[發(fā)明專利]一種基于動態(tài)時序預(yù)測的電力系統(tǒng)典型場景概率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210877305.5
• 申請日: 2022-07-25
• 公開（公告）號: CN115293249A
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計）人: 廖思陽;姜新雄;徐箭;李琰;王新迎;尚學(xué)軍;王天昊
• 申請（專利權(quán)）人: 武漢大學(xué);中國電力科學(xué)研究院有限公司;國網(wǎng)天津市電力公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魯力

1.一種基于動態(tài)時序預(yù)測的電力系統(tǒng)典型場景概率預(yù)測方法，其特征在于，包括

根據(jù)電力系統(tǒng)目標(biāo)典型場景的物理特性，基于最大互信息度量方法篩選出與其相關(guān)的特征子集，并從歷史數(shù)據(jù)中收集這些特征變量的時間序列數(shù)據(jù)，結(jié)合目標(biāo)典型場景狀態(tài)序列形成多維時間序列數(shù)據(jù)集；

基于長短時間記憶網(wǎng)絡(luò)與歷史時間序列數(shù)據(jù)，通過交叉驗證和網(wǎng)格搜索，構(gòu)建針對于關(guān)聯(lián)特征變量的動態(tài)時序預(yù)測模型，使用支持向量機(jī)(SVM)對數(shù)據(jù)知識進(jìn)行建模，對所篩選特征的歷史樣本進(jìn)行分類學(xué)習(xí)，獲取針對于每一個數(shù)據(jù)樣本的決策分?jǐn)?shù)；

采用一個帶參數(shù)的sigmoid函數(shù)，對SVM的決策分?jǐn)?shù)輸出進(jìn)行修改，并將決策分?jǐn)?shù)值映射到區(qū)間[0,1]，利用極大似然估計方法確定sigmoid函數(shù)中的參數(shù)取值，實現(xiàn)決策分?jǐn)?shù)到概率值的映射，得到電力系統(tǒng)目標(biāo)典型場景概率預(yù)測模型，最終結(jié)合特征變量的動態(tài)時序預(yù)測結(jié)果實現(xiàn)對電力系統(tǒng)目標(biāo)典型場景的定量概率預(yù)測。

2.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，確定需要預(yù)測的電力系統(tǒng)目標(biāo)典型場景，依據(jù)歷史數(shù)據(jù)信息構(gòu)建該目標(biāo)典型場景的狀態(tài)序列N為數(shù)據(jù)點的總個數(shù)，y_k為第k個時間點的目標(biāo)場景狀態(tài)取值，y_k∈{0,1}，y_k＝1表示目標(biāo)場景發(fā)生，正例，y_k＝0表示目標(biāo)場景未發(fā)生，負(fù)例；同時獲取歷史數(shù)據(jù)信息中所記錄的各特征變量的時間序列數(shù)據(jù)，記為X，隨后使用最大互信息系數(shù)(MIC)度量方法獲取每個特征變量與目標(biāo)典型場景狀態(tài)序列Y之間的MIC系數(shù)，并設(shè)置閾值剔除低相關(guān)的特征變量，得到特征子集D'等于特征變量的總個數(shù)D減去被剔除特征變量的個數(shù)；隨后從歷史數(shù)據(jù)中提取特征子集Q中所包含的特征變量的時間序列數(shù)據(jù)，并結(jié)合目標(biāo)典型場景狀態(tài)序列Y，形成多維時間序列數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，使用長短時間記憶網(wǎng)絡(luò)，構(gòu)建針對于特征子集Q中所包含的每一個特征變量的動態(tài)時序預(yù)測模型，稱為特征變量動態(tài)時序預(yù)測模型；長短時間記憶網(wǎng)絡(luò)的訓(xùn)練輸入為X'_k為輸入多維時間序列樣本，x'_k+α為對應(yīng)于樣本X'_k的回歸預(yù)測目標(biāo)，α為時序預(yù)測的提前時間步數(shù)；通過交叉驗證與網(wǎng)格搜索，訓(xùn)練得到的特征變量動態(tài)時序預(yù)測模型可實現(xiàn)對特征子集Q中的特征變量的提前α?xí)r間步的預(yù)測。

4.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，建立電力系統(tǒng)目標(biāo)典型場景預(yù)測分類監(jiān)督格式數(shù)據(jù)集y_k＝1表示樣本x_k′屬于正例，y_k＝0表示樣本x_k′屬于負(fù)例，隨后將其分為m組；提取其中m-1組使用支持向量機(jī)模型構(gòu)建電力系統(tǒng)典型場景分類模型，得到SVM決策函數(shù)f(.)，隨后使用決策函數(shù)f(.)獲取針對于剩下1組樣本的決策分?jǐn)?shù)并進(jìn)行存儲，重復(fù)此過程m次，每次所提取的m-1組樣本不同，可以獲取針對于每一個數(shù)據(jù)樣本的決策分?jǐn)?shù)，建立決策分?jǐn)?shù)-標(biāo)簽集對于第k個數(shù)據(jù)樣本x_k′，支持向量機(jī)模型對其決策分?jǐn)?shù)為f_k，y_k為第k個時間點的目標(biāo)場景狀態(tài)取值，k＝1,2,...,N。

5.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，采用一個帶A、B參數(shù)的sigmoid函數(shù)，對SVM輸出的決策分?jǐn)?shù)進(jìn)行修改，將決策分?jǐn)?shù)映射到[0,1]區(qū)間，并基于步驟3所獲取的決策分?jǐn)?shù)-標(biāo)簽集使用極大似然估計方法確定sigmoid函數(shù)的參數(shù)A、B的取值，實現(xiàn)從決策分?jǐn)?shù)到目標(biāo)典型場景發(fā)生概率的轉(zhuǎn)化。

6.根據(jù)權(quán)利要求1所述的預(yù)測方法，其特征在于，采用的基于sigmoid函數(shù)的決策分?jǐn)?shù)映射形式如下：

式中：A、B為sigmoid函數(shù)參數(shù)，f為對應(yīng)于輸入樣本x′的決策分?jǐn)?shù)值，P(y＝1x′)表示輸入樣本x′屬于正例的概率。