[发明专利]一种基于ForecastNet的短期电力负荷区间预测方法

权利要求书

1.一种基于ForecastNet的短期电力负荷区间预测方法，其特征在于，包括如下步骤：

步骤1：获取电力负荷数据，数据预处理；

先进行空缺值填补，利用相邻两个时间点的数据均值对空缺值进行填补；

之后进行数据归一化处理，将数据映射到[0,1]区间上；

步骤2：ForecastNet模型初始化，设置预测步长、隐藏层个数、学习率；

步骤3：将数据集切分成训练集和测试集，采用K折交叉验证法将训练集导入ForecastNet模型进行训练，以均方误差MSE作为损失函数；

步骤4：训练得到具有高斯混合密度输出的模型，之后将测试集导入其中；

步骤5：从测试数据集中生成并绘制样本的预测，最后生成带有置信区间的负荷预测。

2.根据权利要求1所述的基于ForecastNet的短期电力负荷区间预测方法，其特征在于，所述ForecastNet模型采用卷积神经网络作为混合密度输出，通过时间反向传播算法，反向计算每个ConvNet神经元输出值与真实值的误差项，根据相应的误差项，计算每个权重的梯度，应用Adam优化器更新权重。

3.根据权利要求1所述的基于ForecastNet的短期电力负荷区间预测方法，其特征在于，利用K折交叉验证法对ForecastNet模型进行训练，选出最优模型超参数，之后从测试数据集中生成具有高斯混合密度分量输出的模型；

对于给定的N个样本数据集，其中，x_i∈R^d为输入变量矩阵，y_n为其对应的目标值；根据高斯过程的定义，可以建立输入矩阵和输出矩阵之间的关系，公式为：y_n＝f(x_n)+ε_n，式中：f为在数据集D下定义的函数；ε_n为服从分布的独立高斯白噪声；

将μ_*作为f(x_n)的估计，则预测误差可被描述如下公式：y_n-μ_*＝[f(x_n)-μ_*]+ε_n，式中，f(x_n)-μ_*表示基于真实回归的预测模型估计误差。

4.根据权利要求1所述的基于ForecastNet的短期电力负荷区间预测方法，其特征在于，带有置信区间的负荷预测是假设时间序列数据集为不确定性总方差为则具有(1-δ)×100％置信水平的y_n为[L_r(x_i),U_r(x_i)]。本发明采用正态分布结合总预测误差方差对预测区间的下限L_r(x_i)和上限U_r(x_i)进行定义，可得：其中，z_(1-α)/2是标准正态分布临界值。

5.根据权利要求1所述的基于ForecastNet的短期电力负荷区间预测方法，其特征在于，负荷数据集只包含时间线和电力负荷值，属于单变量。