長期電網規劃都具有極其重要的意義。

長期以來，國內外學者對電力系統短期負荷預測進行了大量深入研究，取得了豐碩成果，同時在實際現場應用中得到了有效檢驗。常用的負荷預測主要有時間序列分析、人工神經網絡、支持向量機、相關向量機及其改進方法。然而隨著新能源，如風能、太陽能大規模接入電網，對電網的安全穩定運行帶來了極大的挑戰。2030～2050年，我國可再生能源的發電量占比達30％以上，高比例可再生能源并網將成為未來電力系統的重要特征，對復雜運行場景下的電力負荷預測理論與方法提出了更高的要求。此外，一般的負荷預測方法只能給出確定性的點預測結果，難以反映負荷的不確定性特征。電力負荷概率密度預測方法相對于傳統的點預測與區間預測方法，能獲得更豐富信息，從而為電力系統風險分析、可靠性分析提供更科學的決策依據。

電力系統負荷受多種因素影響，如經濟、氣象、社會政策、節假日等，表現出顯著的非線性特征。這些因素間往往存在較強的相關性，當有多個相關量時，網絡的高維數和各相關量之間的自相關性將使得模型訓練復雜，影響著運算效率及模型精度。因此，有必要對模型的輸入變量進行預處理，從輸入變量集合中提取出一部分相關性較大的相關量代替所有的輸入變量，同時舍棄一些相關性較小的相關量。為有效提高負荷預測精度，本發明采用主成分分析(principal component analysis,PCA)對原始輸入變量集合進行降維處理。

分位數回歸森林(quantile regression forests,QRF)模型是由Nicolai在2006年提出的非參數集成機器學習方法，結合了分位數回歸理論與隨機森林(random forest,RF)方法優點，能夠給出不同分位點回歸預測結果。同時QRF兼具運算速度快、模型性能受參數影響小、較強容噪性等優點。本發明借助QRF強大的數據處理能力，建立電力負荷預測模型，通過算例驗證本發明方法的有效性。

綜上所述，本發明結合PCA和QRF優點，建立PCA-QRF短期負荷概率密度預測模型。首先，從負荷影響因素中選取一定數量的輸入變量，采用PCA對輸入變量集合進行降維處理。其次，對降維后的數據建立QRF預測模型，獲得任意分位點負荷回歸預測結果。最終，采用核密度估計獲得負荷概率密度預測。

發明內容

發明目的：本發明針對現有電力系統負荷預測技術中存在的問題，如一般的負荷預測方法只能輸出確定性的點預測結果、計算效率低等，提供一種基于PCA 和分位數回歸森林的短期負荷概率密度預測方法。首先，從影響因素中選取一定數量的輸入變量，采用PCA方法對原始輸入變量集合進行降維處理。其次，對預處理后的數據建立基于分位數回歸森林的短期負荷預測模型，并獲得不同分位點條件下的回歸預測結果。最后，采用核密度估計獲得短期負荷概率密度預測。

技術方案：一種基于PCA和分位數回歸森林的短期負荷概率密度預測方法，包括以下步驟：

(1)收集電力系統短期負荷預測所需的基本數據，如負荷歷史數據，溫度、濕度等氣象信息，日期類型等；

(2)從所有影響因素中選取相關性較強的輸入變量，并構造合適的訓練樣本集；