[发明专利]基于分位数回归的短期负荷概率密度预测方法、装置及系统

权利要求书

1.一种基于分位数回归的短期负荷概率密度预测方法，其特征在于，包括：

获取DL-LSTM-A深度网络模型，所述DL-LSTM-A深度网络模型包括若干个双层LSTM网络元胞和注意力机制模块，各双层LSTM网络元胞的输出端分别与所述注意力机制模块相连；所述注意力机制模块将各双层LSTM网络元胞的输出进行加权求和；

所述双层LSTM网络元胞包括顺次相连的两个LSTM元胞；

利用训练数据训练获得DL-LSTM-A网络中待优化的各个参数，获得优化后的DL-LSTM-A深度网络模型；

将获取到的电力负荷消耗的影响因素输入至优化后的DL-LSTM-A深度网络模型，获得分位数；

采用非参数密度估计方法对分位数进行处理，获得最终的负荷概率密度函数，完成基于分位数回归的短期负荷概率密度预测。

2.根据权利要求1所述的一种基于分位数回归的短期负荷概率密度预测方法，其特征在于，所述分位数的获取方法包括：

定义电力负荷预测值Y的计算公式为：

Y＝f(h,d,ty,s,te,n,l,Y_o)

其中，h∈{1,2,…,24}为一天中的小时数，d∈{1,2,…,365}指一年中的某一天；ty是天的类型，ty＝1指工作日，ty＝0指休息日；s指季节，用{1,2,3,4}分别代表春夏秋冬四个季节，te指当前时刻的温度，用摄氏度来描述；n指当前终端所服务的用户数，Y_o是历史负荷值，f(·)为非线性的复杂函数，用来描述电力负荷与各个影响因素之间关系的函数；

定义电力负荷预测值Y的分布函数为：

F(y)＝P(Y≤y)

则满足F(y)≥τ的最小y的值为变量y的第τ分位数，第τ分位数的表示形式为：

Q(τ)＝inf(y|F(y)≥τ)。

3.根据权利要求1所述的一种基于分位数回归的短期负荷概率密度预测方法，其特征在于，所述注意力机制模块的输出表达式为：

其中，n+1指所提注意力机制中元胞序列的长度，β_k指在第t-(k-1)个元胞的注意力值，h_t-(k-1)指第t-(k-1)个元胞的输出值，H_t指注意力机制的输出，利用范数进行归一化，注意力值β_k可用如下公式计算：

其中，||·||₂指向量二范数，s_k用来描述元胞的重要性，再将H_t输入全连接层得到的输出值即为DL-LSTM-A网络模型的输出，也就是电力负荷的预测值。