CN114498633A - 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 - Google Patents

一种基于XGBoost和QRLSTM的短期负荷概率预测方法 Download PDF

Info

Publication number
CN114498633A
CN114498633A CN202210138104.3A CN202210138104A CN114498633A CN 114498633 A CN114498633 A CN 114498633A CN 202210138104 A CN202210138104 A CN 202210138104A CN 114498633 A CN114498633 A CN 114498633A
Authority
CN
China
Prior art keywords
prediction
qrlstm
data
load
function
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.)
Withdrawn
Application number
CN202210138104.3A
Other languages
English (en)
Inventor
杜银景
周广闯
张照贝
李继攀
田克强
孙素亮
杨亚丽
程欣
姜汇溪
郭瑞
李明
赵悌尊
魏忠杰
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.)
Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202210138104.3A priority Critical patent/CN114498633A/zh
Publication of CN114498633A publication Critical patent/CN114498633A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06Q10/04—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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

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

Abstract

本发明涉及一种基于XGBoost和QRLSTM的短期负荷概率预测方法，包括获取本发明所需的基本数据，主要包括历史负荷数据、日期类型数据和天气相关数据集等；根据获取的数据构造数据集，并将数据归一化处理；使用XGBoost算法进行点负荷预测并得到特征重要性排序；将重要特征、点负荷预测结果添加至已构造的数据集；使用弹球损失函数和LSTM构造分位数QRLSTM；使用构造的数据集训练QRLSTM预测模型，并获得不同分位数下的预测结果；使用核密度估计函数得到概率密度曲线。与现有技术相比，本发明能够准确、快速地进行电力负荷预测，并能反映电力负荷的概率性信息。

Description

一种基于XGBoost和QRLSTM的短期负荷概率预测方法
技术领域
本发明涉及电力预测技术领域，具体涉及一种基于XGBoost和QRLSTM的短期负荷概率预测方法。
背景技术
短期负荷预测通常根据电力系统运行特点、以往用电规律、天气等因素来推测未来几小时内的电力需求。精准的短期负荷预测可用于实时发电计划的制定以及实时电力市场结算等，为电力系统的安全经济运行提供基础。近年来，新能源发电并网增加了电力负荷的不确定性，给短期负荷预测带来挑战，所以研究如何提高负荷预测精度和获得电力负荷的不确定性信息具有现实意义。
目前短期负荷预测方法根据预测结果可分为点负荷预测和概率负荷预测两类。点负荷预测方法主要有支持向量机(SVR)、长短期记忆网络(LSTM)与极端梯度提升树(XGBoost)等。点负荷预测方法虽然研究较多，但存在预测结果仅为单一数值，不能对电力负荷的不确定性定量描述等问题。概率性负荷预测方法相对于点负荷预测方法可以量化未来电力负荷不确定性信息，因而在近几年受到了更多研究者的青睐。研究工作者将分位数回归理论与神经网络、径向基神经网络结合进行概率密度预测，同时也有使用分位数回归理论与LSTM结合构造分位数回归长短期记忆网络(QRLSTM)进行短期风电功率预测，验证了QRLSTM预测效果优于普通模型。以上概率预测方法研究重点在算法融合和改进上，对挖掘影响电力负荷不确定性的重要特征研究存在不足，导致无法可靠准确地进行电力负荷概率预测。
发明内容
针对现有技术的不足，本发明提供一种基于XGBoost和QRLSTM的短期负荷概率预测方法，与现有技术相比，本发明能够准确、快速地进行电力负荷预测，并能反映电力负荷的概率性信息。
本发明是通过如下技术方案实现的：
提供一种基于XGBoost和QRLSTM的短期负荷概率预测方法，包括以下步骤：
S1：获取基本数据，包括历史负荷数据、日期类型数据和天气相关数据集；
S2：根据数据类型选择相应的特征及编码方式构造数据集，并将数据通过如下公式归一化处理，
Figure BDA0003505230420000021
式中：x为原始输入特征，xmax与xmin为某个原始特征的两个极值，xn为归一化后的结果；
S3：使用XGBoost算法进行点负荷预测并生成特征重要性排序；
S4：根据重要特征、点负荷预测结果添加至S2构造的数据集；
S5：使用弹球损失函数和LSTM构造QRLSTM(分位数回归长短期记忆网络)函数。
S6：使用S4中构造的数据集建立QRLSTM预测模型，并获得不同分位数下的预测结果Z1,...,Zn；
S7：将S6中QRLSTM输出各个分位数下的预测结果作为核密度估计输入值，通过下式获取概率密度曲线；
Figure BDA0003505230420000022
式中：
n为输入样本总数；
h为带宽：
Figure BDA0003505230420000031
K(·)为非负核函数：
采用经验法选取epanechnikov函数作为核函数，该核函数的计算公式和带宽计算公式如下所示：
Figure BDA0003505230420000032
进一步的，在S2中，三种数据类型分别对应的特征及编码方式见表1：
表1数据类型与特征及编码方式的对照表
Figure BDA0003505230420000033
进一步的，S3的具体过程如下：
S31、算法参数及预测函数f0(x)初始化；
S32、迭代计算损失函数在训练样本上的一阶导数gi与二阶导数hi；
S33、通过贪心策略生成新回归树ft(x)，并计算叶节点参数值；
S34、将新回归树添加到预测函数中
Figure BDA0003505230420000034
并统计输入特征被用于生成新树的次数；
S35、判断损失函数值是否多次未下降或者达到最大迭代次数，如果是则转向S36，如果否则转向S32；
S36、得到完整预测函数和特征重要性。
进一步的，S5中QRLSTM函数的构造方法：
S51、弹球损失函数的计算公式为下式：
Figure BDA0003505230420000041
Figure BDA0003505230420000042
式中：yi为在i时刻的电力负荷值，
Figure BDA0003505230420000043
为i时刻在q分位数下的电力负荷预测值。
S52、采用弹球损失函数改造LSTM的目标函数构造QRLSTM函数如下式：
Figure BDA0003505230420000044
式中：Q为条件分位数的总数目；q为分位数；
Figure BDA0003505230420000045
为在q条件分位数下的预测值；QRLSTM可输出多个分位数预测结果用于反映电力负荷不确定性。
与现有技术相比，本发明具有以下优点：
一、本发明提出一种基于XGBoost和QRLSTM的短期负荷概率预测方法，使用XGBoost算法进行点负荷预测并对影响电力负荷的特征进行排序，解决特征冗余的问题。
二、本发明使用弹球损失函数改造LSTM的目标函数得到QRLSTM预测模型，可得到电力负荷的分位数预测结果，解决点负荷预测不能反映电力负荷概率性的问题
三、本发明提出两阶段预测方法即使用XGBoost预测方法得到点负荷结果，将点负荷结果作为QRLSTM预测模型的输入特征，使得预测结果更加准确、快速。
附图说明
图1为本发明的方法流程示意图。
图2为实施例应用本发明方法的过程示意图。
图3为改造后的QRLSTM结构示意图。
图4为实施例中本发明方法与传统方法的预测结果对比示意图。
图5为实施例中本发明方法预测概率密度示意图。
图6为本发明中数据类型与特征及编码方式的对照表。
图7为本发明的预测方法与其余预测方法的预测对比结果。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
本实施例的详细应用过程如图2所示，具体描述如下所述：
S1：获取本发明所需的基本数据，主要包括历史负荷数据、日期类型数据和天气相关数据集等；
S2：根据获取的数据构造数据集，并将数据归一化处理；
S3：使用XGBoost算法进行点负荷预测并生成特征重要性排序；
S4：根据重要特征、点负荷预测结果添加至S2构造的数据集；
S5：使用弹球损失函数和LSTM构造分位数回归长短期记忆网路(QRLSTM)；
S6：使用S4中构造的数据集建立QRLSTM预测模型，并获得不同分位数下的预测结果Z1,...,Zn；
S7：使用核密度估计函数得到概率密度曲线。
在S2中为根据获取的数据构造数据集，并将数据归一化处理，其详细描述如下所述：
S21、构造的数据中集包含特征及编码方式如图6所示。
S22、数据归一化公式如下所示：
Figure BDA0003505230420000061
式中：x为原始输入特征，xmax与xmin为某个原始特征的两个极值，xn为归一化后的结果。
S3中使用XGBoost算法进行点负荷预测并生成特征重要性排序，其详细过程如下所述：
S31、算法参数及预测函数f0(x)初始化；
S32、迭代计算损失函数在训练样本上的一阶导数gi与二阶导数hi；
S33、通过贪心策略生成新回归树ft(x)，并计算叶节点参数值；
S34、将新回归树添加到预测函数中
Figure BDA0003505230420000062
并统计输入特征被用于生成新树的次数；
S35、判断损失函数值是否多次未下降或者达到最大迭代次数，如果是则转向S36，如果否则转向S32；
S36、得到完整预测函数和特征重要性。
在S5中使用弹球损失函数和LSTM构造分位数回归长短期记忆网路(QRLSTM)，具体的：
S51、弹球损失又称分位数回归损失，可对概率预测结果的清晰度和可靠性两个指标上综合评估，弹球损失越小表示概率预测结果的清晰度和可靠性越好，其计算公式如下所示。
Figure BDA0003505230420000071
Figure BDA0003505230420000072
式中：yi为在i时刻的电力负荷值，
Figure BDA0003505230420000073
为i时刻在q分位数下的电力负荷预测值。
S52、采用弹球损失改造LSTM的目标函数构造QRLSTM，改造后的目标函数如下式所示：
Figure BDA0003505230420000074
式中：Q为条件分位数的总数目；q为分位数；
Figure BDA0003505230420000075
为在q条件分位数下的预测值；构造的QRLSTM结构图如图3所示。改造后的QRLSTM可输出多个分位数预测结果用于反映电力负荷不确定性。
将S6中QRLSTM输出各个分位数下的预测值作为核密度估计输入值，通过下式可获取概率密度曲线。
Figure BDA0003505230420000081
式中：
n为输入样本总数；
h为带宽：
Figure BDA0003505230420000082
K(·)为非负核函数：采用经验法选取epanechnikov函数作为核函数，该核函数的计算公式和带宽计算公式如下所示。
Figure BDA0003505230420000083
以新西兰公共电力数据集长度为2013年至2015年采样间隔为1h的负荷数据集作为实验数据集。为了说明提出预测方法的有效性，构造对比预测方法有：
分位数回归神经网络(QRNN)、XGB+QRLSTM、XGB+QRNN与XGBoost预测方法。
为了量化本发明预测值的精确度，采用平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)和根均方误差(Root Mean Square Error,RMSE)作为确定性负荷预测结果评价指标，其表达式如下所示。
Figure BDA0003505230420000084
Figure BDA0003505230420000091
式中：N为预测样本总数目；yn为电力负荷实际值；
Figure BDA0003505230420000092
为负荷预测值。MAPE和RMSE分别反映预测效果的精准度和稳定性。
采用弹球损失评价概率预测结果的可靠性，其计算公式如下所示：
Figure BDA0003505230420000093
Figure BDA0003505230420000094
式中：yi为在i时刻的电力负荷值，
Figure BDA0003505230420000095
为i时刻在q分位数下的电力负荷预测值。
本发明的预测方法与其余预测方法的预测对比结果如图7所示。
从上表可以看出，本发明提出的预测方法在采用的评价方式中均获得较好的预测效果。本发明方法相比于XGB+QRNN、QRLSTM、QRNN、XGBoost预测模型在MAPE方面分别降低0.45％、0.24％、1.71％、0.31％；在RMSE评价上分别降低了19.32(MW)、11.8(MW)、76.26(MW)、17.32(MW)，验证了提出的预测方法可提高电力负荷预测精度。在弹球损失评价上，提出的预测方法评分相比于XGB+QRNN、QRLSTM、QRNN概率性预测模型分别降低5.14(MW)、2.28(MW)、19.32(MW)，反映出本文方法在概率预测的清晰度和可靠性指标上得到提升。
图4为本发明方法与对比方法的预测结果对比图，QRNN预测方法在波动阶段不能较好的拟合实际负荷曲线。本发明提出的预测方法无论在平稳阶段和波动阶段均能较好的拟合负荷实际值，表现出稳定的预测效果,。从而验证本发明提出预测方法可在波动阶段有效挖掘影响电力负荷的因素，提高点负荷预测精度。
图5中为本发明方法的概率密度预测曲线图，本发明提出预测方法波峰更加靠近负荷实际值，同时预测波形更加稳定，波动较小。从而验证本发明提出预测方法中的特征挖掘可使概率预测方法更加准确描述电力负荷的不确定性信息
综上所述，本发明使用XGBoost算法进行点负荷预测并对影响电力负荷的特征进行排序，解决预测过程中特征冗余的问题。
本发明使用弹球损失函数改造LSTM的目标函数得到QRLSTM预测模型，可得到电力负荷的分位数预测结果，解决点负荷预测不能反映电力负荷概率性的问题。
本发明使用核密度估计算法通过分位数预测结果生成概率密度曲线直观的反映概率性信息。
本发明提出两阶段预测方法即使用XGBoost预测方法得到点负荷结果，将点负荷结果作为QRLSTM预测模型的输入特征，使得预测结果更加准确、快速。
当然，上述说明也并不仅限于上述举例，本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本发明的技术方案并非是对本发明的限制，参照优选的实施方式对本发明进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换都不脱离本发明的宗旨，也应属于本发明的权利要求保护范围。

Claims (2)

1.一种基于XGBoost和QRLSTM的短期负荷概率预测方法，其特征在于：包括以下步骤：
S1：获取基本数据，包括历史负荷数据、日期类型数据和天气相关数据集；
S2：根据数据类型选择相应的特征及编码方式构造数据集，并将数据通过如下公式归一化处理，
Figure FDA0003505230410000011
式中：x为原始输入特征，xmax与xmin为某个原始特征的两个极值，xn为归一化后的结果；
S3：使用XGBoost算法进行点负荷预测并生成特征重要性排序：
S31、算法参数及预测函数f0(x)初始化；
S32、迭代计算损失函数在训练样本上的一阶导数gi与二阶导数hi；
S33、通过贪心策略生成新回归树ft(x)，并计算叶节点参数值；
S34、将新回归树添加到预测函数中
Figure FDA0003505230410000012
并统计输入特征被用于生成新树的次数；
S35、判断损失函数值是否多次未下降或者达到最大迭代次数，如果是则转向S36，如果否则转向S32；
S36、得到完整预测函数和特征重要性。
S4：根据重要特征、点负荷预测结果添加至S2构造的数据集；
S5：使用弹球损失函数和LSTM构造QRLSTM(分位数回归长短期记忆网络)函数：
S51、弹球损失函数的计算公式为下式：
Figure FDA0003505230410000021
Figure FDA0003505230410000022
式中：yi为在i时刻的电力负荷值，
Figure FDA0003505230410000023
为i时刻在q分位数下的电力负荷预测值。
S52、采用弹球损失函数改造LSTM的目标函数构造QRLSTM函数如下式：
Figure FDA0003505230410000024
式中：Q为条件分位数的总数目；q为分位数；
Figure FDA0003505230410000025
为在q条件分位数下的预测值。
S6：使用S4中构造的数据集建立QRLSTM预测模型，并获得不同分位数下的预测结果Z1,...,Zn；
S7：将S6中QRLSTM输出各个分位数下的预测结果作为核密度估计输入值，通过下式获取概率密度曲线；
Figure FDA0003505230410000026
式中：
n为输入样本总数；
h为带宽：
Figure FDA0003505230410000031
K(·)为非负核函数：
采用经验法选取epanechnikov函数作为核函数，该核函数的计算公式和带宽计算公式如下所示：
Figure FDA0003505230410000032
2.根据权利要求1所述的基于XGBoost和QRLSTM的短期负荷概率预测方法，其特征在于：在S2中，三种数据类型分别对应的特征及编码方式见表1：
表1 数据类型与特征及编码方式的对照表
Figure FDA0003505230410000033
。
CN202210138104.3A 2022-02-15 2022-02-15 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 Withdrawn CN114498633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210138104.3A CN114498633A (zh) 2022-02-15 2022-02-15 一种基于XGBoost和QRLSTM的短期负荷概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210138104.3A CN114498633A (zh) 2022-02-15 2022-02-15 一种基于XGBoost和QRLSTM的短期负荷概率预测方法

Publications (1)

Publication Number Publication Date
CN114498633A true CN114498633A (zh) 2022-05-13

Family

ID=81481249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210138104.3A Withdrawn CN114498633A (zh) 2022-02-15 2022-02-15 一种基于XGBoost和QRLSTM的短期负荷概率预测方法

Country Status (1)

Country Link
CN (1) CN114498633A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739172A (zh) * 2023-06-19 2023-09-12 河海大学 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN117709394A (zh) * 2024-02-06 2024-03-15 华侨大学 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257928A (zh) * 2020-10-22 2021-01-22 国网山东省电力公司潍坊供电公司 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN113205207A (zh) * 2021-04-19 2021-08-03 深圳供电局有限公司 一种基于XGBoost算法的用电短期负荷波动预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257928A (zh) * 2020-10-22 2021-01-22 国网山东省电力公司潍坊供电公司 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN113205207A (zh) * 2021-04-19 2021-08-03 深圳供电局有限公司 一种基于XGBoost算法的用电短期负荷波动预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张照贝 等: "基于XGBoost和QRLSTM的超短期负荷预测方法", 《计算机仿真》, vol. 39, no. 1, pages 90 - 95 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739172A (zh) * 2023-06-19 2023-09-12 河海大学 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN116739172B (zh) * 2023-06-19 2023-12-08 河海大学 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN117709394A (zh) * 2024-02-06 2024-03-15 华侨大学 车辆轨迹预测模型训练方法、多模型迁移预测方法及装置

Similar Documents

Publication Publication Date Title
CN110969290B (zh) 一种基于深度学习的径流概率预测方法及系统
CN114498633A (zh) 一种基于XGBoost和QRLSTM的短期负荷概率预测方法
CN112163689A (zh) 基于深度Attention-LSTM的短期负荷分位点概率预测方法
CN116186548B (zh) 电力负荷预测模型训练方法及电力负荷预测方法
CN114399021A (zh) 一种基于多尺度信息的概率风速预测方法和系统
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
Kharlova et al. Forecasting photovoltaic power production using a deep learning sequence to sequence model with attention
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN112884077A (zh) 基于形状的动态时间归整聚类的园区短期负荷预测方法
CN117458440A (zh) 基于关联特征融合的生成式电力负荷预测方法及系统
CN117495126A (zh) 高比例新能源配电网线损预测方法及装置
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN112348236A (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN117390550A (zh) 考虑排放训练集的低碳园区碳排放动态预测方法及系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
Lang et al. A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting
CN115579880A (zh) 综合能源多元负荷短期预测方法及系统
CN113591391A (zh) 一种电力负荷控制装置、控制方法、终端、介质及应用
CN116720630B (zh) 一种基于时间序列的煤矿原煤产量预测方法、设备及介质
Song A Study Focusing on Load Optimization in Power Systems Using Neural Networks and Genetic Algorithms
CN117556958A (zh) 基于神经网络的光伏发电短期预测方法及系统
CN118017498A (zh) 一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220513

WW01 Invention patent application withdrawn after publication