[发明专利]基于集成片段变换和时间卷积网络的电力负荷分布预测方法

说明书

一种基于集成片段变换和时间卷积网络的电力负荷分布预测方法。该方法通过集成片段变换对历史电力负荷数据与天气数据进行分解，获得时间序列的趋势项与周期项分量；利用时间卷积网络自适应学习历史数据中的模式特征，构建电力负荷多步预测模型；引入分位数损失目标，得到不同分位数下的预测模型；最后将训练完成的模型应用于实际电力负荷预测中，将中位数模型预测值作为实时负荷预测结果，并利用核密度估计获取实时负荷预测分布。该方法能够为电力负荷预测提供更加全面、精准的信息，对电力系统的调度管理提供重要支持。

技术领域

本发明涉及电力负荷预测与电网优化控制技术领域，特别涉及一种基于EPT（EnsemblePatch Transformation, 集成片段变换）和时间卷积网络的电力负荷分布预测方法。

背景技术

电力系统是现代社会的重要基础设施之一，而电力负荷预测是电力系统运行和规划中的重要问题。准确地预测电力负荷分布可以帮助电力系统规划和优化电网设备，确保电力系统的稳定运行。

现有研究通过采用统计模型、人工神经网络等方法来预测电力负荷。但仍存在一定局限性，如对于非线性关系建模能力有限，不能很好地处理时间序列数据的周期性变化等问题。基于EPT和时间卷积网络的电力负荷分布预测方法，通过对历史电力负荷数据和天气数据进行分解和学习，可以更好地捕捉数据的周期性变化和趋势性变化，提高了预测的准确性和泛化能力。所采用的时间卷积网络相较于传统的RNN和LSTM等循环神经网络具有更优的长期依耐性建模能力、更简单的模型结构，在在预测准确性、计算效率具有更优越的性能。

现有电力负荷预测通常采用点估计的方法对未来时刻的负荷进行确定性预测，可以反映未来电力负荷的整体趋势。然而上述方法无法考虑预测结果的不确定性。电力负荷区间预测可以给出一定的置信区间，但仍无法对负荷分布特点进行表达。因此，对电力负荷进行分布预测可以有效弥补上述不足，提供更加准确的电力负荷预测结果和决策支持。

发明内容

本公开提供一种基于EPT和时间卷积网络的电力负荷分布预测方法，其能够实现对电力系统负荷需求的准确预测，为电力调度和能源规划提供重要的参考依据。

本公开提供的基于EPT和时间卷积网络的电力负荷分布预测方法，包括以下步骤：

S1、收集电力负荷历史数据及相应时刻的天气数据，其中电力负荷数据应为固定时间间隔的时间序列，天气数据主要包括温度，湿度，辐射强度等时间序列。利用EPT对各时间序列进行分解，获得各序列的趋势项和周期项分量；

S2、设定时间卷积网络模型参数，构建负荷预测神经网络模型。基于各序列的趋势项和周期项分量构建训练样本集；

S3、引入分位数损失优化目标，利用Adam优化模型参数。以0.05为间隔，获得不同分位数损失优化目标下的负荷预测模型；

S4、综合分析不同分位数损失优化目标下的负荷预测结果，以中位数（即0.5分位数）下模型预测结果为实际负荷预测结果，基于不同分位数下模型预测结果和核密度估计获取实时负荷预测分布。

进一步的，步骤S1中，电力负荷数据采样间隔通常应低于1h，此处建议为15min。天气数据与电力负荷数据采样时刻需保持一致。综合考虑电力负荷数据、温度、湿度、辐射强度多源时间序列数据进行负荷预测，多源时间序列可以表示为

为时间序列长度。对各时间序列进行EPT分解，由以下公式表达：

其中，和分别表示时间序列高频和低频分量。

则多源时间序列经EPT分解后可表示为，其中包括各时间序列的低频趋势项分量和高频周期性分量。