[发明专利]一种分位数概率性短期电力负荷预测集成方法

权利要求书

1.一种分位数概率性短期电力负荷预测方法，其特征在于该方法包括以下步骤：

(1)将电力负荷数据长度为T的电力系统历史电力负荷数据D按照设定比例分为长度为T₁和T₂的两个数据集D₁和D₂；

(2)对上述电力负荷数据集D₁进行有放回采样，形成M个数据集，分别为D₁₁,D₁₂,…D_1m,…D_1M，m＝1,2,3,…,M；

(3)分别训练上述M个数据集D₁₁,D₁₂,…D_1m,…D_1M的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型，包括以下步骤；

(3-1)对M个数据集中的任意一个数据集D_1m，向数据集D_1m的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型分别输入一个自变量X_1t，输出一个因变量y_1t，其中：

X_1t＝[W,h,d_t-H,d_t-H-1,d_t-2H+1,d_t-2H,d_t-2H-1,d_t-3H]，y_1t＝d_t，

其中，H表示一天内包括的时段数，h表示待预测电力负荷所在的时段，h＝1,2,…,H，W表示待预测负荷所属日类型，定义W＝1为工作日，W＝0为非工作日，d_t表示第t时段的电力负荷值，t＝1,2,…,T₁；

(3-2)根据上述自变量X_1t和因变量y_1t，分别优化训练上述三个q分位数预测模型，即神经网络q分位数回归模型g_1,m,q、随机森林q分位数回归模型g_2,m,q和渐进梯度回归树q分位数回归模型g_3,m,q，得到上述三个q分位数预测模型的参数β_1,m,q，β_2,m,q，β_3,m,q；

优化训练的过程为：

其中，q取值在0到1之间，ρ_q表示q分位数损失函数，计算式如下：

其中，为预测模型在t时刻的与q分位数相对应的电力负荷预测值；

遍历M个数据集中的所有数据集，重复本步骤，得到K＝3M个q分位数预测模型；

(3-3)将上述K＝3M个q分位数预测模型重新进行编号，得到训练好的分位数回归模型g_k,q：

g_k,q＝g_i,m,q

其中，k＝m+i×M-M，i表示在每个数据集上训练的三个模型的编号，i＝1,2,或3，m＝1，2，3，…，M；

(4)利用上述K＝3M个q分位数预测模型，在数据集D₂上，建立以分位数损失最小为目标函数的优化模型，确定各种分位数回归模型的权重，计算得到与q分位数相对应的集成负荷预测模型，包括以下步骤：

(4-1)根据上述K＝3M个q分位数预测模型，向上述电力负荷数据集D₂的K＝3M个q分位数预测模型分别输入一个自变量X_2t，输出一个因变量y_2t，其中：

X_2t＝[W,h,d_t-H,d_t-H-1,d_t-2H+1,d_t-2H,d_t-2H-1,d_t-3H]，y_2t＝d_t，

(4-2)向上述K个在数据集D₁上训练好的分位数回归模型g_k,q分别输入自变量X_2t，计算得到与第k个训练好的分位数回归模型在时段t的q分位数相对应的电力负荷预测值

(4-3)利用上述步骤(4-2)得到的与K个模型的q分位数相对应的电力负荷预测值和电力负荷值y_2t，确定各预测方法的权重ω_q＝[ω_q1,ω_q2,…ω_qk,…ω_qK]如下：

其中，表示K个在时段t的q分位数相对应的电力负荷预测值的加权平均值，ω_qk表示与q分位数相对应的集成负荷预测模型中第k种预测模型g_k,q的权重，表示所有K个预测模型的权重之和为1，ω_qk≥0表示所有K个预测模型的权重都非负；

设定一个辅助决策变量，将上式改写为如下线性优化模型：

(4-4)根据上述得到的权重ω_q＝[ω_q1,ω_q2,…ω_qk,…ω_qK]，建立q分位数概率性电力负荷预测集成模型如下：

(5)遍历q的取值集合{0.01，0.02，0.03，…0.98，0.99}，重复步骤(3)和(4)，得到不同分位数q的集成负荷预测方法。