[发明专利]考虑微气象与用户模式的居民负荷概率预测深度学习方法

说明书

本发明公开了一种考虑微气象与用户模式的居民负荷概率预测深度学习方法，该方法首先采集历史用户用电负荷和数值微气象预报等相关数据构造二维多通道特征图谱，作为深度学习模型输入；其次搭建深层挤压‑激励残差卷积神经网络模型，对居民用电负荷进行用户用电负荷概率预测的初步预测；然后基于稀疏‑冗余特性表征方法，提取用户每日负荷曲线中的特征模式，对概率预测区间进行不确定性校正；最后，对日前居民负荷概率预测结果进行误差分析。本发明结合了微气象数据与用电模式构造新的样本作为模型输入，有效地结合了居民所处地区附近的大量微气象站址的气象预报数据，以实现高精度的日前用户用电负荷预测。

技术领域

本发明属于电力系统大数据分析技术，具体涉及一种考虑微气象与用户模式的居民负荷概率预测深度学习方法。

背景技术

负荷预测的目的是提前预测电力负荷需求，为电网调度和电力市场规划提供有价值的指导。可靠而准确的预测结果有利于充分利用供电设备并降低能源损耗。根据预测对象的不同，负荷预测可以归纳为不同的类型，包括系统负荷预测、配电网负荷预测、居民负荷预测等。其中，居民负荷相比于其他等级负荷，通常具有更高的随机性和波动性，因而其预测不确定更强，其预测精度提升难度较大。此外，居民用户还可以通过调整用电时段或通过分布式光伏、电动汽车上网等方式向电网售电，从而在电力市场中发挥积极作用，这一情况使他们的负荷预测更具挑战性。因此，本发明针对住宅用户总用电负荷引进了一种新型的概率预测方法，并基于用户用电模式识别方法，有效衡量其负荷不确定性的近似变化范围，以为电力系统运营调度提供负荷分布的置信区间预测值。

传统的统计预测方法、机器学习预测方法已在负荷预测领域得到了大量应用。这些模型通常建模简单，因而在小样本集预测任务中取得了较好的结果。然而，随着预测精度需求的不断提升，这些传统模型也逐渐暴露了一些问题。对于统计预测方法，其往往只能处理最近的历史负荷数据，不能够处理影响负荷水平的其他相关因素，诸如气象预报数据，适用于简单的中长期预测。对于传统机器学习预测方法，其通常具有两个共同的缺点：一方面，它们都是基于整个训练数据集进行训练的，以便在一定的性能标准下获得最优的结果；但在这种情况下，当面对大量数据集时，它们的训练用时可能会急剧提高。另一方面，由于机器学习模型的特点，它们往往侧重于分析输入与输出之间的关系，而忽略了输入之间的依赖关系。但实际上，这些预测输入，如历史负荷序列中的数据点，是相互关联的。

针对传统预测方法的不足，深度学习技术在预测领域得到了发展，其基于人工神经网络设计深层结构，包含更多可训练参数，并具有更好的泛化能力。神经网络中的小批量策略也防止了模型直接在整个数据集上的训练问题。然而从当前研究现状可以看出，在用户负荷预测领域，如何搭建有效准确的深度学习模型仍然是一大难题；此外，目前针对构造深度学习模型预测输入的研究数量也十分有限。因此，对于上述两个方面问题，本发明提出了一种考虑微气象于用户模式的居民负荷概率预测深度学习方法，提供了新型的数据处理和构造样本输入的方法，并引入了能够实现多通道分析的深度学习模型，有效地结合了居民所处地区附近的大量微气象站址的气象预报数据，以实现高精度的日前用户用电负荷预测。

发明内容

发明目的：针对上述现有技术中居民用电负荷预测的不足问题，本发明提供一种考虑微气象与用户模式的居民负荷概率预测深度学习方法。

技术方案：一种考虑微气象与用户模式的居民负荷概率预测深度学习方法，包括以下步骤：

(1)采集历史近一周的用户用电负荷序列、待预测时刻的数值微气象预报数据，结合待预测日所处星期、用户编号和微气象站数量，进行数据维度转换融合，构造二维多通道特征图谱，作为深度学习模型输入；

(2)基于二维多通道特征图谱输入，构建深层挤压-激励残差卷积神经网络模型，对居民用电负荷进行点预测；

(3)根据点预测结果的误差，进行分段核密度估计，得到居民用户用电负荷概率预测的初步结果；