[发明专利]一种分位数概率性短期电力负荷预测集成方法

说明书

本发明涉及一种分位数概率性短期电力负荷预测集成方法，属于电力系统分析技术领域。该方法包括：将历史负荷数据划分为两部分，第一部分用于训练单一的分位数概率预测模型，第二部分用于确定多种预测方法的权重从而集成负荷预测；对第一部分数据进行有放回采样得到多个新的训练数据集；对每个训练数据集训练神经网络分位数回归、随机森林分位数回归、渐进梯度回归树分位数回归三个回归模型；在第二部数据集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，从而最终得到分位数概率性集成负荷预测模型。本方法能够在各种单一预测模型的基础上，提高进一步提高概率性负荷预测的精度，有助于降低电力系统运行的成本。

技术领域

本发明涉及一种分位数概率性短期电力负荷预测集成方法，属于电力系统分析技术领域。

背景技术

负荷预测是电力系统规划与运行的基础。高精度的负荷预测能够辅助电力系统做出更优的决策从而有效减小相应的规划和运行成本。传统的点预测只能提供未来负荷的一个估值，不能描述未来负荷存在的不确定性。然而近年来，随着分布式可再生能源的持续增长以及储能、电动汽车的接入，电力负荷表现出更强的不确定性。于是越来越多的学者开展概率性负荷预测的研究。概率性负荷预测能够通过置信区间、概率密度或者分位数的形式表征待预测负荷的不确定性，较点预测而言，能够提供未来负荷确定性的更多信息。

分位数作为概率预测的一种重要表现形式，已经得到了广泛的关注。目前相关的研究主要分为三种：1)直接将负荷预测模型利用分位数回归直接得到最终的概率预测结果，分位数回归模型包括线性分位数回归、随机森林分位数回归、支持向量机分位数回归、神经网络分位数回归等。2)首先利用多套数据训练或多个模型得到众多点预测的结果，再对这些点预测结果进行分位数回归平均(Quantile Regression Averaging)，从而得到分位数预测结果。3)通过密度估计、统计历史点预测误差分布等手段先得到概率预测分布，然后将分布转换为分位数结果。

目前存在很多电力负荷预测模型和方法，但对于不同的问题或者数据集，不能保证某一种方法能够在所有数据集上都保证最优。于是，研究人员系统通过综合多种预测模型，构建集成预测方法，提升总体预测模型的泛化性能和预测精度。集成负荷预测就是确定不同预测模型的权重，然后根据确定的权重计算各预测结果的加权平均得到最终的集成预测结果。产生多种预测模型的方法可以针对一个特定的预测模型，对训练数据集进行有放回采样(Bootstrap Sampling)衍生不同的训练集，使得模型的参数具有多样性；也可以针对同一个训练数据集，直接训练线性回归、神经网络、支持向量机等多个预测模型。目前集成预测已经广泛应用于电力负荷的点预测中。在负荷多元化使得负荷不确定性增加的背景下，概率性电力负荷预测模型也越来越多地被提出来，而目前在电力负荷预测领域，还没有对分位数概率预测集成开展相关的研究。

已有的电力负荷预测的集成方法有：

1、分位数回归：分位数回归主要研究自变量与因变量的条件分位数之间的关系，得到的回归模型可以通过自变量估计因变量的条件分位数。分位数回归较传统最小二乘回归而言，不仅可以度量回归变量在分布中心的影响，还可以度量在分布上尾和下尾的影响，为因变量不确定性提供更加详尽的信息。分位数回归可以描述成为一个典型的优化模型，如下式所示：

上式中，i和N分别表示模型训练样本的编号和总数；x_i和y_i分别表示第i个训练样本的自变量和因变量；q表示待回归的分位数，其取值在0到1之间；β(q)表示q分位数回归模型待估计的参数；ρ_q表示q分位数回归的损失函数，其具体表现形式为：

通过一定的优化算法可以求解相应的分位数回归模型。特别地，当分位数回归模型β(q)为线性模型时，该分位数回归为传统的线性分位数回归；当分位数回归模型β(q)为神经网络模型、随机森林、渐进梯度回归树(GBRT)等时，该分位数回归则为神经网络分位数回归、随机森林分位数回归、渐进梯度回归树分位数回归等。