[發(fā)明專利]基于約束并行LSTM分位數(shù)回歸的電力負荷概率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011092704.8
• 申請日: 2020-10-13
• 公開（公告）號: CN112232561A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計）人: 李丹;張遠航;孫光帆;楊保華;王奇;繆書唯;李振興;劉頌凱
• 申請（專利權(quán)）人: 三峽大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 宜昌市三峽專利事務(wù)所 42103
• 代理人: 成鋼

本發(fā)明公開了基于約束并行LSTM分位數(shù)回歸的電力負荷概率預(yù)測方法，包括收集多個樣本日的負荷功率和影響因素數(shù)據(jù)，形成數(shù)據(jù)集；設(shè)置模型超參數(shù)；建立約束并行LSTM模型，對約束并行LSTM模型中各個分位點LSTM進行預(yù)訓(xùn)練，獲得權(quán)重、偏置參數(shù)集；對約束并行LSTM模型進行整體訓(xùn)練，訓(xùn)練過程中對權(quán)重、偏置參數(shù)進行微調(diào)，確定約束并行LSTM模型的最佳權(quán)重、偏置參數(shù)；將驗證集輸入訓(xùn)練好的約束并行LSTM模型，根據(jù)驗證誤差選出模型的最佳超參數(shù)；將測試樣本輸入具有最佳超參數(shù)的約束并行LSTM模型，對約束并行LSTM模型輸出的預(yù)測結(jié)果進行反歸一化。本發(fā)明采用約束并行LSTM模型進行電力負荷的分位數(shù)回歸預(yù)測，使得預(yù)測負荷概率分布更合理，避免分位數(shù)預(yù)測值之間的交叉。

技術(shù)領(lǐng)域

本發(fā)明屬于電力負荷預(yù)測領(lǐng)域，具體涉及一種基于約束并行LSTM分位數(shù)回歸的電力負荷概率預(yù)測方法。

背景技術(shù)

短期電力負荷預(yù)測是電力系統(tǒng)安全、經(jīng)濟運行的基礎(chǔ)，為電力系統(tǒng)規(guī)劃和運行、能源交易、機組啟停、經(jīng)濟調(diào)度等提供重要信息。提高負荷預(yù)測的準確率有助于提高電力設(shè)備的利用率，并最大程度地減少能源浪費。

目前，負荷概率預(yù)測方法主要包括區(qū)間估計、核密度估計和分位數(shù)回歸等。前兩種方法主要基于點預(yù)測誤差的參數(shù)統(tǒng)計估計概率分布，而分位數(shù)回歸可直接解釋不同分位點下響應(yīng)變量和因變量之間的關(guān)系，成為近年來負荷概率預(yù)測文獻關(guān)注的熱點。但是，分位數(shù)回歸的分位數(shù)預(yù)測值存在交叉的現(xiàn)象而導(dǎo)致不合理。

負荷概率預(yù)測方法較多是結(jié)合機器學(xué)習(xí)算法和分位數(shù)回歸法，構(gòu)建分位數(shù)模型。然而傳統(tǒng)的機器學(xué)習(xí)算法，往往需要利用特征工程對數(shù)據(jù)進行處理。與傳統(tǒng)的機器學(xué)習(xí)方法相比，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)被證明在應(yīng)對大數(shù)據(jù)集的短期負荷預(yù)測方面更加有效。尤其是長短期記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)，如附圖2所示，因為其對時間序列形式的數(shù)據(jù)具有強適應(yīng)性而得到了廣泛應(yīng)用。

因此，研究一種基于約束并行LSTM神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的短期電力負荷概率預(yù)測方法。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)問題是現(xiàn)有的電力負荷的分位數(shù)回歸方法的分位數(shù)預(yù)測值存在交叉的現(xiàn)象而導(dǎo)致不合理。

本發(fā)明的目的是解決上述問題，提供一種基于約束并行LSTM分位數(shù)回歸的電力負荷概率預(yù)測方法，將LSTM的魯棒性和記憶特性與分位數(shù)回歸的概率預(yù)測功能相結(jié)合，并考慮預(yù)測負荷概率分位數(shù)的固有特性，加入考慮分位數(shù)預(yù)測值之間約束關(guān)系的組合層，構(gòu)建約束并行長短期記憶網(wǎng)絡(luò)模型((constrained parallel Long-Short Term Memory，CP-LSTM)進行電力負荷的分位數(shù)回歸預(yù)測，使得預(yù)測負荷概率分布更合理，避免分位數(shù)預(yù)測值之間的交叉。

本發(fā)明的技術(shù)方案是基于約束并行LSTM分位數(shù)回歸的電力負荷概率預(yù)測方法，包括以下步驟，

步驟1：收集多個樣本日的負荷功率和影響因素數(shù)據(jù)，形成數(shù)據(jù)集并分為訓(xùn)練集、驗證集和測試集；

步驟2：設(shè)置模型超參數(shù)；

步驟3：建立約束并行LSTM模型，采用并行式訓(xùn)練方法，對約束并行LSTM模型中各個分位點下并行LSTM進行預(yù)訓(xùn)練，獲得全局參數(shù)集{W(τi),b(τi)}_opt；

步驟4：將得到全局參數(shù)集{W(τi),b(τi)}_opt作為約束并行LSTM模型的初始參數(shù)，對約束并行LSTM模型進行整體訓(xùn)練，訓(xùn)練過程中對權(quán)重、偏置參數(shù)進行微調(diào)，確定約束并行LSTM模型的最佳權(quán)重、偏置參數(shù)；

步驟5：將驗證集輸入訓(xùn)練好的約束并行LSTM模型，根據(jù)驗證誤差選出模型的最佳超參數(shù)；步驟6：將測試樣本輸入具有最佳超參數(shù)的約束并行LSTM模型，對約束并行LSTM模型輸出的預(yù)測結(jié)果進行反歸一化，得到預(yù)測日中各時刻預(yù)測負荷的多個分位數(shù)預(yù)測值；