[发明专利]电力系统短期负荷概率预测方法、装置及系统

说明书

本发明公开了一种电力系统短期负荷概率预测方法、装置及系统，通过选取影响负荷的最优输入变量集合，建立高斯过程分位数回归的短期负荷概率密度预测模型。首先采用随机森林算法给出输入变量重要性评分，并对各输入变量影响程度进行排序；其次，采用粒子群优化算法搜索模型超参数，形成优化高斯过程分位数回归预测模型，避免人工经验设置参数初始值对模型预测性能的不利影响。本发明可避免人工经验选取的不足，在最优输入变量集合中建立的负荷预测模型，其误差较低，进一步降低了预测误差，克服了常用共轭梯度方法存在容易陷入局部最优解、迭代次数难以确定、优化性能受初值选取影响大的问题，可充分发挥自身搜索与群体认知能力。

技术领域

本发明属于电力系统负荷预测技术领域，具体涉及一种基于高斯过程分位数回归的电力系统短期负荷概率预测方法、装置及系统。

背景技术

提高电力系统负荷预测精度是有效保障电力系统安全、稳定、经济运行的技术措施之一，不同时间尺度的负荷预测对安排电力生产调度、设备检修计划及中长期电网规划都具有极其重要的意义。实际系统运行积累海量的历史负荷、气象等数据，充分挖掘这些数据蕴含的信息，为提高电力负荷预测精度提供了新的途径。

在短期负荷预测建模过程中，输入变量的选取对模型预测结果有很大影响。现有技术中常通过经验选取输入变量，但该方法依赖于技术人员主观经验，缺乏理论依据。同时，人工选择的输入变量维数过高，容易引入冗余变量，增加模型训练复杂度，降低了预测性能。选择少量输入变量时，又难以获得足够的信息表征输出特性。因此，在训练模型前需要建立最优输入变量集合以克服人工经验选取的不足。

目前常用的负荷预测方法主要包括：以时间序列法为代表的传统方法、以人工神经网络法为代表的人工智能方法、包括支持向量机在内的新的机器学习算法等，上述的常规方法都能得到确定的点预测结果，而实际电力系统中蕴含了各种不确定因素，点预测结果必然存在不同程度的误差，从而使决策工作面临一定程度的风险。如果能够给出预测结果的区间，从而使电力系统决策人员了解未来负荷的变化波动范围，则有利于其做出更合理的决策，也更符合电力市场的发展需求。在各种确定性的点预测方法的基础上，从众多不确定性因素出发，开展大量概率性区间预测的研究，给出一定置信水平下的概率化区间预测结果，可以描述出未来负荷值可能出现的范围。

回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法，高斯过程回归以贝叶斯理论和统计学习理论为基础，在处理高维数、非线性等复杂回归问题时具有易编程实现、超参数自适应获取以及输出具有概率分布等优点，在时间序列分析、动态系统模型辨识、系统控制等多领域获得了广泛应用。分位数回归是计量经济学的研究前沿方向之一，它利用解释变量的多个分位数(例如四分位、十分位、百分位等)来得到被解释变量的条件分布的相应的分位数方程。与传统的高斯过程只得到均值方程相比，它可以更详细地描述变量的统计分布。

分位数回归是对以古典条件均值模型为基础的最小二乘法的延伸，用多个分位函数来估计整体模型。中位数回归是分位数回归的特殊情况，用对称权重解决残差最小化问题，而其他的条件分位数回归则用非对称权重解决残差最小化。从参数的估计方法来看，一般线性回归模型的原理是使得被解释变量与其拟合值之差的平方和最小，而分位数回归是使得这个残差的绝对值的一个表达式最小，这个表达式不可微，因此传统的求导方法不再适用，而是采用线性规划方法或单纯形算法。这也是它与一般线性回归最大的不同点之一。分位数回归能够捕捉分布的尾部特征，当自变量对不同部分的因变量的分布产生不同的影响时。例如出现左偏或右偏的情况时，它能更加全面的刻画分布的特征，从而得到全面的分析，而且其分位数回归系数估计比一般的回归系数估计更稳健。

综上所述，考虑到目前电力系统负荷预测方法存在的问题，需要一种新的负荷概率预测方法以解决上述问题。

发明内容