【技术实现步骤摘要】
一种电力负荷的最优非参数区间预测方法
本专利技术涉及一种电力负荷的最优非参数区间预测方法，属于电力负荷预测领域。
技术介绍
伴随分布式电源、电动汽车、储能等设备在需求侧的大量接入，电力负荷呈现更加显著的随机性和不确定性，这为电力系统规划、运行控制、市场交易等带来严峻挑战。准确可靠的电力负荷概率预测能够为电力系统决策提供重要的信息支撑，对保障电力系统安全稳定经济运行具有深远意义。相比以数学期望为输出的确定性预测，预测区间能够以给定置信水平覆盖电力负荷的真实值，从而更好地量化电力负荷的不确定性。传统电力负荷区间预测依赖于对概率分布的参数化先验假设，且限制区间左右端点关于中位数概率对称。由于电力负荷的概率分布具有时变、非平稳、非对称、多模态的等特性，传统区间预测对分布的参数化假设以及端点分位水平的对称性限制导致较为保守的区间宽度。
技术实现思路
针对相关
技术介绍
的局限性，本专利技术提供了一种电力负荷的最优非参数区间预测方法，该方法不对电力负荷的概率分布进行任何先验假设，且不限定区间端点的分位水平，能够以...
【技术保护点】
1.一种电力负荷的最优非参数区间预测方法，其特征在于，无需假设电力负荷的概率分布以及区间端点的分位水平，通过逻辑整数变量描述预测区间是否覆盖预测目标，利用混合整数约束保证预测区间覆盖率满足置信度要求，以最小化区间总体宽度为目标，并通过一阶正则项限制模型的复杂度，构建基于机器学习的混合整数规划模型：/n
【技术特征摘要】
1.一种电力负荷的最优非参数区间预测方法，其特征在于，无需假设电力负荷的概率分布以及区间端点的分位水平，通过逻辑整数变量描述预测区间是否覆盖预测目标，利用混合整数约束保证预测区间覆盖率满足置信度要求，以最小化区间总体宽度为目标，并通过一阶正则项限制模型的复杂度，构建基于机器学习的混合整数规划模型：
subjectto:
式中：t＝1,…,T为训练集样本的序号，xt为解释变量，yt为真实电力负荷；f(xt,ωα)和为机器学习的输出方程，分别对应预测区间的上下端点，ωα和为机器学习模型中的参数；λ为正则项的权重因子；Mα,t和均为常数，且Mα,t大于f(xt,ωα)-yt，大于zt为表示区间是否覆盖真实电力负荷yt的逻辑整数变量，取值为1表示预测区间成功覆盖真实电力负荷，取值为0则允许真实电力负荷位于预测区间以外；(1-β)为给定的预测区间标称覆盖率，即区间置信度，表示对内部数字向上取整。
2.根据权利要求1所述的电力负荷的最优非参数区间预测方法，其特征在于，所述的基于机器学习的混合整数规划模型，求解时将极限学习机作为预测区间上下端点的回归方程，并通过引入辅助变量将原始基于机器学习的混合整数规划目标函数中的非光滑正则项线性化，将复杂的机器学习问题变为混合整数线性规划的求解问题：
subjectto:
式中：f(xt,ωα)和为极限学习机的输出方程，分别对应预测区间的上下端点，ωα和为极限学习机的...
【专利技术属性】
技术研发人员：万灿，赵长飞，宋永华，曹照静，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。