一种基于时序高斯混合密度网络的负荷概率密度预测方法技术

本发明专利技术公开了一种基于时序高斯混合密度网络的负荷概率密度预测方法，包括：S1、获取电力系统历史负荷数据，对获取的电力系统历史负荷数据进行预处理；S2、构建负荷概率密度预测模型；S3、利用训练集对构建的负荷概率密度预测模型进行训练，得到训练好的负荷概率密度预测模型；S4、利用训练好的负荷概率密度预测模型对电力系统进行负荷概率密度预测。本发明专利技术通过构建包含长短期记忆网络、注意力机制层和混合高斯概率密度网络的负荷概率密度预测模型，可以得到负荷概率密度预测的区间范围，且相比现有方法得到的区间范围更窄，覆盖率更高，有效提高电力系统负荷预测精度。效提高电力系统负荷预测精度。效提高电力系统负荷预测精度。

【技术实现步骤摘要】
一种基于时序高斯混合密度网络的负荷概率密度预测方法


[0001]本专利技术涉及电力负荷预测
，特别涉及一种基于时序高斯混合密度网络的负荷概率密度预测方法。

技术介绍

[0002]电力负荷预测是电力系统安全、经济运行的基础，为电力系统规划和运行、能源交易、经济调度等提供重要信息。与此同时，分布式电源与可再生能源的大规模接入配电网，是实现双碳目标，构建以新能源为主体的新型电力系统的一种有效方式。在电力系统中，可再生能源出力和负荷需求间歇性波动且互补，使得配电网整体负荷具有不确定的波动性和时变性。因此，未来调度问题需重视不确定性因素的影响。
[0003]近年来出现了多种短期负荷预测方法，包括神经网络、支持向量机和模糊推理系统等。但只能进行点预测，难以表征负荷的不确定性。因此，考虑不确定性预测方法，对负荷功率预测，全面刻画负荷的不确定性分布信息，实现负荷不确定因素建模。但是，这些现有的预测方法的预测准确度仍难以满足现实需求，仍然存在较大的提升空间。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种可行性高、准确率高的基于时序高斯混合密度网络的负荷概率密度预测方法。
[0005]为了解决上述问题，本专利技术提供了一种基于时序高斯混合密度网络的负荷概率密度预测方法，所述基于时序高斯混合密度网络的负荷概率密度预测方法包括以下步骤：
[0006]S1、获取电力系统历史负荷数据，对获取的电力系统历史负荷数据进行预处理；
[0007]S2、构建负荷概率密度预测模型，所述负荷概率密度预测模型包括输入层、长短期记忆(Long Short
‑
Term Memory,LSTM)网络、注意力机制(Attention Mechanism)层、混合高斯概率密度网络(Gaussian Mixed Density Networks，GMDN)和输出层；所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络；所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值，并把得到的第一中间值输入至所述注意力机制层；所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度，进一步提取时序特征以得到第二中间值，并把得到的第二中间值输入至混合高斯概率密度网络；所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数，计算得到混合概率密度的均值和方差，并根据均值和方差得到负荷概率密度预测的区间范围；
[0008]S3、利用训练集对构建的负荷概率密度预测模型进行训练，得到训练好的负荷概率密度预测模型；
[0009]S4、利用训练好的负荷概率密度预测模型对电力系统进行负荷概率密度预测；
[0010]所述混合概率密度的均值和方差计算公式如下：
[0011][0012][0013]其中，为混合概率密度的均值；v
var
(ξ)为混合概率密度的方差；ξ为第二中间值；n为高斯正态分布参数的组数；π
i
(ξ)为第i组高斯正态分布出现的概率；σ
i2
(ξ)为第i组高斯正态分布的方差；μ
i
(ξ)为第i组高斯正态分布的均值。
[0014]作为本专利技术的进一步改进，所述归一化均方根偏差、归一化平均绝对偏差、预测区间覆盖率和预测区间平均宽度的计算公式如下：
[0015][0016][0017][0018][0019]其中，NRMSD为归一化均方根偏差，NMAD为归一化平均绝对偏差，PICP为预测区间覆盖率，PIAW为预测区间平均宽度，p
p，j
为第j个样本预测值，p
r，j
为第j个样本实际值，N是测试集样本个数，和是置信度c时预测的区间范围的下限和上限。
[0020]作为本专利技术的进一步改进，还包括以下步骤：
[0021]利用测试集用于对训练好的负荷概率密度预测模型进行测试，并对预测结果进行评价。
[0022]作为本专利技术的进一步改进，步骤S3中，通过设置不同组数的高斯正态分布参数对负荷概率密度预测模型进行训练，得到不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型；并利用测试集对不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型进行测试，以确定高斯正态分布参数的最优组数。
[0023]作为本专利技术的进一步改进，步骤S3中，根据预测序列的长度选择不同长度的输入序列对负荷概率密度预测模型进行训练，得到不同长度的输入序列对应的训练好的负荷概率密度预测模型；并利用测试集对不同长度的输入序列对应的训练好的负荷概率密度预测模型进行测试，以确定输入序列的最优长度作为所述长短期记忆网络的滑动时间窗长度。
[0024]作为本专利技术的进一步改进，步骤S4中，选择归一化均方根偏差以及归一化平均绝对偏差对点预测结果进行评价，选择预测区间覆盖率和预测区间平均宽度对区间范围的预测结果进行评价。
[0025]作为本专利技术的进一步改进，所述对获取的电力系统历史负荷数据进行预处理，包括：利用插值法对历史负荷数据中的异常值进行修正，并对历史负荷数据进行归一化，并划分训练集和测试集。
[0026]本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0027]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
[0028]本专利技术还提供了一种基于时序高斯混合密度网络的负荷概率密度预测系统，其包括：
[0029]数据预处理模块，用于获取电力系统历史负荷数据，对获取的电力系统历史负荷数据进行预处理；
[0030]模型构建模块，用于构建负荷概率密度预测模型；所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层，所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络；所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值，并把得到的第一中间值输入至所述注意力机制层；所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度，进一步提取时序特征以得到第二中间值，并把得到的第二中间值输入至混合高斯概率密度网络；所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数，计算得到混合概率密度的均值和方差，并根据均值和方差得到负荷概率密度预测的区间范围；
[0031]模型训练模块，用于利用训练集对构建的负荷概率密度预测模型进行训练，得到训练好的负荷概率密度预测模型；
[0032]负荷概率密度预测模块，用于利用训练好的负荷概率密度预测模型对电力系统进行负荷概率密度预测；
[0033]所述混合概率密度的均值和方差计算公式如下：
[0034][0035][0036]其中，为混合概率密度的均值；v
var
(ξ)为混合概率密度的方差；ξ为第二中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序高斯混合密度网络的负荷概率密度预测方法，其特征在于，包括以下步骤：S1、获取电力系统历史负荷数据，对获取的电力系统历史负荷数据进行预处理；S2、构建负荷概率密度预测模型，所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层；所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络；所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值，并把得到的第一中间值输入至所述注意力机制层；所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度，进一步提取时序特征以得到第二中间值，并把得到的第二中间值输入至混合高斯概率密度网络；所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数，计算得到混合概率密度的均值和方差，并根据均值和方差得到负荷概率密度预测的区间范围；S3、利用训练集对构建的负荷概率密度预测模型进行训练，得到训练好的负荷概率密度预测模型；S4、利用训练好的负荷概率密度预测模型对电力系统进行负荷概率密度预测；所述混合概率密度的均值和方差计算公式如下：所述混合概率密度的均值和方差计算公式如下：其中，为混合概率密度的均值；v
var
(ξ)为混合概率密度的方差；ξ为第二中间值；n为高斯正态分布参数的组数；π
i
(ξ)为第i组高斯正态分布出现的概率；σ
i2
(ξ)为第i组高斯正态分布的方差；μ
i
(ξ)为第i组高斯正态分布的均值。2.如权利要求1所述的基于时序高斯混合密度网络的负荷概率密度预测方法，其特征在于，还包括以下步骤：利用测试集用于对训练好的负荷概率密度预测模型进行测试，并对预测结果进行评价。3.如权利要求2所述的基于时序高斯混合密度网络的负荷概率密度预测方法，其特征在于，步骤S3中，通过设置不同组数的高斯正态分布参数对负荷概率密度预测模型进行训练，得到不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型；并利用测试集对不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型进行测试，以确定高斯正态分布参数的最优组数。4.如权利要求2所述的基于时序高斯混合密度网络的负荷概率密度预测方法，其特征在于，步骤S3中，根据预测序列的长度选择不同长度的输入序列对负荷概率密度预测模型进行训练，得到不同长度的输入序列对应的训练好的负荷概率密度预测模型；并利用测试集对不同长度的输入序列对应的训练好的负荷概率密度预测模型进行测试，以确定输入序列的最优长度作为所述长短期记忆网络的滑动时间窗长度。5.如权利要求1所述的基于时序高斯混合密度网络的负荷概率密度预测方法，其特征在于，步骤S4中，选择归一化均方根偏差以及归一化平均绝对偏差对点预测结果进行评价，选择预测区间覆盖率和预测区间平均宽度对区间范围的预测结果进行评价。
6.如权利要求5所述的基...

【专利技术属性】
技术研发人员：张楠，王亮，
申请(专利权)人：国网山西省电力公司阳泉供电公司，
类型：发明
国别省市：