电力系统短期负荷概率预测方法、装置及系统制造方法及图纸

本发明专利技术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。本发明专利技术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。

Short-term Load Probability Prediction Method, Device and System of Power System

The invention discloses a short-term load probability prediction method, device and system of power system, and establishes a short-term load probability density prediction model based on quantile regression of Gauss process by selecting the optimal input variable set affecting load. Firstly, the importance score of input variables is given by Stochastic Forest algorithm, and the influence degree of each input variable is ranked. Secondly, the particle swarm optimization algorithm is used to search the Super-parameters of the model to form the quantile regression prediction model of optimized Gauss process, so as to avoid the adverse effect of setting the initial parameters by manual experience on the prediction performance of the model. The invention can avoid the shortage of manual experience selection, and the load forecasting model established in the set of optimal input variables has lower error, further reduces the forecasting error, overcomes the problems of common conjugate gradient method that is easy to fall into local optimal solution, the number of iterations is difficult to determine, and the optimization performance is greatly affected by initial value selection, and can give full play to its own search and group cognitive ability. Power.

【技术实现步骤摘要】
电力系统短期负荷概率预测方法、装置及系统
本专利技术属于电力系统负荷预测
，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。
技术介绍
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。
技术实现思路
针对上述问题，本专利技术提出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，该方法在预测过程中采用高斯过程分位数回归模型，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。实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：第一方面，本专利技术提供了一种电力系统短期负荷概率预测方法，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。优选地，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；xmax、xmin分别为输入变量原始数据的最大值和最小值。优选地，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＝{(xi,yi)|i＝1,2,3,…,n}＝(X,y)，其中xi∈Rm，为m维的输入向量；yi∈R，为对应于xi的输出标量；n表示训练样本点数量；X＝[x1,x2,…,xn]，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δij为Kroneckerdelta函数，当i＝j时，δij＝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*＝{(xi,yi)|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)＝Kn，表示n×n的核矩阵，其元素Kij＝k(xi,xj)；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。优选地，所述基于高斯过程分位数回归的负荷概率预测模型还包括：结合分位数回归与高斯过程回归模型优势，建立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：在分位数回归森林与高斯过程回归理论基础上，定义效用函数，所述效用函数为：其中，N为大于1的自然数，q是分位数τ的预测值，y是分位数τ的观测值，Z是归一化常数；定义分位数回归函数，所述分位数回归函数为：p(q)＝G(q|0,Z)上式可通过最大化积分∫qUτ(y,q)p(q)dq来训练模型，Z表示分位数回归函数的系数；基于非对称拉普拉斯分布方法，通过求取效用函数的极大值，训练高斯过程分位数回归模型；定义核密度估计量，所述核密度估计量为：其中，i为大于0的自然数，K(·)为非负的对称函数，表示空间中两点之间的某种相似性，其积分为1本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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；xmax、xmin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＝{(xi,yi)|i＝1,2,3,…,n}＝(X,y)，其中xi∈Rm，为m维的输入向量；yi∈R，为对应于xi的输出标量；n表示训练样本点数量；X＝[x1,x2,…,xn]，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δij为Kroneckerdelta函数，当i＝j时，δij＝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*＝{(xi,yi)|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)＝Kn，表示n×n的核矩阵，其元素Kij＝k(xi,xj)；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。4.根据权利要求3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还包括：结合分位数回归与高斯过程回归模型优势，建立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：在分位数回归森林与高斯过程回归理论基础上，定义效用函数，所述效用函数为：其中，N为大于1的自然数，q是分位数τ的预测值，y是分位数τ的观测值，Z是归一化常数；定义分位数回归函数，所述分位数回归函数为：p(q)＝G(q|0,Z)上式可通过最大化积分∫qUτ(y,q)p(q)dq来训练模型，Z表示分位数回归函数的系数；基于非对称拉普拉斯分布方法，通过求取效用函数的极大值，训练高斯过程分位数回归模型；定义核密度估计量，所述核密度估计量为：其中，i为大于0的自然数，K(·)为非负的对称函数，表示空间中两点之间的某种相似性，其积分为1、均值为0；定义高斯核，所述高斯核为：其中，σ>0为带宽，x1、x2均为偏差变量；采用核密度估计量和高斯核K(x1,x2,σ)对系统负荷密度区的负荷预测误差进行概率密度估计。5.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：所述确定最优输入变量集合具体包括以下步骤：确定输入变量的影响因素方程具体为：其中，t为自然数，表示一天中的时刻，t∈[0,24]；d为自然数，表示一年中的一天，d∈{1,2,…,365}；vl表示历史负荷值的矢量，vt表示第t天的气象因素矢量，p表示实时电价；利用随机森林算法选取最优输入变量集合；结合负荷的周周期和日周期特性，人工选取原始输入变量集合为F＝(X,y)，且含有n个观测值，...

【专利技术属性】
技术研发人员：佟新元，武文广，白英伟，王昕，张国辉，黄福兴，周广山，罗浩，张罗平，李坤，李军，李宽，赵斌超，李娜，吴昊，王明达，
申请(专利权)人：国网山东省电力公司电力科学研究院，国电南瑞南京控制系统有限公司，国网山东省电力公司，国网山东省电力公司济南供电公司，国网山东省电力公司检修公司，
类型：发明
国别省市：山东,37