基于多目标和贝叶斯优化的短期电力负荷区间预测制造技术

针对新能源并网后的供电体系存在较高的间歇性和波动性，传统的点预测无法提供负荷数据中的不确定信息。为此，本发明专利技术提出一种基于多目标和贝叶斯优化(Multiple Objective and Bayesian Optimization，MOBO)的短期电力负荷区间预测方法，属于电力负荷预测领域。该方法首先建立基于深度学习的分位数回归模型，客观地验证了各神经网络对负荷中关于非线性和时序性信息的处理能力；其次，通过有效性检验，分析单项模型和混合模型的预测效果，并选取具有可靠预测区间的模型；最后，对选取的模型引入多目标和贝叶斯优化理论，来构建基于MOBO的深度学习区间预测模型。实验结果表明：所提的模型能更加准确地描述电力负荷的波动范围。型能更加准确地描述电力负荷的波动范围。型能更加准确地描述电力负荷的波动范围。

【技术实现步骤摘要】
基于多目标和贝叶斯优化的短期电力负荷区间预测


[0001]本专利技术属于短期电力负荷预测领域，涉及一种基于多目标和贝叶斯优化(Multiple Objective and Bayesian Optimization，MOBO)的短期电力负荷区间预测方法。

技术介绍

[0002]在我国，电力行业的碳排放量占全国碳排放量的1/3以上，为推进双碳目标的达成，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》明确规定：构建现代能源体系，持续加强新能源电力消纳和跨区输送能力建设，有序推进风电、光伏发电的集中式开发，积极推进多能互补的清洁能源基地建设。在此国家重大战略背景下，利用和开发可再生能源进行发电成为脱碳计划的重要途径，例如风力、光伏和水力等，新能源发电系统随之大规模接入电网，但由于该发电方式易受气候变换和地理位置影响，导致获得的电能具有较大的差异性和间歇性，这将给电力公司的生产和调度带来重大不确定性，从而影响到电网中电力平衡的维持。因此，准确的电力负荷预测对于捕捉不确定性发挥了至关重要的作用，为电网调度人员定制发电计划和发电厂报价提供重要的依据。
[0003]目前，电力负荷预测的研究主要围绕点预测开展，这些预测方法主要分为统计学方法(回归分析法、时间序列法和灰色预测法等)和人工智能技术(支持向量机、人工神经网络法和专家系统法)。然而，点预测无法对预测结果的可能波动范围进行预测评估，难以满足新能源并网后对负荷预测更能捕捉随机性信息的高要求；区间预测却能够从本质上解决这个问题，即旨在不同的置信水平下，将数据中的不确定性约束在可控的范围内。目前，国内外对区间预测有一定的研究，负荷的区间预测方法主要包括高斯过程回归、分位数回归、下限和上限估计法以及灰色区间预测等。其中，基于分位数回归的概率预测方法具有灵活、高效的特点，可以与简单的线性模型或机器学习相结合。
[0004]另外，超参数的设置和组合对机器学习模型的预测性能产生重大影响，如模型的准确性、稳定性和泛化能力。故如何优化超参数成为机器学习中最重要的组成部分之一，且对抑制欠拟合以及过度拟合的出现有着关键作用。不同于缺乏理论支持的人工搜索、易陷入局部最优的网格搜索和受到维数限制的随机搜索等超参数优化方法，贝叶斯优化(Bayesian Optimization，BO)算法充分利用已有的评估信息来预测下一个最佳的超参数组合，这极大地减少了训练超参数组合所需的时间，成为最受欢迎的超参数调优策略之一。此外，大部分区间预测的研究倾向于选择单目标函数作为超参数训练的损失函数，例如经验选择方法、均方根误差以及Pinball损失函数等，这无法兼顾预测区间覆盖更多真实值、区间平均宽度更小和区间精锐度更高等多个目标。一个目标的改进往往以牺牲其他目标为代价，例如提高区间覆盖率的同时会使区间平均宽度变大，而缩小区间平均宽度也会导致区间的覆盖率降低。目前，少有研究将预测区间的构建视为具有多个目标的多目标问题。因此，引入多目标和贝叶斯优化理论对建立可靠的预测区间有着重要意义。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于MOBO的深度学习区间预测模型。利用贝叶斯优化算法在超参数训练过程中收敛速度快、扩展性强的优点，来寻找一组使多目标损失函数达到理想效果的帕累托最优解，最终使构建的预测区间能有效地捕捉负荷数据中的不确定性信息以及高效地描述未来负荷的波动范围。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于MOBO的短期电力负荷区间预测方法，具体包括以下步骤：
[0008]S1：数据预测处理阶段。对采集的原始电力负荷数据集进行预处理，再按8：2的比例分为训练集和测试集，包括用于超参数调整和区间预测；
[0009]S2：模型构建阶段。建立基于深度学习的分位数回归模型，包括CNNQR、RBFQR、LSTMQR、GRUQR、CNN
‑
LSTMQR和CNN
‑
GRUQR等模型；
[0010]S3：预测区间构造阶段。将预处理后的数据集输入预测模型，根据置信区间构造理论，输出未来负荷在不同分位点处的预测区间；
[0011]S4：模型筛选阶段。首先通过预测区间覆盖率，初步排除含有无效预测区间的模型，然后通过温克勒系数和预测区间平均宽度，对初步筛选后的预测模型进一步评估其可靠性和精锐程度，选取含有可靠预测区间的模型；
[0012]S5：基于MOBO的超参数优化阶段。兼顾矛盾的多个区间预测指标，建立多目标函数作为贝叶斯优化算法进行超参数寻优的损失函数，然后输出最佳的超参数组合。
[0013]S6：预测和评估阶段。将优化的超参数输入所选模型，预测未来电力负荷的波动范围，并通过点预测和区间预测评估指标来对比所提模型与其他模型的优劣。
[0014]进一步，步骤S1中，采用滑动窗口法和归一化法对原始电力负荷数据集进行预处理，将时间序列数据转换为矩阵数据X
t
，作为预测模型的输入。
[0015]进一步，步骤S2中，基于深度学习的分位数回归模型的权值w
τ
和偏置b
τ
的初始化是在分位点τ处完成，并且根据分位数回归理论，最小化损失函数来更新，表达如下：
[0016][0017][0018]将更新后的矩阵权重w
τ*
和偏置b
τ*
，作为预测模型的参数输入，并设其隐含层的神经元数量为M，则t时刻，输入X
t
得到隐含层的输出向量H1,H2,...,H
M
，将其作为全连接层的输入，则得到分位点τ处的输出值：
[0019][0020]进一步，步骤S3中，公式3得到的不同分位点τ处的分位数服从(u(X
t
),s2(X
t
))的高斯分布，u(X
t
)是测试样本t的平均分位数,σ2(X
t
)则为分位数方差。在给定置信水平100(1
‑
α)％下，预测区间的定义如下:
[0021][0022][0023][0024]式中：和分别为预测区间的下、上限，z1‑
α/2
是标准高斯分布的临界值，取决于置信水平100(1
‑
α)％。
[0025]进一步，步骤S5中，建立的基于多目标和贝叶斯优化的短期电力负荷区间预测模型，通过兼顾多个矛盾的预测区间指标，包括MAPE、RMSE、PICP、PINAW以及WS，建立多目标函数作为贝叶斯优化超参数的损失函数，即
[0026]m
*
＝arg min F(m)
ꢀꢀꢀ
(7)
[0027]其中，函数F(m)可以等价地表示为：
[0028]F(m)＝f
mape
(m)+f
rmse
(m)
‑
f
picp
(m)+f
pinaw
(m)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标和贝叶斯优化(Multiple Objective and Bayesian Optimization，MOBO)的短期电力负荷区间预测方法，其特征在于，该方法包括以下步骤：S1：数据预测处理阶段。对采集的原始电力负荷数据集进行预处理，再按比例分为训练集和测试集，包括用于超参数调整和区间预测；S2：模型构建阶段。为了增强实验的可靠性和对比性，建立基于深度学习的分位数回归模型，包括单项模型和混合模型；S3：预测区间造阶段。将预处理后的训练集输入预测模型，并根据置信区间构造理论，输出未来负荷在不同分位点处的预测区间；S4：模型筛选阶段。通过评估指标，对模型的区间预测关于可靠性和精锐程度进行评价，选取含有效预测区间的模型；S5：基于MOBO的超参数优化阶段。兼顾矛盾的多个预测区间指标，建立多目标函数作为贝叶斯优化算法进行超参数寻优的损失函数，然后输出是预测效果达到最佳的超参数组合；S6：预测和评估阶段。将优化的超参数输入所选模型，预测未来电力负荷的波动范围，并通过点预测和区间预测评估指标来对比所提模型与其他模型的优劣。2.根据权利要求1所述的一种短期电力负荷区间预测方法，其特征在于：步骤S1中，采用滑动窗口法和归一化法对原始电力负荷数据集进行预处理，将时间序列数据转换为矩阵数据X
t
，作为预测模型的输入。3.根据权利要求1所述的一种短期电力负荷区间预测方法，其特征在于：步骤S2中，基于深度学习的分位数回归模型的权值w
τ
和偏置b
τ
的初始化是在分位点τ处完成，并且根据分位数回归理论，最小化损失函数来更新，表达如下：来更新，表达如下：将更新后的矩阵权重w
τ*
和偏置b
τ*
，作为预测模型的参数输入，并设其隐含层的神经元数量为M，则t时刻，输入X
t
得到隐含层的输出向量H1,H2,...,H
M
，将其作为全连接层的输入，则得到分位点τ处的输出值：4.根据权...

【专利技术属性】
技术研发人员：杜茂康，张雪，肖玲，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：