[發(fā)明專(zhuān)利]一種短期概率密度負(fù)荷預(yù)測(cè)方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110495826.X
• 申請(qǐng)日: 2021-05-07
• 公開(kāi)（公告）號(hào): CN113112092A
• 公開(kāi)（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 程超;葉強(qiáng);王海燕;鄧盈盈;李?yuàn)W;蘇韻掣;楊新婷;喬云池
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)四川省電力公司經(jīng)濟(jì)技術(shù)研究院
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 林菲菲

1.一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，包括：

步驟S1，對(duì)歷史數(shù)據(jù)集進(jìn)行預(yù)處理；

步驟S2，基于預(yù)處理之后的歷史數(shù)據(jù)集構(gòu)造訓(xùn)練數(shù)據(jù)集；

步驟S3，采用訓(xùn)練數(shù)據(jù)集對(duì)QRLSTM預(yù)測(cè)模型進(jìn)行訓(xùn)練；

步驟S4，采用訓(xùn)練好的QRLSTM預(yù)測(cè)模型得到不同分位點(diǎn)的預(yù)測(cè)值；

步驟S5，針對(duì)不同分位點(diǎn)的預(yù)測(cè)值，利用核函數(shù)進(jìn)行概率密度估計(jì)，得到每個(gè)時(shí)間點(diǎn)下的概率密度估計(jì)曲線。

2.根據(jù)權(quán)利要求1所述的一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟S1中對(duì)歷史數(shù)據(jù)集進(jìn)行預(yù)處理具體包括負(fù)荷數(shù)據(jù)預(yù)處理步驟和溫度數(shù)據(jù)預(yù)處理步驟；

所述負(fù)荷數(shù)據(jù)預(yù)處理步驟具體為：采用歸一化處理方法對(duì)歷史負(fù)荷樣本進(jìn)行處理，將其區(qū)間縮為[0,1]；

所述溫度數(shù)據(jù)預(yù)處理步驟具體為：對(duì)歷史溫度樣本求取90％的置信區(qū)間，根據(jù)該置信區(qū)間確定隸屬度函數(shù)的邊界值。

3.根據(jù)權(quán)利要求2所述的一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，所述溫度數(shù)據(jù)預(yù)處理步驟通過(guò)下式確定的隸屬度函數(shù)的邊界值：

其中，T_low、T_mid、T_high分別代表低、中、高溫的隸屬度函數(shù)，T為溫度，a和b為低溫區(qū)間的邊界值、c和d為中溫區(qū)間的邊界值、e和f為高溫區(qū)間的邊界值，且滿足abcdef。

4.根據(jù)權(quán)利要求2所述的一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，所述低溫和高溫的區(qū)間跨度相同，所述中溫的區(qū)間跨度為所述低溫的區(qū)間跨度的1.5倍。

5.根據(jù)權(quán)利要求1所述的一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟S3具體包括以下子步驟：

步驟S31，將分位數(shù)回歸作用于LSTM的損失函數(shù)中形成QRLSTM預(yù)測(cè)模型，其公式如下：

其中，W(τ)＝{W_f(τ),W_u(τ),W_h(τ),W_o(τ)}和b(τ)＝{b_f(τ),b_u(τ),b_h(τ),b_o(τ)}分別為τ分位點(diǎn)下前式中的LSTM隱藏層的權(quán)重參數(shù)和偏置項(xiàng)；ρ_τ(x)為檢驗(yàn)函數(shù)；λ₁和λ₂為懲罰系數(shù)；

步驟S32，采用訓(xùn)練數(shù)據(jù)集對(duì)QRLSTM預(yù)測(cè)模型進(jìn)行迭代訓(xùn)練，確定所述QRLSTM預(yù)測(cè)模型參數(shù)W(τ)和b(τ)的最優(yōu)值。

6.根據(jù)權(quán)利要求5所述的一種短期概率密度負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟S32的迭代過(guò)程包括：

步驟S321，初始化W(τ)和b(τ)的值；

步驟S322，計(jì)算得到LSTM隱藏層各參數(shù)在第t輪迭代下的值；

步驟S323，計(jì)算梯度函數(shù)和的值，并依次反向計(jì)算LSTM隱藏層每個(gè)門(mén)中的權(quán)重W和偏置b的當(dāng)前迭代值δ_w(τ_t)、δ_b(τ_t)；

步驟S324，利用當(dāng)前迭代值對(duì)W(τ)和b(τ)進(jìn)行迭代更新：

W(τ_t)＝W(τ_t-1)+εδ_w(τ_t)；

b(τ_t)＝b(τ_t-1)+εδ_b(τ_t)；

其中，W(τ_t)和b(τ_t)分別表示第t輪迭代第τ-分位數(shù)下的隱藏層各門(mén)中的權(quán)重和偏置，W(τ_t-1)和b(τ_t-1)分別表示第t-1輪迭代第τ-分位數(shù)下的隱藏層各門(mén)中的權(quán)重和偏置，ε為學(xué)習(xí)率；

步驟S325，循環(huán)迭代到滿足預(yù)設(shè)條件，得到參數(shù)W(τ)和b(τ)的最優(yōu)值。