[发明专利]电力系统短期负荷概率预测方法、装置及系统

权利要求书

1.一种电力系统短期负荷概率预测方法，其特征在于，包括：

获取输入变量；

对输入变量进行预处理；

建立基于高斯过程分位数回归的负荷概率预测模型；

基于预处理过的输入变量，确定最优输入变量集合；

利用粒子群算法优化所述负荷概率预测模型中的超参数，获得优化过的基于高斯过程分位数回归的负荷概率预测模型；

将所述最优输入变量集合代入到优化过的基于高斯过程分位数回归的负荷概率预测模型，获得预测输出。

2.根据权利要求1所述的一种电力系统短期负荷概率预测方法，其特征在于：所述对输入变量进行预处理为对输入变量进行归一化处理，归一化公式为：

其中，为某一输入变量归一化后的数据值；x(i)为输入变量原始数据；x_max、x_min分别为输入变量原始数据的最大值和最小值。

3.根据权利要求1所述的一种电力系统短期负荷概率预测方法，其特征在于：所述基于高斯过程分位数回归的负荷概率预测模型，具体包括以下步骤：

设定训练集合为D＝{(x_i,y_i)|i＝1,2,3,…,n}＝(X,y)，其中x_i∈R^m，为m维的输入向量；

y_i∈R，为对应于x_i的输出标量；n表示训练样本点数量；X＝[x₁,x₂,…,x_n]，为m×n维输入矩阵，y为训练样本观测值；

对任意的随机变量x和x′，高斯过程回归模型表示为：

其中，独立高斯白噪声服从均值为0、方差为的高斯分布，记做δ_ij为Kronecker delta函数，当i＝j时，δ_ij＝1；m(x)表示负荷均值输出结果，为有限维分布族的均值函数；k(x,x′)表示协方差函数，用于刻画负荷方差大小；

对负荷均值输出结果m(x)进行数据预处理使之为0；

高斯过程回归模型在n维训练集合D内建立先验分布，在n_*维测试集合D_*下转变为后验分布，所述测试集合D_*为：D_*＝{(x_i,y_i)|i＝n+1,…,n+n_*}＝(X_*,f_*)，则训练样本观测值y和测试数据的输出向量f_*之间构成联合高斯分布，具体为：

其中，K(X,X)＝K_n，表示n×n的核矩阵，其元素K_ij＝k(x_i,x_j)；K(X,X_*)＝K(X_*,X)^T表示测试数据X_*与训练集的输入矩阵X之间的协方差矩阵；K(X_*,X_*)表示测试数据X_*自身的协方差；I表示单位矩阵；

得出测试数据的输出向量f_*的后验分布为：

其中，为均值向量，表示负荷预测均值，对应于点预测输出，表示对应于的方差，以获得具有概率分布意义的负荷区间不确定性预测结果；

高斯过程回归模型通过极大化似然函数自适应获得协方差函数中的最优超参数，在获得最优超参数后，即可用确定的协方差函数得到预测点的预测均值和方差：具体包括以下步骤：

选取平方指数协方差函数计算核矩阵元素，其公式为：

其中，未知超参数M＝diag(l^-2)，l为方差尺度；表示核函数信号方差；为噪声方差；令θ为包含所有超参数的向量；

训练样本的对数似然函数表示为：

其中，

当训练样本对数似然函数取最大值时，即意味着高斯过程回归模型参数训练完毕，由此完成了高斯过程回归模型的建立。