本申请公开了基于多值分位数回归与集成学习的负荷短期概率预测方法，包括如下步骤：利用历史基准数据构建若干个集成学习子模型，以若干个集成学习子模型得到负荷分位数预测值训练集合；以若干个集成学习子模型构建集成学习初始模型；基于集成学习模型损失函数输出权重参数更新值，得到集成学习模型；以待预测时序数据以及集成学习模型输出待预测时序对应的负荷分位数预测值集合；基于自适应带宽核密度估计算法根据负荷分位数预测值集合输出连续概率密度曲线，得到负荷短期概率预测结果。本申请的有益效果：改善多个负荷分位数预测值交叉问题，能够有效提高负荷区间预测的区间覆盖率准确性并减小区间预测宽度。
【技术实现步骤摘要】
本申请涉及负荷预测，尤其涉及基于多值分位数回归与集成学习的负荷短期概率预测方法。
技术介绍
1、随着新型电力系统构建的不断推进，传统的确定性负荷预测结果在描述负荷不确定性时具有一定局限性。而相关技术中针对负荷短期概率预测研究，存在：基于参数模型的概率预测方法通过假设负荷分布进行参数预测，能够直接根据模型输出的参数给出负荷的概率密度或累积分布曲线，但也非常依赖分布假设的合理性，而实际情况中某时刻的负荷很难严格服从某一分布。
2、概率预测从形式上包含概率参数估计、区间预测、分位数回归等。徐诗鸿等在区间预测中，通过直接预测上下限区间，其预测结果能够提供负荷波动的极限情况，但其预测结果很难提供负荷的概率密度以及概率分布的信息。
3、目前，通过非参数模型中的分位数回归，具有操作简单的特点，并使用各类人工智能算法能够建立较为合理的模型，但仍存在以下问题：1、普通分位数回归容易导致多个分位数预测值之间出现交叉现象，可解释性变差；2、多分位数负荷值对应的多目标预测问题。
4、中国专利《一种基于时空多尺度和k-sdw的超短期概率风电功率预测方法》，公开号：cn 115600500a，公开日：2023年01月13日，具体公开了包括以下步骤：s1，通过变分模态分解将归一化目标风速分解为多个子序列；s2，将子序列和相邻的空间风速序列重构为时空候选特征，并进行时空多尺度特征选择；s3，采用分位数回归模型对每个子序列进行预测。该方案针对每个分量采用子模型单独进行预测，整体预测性能较差，无法全面获得整个负荷短期概率情况。</p>
技术实现思路
1、本申请针对现有技术中对负荷短期概率预测存在解释性差、多目标预测准确性低的问题，提供基于多值分位数回归与集成学习的负荷短期概率预测方法，将历史负荷数据划分为历史基准数据以及历史先行数据，以历史基准数据构建集成学习子模型，进而得到历史先行数据对应的负荷分位数预测值训练集合，对若干个集成学习子模型执行初始动态加权，构建集成学习初始模型，此时集成学习初始模型输出的负荷分位数预测值即为对负荷分位数预测值训练集合执行初始动态加权的输出值，基于集成学习模型损失函数以及历史先行数据中实际负荷值，计算集成学习初始模型输出的负荷分位数预测值相较于实际负荷值的损失参数，得到权重参数更新值，以权重参数更新值更新集成学习初始模型中各个子模型的权重系数，使得集成学习模型的性能达到最优，提高最终预测结果的准确性，进而以集成学习模型预测结果基于自适应带宽核密度估计算法输出连续概率密度曲线展现负荷短期概率预测结果，提高未来时段负荷预测结果的准确性和全面性，便于负荷调控策略的制定。能够改善多个负荷分位数预测值交叉问题，能够有效提高负荷区间预测的区间覆盖率准确性并减小区间预测宽度，得到配电网10kv母线短期负荷区间预测与概率密度预测结果。
2、为实现上述技术目的，本申请提供的一种技术方案是，基于多值分位数回归与集成学习的负荷短期概率预测方法，包括如下步骤：s1：获取历史负荷数据，利用历史负荷数据根据时序划分为历史基准数据以及历史先行数据，利用历史基准数据构建若干个集成学习子模型，以历史先行数据以及若干个集成学习子模型得到对应历史先行数据的负荷分位数预测值训练集合；s2：对若干个集成学习子模型执行初始动态加权，构建集成学习初始模型；s3：基于集成学习模型损失函数根据历史先行数据以及负荷分位数预测值训练集合输出权重参数更新值，以权重参数更新值执行二次动态加权，更新集成学习初始模型，得到集成学习模型；
3、s4：获取待预测时序数据，以待预测时序数据以及集成学习模型输出待预测时序对应的负荷分位数预测值集合；s5：基于自适应带宽核密度估计算法根据负荷分位数预测值集合输出连续概率密度曲线，得到负荷短期概率预测结果。
4、进一步的，所述利用历史基准数据构建若干个集成学习子模型还包括：将历史基准数据随机划分为若干个训练数据子集，以每个训练数据子集构建对应的集成学习子模型，得到若干个集成学习子模型。
5、进一步的，所述以每个训练数据子集构建对应的集成学习子模型还包括：构建包括特征选择网络、lstm编码层、lstm解码层以及门控残差网络的集成学习基础子模型；利用特征选择网络识别训练数据子集中影响特征因子；利用lstm编码层根据影响特征因子获取负荷短期变化特征；以负荷短期变化特征作为lstm解码层以及门控残差网络输入构建集成学习子模型。
6、进一步的，所述基于集成学习模型损失函数根据历史先行数据以及负荷分位数预测值训练集合输出权重参数更新值还包括：以多值分位数损失函数以及最大似然估计排序损失构建集成学习模型损失函数。
7、进一步的，所述以多值分位数损失函数以及最大似然估计排序损失构建集成学习模型损失函数还包括：基于弹球损失函数结合分位数回归以及神经网络模型构建多值分位数回归模型，以多值分位数回归模型得到多值分位数回归损失函数。
8、进一步的，所述基于自适应带宽核密度估计算法根据负荷分位数预测值集合输出连续概率密度曲线还包括：对负荷分位数预测值集合中每个负荷分位数预测值计算初始带宽下的局部密度；以所有负荷分位数预测值对应的局部密度计算几何平均密度；以几何平均密度计算每个负荷分位数预测值的自适应带宽；利用自适应带宽计算待预测时序下负荷的概率密度估计，输出连续概率密度曲线。
9、进一步的，所述利用历史负荷数据根据时序划分为历史基准数据以及历史先行数据包括：根据预设时序段将历史负荷数据划分为若干个时序段，以奇数时序段作为历史基准时序段，以偶数时序段作为历史先行时序段，根据历史基准时序段以及历史先行时序段得到历史基准数据以及历史先行数据。
10、进一步的，所述s2还包括：利用混合器对若干个集成学习子模型执行初始动态加权，构建集成学习初始模型。
11、进一步的，所述多值分位数回归损失函数为：
12、
13、其中，ml(yixi)为条件输入为xi时yi的多值分位数回归损失函数，yi为i时刻若干个负荷分位数预测值组合的向量，m为分位数总个数，qj表示第j个分位数，为分位数为qj时的损失函数，g(xiqj)为条件输入为xi、分位数为qj时的多值分位数预测模型。
14、进一步的，所述历史负荷数据至少包括历史气象数据、历史时序数据以及历史负荷数据。
15、本申请的有益效果：1、通过改进多值分位数回归的损失函数，在其中加入排序约束，有效减少了分位数值之间交叉情况的发生，提高了负荷概率预测模型的解释性；2、对多个负荷分位数值的多目标预测问题，构建了集成学习预测模型，提高了负荷概率预测结果区间预测的准确性以及概率预测的可靠性。
本文档来自技高网...
【技术保护点】
1.基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
3.如权利要求2所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
4.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
5.如权利要求4所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
6.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
7.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
8.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
9.如权利要求5所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
10.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
【技术特征摘要】
1.基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
3.如权利要求2所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
4.如权利要求1所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
5.如权利要求4所述的基于多值分位数回归与集成学习的负荷短期概率预测方法，其特征在于：
<...
【专利技术属性】
技术研发人员：赵寿生，杨晓丰，李康毅，祁炜雯，胡恩德，章立宗，张旭阳，陈超，赵伟苗，张心心，李熙娟，唐志琼，范强，黄缘，徐则仕，张小珍，陈鲁，黄行星，王建军，周戴明，程恩，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。