[发明专利]一种电力负荷概率预测方法

说明书

本发明公开了一种电力负荷概率预测方法，涉及电力负荷预测技术领域。其中方法步骤包括：将电力负荷值、影响负荷值的历史变量和影响负荷值的未来已知变量构成数据集，进行数据预处理，并划分成训练集和测试集；将训练集的变量输入到电力负荷预测模型中，利用训练集对电力负荷预测模型进行第一训练；将测试集的电力负荷时间序列输入到训练好的电力负荷预测模型中进行电力负荷概率预测，得到电力负荷概率预测值。本发明改进了电力负荷概率预测模型，融合了电力负荷序列分解方法和多变量电力负荷预测方法，综合考虑了电力负荷序列隐藏的时间序列信息与多变量对负荷值的影响因子，提高了预测精准度，解决了现有电力负荷预测方法预测角度单一的问题。

技术领域

本发明涉及时间序列预测领域，涉及时间序列预测在电力负荷预测的应用，尤其是一种电力负荷概率预测方法。

背景技术

随着社会的快速发展，各行各业对于电能的需求不断提高，电能已经成为人类发展过程中不可或缺的重要能源。为了保证稳定的电力供应以及供电质量，对电网的安全高效运行提出了更高的要求。由于电能本身很难实现大量存储，所以最好的办法就是保持发电量和用电量处于一个动态平衡的状态，否则将导致发电量和用电量供需失衡，非常容易引发安全事故，给电力系统和用户造成极大的经济损失。

目前，解决这一问题最有效的方法就是做好电力负荷的预测，使得发电量和用电量达到一定的动态平衡，还可以帮助电力部门及时做出科学决策，降低成本，保证电网长期安全稳定运行。现有的技术主要有两类：一是基于传统的时间序列预测法，在历史的数据上进行统计和分析，构建未来数据和历史数据之间存在的映射关系，但对于非线性数据处理能力较弱，并且当电力负荷受到不确定因素影响时，往往预测效果欠佳。二是基于机器学习的预测方法，它解决了传统时间序列预测方法对非线性数据处理弱的问题，具有强大的非线性数据处理能力。近年来，随着数据量的增加，数据维度的增多，深度学习在电力负荷预测问题上有了更好的应用，深度学习通过对底层特征组合形成更加高层抽象的特征，更加具有优势。但是，基于机器学习的预测方法，着重学习数据特征(包括预测目标历史数据)和预测目标值之间的非线性关系，忽略了预测目标序列所隐藏的丰富信息,导致了预测效果无法进一步提升。因此，基于机器学习的预测方法预测效果不佳是一个亟待解决的问题。

发明内容

本发明的目的是提供一种电力负荷概率预测方法，该方法通过一个由两个编码器组成的神经网络，目标序列编码器通过分解数据集的目标序列历史数据，分解它的趋势性和周期性，进而得到目标序列编码器的预测值。协变量编码器提取特征信息中的时间信息，学习到协变量对预测值的误差影响。再对目标序列编码器的预测值进行修正，进行分位数预测，实现了更加精确的电力负荷预测值。

实现本发明目的的具体技术方案是：

一种电力负荷概率预测方法，其特征在于，包括：

将电力负荷值、影响负荷值的历史变量和影响负荷值的未来已知变量构成数据集，进行数据预处理，并划分成训练集和测试集；

将训练集的变量输入到由目标序列编码器、协变量编码器和分位数输出层构成的电力负荷预测模型中，具体包括：

将训练集中的电力负荷序列值输入到目标序列编码器，分解目标序列的趋势性和周期性，得到第一隐藏变量；

将训练集中的影响负荷值的历史变量和影响负荷值的未来已知变量输入到协变量编码器，学习协变量对于预测值的误差影响因子，得到第二隐藏变量；

将第一隐藏变量和第二隐藏变量输入到分位数输出层，融合第一隐藏变量和第二隐藏变量，进行线性层输出，线性层函数为：

其中，W为权重参数，b为偏置参数；为预测电力负荷值，u为第一隐藏变量和第二隐藏变量之和；

利用训练集对电力负荷预测模型进行第一训练，训练电力负荷预测模型使用的第一损失函数为：