[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

说明书

本发明公开了一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法及装置，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；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，并将归一化的序列分为测试组序列和训练组序列；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。本发明能够在保障较高预测精度的同时，考虑到负荷的不确定性，获取用户在未来某段时间内负荷的概率分布情况，使预测结果包含更多的信息。

技术领域

本发明涉及电力系统短期负荷预测技术领域，特别是涉及一种基于LSTM分位数回归的日前电力负荷概率密度预测方法及装置。

背景技术

电力系统负荷预测是在考虑电力用户用电特性以及一些外部影响因素的条件下，预测未来某时刻用户的用电负荷数据。预测的结果需要满足一定的精度才能有效的为电力系统的运行和规划提供参考。传统的负荷预测只能对未来每一时刻的负荷提供一个预测值。但是一方面，以电动汽车、空调为代表的柔性负荷在用户侧逐渐普及，不同用户的用电行为以及用户特征存在不同，其负荷曲线通常波动性较大且难以预测；另一方面，分布式发电在用户侧的比例也越来越高，因此电力负荷表现出更强的不确定性。传统的确定值负荷预测已经不能满足电网的运行要求。若负荷预测值比实际值高，即预测误差为正，则会承担额外发电机组的投入运行费用，进而增加电力系统的运行调度成本。若负荷预测值比实际值低，即预测误差为负，则会承担由于调度方案的功率不足和缺电率造成的调度风险。而概率性负荷预测相比与传统的确定值负荷预测，可以通过概率密度、分位数或置信区间的方式，预测结果更能包含不确定性信息。便于电力调度中心根据源荷两侧的实际运行情况选择不同的负荷预测曲线，进一步减小电力系统的运行成本。

人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多，如BP神经网络、ELMAN神经网络、RBF神经网络等等。其中，长短期记忆网络(LSTM)是一种循环神经网络，可以解决传统神经网络不能持续记忆的问题，在学习序列数据的非线性特征方面具有优势，更适用于超短期负荷预测。大量的学者基于LSTM实现了较好的负荷预测精度，然而单一的点负荷预测并不能考虑负荷的不确定性。此外，传统的概率分布模型无法描述分布式可再生能源和负荷的概率密度分布的实际特征，如峰值、粗尾、不对称和多个高峰。因此如何在保证较高负荷预测精度的情况下，同时考虑到电力负荷的不确定性，使预测结果包含更多的信息是必须考虑的问题。

发明内容

本发明的目的是：提供基于LSTM分位数回归的电力系统短期负荷概率密度预测方法及装置，能够在保障较高预测精度的同时，考虑到负荷的不确定性，获取用户在未来某段时间内负荷的概率分布情况，使预测结果包含更多的信息。

为了实现上述目的，本发明提供了一种基于LSTM分位数回归的电力系统短期负荷概率密度预测方法，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。

进一步地，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：