【技术实现步骤摘要】
本公开涉及电力，特别是涉及一种电力系统概率负荷预测方法和装置。
技术介绍
1、竞争和自由化的零售电力市场需要有效和准确的短期负荷预测(short-termload forecasting，stlf)技术，以确保电力系统的稳定、经济和安全的运行。与此同时，与电力需求相关的可变性和不确定性给公用事业行业的带来了重大挑战。因此，在公用事业部门的决策过程中，越来越依赖于概率负荷预测。此外，先进的计量基础设施存储了大量的历史细粒度负载数据，范围从分钟到小时，包括变压器水平到住宅水平。这种丰富的数据为负荷估计提供了物理基础。因此，将大数据技术和统计理论纳入stlf，具有数学意义和现实意义。
2、概率负荷预测包括以时间间隔、情景、密度函数或概率的形式提供电力负荷预测。最近在概率负荷预测方面的努力通常涉及到将机器学习算法与分位数回归相结合。该方法将用于点预测的目标函数转换为一个具有分位数权值的目标函数。特别，分位数值p在0和1之间选择。如果预测值超过真实值，则误差计算为预测值与真实值之间的绝对值或平方差值，乘以分位数p。相反，如果预测值低于真实值，则误差计算为绝对值或平方差值乘以(1-p)。然后将这些错误聚合为对象函数。该预测模型可以由各种基于机器学习的短期负荷预测模型(short-term load forecasting model，slfm)及其组合组成。值得注意的是，分位数回归可以通过遍历不同的分位数来确定负荷的累积概率分布。然而，这一过程需要大量的计算资源，特别是对于训练像人工神经网络这样的机器学习算法。因此，必须探索能够
技术实现思路
1、鉴于上述问题，本公开实施例提供了一种电力系统概率负荷预测方法和装置，以便克服上述问题或者至少部分地解决上述问题。
2、本公开实施例的第一方面，提供了一种电力系统概率负荷预测方法，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述方法包括：
3、获取历史负荷序列和多个历史特征；
4、将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；
5、对所述多个高斯分布进行多次采样，得到多个随机数；；
6、将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；
7、将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约束下，根据所述多个历史特征预测出的未来负荷序列。
8、可选地，所述负荷预测模型的训练步骤至少包括：
9、将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本；
10、对所述多个高斯分布样本进行多次采样，得到多个随机数样本；
11、将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本；
12、根据每个所述高斯分布样本和标准正态分布的kl散度，确定第一损失函数；
13、根据所述历史负荷序列样本对应的真实未来负荷序列样本，以及预测的所述未来负荷序列样本的均方根误差，确定第二损失函数；；
14、基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型。
15、可选地，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；
16、所述将所述历史负荷序列样本和多个历史特征样本输入初始负荷预测模型的编码器，得到预测的多个高斯分布样本，包括：
17、将所述历史负荷序列样本输入所述序列编码模块，得到所述历史负荷序列样本的向量表示样本；
18、将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第一向量表示样本；
19、将所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本输入所述拼接模块，得到第一拼接向量表示样本，所述第一拼接向量表示样本是：所述历史负荷序列样本的向量表示样本和所述多个历史特征样本的第一向量表示样本展开并拼接而成的一维向量；
20、通过所述分布预测模块，将所述第一拼接向量表示样本映射为所述多个高斯分布样本。
21、可选地，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；
22、所述将所述多个随机数样本和所述多个历史特征样本输入所述初始负荷预测模型的解码器，得到预测的未来负荷序列样本，包括：
23、将所述多个随机数样本输入所述非线性映射模块，得到所述预测的分布样本的向量表示样本，所述预测的分布样本是：预测的所述历史负荷序列样本满足的分布样本；
24、将所述多个历史特征样本输入所述特征编码模块，得到所述多个历史特征样本的第二向量表示样本；
25、将所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本输入所述拼接模块，得到第二拼接向量表示样本，所述第二拼接向量表示样本是：所述预测的分布样本的向量表示样本和所述多个历史特征样本的第二向量表示样本展开并拼接而成的一维向量；；
26、将所述第二拼接向量表示样本输入所述序列预测模块，，得到预测的所述未来负荷序列样本。
27、可选地，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：
28、根据所述第一损失函数，对所述初始负荷预测模型的编码器的参数进行更新，并根据所述第二损失函数，对所述初始负荷预测模型的编码器和解码器各自的参数进行更新，得到训练好的所述负荷预测模型。
29、本公开实施例的第二方面，提供了一种电力系统概率负荷预测装置，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述装置包括：
30、获取模块，用于获取历史负荷序列和多个历史特征；
31、分布预测模块，用于将所述历史负荷序列和所述多个历史特征输入所述编码器，得到预测的多个高斯分布，所述多个高斯分布用于确定所述历史负荷序列满足的分布；
32、采样模块，用于对所述多个高斯分布进行多次采样，得到多个随机数；
33、映射模块，用于将所述多个随机数输入所述解码器，对所述多个随机数进行非线性映射，得到所述历史负荷序列满足的分布；
34、序列预测模块，用于将所述多个历史特征输入所述解码器，得到所述解码器在所述历史负荷序列满足的分布的约本文档来自技高网...
【技术保护点】
1.一种电力系统概率负荷预测方法，其特征在于，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练步骤至少包括：
3.根据权利要求2所述的方法，其特征在于，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；
4.根据权利要求2所述的方法，其特征在于，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；
5.根据权利要求2所述的方法，其特征在于，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：
6.一种电力系统概率负荷预测装置，其特征在于，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应
7.根据权利要求6所述的装置，其特征在于，所述负荷预测模型的训练步骤至少包括：
8.根据权利要求7所述的装置，其特征在于，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；
9.根据权利要求7所述的装置，其特征在于，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；
10.根据权利要求7所述的装置，其特征在于，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：
...【技术特征摘要】
1.一种电力系统概率负荷预测方法，其特征在于，应用于负荷预测模型，所述负荷预测模型包括编码器和解码器；所述编码器学习了历史负荷序列样本满足的分布样本，所述解码器以所述分布样本为约束条件，学习了所述历史负荷序列样本对应的真实未来负荷序列样本；所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练步骤至少包括：
3.根据权利要求2所述的方法，其特征在于，所述编码器包括序列编码模块、特征编码模块、拼接模块和分布预测模块；
4.根据权利要求2所述的方法，其特征在于，所述解码器包括非线性映射模块、特征编码模块、拼接模块和序列预测模块；
5.根据权利要求2所述的方法，其特征在于，所述基于所述第一损失函数和所述第二损失函数，更新所述初始负荷预测模型的模型参数，得到训练好的所述负荷预测模型，包括：
...
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。