[发明专利]基于LSTM分位数回归的电力系统短期负荷概率密度预测方法

权利要求书

1.一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法，其特征在于，包括：

采集负荷预测地区的历史负荷数据和外部影响因素数据，并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵；其中，所述外部影响因素数据包括：日最高气温、日平均气温、日最低气温、日空气相对湿度、日降雨量、日光照强度和日期类型；

将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理，并将归一化处理后的历史负荷数据序列矩阵和外部影响数据序列矩阵分为测试数据序列矩阵和训练数据序列矩阵；

将经过归一化处理后历史负荷数据序列矩阵和外部影响数据序列矩阵输入到预设的LSTM分位数回归预测模型，得到短期负荷概率密度的预测结果。

2.根据权利要求1所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法，其特征在于，所述采集负荷预测地区的历史负荷数据和外部影响因素数据，并将所述历史负荷数据和所述外部影响因素数据分别构造历史负荷数据序列矩阵和外部影响数据序列矩阵；具体为：

以每天M个采样点的采样率对N天历史负荷数据进行采样，得到N个历史负荷序列矩阵L：

分别获得所述N天中每一天的外部影响因素数据序列，并获得所述待预测日的外部影响因素数据序列W：

其中，G为一天中外部影响因素的个数。

3.根据权利要求1所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法，其特征在于，所述将所述历史负荷数据序列矩阵和所述外部影响数据序列矩阵进行归一化处理；具体为：

对历史负荷数据进行归一化处理，采用如下公式：

D_min＝L_min-α|L_max-L_min|

D_max＝L_max+α|L_max-L_min|

其中，L_n(i)是第n天中第i时刻的负荷值，是归一化后的负荷值；L_max和L_min是负荷序列矩阵L中的最大值和最小值，D_max和D_min将归一化的上下范围扩大到L_max和L_min之外，α＝0.2为比例因子；

对外部影响因素数据进归一化处理，采用如下公式：

D_min＝W_min-α|W_max-W_min|

D_max＝W_max+α|W_max-W_min|

其中，W_n(i)是第n天中第i时刻的外部影响因素序列，是归一化后的外部影响因素序列；W_max和W_min是外部影响因素矩阵W中的最大值和最小值，D_max和D_min将归一化的上下范围扩大到W_max和W_min之外,α＝0.2为比例因子。

4.根据权利要求1所述的基于LSTM分位数回归的电力系统短期负荷概率密度预测方法，其特征在于，所述预设的LSTM分位数回归预测模型；具体公式如下：