免费下载!
[!--downpath--]一种基于求和的短期负荷概率预测方法
技术领域
1.本发明涉及电力预测技术领域,具体涉及一种基于求和的短期负荷概率预测方法。
背景技术:
2. 短期负荷预测一般是根据电力系统的运行特性、过去的用电模式、天气等诱因,计算未来几个小时的电力需求。 准确的短期负荷预测可用于制定实时发电计划和实时电力市场结算等,为电力系统安全经济运行提供依据。 近年来,新能源发电的并网发电降低了电力负荷的不确定性,给短期负荷预测带来了挑战。 因此,研究如何提高负荷预测的准确性,获取电力负荷的不确定性信息具有现实意义。
3、目前的短期负荷预测方法按预测结果可分为点负荷预测和概率负荷预测。 点负荷预测方法主要有支持向量机(svr)、长短期记忆网络(lstm)和极端梯度提升树()等。 事实上,对点负荷预测方法的研究很多,但存在预测结果仅为单一值,无法定量描述电力负荷不确定性等问题。 与点负荷预测方法相比,概率负荷预测方法可以量化未来电力负荷的不确定性信息,因此近年来受到更多研究者的追捧。 研究人员将分位数回归理论与神经网络和径向基神经网络相结合来预测概率密度。 同时,他们还利用分位数回归理论和lstm构建了分位数回归长短期记忆网络()的短期风电功率预测,验证了预测效果优于普通模型。 上述概率预测方法侧重于算法融合和改进,对挖掘影响电力负荷不确定性的重要特征的研究不足,难以可靠、准确地预测电力负荷概率。
技术实现要素:
4、针对现有技术的不足,本发明提供了一种基于短期负荷概率的预测方法,与现有技术相比,本发明能够准确、快速地进行电力负荷预测,并且能够反映概率的电力负荷信息。
5、本发明是通过以下技术方案实现的:
6、提供一种基于总和的短期负荷概率预测方法,包括以下步骤:
7.s1:获取基础数据,包括历史负荷数据、日期类型数据和天气相关数据集;
8.s2:根据数据类型,选择相应的特征和编码方式构建数据集,通过以下公式对数据进行归一化处理,
[0009] [0010]
式中:x为原始输入特征,x
最大限度
与 x
分钟
是原始特征的两个极值,xn 是归一化结果;
[0011]
s3:使用算法进行点负荷预测,生成特征重要性排序;
[0012]
s4:根据重要特征和点负荷预测结果添加到s2构建的数据集中;
[0013]
s5:使用损失函数和lstm构造(分位数回归长短期记忆网络)函数。
[0014]
s6:利用s4中构建的数据集建立预测模型,得到不同分位数下的预测结果z1,...,zn;
[0015]
s7:将s6中每个分位数输出下的预测结果作为核密度或输入值lstm风电功率预测,通过下式得到概率密度曲线;
[0016] [0017]
在公式:
[0018]
n 是输入样本的总量;
[0019]
h是带宽:
[0020] [0021]
k(
·
) 是一个非负核函数:
[0022]
采用经验法选取函数作为核函数。 核函数的估计公式和带宽估计公式如下:
[0023] [0024]
进一步地,在s2中,三种数据类型对应的特征和编码方式如表1所示:
[0025]
表1 数据类型、特征及编码方式对比表
[0026] [0027]
更进一步,s3的具体过程如下:
[0028]
s31、算法参数和预测函数f0(x)的初始化;
[0029]
s32。 在训练样本上迭代估计损失函数的一阶导数gi和二阶行列式hi;
[0030]
s33。 通过贪心策略生成新的回归树f
吨
(x)、估计叶节点参数值;
[0031]
s34。 将新的回归树加入到预测函数中,统计输入特征被用于生成新树的次数;
[0032]
s35。 判断损失函数值是否多次未恢复或达到最大迭代次数,如果是则转s36,
否则转至 s32;
[0033]
s36。 得到完整的预测函数和特征重要性。
[0034]
更进一步,s5中函数的构造方法:
[0035]
s51。 损失函数的估计公式如下:
[0036] [0037] [0038]
式中:yi为第i时刻的电力负荷值,为第i时刻q分位数下电力负荷的预测值。
[0039]
s52. 使用损失函数修改lstm的目标函数构造函数如下:
[0040] [0041]
式中:q为条件分位数总数; q 是分位数; 是第q个条件分位数下的预测值; 可输出多分位数预测结果,反映电力负荷的不确定性。
[0042]
与现有技术相比,本发明具有以下优点:
[0043]
1、本发明提出了一种基于和的短期负荷概率预测方法,利用算法进行点负荷预测,并对影响电力负荷的特征进行排序,解决了特征冗余的问题。
[0044]
2、本发明利用损失函数对lstm的目标函数进行变换得到预测模型,可以得到电力负荷的分位数预测结果,解决了点负荷预测不能反映电力负荷概率的问题。电力负荷
[0045]
3、本发明提出两阶段预测方法,即利用预测方法得到点负荷结果,将点负荷结果作为预测模型的输入特征,使预测结果更加准确更快。
图纸说明
[0046]
图1为本发明方法的流程示意图。
[0047]
图2为本发明实施例方法的应用过程示意图。
[0048]
图3是改造后的结构示意图。
[0049]
图4为本发明方法与传统方法在实施例中的预测结果对比示意图。
[0050]
图5为本发明方法在实施例中预测的概率密度示意图。
[0051]
图6是本发明的数据类型、特征和编码形式的对照表。
[0052]
图7是本发明的预测方法与其他预测方法的预测比较结果。
具体实现方法
[0053]
为了清楚说明本方案的技术特点,下面通过具体的实现方法对本方案进行讨论。
[0054]
本实施例的详细应用流程如图2所示,具体说明如下:
[0055]
s1:获取本发明所需的基础数据,主要包括历史负荷数据、日期类型数据和天气相关数据集;
[0056]
s2:根据获取的数据构建数据集,并对数据进行归一化处理;
[0057]
s3:使用算法进行点负荷预测,生成特征重要性排序;
[0058]
s4:根据重要特征和点负荷预测结果添加到s2构建的数据集中;
[0059]
s5:利用损失函数和lstm构建分位数回归长短期记忆网络();
[0060]
s6:利用s4中构建的数据集建立预测模型,得到不同分位数下的预测结果z1,...,zn;
[0061]
s7:利用核密度或函数得到概率密度曲线。
[0062]
在s2中,根据获取的数据构建数据集,并对数据进行归一化处理。 详细说明如下:
[0063]
s21. 构建的数据集的特征和编码方式如图6所示。
[0064]
s22. 数据归一化公式如下:
【0065】【0066】
式中:x为原始输入特征,x
最大限度
与 x
分钟
是一个原始特征的两个极值,xn是归一化后的结果。
[0067]
在 s3 中,该算法用于预测点负载并生成特征重要性排名。 详细过程如下:
[0068]
s31、算法参数和预测函数f0(x)的初始化;
[0069]
s32。 在训练样本上迭代估计损失函数的一阶行列式gi和二阶行列式hi;
[0070]
s33。 通过贪心策略生成新的回归树f
吨
(x)、估计叶节点参数值;
[0071]
s34。 将新的回归树加入到预测函数中,统计输入特征被用于生成新树的次数;
[0072]
s35。 判断损失函数值是否多次上升或达到最大迭代次数,如果是则转s36,否则转s32;
[0073]
s36。 得到完整的预测函数和特征重要性。
[0074]
s5中,利用损失函数和lstm构建分位数回归长短期记忆网络(),具体为:
[0075]
s51。 loss,又称分位数回归损失,可以综合评价概率预测结果的清晰度和可靠性。 损失越小,概率预测结果的清晰度和可靠性越好。 估计公式如下。
[0076]
[0077] [0078]
式中:yi为第i时刻的电力负荷值,为第i时刻q分位数下电力负荷的预测值。
[0079]
s52. 使用 loss重构lstm的目标函数结构。 重构的目标函数如下式所示:
[0080] [0081]
式中:q为条件分位数总数; q 是分位数; 是q的条件分位数下的预测值; 构建的knot light如图3所示,重构后可以输出多分位数预测结果,反映电力负荷的不确定性。
[0082]
将s6中每个分位数输出下的预测值作为核密度或输入值,概率密度曲线可由下式得到。
【0083】【0084】
在公式:
[0085]
n 是输入样本的总量;
[0086]
h是带宽:
【0087】【0088】
k(
·
)为非负核函数:采用经验法选取一个函数作为核函数,核函数的估计公式和带宽估计公式如下。
【0089】【0090】
采用2013-2015年采样间隔为1h的负荷数据集作为实验数据集。 为了说明所提预测方法的有效性,施工对比预测方法如下:
[0091]
分位数回归神经网络 (qrnn)、xgb+、xgb+qrnn 和预测方法。
[0092]
为了量化本发明预测值的准确性,采用平均绝对比误差(,mape)和均方根误差(root mean error,rmse)作为确定性负荷预测结果的评价指标,他们的表达如下。
[0093] [0094] [0095]
式中:n为预测样本总数; yn为用电负荷实际值; 是负荷预测值。 mape和rmse分别反映预测疗效的准确性和稳定性。
[0096]
loss用来评价概率预测结果的可靠性,估计公式如下:
[0097] [0098] [0099]
式中:yi为第i时刻的电力负荷值,为第i时刻q分位数下电力负荷的预测值。
[0100]
本发明的预测方法与其他预测方法的预测比较结果如图3所示。 7.
[0101]
从上表可以看出,本发明提出的预测方法在所采用的评价方法中均取得了较好的预测疗效。 与xgb+qrnn、qrnn和预测模型相比,本发明的方法在mape上提高了0.45%、0.24%、1.71%和0.31%; 均方根误差评价值(mw)提高了19.32(mw)、11.8(mw)、76.26、17.32(mw)lstm风电功率预测,验证了所提出的预测方法能够提高电力负荷预测的准确性。 在损失的评估中,与xgb+qrnn和qrnn概率预测模型相比,所提出的预测方法的得分分别提高了5.14(mw)、2.28(mw)和19.32(mw),反映出本文方法对概率预测有重大影响。 清晰度和可靠性指标得到改善。
[0102]
图4为本发明方法与对比技术的预测结果对比图,qrnn预测方法不能更好地拟合波动阶段的实际负荷曲线。 本发明提出的预测方法无论在稳定阶段还是波动阶段,都能较好地拟合实际负荷值,表现出稳定的预测疗效。 因此,验证了本发明提出的预测方法能够有效地挖掘影响电力负荷波动阶段的诱因,提高点负荷预测的准确性。
[0103]
图5为本发明方法的概率密度预测曲线。 本发明提出预测方法的峰值更接近实际负荷值,同时预测的波形更稳定,波动更小。因此,验证了预测方法中的特征挖掘本发明提出的概率预测方法可以更准确地描述电力负荷的不确定性信息
[0104]
综上所述,本发明利用一种算法进行点负荷预测,并对影响电力负荷的特征进行排序,解决了预测过程中特征冗余的问题。
[0105]
本发明利用损失函数重构lstm的目标函数得到预测模型,可以得到电力负荷的分位数预测结果,解决了点负荷预测不能反映电力负荷概率的问题。
[0106]
本发明利用核密度或算法,通过数字预测结果生成概率密度曲线,直接反映概率信息。
[0107]
本发明提出了一种两阶段的预测方法,即利用预测方法得到点负荷结果,并将点负荷结果作为预测模型的输入特征,使得预测结果更加准确更快。
[0108]
事实上,以上描述不限于以上示例,本发明未描述的技术特征可以通过或
采用现有技术实现,这里不再赘述; 以上实施例及附图仅用于说明本发明的技术方案,并不用于限制本发明,本发明已经结合优选实施方式进行了详细说明,本领域的普通技术人员技术人员应当理解,本领域的技术人员在本发明的实质范围内所作的改动、修改、增加或替换,均不脱离本发明的精神,也应属于本发明的保护范围。本发明的权利要求。
技术特点:
1、一种基于sum的短期负荷概率预测方法,其特征在于包括以下步骤: s1:获取基础数据,包括历史负荷数据、日期类型数据和天气相关数据集; s2:根据数据类型和编码方式选择相应的特征构建数据集,通过以下公式对数据进行归一化,其中:x为原始输入特征,x
最大限度
与 x
分钟
是某个原始特征 x 的两个极值
不
是归一化的结果; s3:使用算法预测点载荷,生成特征重要性排序:s31,初始化算法参数和预测函数f0(x); s32,训练样本上迭代估计损失函数的一阶计算指南g
我
和二阶行列式 hi; s33、通过贪心策略生成新的回归树f
吨
(x),估计叶节点的参数值; s34、将新的回归树加入到预测函数中,统计输入特征被用于生成新树的次数; s35,判断损失函数值是否没有多次反弹或达到最大迭代次数,是则转s36,否则转s32; s36,得到完整的预测函数和特征重要性。 s4:根据重要特征和点负荷预测结果,添加到s2构建的数据集中; s5:使用损失函数和lstm构建(分位数回归长短期记忆网络)函数:s51,损失函数的估计公式为如下公式:s51。 损失函数的估计公式为下式: 其中:y
我
为第i时刻的电力负荷值, 为第i时刻q分位数下电力负荷的预测值。 s52. 使用损失函数重构lstm的目标函数构造函数如下: 式中:q为条件分位数总数; q 是分位数; 是第q个条件分位数下的预测值。 s6:使用s4中构建的数据集构建预测模型,得到不同分位数下的预测结果
z1,...,z
不
;s7:将s6中每个分位数输出下的预测结果作为核密度或输入值,通过以下公式得到概率密度曲线; 其中: n 是输入样本的总量; h是带宽:k(
·
)为非负核函数:采用经验法选取一个函数作为核函数,核函数的估计公式和带宽估计公式如下: 2. 根据求和的短期负荷2.一种如权利要求1所述的概率预测方法,其特征在于,在s2中,三种数据类型对应的特征及编码方式如表1所示: 表1为数据类型、特征及编码形式对照表。
技术概要
本发明涉及一种基于和的短期负荷概率预测方法,包括获取本发明所需的基础数据,主要包括历史负荷数据、日期类型数据和天气相关数据集等; 根据得到的数据构建数据集,并对数据进行归一化处理; 利用算法预测点负载,得到特征重要性排序; 将重要特征和点负荷预测结果添加到构建的数据集中; 使用 损失函数和 LSTM 构造分位数; 使用构建的数据集训练预测模型,得到不同分位数下的预测结果; 利用核密度或函数得到概率密度曲线。 与现有技术相比,本发明能够准确、快速地预测电力负荷,能够反映电力负荷的概率信息。 电荷的概率信息。
技术开发人员:杜银晶、周广创、张兆北、李继攀、田克强、孙苏亮、杨亚丽、程欣、江惠喜、郭锐、李明、赵体尊、魏中杰
技术保护用户:国网广东捷电德州供电公司
技术研发日:2022.02.15
技术公告日期:2022/5/17