[发明专利]短期负荷的概率预测方法和概率预测装置

权利要求书

1.一种短期负荷的概率预测方法，其特征在于，包括：

步骤S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；

步骤S2，针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；

步骤S3，根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；其中，

所述步骤S3，具体包括：

步骤S31，针对聚类数量为k_j时的划分结果将隶属于第1到k_j个用户群体的用户负荷分别加总，以得到k_j组用户群体的历史用电负荷向量；

步骤S32，针对所述k_j组用户群体的历史用电负荷向量，定义其中第a组用户群体的总用电负荷为分别以t时段各用户群体用电总负荷为输出，以t时段对应的星期独热编码、小时编号、昨天同一时段负荷、昨天上一时段负荷、前天同一时段负荷、三天前同一时段负荷、四天前同一时段负荷构成输入特征使用训练集L_tr对应的T_tr个时段中的特征和相应的输出训练k_j个分位数回归神经网络，分别记作其中第a组所对应的神经网络的输入向量的长度与的长度相同；

步骤S33，在集成集L_en对应的T_en个时段中，对时刻t(t＝T_tr+1,T_tr+2,…,T_tr+T_en)，将输入特征分别作为分位数回归神经网络的输入，得到k_j个用户群体的负荷概率分布；

步骤S34，根据预设的离散卷积运算对k_j个负荷概率分布进行累加，得到待预测区域整体负荷的多个概率预测结果的预测模型，设f_j,q(X_j,t)为聚类数量为k_j时所得到的对总负荷的q分位数的预测结果，f_j,q为各群体经过卷积累加后的预测模型，为该模型在t时刻的输入特征，q可取(0,1]中的任何实数，并满足以下公式：

Pr(L_tf_j,q(X_j,t))＝q，L_t为t时刻待预测区域的总负荷；

步骤S4，根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型，其中，所述目标函数包括凸函数，所述凸函数的约束条件为线性，基于凸优化问题求解技术求解所述目标函数，求解后得到所述最优集成权重，将不同聚类数量下的各预测模型按照所述最优集成权重累加，得到所述集成后的待预测区域负荷概率预测模型，所述集成后的待预测区域负荷概率预测模型的表达式为：

其中，f_en,q表示集成后的概率预测模型，X_t＝[X_1,t,X_2,t,…,X_N,t]表示集成后模型在t时刻的输入特征，N为正整数，j为小于等于N的正整数；

步骤S5，根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。