CN112446550A - 一种短期建筑负荷概率密度预测方法 - Google Patents

一种短期建筑负荷概率密度预测方法 Download PDF

Info

Publication number
CN112446550A
CN112446550A CN202011424080.5A CN202011424080A CN112446550A CN 112446550 A CN112446550 A CN 112446550A CN 202011424080 A CN202011424080 A CN 202011424080A CN 112446550 A CN112446550 A CN 112446550A
Authority
CN
China
Prior art keywords
variable
exogenous
vector
variables
building load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011424080.5A
Other languages
English (en)
Other versions
CN112446550B (zh
Inventor
孙改平
刘蓉晖
林顺富
米阳
陈腾
马天天
赵增凯
韦江川
王乐凯
杨涛
张飞翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202011424080.5A priority Critical patent/CN112446550B/zh
Publication of CN112446550A publication Critical patent/CN112446550A/zh
Application granted granted Critical
Publication of CN112446550B publication Critical patent/CN112446550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种短期建筑负荷概率密度预测方法，包括以下步骤：1)以最大相关系数和最小冗余为原则，对原始外生变量采用正交最大相关系数进行筛选，得到选择后的外生变量；2)对于选择后的外生变量，引入二进制风险指示变量以提高峰值负荷预测的准确性；3)构建卷积门控分位数回归模型，以筛选后的外生变量与二进制风险指示变量共同作为输入，以不同分位数下的建筑负荷预测值为输出进行训练；4)采用训练好的构建卷积门控分位数回归模型进行预测得到不同分位数下的预测值，将不同分位数下的预测值通过拟合的核函数得到概率密度分布函数。与现有技术相比，本发明具有提高峰值时间预测准确性、提高预测精度、充分特征提取等优点。

Description

一种短期建筑负荷概率密度预测方法
技术领域
本发明涉及建筑负荷大数据预测领域，尤其是涉及一种基于正交最大相关系数特征选取和卷积门控神经网络的短期建筑负荷概率密度预测方法。
背景技术
短期负荷预测(short-term load forecasting，STLF)对于区域负载(如智能家居，微电网和有源配电网)的现代电力系统稳定性与经济性发展至关重要，用户特征的多样性和需求响应的不确定性使预测变得更加困难，不准确的负荷预测会对生产计划产生不利影响，电力负荷受气象、经济、节假日等因素影响，若考虑所有影响因素将增加计算复杂度，影响预测精度。
短期建筑负荷是电力系统经济调度、机组优化、能源交易等的基础和关键。在智能电网中，需求响应的实施、用户特性的多样性和分布式发电集成的复杂性给建筑负荷的变化带来了显著的不确定性。更好地理解建筑负荷的不确定性有助于提高预测精度，并节省成本，建筑负荷受气象、经济、节假日等因素的影响。现有的预测将所有因素都作为预测模型的输入变量，大大增加了计算复杂度，导致了维度灾难，影响建筑负荷预测结果，而且目前短期建筑负荷预测大部分是点负荷预测，而点负荷预测的预测弹性不足，精度不够，且无法描述具有较高渗透率的负荷预测不确定性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种短期建筑负荷概率密度预测方法。
本发明的目的可以通过以下技术方案来实现：
一种短期建筑负荷概率密度预测方法，该方法包括以下步骤：
1)以最大相关系数和最小冗余为原则，对原始外生变量采用正交最大相关系数进行筛选，得到选择后的外生变量；
2)对于选择后的外生变量，引入二进制风险指示变量以提高峰值负荷预测的准确性；
3)构建卷积门控分位数回归模型，以筛选后的外生变量与二进制风险指示变量共同作为输入，以不同分位数下的建筑负荷预测值为输出进行训练；
4)采用训练好的构建卷积门控分位数回归模型进行预测得到不同分位数下的预测值，将不同分位数下的预测值通过拟合的核函数得到概率密度分布函数。
所述的步骤1)中，原始外生变量包括建筑历史负荷和天气变量，所述的天气变量包括温度、露点、湿度、风速和气压。
所述的步骤1)中，具体包括以下步骤：
11)计算每个原始外生变量与建筑负荷变量之间的Kendall相关系数；
12)选择最大Kendall相关系数对应外生变量向量作为变量子集S中的第一个变量向量α1；
13)计算除α1以外剩余的所有外生变量向量关于变量子集S的正交化向量β，并得到对应的标准正交向量e，计算正交相关系数并将最大正交相关系数对应的外生变量向量放入变量子集S中；
14)重复步骤13)直至变量子集S中的外生变量向量个数达到设定值。
所述的步骤11)中，Kendall相关系数的计算式为：
Figure BDA0002823957560000021
其中，τ(u,v)为Kendall相关系数，u为每个原始外生变量的边缘分布函数，v为建筑负荷变量的边缘分布函数，C(·)为Copula函数。
所述的步骤13)中，在第n个外生变量选取时，已选变量子集S＝[α1,α2。。。αn-1]，α1,α2。。。αn-1分别表示已经选择的n-1个变量向量，第n个外生变量向量αn关于已选变量子集S的正交化向量βn以及标准正交向量en的计算式为：
Figure BDA0002823957560000022
Figure BDA0002823957560000023
其中，<·,·>为向量内积运算，β1、β2。。。βn-1分别为每个变量向量对应的正交化向量，||·||表示向量模。
所述的正交相关系数Omcc的表达式为：
Omcc＝τ(F(en),F(y))
其中，y为目标向量，即建筑负荷变量，F(en)为en的边缘分布函数，F(y)为为目标向量的边缘分布函数，τ为Kendall相关系数运算。
所述的步骤2)中，二进制风险指示变量的表达式为：
Figure BDA0002823957560000031
Figure BDA0002823957560000032
其中，C-1(·)为Copula函数的反函数，
Figure BDA0002823957560000033
为外生变量variate(t)在p分位数下的Var风险值，且p值取0.95，F1(x1(t))、F2(x2(t))分别为外生变量x1和x2的边缘分布函数。
所述的步骤3)中，卷积门控分位数回归模型通过在混合卷积神经网络和门控循环单元GRU基础上引入分位数回归后形成。
所述的卷积门控分位数回归模型以优化目标损失函数得到不同分位数下的负荷预测值
Figure BDA0002823957560000034
则目标损失函数的表达式为：
Figure BDA0002823957560000035
其中，Yi为第i个实际样本值，
Figure BDA0002823957560000036
为神经网络的输出值，xi为第i个输入值，w为权重，b为偏置值，λ取值范围为0-1。
所述的步骤4)中，核函数为高斯核函数。
与现有技术相比，本发明具有以下优点：
1、基于Copula函数研究了负荷与天气因素的尾部依赖性，可以得出相关性强度不同尾部依赖性不同，通过Var得出的峰值指示二进制有助于提高峰值时间的模型预测准确性。
2、在特征选取阶段，充分考虑特征间的相关度和冗余度，将正交最大相关系数作为特征选取标准，降低了数据计算复杂度，提高了模型预测精度。
3、融合卷积运算的门控神经网络，进行了充分特征提取，有效的减少了待调参数，防止过拟合现象，结合分位数回归利用核密度可以得到任意时刻的概率分布。
附图说明
图1为本发明的预测流程图。
图2为GRU示意图。
图3为自相关系数图。
图4为OMCC特征选取流程图。
图5为四个季度的互相关系数图。
图6为区间对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，本发明提出了一种采用基于正交最大相关系数特征选取(featureselection of orthogonal maximum correlation coefficient，OMCC)和融合卷积运算的门控神经网络分位数回归(quantile regression of convolutional gated recurrentunit，QRConvGRU)的短期负荷概率密度预测混合模型的短期建筑负荷概率密度预测方法。在特征选取阶段，考虑滞后变量和天气变量，基于Copula模型分析变量间相关性，研究电力负荷对温度与风速的尾部依赖性，并计算参数风险值(value at risk，VaR)以确定峰值指示二进制，有助于提高峰值时间负荷预测的准确性。再利用施密特正交化计算候选特征相对于已选特征集的正交向量，减少特征间的冗余，通过正交向量与目标向量间的关联度间接优化最大相关度与最小冗余度，从而得出特征集，将终选特征集输入到QRConvGRU模型中进行不同分位数下的预测，采用核密度估计得到任意时刻的概率密度分布，通过对某区域实际天气和负荷数据算例仿真验证了模型有效性。
本发明具体包括以下主要步骤：
1、基于Copula函数的特征选取
电力负荷受众多影响因素，选取合适的特征集对于建筑负荷预测性能至关重要，同时智能设备提供了准确信息和自动决策支持所需的各种详细数据如电力负荷、天气数据等，通过挖掘海量数据关系，得到包含有用信息较多的子集，是充分利用信息和提高预测模型精度的有效环节。
1.1正交最大相关系数
相关性度量是特征选取中重要的标准之一，传统相关性分析只能反映线性相关程度，而不能很好的捕捉到非线性关系，Copula作为一种稳健、灵活的相关度量模型，有助于解决这个问题，可以量化功率负载和外生变量(本例中为天气变量和历史负载变量)之间的不确定性，经典的二元Copula定义：
C(x1(t),x2(t))＝C(F1(x1(t)),F2(x2(t))) (1)
式中，F1(x1(t))和F2(x2(t))表示边缘分布函数，x1为负荷变量，x2为外生变量，C(x1(t),x2(t))为二维联合分布函数，C(·)表示Copula函数。
Gumble-Copula定义为：
Figure BDA0002823957560000051
式中：参数θ可由最大似然估计法得出，u和v分别代表变量x1和x2的边缘分布函数F1(x1(t))和F2(x2(t))，确定变量边缘分布函数之后，利用Copula函数导出Kendall相关系数τ：
Figure BDA0002823957560000052
遵循最大相关系数原则，即最大化的选择出最优子集，若只根据最大相关系数原则选取特征可能导致极大的冗余信息，还应遵循最小冗余原则，在此研究中，本发明使用Gram-Schmidt间接考虑冗余度，假设已选子集S＝[α1,α2。。。αn-1]，第n次进行特征选取时，计算αn变量关于S子集正交化变量βn，则有：
Figure BDA0002823957560000053
Figure BDA0002823957560000054
式中：<·，·>表示向量内积运算；||.||表示向量模；en是标准正交向量，定义正交向量en与目标向量y的正交最大相关系数OMCC为：
Omcc(en,y)＝τ(en,y) (6)
OMCC表明了在已选变量子集下的正交变量与目标变量负载的相关性，在一定程度上弥补了冗余信息的干扰与参数的引入。
1.2风险指示
考虑到负荷数据的波动性和峰值多变性，对峰值负荷进行有效估计至关重要，本发明引入阈值参数Var来提高对峰值负荷预测的准确性，则定义Var为：
Figure BDA0002823957560000061
式中：C-1是Copula的反函数；
外生变量variate在p分位数下的Var风险值，为了更准确的风险评估，p值取0.95，峰值负荷二进制指示变量表示为：
Figure BDA0002823957560000062
对于不同外生变量的风险指示变量需重复此过程。
2、短期负荷概率密度预测混合模型
2.1卷积运算
一维卷积运算特点和方法与二维相同，利用卷积神经网络的参数共享机制、连接稀疏性，能够有效降低模型复杂度，其主要由卷积层和池化层构成，卷积层根据设定的卷积核对特征进行提取，得到特征图谱；池化层从一定区域内提取主要特征，从而减少参数，防止模型过拟合，一般选择Maxpooling。
2.2门控神经网络分位数回归
门控循环单元(gated recurrent unit，GRU)由CHO[27]提出，将长短期记忆网络(long short term memory，LSTM)的忘记门和输入门合并成更新门，在当前状态ht和上一状态ht-1加入一个线性依赖关系，以解决普通RNN梯度消失和梯度爆炸问题。GRU和LSTM差别不大，GRU构造简单使得其运算时间相对节省。GRU示意图如图2所示。
图1中“+”，“×”，“1-”代表线性运算符。GRU状态更新如下式所示。
Figure BDA0002823957560000071
式中：xt是t时刻输入；ht-1是前一时刻状态信息；rt和zt是重置门和更新门的状态运算结果；Wr、Wz和Wg是与输入相关的权重矩阵；Wo是输出权重；br、bg和bz是偏置项；σ是激活函数；[,]是信息相连；⊙是点乘；Yt是输出值。
针对非线性负荷预测问题，本发明构建了卷积门控分位数回归模型，通过优化目标损失函数：
Figure BDA0002823957560000072
式中：Yi实际样本值；
Figure BDA0002823957560000073
是神经网络输出值；w是权重；b是偏置值；λ取值0-1。通过不断的优化调参得到不同分位数下的负荷预测值：
Figure BDA0002823957560000074
2.3核密度估计
核密度估计是一种非参数方法已被广泛应用于数据分析领域。其本质思想是通过核密度估计量估计得到合理的密度分布。将某时刻不同分位数下预测值作为输入值，常见的核密度估计量：
Figure BDA0002823957560000075
式中：T是分位数回归个数；h是窗宽可由经验法估计；K是核函数。不同的核函数如高斯、epanechnikov等，对最终结果影响较小，本发明选取高斯核函数为：
Figure BDA0002823957560000081
Figure BDA0002823957560000082
式中：
Figure BDA0002823957560000083
是估计标准差；n是样本数。在置信区间求取方面，采用试探法筛选出符合α区间累积分布概率大于等于1-α的所有区间，从中选择宽度最小区间。
2.4性能评估
由于违规和时移特性，传统的错误度量如MAPE容易受到异常值的影响。为了避免此错误的发生，本发明计算了性能评估指标：平均绝对百分比误差(mean absolutepercentage error，MAPE)(公式14)、均方根误差(root mean square error，RMSE)(公式15)和平均反正切绝对百分比误差(mean arctan absolute percentage error，MAAPE)(公式16)。
Figure BDA0002823957560000084
Figure BDA0002823957560000085
Figure BDA0002823957560000086
式中：N为样本数。
实施例
本例中使用我国区域用电负荷数据，数据集长度为一年，间隔30min每天采样48个点。将全年数据集分为1-3月、4-6月、7-9月和10-12月四季。由于不同类数据数量级不同，故对数据进行归一化处理：
Figure BDA0002823957560000087
式中：x为输入数据；xmin和xmax为数据极值。定义滞后变量为自相关，天气变量为互相关性，利用Gumble copula函数进行定量特征选取，设定时间窗口为一周7*48，对过去一周(t-1～t-7*48)滞后变量进行筛选。考虑到计算庞大，为了提高效率，利用最大自相关系数进行初步筛选，得到自相关系数图如图3所示。从图3中可以看出，t-1、t-2时刻具有极强相关性，t-5相对较弱，在一定范围内，随着滞后步长增加相关性变得越来越弱弱。考虑数据日周期性，选择前10个最大自相系数特征。
根据已有经验，将t-1作为最初子集，对其他滞后变量考虑变量间的冗余度进行OMCC特征选取。OMCC特征选取流程图如图4所示。
理论上合理的步长可以记住更多的时序特征，但步长过长会导致模型复杂度增加，训练时间变长等不良结果，本发明设步长为5，最终得到t-1、t-48、t-96、t-144和t-336。
考虑天气变量：温度、风速、湿度、露点和气压，进行互相关系数分析，结果如图5所示。从图5中可知，温度与负荷具有较高的正相关性，风速正相关性相对较弱，其他天气变量不具有正相关性。虽然风速正相关性较弱，但本例中仍考虑其作为输入变量。
Gumble copula模型对变量间的上尾变化十分敏感，有利于提高Var精度，本例拟合了区域负载对温度和湿度的上尾依赖关系。
不同的相关性导致上尾依赖关系差异明显，图中温度具有较强的上尾相关性。利用拟合的Copula模型计算出温度和风速指示Var值，如表1所示：
表1风险阈值
温度 风速
Var 709.23 657.33
将滞后变量t-1、t-48、t-96、t-144、t-336、温度、风速和峰值指示变量输入到预测模型，通过python 3.7搭建模型，参数设置如表2所示。其中网络结构一层一维卷积层和池化层堆叠，GRU隐层三层，一层全连接层。
表2参数设置
Figure BDA0002823957560000091
Figure BDA0002823957560000101
选取第三季中7天数据作为训练数据预测下一天的负荷，即48个等间隔的负荷概率分布。取置信水平90百分之预测日的4个时刻即隔12个采样点。
图6为本发明模型在高置信度区间(90％)和低置信度区间(40％)条件下的预测区间。从图中可得，不同预测区间的负荷趋势大致相同，落在低置信度区间的实际值相对较少，高置信度区间的区间宽度更宽。
为了能够更好的说明方法的有效性，本例中利用指标计算中位数和众数进行不同模型之间的性能评估，结果如表3所示。
表3模型性能评估
Figure BDA0002823957560000102
综合分析表3可得，由于输入的两个峰值负荷指示变量的贡献，提出的Copula-ConvGRU优于其他4种模型，合理的融合卷积运算的预测模型对提高负荷预测具有一定作用。MAAPE和MAPE对模型性能评估差别不明显。
本发明通过仿真结果表明：本发明可以选出合适的变量集，在一定程度上提高了峰值时间的峰值预测准确性，证明了模型有效性。

Claims (10)

1.一种短期建筑负荷概率密度预测方法，其特征在于，该方法包括以下步骤：
1)以最大相关系数和最小冗余为原则，对原始外生变量采用正交最大相关系数进行筛选，得到选择后的外生变量；
2)对于选择后的外生变量，引入二进制风险指示变量以提高峰值负荷预测的准确性；
3)构建卷积门控分位数回归模型，以筛选后的外生变量与二进制风险指示变量共同作为输入，以不同分位数下的建筑负荷预测值为输出进行训练；
4)采用训练好的构建卷积门控分位数回归模型进行预测得到不同分位数下的预测值，将不同分位数下的预测值通过拟合的核函数得到概率密度分布函数。
2.根据权利要求1所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤1)中，原始外生变量包括建筑历史负荷和天气变量，所述的天气变量包括温度、露点、湿度、风速和气压。
3.根据权利要求2所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤1)中，具体包括以下步骤：
11)计算每个原始外生变量与建筑负荷变量之间的Kendall相关系数；
12)选择最大Kendall相关系数对应外生变量向量作为变量子集S中的第一个变量向量α1；
13)计算除α1以外剩余的所有外生变量向量关于变量子集S的正交化向量β，并得到对应的标准正交向量e，计算正交相关系数并将最大正交相关系数对应的外生变量向量放入变量子集S中；
14)重复步骤13)直至变量子集S中的外生变量向量个数达到设定值。
4.根据权利要求3所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤11)中，Kendall相关系数的计算式为：
Figure FDA0002823957550000011
其中，τ(u,v)为Kendall相关系数，u为每个原始外生变量的边缘分布函数，v为建筑负荷变量的边缘分布函数，C(·)为Copula函数。
5.根据权利要求3所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤13)中，在第n个外生变量选取时，已选变量子集S＝[α1,α2。。。αn-1]，α1,α2。。。αn-1分别表示已经选择的n-1个变量向量，第n个外生变量向量αn关于已选变量子集S的正交化向量βn以及标准正交向量en的计算式为：
Figure FDA0002823957550000021
Figure FDA0002823957550000022
其中，<·,·>为向量内积运算，β1、β2。。。βn-1分别为每个变量向量对应的正交化向量，||·||表示向量模。
6.根据权利要求5所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的正交相关系数Omcc的表达式为：
Omcc＝τ(F(en),F(y))
其中，y为目标向量，即建筑负荷变量，F(en)为en的边缘分布函数，F(y)为为目标向量的边缘分布函数，τ为Kendall相关系数运算。
7.根据权利要求1所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤2)中，二进制风险指示变量的表达式为：
Figure FDA0002823957550000023
Figure FDA0002823957550000024
其中，C-1(·)为Copula函数的反函数，
Figure FDA0002823957550000025
为外生变量variate(t)在p分位数下的Var风险值，且p值取0.95，F1(x1(t))、F2(x2(t))分别为外生变量x1和x2的边缘分布函数。
8.根据权利要求1所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤3)中，卷积门控分位数回归模型通过在混合卷积神经网络和门控循环单元GRU基础上引入分位数回归后形成。
9.根据权利要求8所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的卷积门控分位数回归模型以优化目标损失函数得到不同分位数下的负荷预测值
Figure FDA0002823957550000026
则目标损失函数的表达式为：
Figure FDA0002823957550000031
其中，Yi为第i个实际样本值，
Figure FDA0002823957550000032
为神经网络的输出值，xi为第i个输入值，w为权重，b为偏置值，λ取值范围为0-1。
10.根据权利要求1所述的一种短期建筑负荷概率密度预测方法，其特征在于，所述的步骤4)中，核函数为高斯核函数。
CN202011424080.5A 2020-12-08 2020-12-08 一种短期建筑负荷概率密度预测方法 Active CN112446550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011424080.5A CN112446550B (zh) 2020-12-08 2020-12-08 一种短期建筑负荷概率密度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011424080.5A CN112446550B (zh) 2020-12-08 2020-12-08 一种短期建筑负荷概率密度预测方法

Publications (2)

Publication Number Publication Date
CN112446550A true CN112446550A (zh) 2021-03-05
CN112446550B CN112446550B (zh) 2022-08-23

Family

ID=74739542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011424080.5A Active CN112446550B (zh) 2020-12-08 2020-12-08 一种短期建筑负荷概率密度预测方法

Country Status (1)

Country Link
CN (1) CN112446550B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536584A (zh) * 2021-07-23 2021-10-22 河北工业大学 基于概率模型与多时间窗自相关校验的风速逆向生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920007A (zh) * 2017-02-27 2017-07-04 北京工业大学 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN111193256A (zh) * 2020-01-07 2020-05-22 上海电力大学 基于变分模态分解和门控循环单元的电力负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920007A (zh) * 2017-02-27 2017-07-04 北京工业大学 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN111193256A (zh) * 2020-01-07 2020-05-22 上海电力大学 基于变分模态分解和门控循环单元的电力负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何旻: "分布式光伏电站中长期发电量影响因素分析及预测方法研究", 《中国硕士学位论文全文库 工程科技辑》, 31 August 2020 (2020-08-31), pages 042 - 279 *
洪居华等: "基于改进经验模态分解法和T-Copula的短期负荷预测", 《实验室研究与探索》, 30 November 2020 (2020-11-30), pages 24 - 39 *
臧海详等: "基于CNN-GRU分位数回归的短期母线负荷概率密度预测", 《智慧电力》, 31 August 2020 (2020-08-31), pages 24 - 29 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536584A (zh) * 2021-07-23 2021-10-22 河北工业大学 基于概率模型与多时间窗自相关校验的风速逆向生成方法
CN113536584B (zh) * 2021-07-23 2022-04-15 河北工业大学 基于概率模型与多时间窗自相关校验的风速逆向生成方法

Also Published As

Publication number Publication date
CN112446550B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN110705743A (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN110009140B (zh) 一种日电力负荷预测方法及预测装置
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN117909888B (zh) 智慧人工智能气候预测方法
CN114358213A (zh) 非线性时序数据预测的误差消融处理方法及系统与介质
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
Sari et al. Deep learning approach using the GRU-LSTM hybrid model for Air temperature prediction on daily basis
CN112446550B (zh) 一种短期建筑负荷概率密度预测方法
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
Li et al. Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors
CN117114190A (zh) 一种基于混合深度学习的河道径流预测方法及设备
CN116911178A (zh) 一种基于气象预报的中小型水库容量预测方法及系统
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant