[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

说明书

本发明公开了一种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，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。本发明能够提供更为精确的长期电力负荷概率密度预测。

技术领域

本发明属于智能电网电力负荷预测领域，具体涉及一种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。

背景技术

相比于传统的电力负荷点预测过程，负荷的概率密度预测能给出分位数、预测区间或 概率密度函数等特征来描述电力负荷中的不确定性，受到学界和业界的持续关注。另外从 时间跨度上看，预测的范围可以从分钟、小时到天月年等。电网中不同的需求所对应的预 测时间跨度也不一样。由于短期电力负荷预测能够提供精确地电力负荷预测因而受到了广 泛的关注。

对于电力负荷短期概率密度预测，一般分为两步，第一步采用分位数回归分析获得电 力负荷的分位数，第二步采用核密度估计获得概率密度函数。线性分位数回归利用线性函 数描述电力负荷与参数间的关系，是较为基础的方法。由于电力负荷通常呈现非线性的特 征，线性函数所预测的结果并不是很优越。现阶段非线性的预测方法，如基于SVM模型、 基于CNN-GRU模型的方法等不能有效描述复杂时序数据的高阶特征，预测精度有待提高。 因此，提高电力负荷预测精度是亟需解决的问题。

发明内容

针对上述问题，本发明提出一种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，能够提供更为精确的长期电力负荷概率密度预测。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于分位数回归的短期负荷概率密度预测方法，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。

可选地，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：