[发明专利]基于高斯过程分位数回归模型的概率负荷预测系统及方法

权利要求书

1.一种基于高斯过程分位数回归模型的概率负荷预测系统，包括应用于计算机装置中的多条计算机程序指令，所述计算机装置包括输入单元、适于实现多条计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器，其特征在于，所述计算机程序指令由处理器加载并执行如下步骤：

通过输入单元输入用于预测区域电力负荷的样本数据集，该样本数据集包括历史电力负荷数据和区域特征因素；

将样本数据集划分为训练集和测试集，并将训练集内的历史电力负荷数据和温度数据进行归一化处理；

对训练集的历史电力负荷数据和区域特征因素中的温度数据进行关联因素分析，并利用两者的关联关系构建特征向量；

将训练集的特征向量输入到高斯过程分位数回归预测模型中进行区域电力负荷预测；

设置高斯过程分位数回归预测模型的分位数变化区间，该高斯过程分位数回归预测模型输出多个条件分位数负荷预测结果；

将条件分位数负荷预测结果输入到核密度估计函数中进行核密度估计，得到负荷概率密度函数；

通过所述负荷概率密度函数计算出预测电力负荷的置信区间以及负荷预测估计值。

2.如权利要求1所述的基于高斯过程分位数回归模型的概率负荷预测系统，其特征在于，所述预测区域电力负荷表示为如下模型：

Forecast＝f(t,d,c,y₁,u₁,id)

其中，t∈[0,24]，是一天当中的时间，以小时为单位；d∈{1,2,…,365,366}是一年当中的天数，以天为单位；c是一天的类型；y_l是包含一段历史用电需求的历史电力负荷数据；u_l是一个包含区域特征因素的实值向量；id代表用电需求的区域标识。

3.如权利要求1所述的基于高斯过程分位数回归模型的概率负荷预测系统，其特征在于，所述计算机程序指令由处理器加载还执行如下步骤：将所述样本数据集中的历史电力负荷数据和区域特征因素进行预处理，该预处理包括数据缺失值填补处理与异常值剔除处理。

4.如权利要求1所述的基于高斯过程分位数回归模型的概率负荷预测系统，其特征在于，所述计算机程序指令由处理器加载还执行如下步骤：将测试集中的样本数据集输入高斯过程分位数回归模型来测试该高斯过程分位数回归模型的性能和评估准确度。

5.如权利要求1所述的基于高斯过程分位数回归模型的概率负荷预测系统，其特征在于，所述计算机程序指令由处理器加载还执行如下步骤：

选取平方指数协方差函数作为高斯过程分位数回归模型的核函数，并采用期望最大化算法进行高斯过程分位数回归模型优化；

采用高斯核函数作为核密度估计函数，在估计概率密度的过程中，采用经验法则来选取高斯核函数带宽。

6.一种基于高斯过程分位数回归模型的概率负荷预测方法，应用于计算机装置中，其特征在于，该方法包括如下步骤：

通过计算机装置的输入单元输入用于预测区域电力负荷的样本数据集，该样本数据集包括历史电力负荷数据和区域特征因素；

将样本数据集划分为训练集和测试集，并将训练集内的历史电力负荷数据和温度数据进行归一化处理；

对训练集的历史电力负荷数据和区域特征因素中的温度数据进行关联因素分析，并利用两者的关联关系构建特征向量；

将训练集的特征向量输入到高斯过程分位数回归预测模型中进行区域电力负荷预测；

设置高斯过程分位数回归预测模型的分位数变化区间，该高斯过程分位数回归预测模型输出多个条件分位数负荷预测结果；

将条件分位数负荷预测结果输入到核密度估计函数中进行核密度估计，得到负荷概率密度函数；

通过所述负荷概率密度函数计算出预测电力负荷的置信区间以及负荷预测估计值。

7.如权利要求6所述的基于高斯过程分位数回归模型的概率负荷预测方法，其特征在于，该方法还包括如下步骤：将所述样本数据集中的历史电力负荷数据和区域特征因素进行预处理，该预处理包括数据缺失值填补处理与异常值剔除处理。