一种考虑负荷时序性的短期概率负荷预测方法技术

本发明专利技术为一种考虑负荷时序性的短期概率负荷预测方法，属于电气工程技术领域。针对负荷的时序性，提出了一个基于量化回归神经网络（QRNN）和累积隐层连接（AHLC）结构的短期概率性负荷预测模型。AHLC结构连接了所有预测小时的隐藏层，可以为模型输出层提供更多信息。这种AHLC结构与模型中的其他结构（平行预测结构和一维卷积结构）和操作（正则化、辍学、提前停止、学习率衰减和最佳权重保存）一起，提高了短期概率负荷预测的准确性。使用公开的数据集对提议的模型进行了评估。数值结果显示，与现有模型相比，AHLC

【技术实现步骤摘要】
一种考虑负荷时序性的短期概率负荷预测方法


[0001]本专利技术涉及一种电力负荷预测方法。本专利技术具体涉及一种考虑负荷时序性的的短期概率负荷预测方法。属于电气工程


技术介绍

[0002]在电力行业，短期负荷预测对发电调度和能源交易至关重要。在过去的几十年里，人们对传统的电力负荷预测方法进行了大量研究。在这些方法中，点预测方法占主导地位，如自回归综合移动平均模型（ARIMA），支持向量机（SVM），模糊预测方法，小波分析预测方法，以及人工神经网络（ANN）。随着可再生能源的整合，电动汽车的普及，以及储能设备的商业化运作，电力系统中不确定负荷的比例急剧增加。点式负荷预测方法逐渐变得不足。因此，提出了概率性负荷预测来处理电力系统中的不确定性。与点负荷预测相比，概率负荷预测具有更好的量化不确定性的能力，并逐渐受到研究人员越来越多的关注。
[0003]概率负荷预测通常以三种方式实现，即量化预测，区间预测，或情景预测。对于量化预测，研究人员提出了各种方法，如再现核希尔伯特空间法、量化广义加法、广义加法树形集合法、量化回归平均法（QRA）和受限量化回归平均法（CQRA）。对于区间预测，有多输出支持向量回归方法和通过递归特征消除增强的量化回归森林（QRF）。对于情景预测，有报道称采用了多元线性回归（MLR）方法。
[0004]随着神经网络的蓬勃发展，首次提出了量化回归神经网络（QRNN），该网络经过不断改进，提高了训练精度和稳定性，QRNN被引入到概率负荷预测中，并嵌入了日类型来捕捉负荷中的分类变量，众所周知，电力负荷是时间相关的。研究人员已经尝试了许多方法来利用负荷的时间相关性质，实现更准确的预测。前一个小时的模型输出被添加到当前小时的模型输入中。这种输入
‑
输出耦合提高了日前负荷预测的总体精度。递归神经网络是一种以序列数据为输入，沿着序列的演化方向递归，并连接所有节点（递归单元）的神经网络，被用来训练以时间为单位的负荷数据为输入的电力负荷预测模型。尽管在概率负荷预测模型中已经考虑了负荷的时间相关性，但在预测精度上仍有进一步提高的空间。

技术实现思路

[0005]本专利技术旨在解决现有技术中存在的技术问题，特别创新地提出了一种短期概率负荷预测方法。
[0006]为了实现本专利技术的上述目的，本专利技术提供了一种短期概率负荷预测方法，该预测方法包括以下步骤:S1，获取历史电力负荷数据。使用比较常用且容易获得的信息，如历史负荷信息、时间信息、天气信息等，来实现电力负荷预测；S2，使用、、、、、、、、、、, 11个输入项作为模型输入，是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天
之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2；S3，对电力负荷数据进行线性变换归一化处理；S4，对电力负荷数据进行神经网络模型训练；S5，将神经网络模型的输出值进行反归一化处理，得到电力负荷概率预测值。
[0007]本专利技术提出了一种使用累积隐含层连接结构的分位数回归神经网络模型，该模型由分位数回归神经网络结构和累积隐含层连接结构组成。
[0008]分位数回归神经网络用于对电力负荷进行初步的概率负荷预测，累积隐含层连接结构利用电力负荷的时序性，进一步提高电力负荷的概率负荷预测的准确性。
[0009]在本专利技术的一种优选实施方法中，在步骤S3和S5中，线性变换归一化和反归一化的计算方法为：(1)(2)公式（1）为归一化计算公式，公式（2）为反归一化计算公式，和 分别表示数据中最大值和最小值，表示归一化后的数值。
[0010]在本专利技术的一种优选实施方法中，在步骤S4中，神经网络结构为：该模型由分位数回归神经网络结构和累积隐含层连接结构组成。
[0011]分位数回归神经网络：在每个小时的分位数回归神经网络中采用了一个平行的预测结构，即B结构和E结构。B结构用于预测负荷的基本组成部分，即受温度影响较小的负荷，主要是工业和商业负荷。B结构的输入不包括温度。E结构用于预测受温度影响较大的负荷的弹性成分，这些负荷主要是住宅和电动汽车负荷。E结构的输入包括温度。
[0012]基于已存在的基本负荷连接，做了一些修改，具体修改如下：1) 加入了一维1D卷积网络结构。这些结构旨在对部分输入（即h日）进行特征提取，以避免信息冗余；2) 加入了辍学层，辍学率被设置为0.5。剔除层前一层的节点数（即80个）被设置为超参；3) 在每一层中加入L2正则化以防止过拟合;4) 进行重构（图1中的 "添加"）以获得一小时的预测负荷；5) 加入分位数回归神经网络的输出层，其中包含99个节点，用于概率性负载预测。这些层的输出不被转移到下一小时的输入，只用于累积隐含层连接结构;6) 如上所述，温度输入已从B结构中删除。
[0013]累积隐含层连接结构: 受递归神经网络结构的启发，提出了累积隐含层连接结构, 该结构增加了隐藏层之间的连接，提高了模型的学习能力。累积隐含层连接结构与递归神经网络的区别说明如下:1）累积隐含层连接结构是每个小时的隐藏层之间的整体连接，而不是节点之间的连接;2）累积隐含层连接结构中存在累积效应，即连接不仅是相邻两个小时的隐藏层之间的连接，而且还覆盖了当前小时之前的隐藏层。
[0014]只有第一小时的隐藏层与第一小时的输出层相连()，除此以外，后面的各层都与之前的所有层相连，例如，第二小时的输出层 () 与第一和第二小时的隐藏层相连，第三小时的输出层 () 与第一、第二和第三小时的隐藏层相连，累积隐含层连接结构充分利用了负荷的时间相关性，为模型输出提供了更多有用的信息，并连接了全天的预测负荷。
[0015]模型训练的实施细节：为了使模型训练标准化，并使测试集完全独立于模型训练，在测试集中用全新的数据进行了最终评估。该模型训练停止完全依赖于验证集的结果。对于模型训练，设置了5段，每段有1000个epochs，其中应用了早期停止、学习率衰减和最佳权重保存，早期停止是为了防止过度拟合。学习率衰减和最优权重节省是为了实现快速收敛并找到最优解。
[0016]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术能有对短时电力负荷进行快速准确的预测。
附图说明
[0017]图1是本专利技术的模型完整结构。
[0018]图2是本专利技术的B结构。
[0019]图3是本专利技术的E结构。
[0020]图4是本专利技术的一维卷积网络结构。
[0021]图5是本专利技术的累积隐含层连接结构。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑负荷时序性的短期概率负荷预测方法，其特征在于，包括如下步骤：S1，获取历史电力负荷数据。使用比较常用且容易获得的信息，如历史负荷信息、时间信息、天气信息等，来实现电力负荷预测；S2，使用、、、、、、、、、、, 11个输入项作为模型输入；S3，对电力负荷数据进行线性变换归一化处理；S4，对电力负荷数据进行神经网络模型训练；S5，将神经网络模型的输出值进行反归一化处理，得到电力负荷概率预测值。2.如权利要求1所述的一种考虑负荷时序性的短期概率负荷预测方法，其特征在于，在步骤S2中，11个输入项分别是指：是第二天第h小时之前最近的24小时的负荷，尺寸为24，是第二天之前第4、8、12、16、20、24周的第h小时的负荷，尺寸为6，是第二天之前第1、2、3、4周的第h小时的负荷，尺寸为4，是第二天之一周每天的第h小时的负荷，尺寸为7，是第二天之前第4、8、12、16、20、24周的第h小时的温度，尺寸为6，是第二天之前第1、2、3、4周的第h小时的温度，尺寸为4，是第二天之一周每天的第h小时的温度，尺寸为7，为第二天第h小时的实际温度，尺寸为1，是季节的独热编码，尺寸为4，是区分工作日/周末的独热编码，尺寸为2，是区分节假日/非节假日的独热编码，尺寸为2。3.如权利要求1所述的一种考虑负荷时序性的短期概率负荷预测方法，其特征在于，在步骤S3中，线性变换归一化计算方法为：其中， 和分别表示数据中最大值和最小值，表示归一化后的数值。4.如权利要求1所述的一种考虑负荷时序性的短期概率负荷预测方法，其特征在于，在步骤S4中，神经网络结构为：该模型由分位数回归神经网络结构和累积隐含层连接结构组成：分位数回归神经网络：在每个小时的分位数回归神经网络中采用了一个平行的预测结构，即B结构和E结构，B结构用于预测负荷的基本组成部分，即受温度影响较小的负荷，主要是工业和商业负荷，B结构的输入不包括温度，E结构用于预测受温度影响较大的负荷的弹性成分，这些负荷主要是住宅和电动汽车负荷，E结构的输入包括温度；基于已存在的基本负荷连接，做了一些修改，具体修改如下：1) 加入了一维1D卷积网络结构。这些结构旨在对部分输入（即h日）进行特征提取，以避免信息冗余；2) 加入了辍学层，辍学率被设置为0.5。剔除层...

【专利技术属性】
技术研发人员：董吉哲，罗龙，韩顺杰，徐铭谦，李恪禹，张琪，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：