[發明專利]一種短期概率密度負荷預測方法、裝置、設備和存儲介質

在審

• 申請號: 202110495826.X
• 申請日: 2021-05-07
• 公開（公告）號: CN113112092A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 程超;葉強;王海燕;鄧盈盈;李奧;蘇韻掣;楊新婷;喬云池
• 申請（專利權）人: 國網四川省電力公司經濟技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 林菲菲

本發明公開了一種短期概率密度負荷預測方法、裝置、設備和存儲介質，方法包括：步驟S1，對歷史數據集進行預處理；步驟S2，基于預處理之后的歷史數據集構造訓練數據集；步驟S3，采用訓練數據集對QRLSTM預測模型進行訓練；步驟S4，采用訓練好的QRLSTM預測模型得到不同分位點的預測值；步驟S5，針對不同分位點的預測值，利用核函數進行概率密度估計，得到每個時間點下的概率密度估計曲線。本發明針對夏季多變氣溫下，將溫度變量與負荷進行有效結合，并且建立深度學習概率預測模型，對夏季負荷進行了有效且精確的短期概率密度負荷預測。

技術領域

本發明屬于電力技術領域，具體涉及一種短期概率密度負荷預測方法、裝置、設備和存儲介質。

背景技術

智能電表的普及使高級量測體系(Advanced Metering Infrastructure，AMI) 得以在電力工程領域得到應用。電網公司得以采集到比以往更精細的電力負荷數據，從而使得電力負荷預測也更加趨于精細化。海量的數據帶來數據精細化的同時也使得傳統的負荷預測方法無法快速精準的建模，于是機器學習被引入到短期負荷預測研究中，其中，人工神經網絡(ANN)是通過仿生的神經網絡結構來不斷迭代計算，最終達到預測或歸類的效果，因其可承載海量數據樣本和其對非線性數據的處理能力突出，使其在短期負荷預測領域有著豐富的研究成果。在氣溫多變的夏冬兩季，由于降溫、升溫負荷的大量接入對短期負荷預測的精度有著巨大的挑戰，同時夏冬兩季的極端氣溫對電網安全經濟運行也有著較大的威脅，所以夏冬季精確的短期負荷預測有著巨大的研究意義。

目前短期負荷預測存在的問題有：

1、隨著歷史數據樣本的爆炸式增加，傳統的負荷預測算法處理數據能力有限；

2、經典的點電力負荷預測提供的預測信息有限；

3、沒有針對夏季氣溫多變所提出的特定預測方法。

國內外學者對短期負荷預測進行了大量研究：文獻“張素香,趙丙鎮,王風雨,等.海量數據下的電力負荷短期預測[J].中國電機工程學報,2015,35(01): 37-42.”在面對海量負荷時為加速運算時間，建立了基于云平臺并行的局部線性回歸模型。多元線性回歸系數的求解一般采用最小二乘法，該方法的優勢在于其計算速度快，缺點則是將影響負荷的因素與負荷之間的關系線性化，導致并不能真是刻畫兩者之間的聯系，模型的泛化能力較差。文獻“張平，潘學萍，薛文超，等.基于小波分解模糊灰色聚類和BP神經網絡的短期負荷預測[J].電力自動化設備，2012，32(11)：121-125.”采用變學習率和額外動量去改進BP 神經網絡，另外結合模糊聚類技術將不同用戶分類，但未能考慮影響因子對負荷的影響。文獻“Deng Z F,Wang B B,Xu Y L,et al.Multi-Scale Convolutional Neural Network WithTime-Cognition for Multi-Step Short-Term Load Forecasting[J].IEEE Access,2019,7:88058-88071.”提出了一種具有時間認知 (time-cognition)的CNN預測模型，利用多尺度卷積提高了CNN提取電力負荷復雜的特征的能力，提高了預測精度，但提供的預測信息較少。文獻“Wang Y, Gan D H,Sun M Y,et al.Probabilistic individual loadforecasting using pinball loss guided LSTM[J].Applied Energy,2019,235(2019):10-20.”建立了LSTM的概率密度預測模型，將彈性損耗誤差代替均方誤差來指導參數的訓練，最后對存在較大不確定性的單個居民負荷進行了概率密度預測，但該方法對象為單個用戶，存在較大隨機性和不確定性。

發明內容

針對上述問題，本發明提供了解決上述問題的一種短期概率密度負荷預測方法，本發明針對夏季多變氣溫下，將溫度變量與負荷進行有效結合，并且建立深度學習概率預測模型，對夏季負荷進行了有效且精確的短期概率密度負荷預測。