[發明專利]短期負荷的概率預測方法和概率預測裝置

有效

• 申請號: 202010614204.X
• 申請日: 2020-06-30
• 公開（公告）號: CN111860977B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 陳啟鑫;鄭可迪;王毅;顧宇軒;郭鴻業;康重慶;夏清
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06K9/62;G06F17/16;G06F17/18;G06Q50/06
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 石茵汀

本發明公開了一種短期負荷的概率預測方法和概率預測裝置，該方法包括：將待預測區域內所有用戶智能電表記錄的歷史負荷數據劃分為訓練集、集成集和待預測集；針對訓練集中的歷史負荷數據進行相關的計算得到用戶在多個不同聚類數量下的劃分結果；根據劃分結果對聚類后的每一用戶群體進行相關的訓練，以分別得到待預測區域整體負荷的多個概率預測結果的預測模型；根據集成集中的歷史負荷數據、每個預測模型和真實的整體負荷值，得到集成后的待預測區域負荷概率預測模型；根據待預測區域負荷概率預測模型對待預測集中的負荷進行概率預測。本發明的概率預測方法，能夠精細化地利用用戶智能電表的歷史負荷數據，提升待預測區域負荷概率預測的準確率。

技術領域

本發明涉及電力負荷預測技術領域，特別涉及一種短期負荷的概率預測方法和概率預測裝置。

背景技術

近年來，智能電表在用戶側的普及率逐漸上升，電網公司在進行區域負荷預測時，可以依靠智能電表數據獲得高頻度、高分辨率的用戶負荷數據。一般而言，一個區域的負荷通常由成百上千個用戶負荷集聚而成，智能電表所記錄的用戶負荷將有助于提升區域整體負荷預測的精度。傳統意義上的負荷預測主要是通過記錄區域整體負荷的變化，隨后構建相應的輸入特征訓練單一模型。考慮到利用智能電表數據來精細化預測區域整體負荷，產生了自下而上的分層負荷預測方法，即對單一用戶的負荷分別構建預測模型，再將區域中所有用戶的預測模型加總，得到整體預測模型。

目前，基于歷史負荷數據進行負荷預測的技術已比較成熟，并在國內外大多數電網公司中投入了實用。波蘭琴斯托霍瓦工業大學的學者提出了基于模式回歸的電力預測模型(Dudek G.Pattern-based local linear regression models for short-term loadforecasting[J].Electric Power Systems Research,2016,130:139-147)，并應用于波蘭電網的實際負荷數據集中。澳大利亞新南威爾士大學的研究者們提出了基于長短期記憶人工神經網絡(LSTM)的短期居民用戶負荷預測模型(Kong W,Dong Z Y,Jia Y,et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid,2019,10(1):841-851.)，并在澳大利亞政府公開的智能電網智能城市(Smart Grid Smart City,SGSC)提供的智能電表數據集上測試了預測精度。英國斯特拉思克萊德大學的學者們采用了自下而上的分層預測方法(Stephen B,Tang X,Harvey P R,et al.Incorporating practice theory in sub-profile modelsfor short term aggregated residential load forecasting[J].IEEE Transactionson Smart Grid,2017,8(4):1591-1598.)，首先對居民用戶負荷進行單獨預測，隨后將預測的結果累加，得到整體預測結果，并將方法應用于英國真實智能電表數據集。總的來說，即使有研究采用了分層預測的方法來提升預測精度，多數方法均基于單一模型的結果，預測準確率仍有提升空間。集成學習的方法則可用于彌補單一預測模型的缺點。新加坡南陽理工大學的學者們使用集成學習將多個基于小波變換的預測方法集成(Li S,Goel L,WangP.An ensemble approach for short-term load forecasting by extreme learningmachine[J].Applied Energy,2016,170:22-29.)以提升預測精度。

進入能源互聯網時代，由于分布式電源和電動汽車等的接入，用戶側負荷的波動比以往更劇烈，傳統的負荷預測只關注未來某時刻的負荷大小，而在實際應用中，電網公司往往更關注未來負荷的概率分布情況，以更精確地實現對隨機因素的刻畫，即實現概率預測。近年來分層預測和集成預測的方法往往側重于點預測，而忽略了概率預測的重要性。

發明內容