一種電力負荷條件密度預測方法
【專利摘要】一種電力負荷條件密度預測方法。其包括模型建立、模型求解、模型選擇和條件密度預測等步驟。本發(fā)明效果：建立了電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型，結(jié)合了神經(jīng)網(wǎng)絡(luò)模型與分位數(shù)回歸模型兩個方面的優(yōu)勢，能夠準確刻畫電力負荷的變動規(guī)律，表現(xiàn)出強大的功能。出了電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的標準梯度優(yōu)化算法，在不影響模型估計精度的前提下，提升模型的計算速度。建立了電力負荷的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型選擇的AIC準則，有效地避免了模型過于復雜、陷入過度擬合的窘境?；谏窠?jīng)網(wǎng)絡(luò)分位數(shù)回歸，建立了電力負荷條件密度預測方法，不僅顯著提升了模型預測精度，而且得到電力負荷整個概率密度預測結(jié)果，能夠提供更多有用信息，便于科學決:策。
【專利說明】一種電力負荷條件密度預測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于預測理論與方法在電力系統(tǒng)中應用【技術(shù)領(lǐng)域】，特別是涉及一種電力負 荷條件密度預測方法。

【背景技術(shù)】
[0002] 電力負荷預測是電力系統(tǒng)規(guī)劃的一個重要組成部分，其能否準確進行預測關(guān)系到 電力系統(tǒng)規(guī)劃和經(jīng)濟運行的成敗。電力負荷預測是依據(jù)電力負荷的過去變動規(guī)律，對未來 的時間分布與空間分布特征進行推測，具有不確定性、條件性等特征。
[0003] 電力負荷預測有其自身的復雜性，可以劃分為確定性負荷預測方法和不確定性負 荷預測方法兩種。確定性負荷預測方法主要通過一個或一組方程來描述電力負荷變動規(guī) 律，達到實現(xiàn)預測目的，電力負荷與變量之間有明確的一一對應關(guān)系，主要有：趨勢分析法、 技術(shù)預測法等。不確定性預測方法主要通過隨機不確定性或模糊不確定性來描述電力負荷 變動規(guī)律，達到預測目的，電力負荷與變量之間沒有明確的一一對應關(guān)系，主要有：時間序 列方法、模糊數(shù)學方法、灰色系統(tǒng)方法等。隨著理論與實踐發(fā)展，電力負荷預測技術(shù)發(fā)展迅 速，一些先進的方法（如：人工神經(jīng)網(wǎng)絡(luò)、支持向量機、進化算法等）不斷被引入，收到了良 好的應用效果。
[0004] 然而，以上這些方法都只能實現(xiàn)對電力負荷的點預測，即對電力負荷的平均取值 水平進行預測，因此存在一定的局限。如果可以實現(xiàn)對電力負荷進行概率密度預測，則不僅 能夠得到電力負荷平均取值水平的預測結(jié)果，同時可以獲得電力負荷在每一取值水平上的 可能性，給出電力負荷完整分布特征的預測結(jié)果。從而，電力負荷條件密度預測能夠提供更 為豐富的有用信息，有利于實現(xiàn)合理的電力系統(tǒng)調(diào)度等科學決策。但目前尚未發(fā)現(xiàn)這樣的 方法。


【發(fā)明內(nèi)容】

[0005] 為了解決上述問題，本發(fā)明的目的在于提供一種電力負荷條件密度預測方法。
[0006] 為了達到上述目的，本發(fā)明提供的電力負荷條件密度預測方法包括按順序執(zhí)行的 下列步驟：
[0007] 步驟1)模型建立：基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與分位數(shù)回歸模型，建立電力負荷神經(jīng)網(wǎng)絡(luò) 分位數(shù)回歸模型；
[0008] 步驟2)模型求解：使用Huber范數(shù)對上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型中的 非對稱"對勾"函數(shù)進行修正，然后使用標準的梯度優(yōu)化算法實現(xiàn)上述模型的求解；
[0009] 步驟3)模型選擇：在上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的經(jīng)驗損失函數(shù)中 增加一個包含懲罰參數(shù)為λ和隱層節(jié)點數(shù)J的懲罰項，同時建立電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù) 回歸模型選擇的赤馳信息準則，用于選擇恰當?shù)碾[層節(jié)點數(shù)J和懲罰參數(shù)λ ;
[0010] 步驟4)條件密度預測：在建立的電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型基礎(chǔ)上，將影 響因素或解釋變量的取值代入，由此實現(xiàn)電力負荷在各個分位點的條件分位數(shù)預測，并將 在不同分位點處的條件分位數(shù)預測結(jié)果使用核密度方法進行密度估計，由此實現(xiàn)電力負荷 條件密度預測。
[0011] 在步驟1)中，所述的建立電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的步驟如下：
[0012] 考慮三層感知器神經(jīng)網(wǎng)絡(luò)，以影響因素或解釋變量作為輸入，以響應變量的分位 數(shù)預測作為輸出，包含一個有J個節(jié)點的隱層，在第τ分位點處，第一步，計算隱層第j個 節(jié)點值： _3]

【權(quán)利要求】
1. 一種電力負荷條件密度預測方法，其特征在于：其包括按順序執(zhí)行的下列步驟： 步驟1)模型建立：基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與分位數(shù)回歸模型，建立電力負荷神經(jīng)網(wǎng)絡(luò)分位 數(shù)回歸模型； 步驟2)模型求解：使用Huber范數(shù)對上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型中的非對 稱"對勾"函數(shù)進行修正，然后使用標準的梯度優(yōu)化算法實現(xiàn)上述模型的求解； 步驟3)模型選擇：在上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的經(jīng)驗損失函數(shù)中增加 一個包含懲罰參數(shù)為λ和隱層節(jié)點數(shù)J的懲罰項，同時建立電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸 模型選擇的赤馳信息準則，用于選擇恰當?shù)碾[層節(jié)點數(shù)J和懲罰參數(shù)λ ; 步驟4)條件密度預測：在建立的電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型基礎(chǔ)上，將影響因 素或解釋變量的取值代入，由此實現(xiàn)電力負荷在各個分位點的條件分位數(shù)預測，并將在不 同分位點處的條件分位數(shù)預測結(jié)果使用核密度方法進行密度估計，由此實現(xiàn)電力負荷條件 密度預測。
2. 根據(jù)權(quán)利要求1所述的電力負荷條件密度預測方法，其特征在于：在步驟1)中，所 述的建立電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的步驟如下： 考慮三層感知器神經(jīng)網(wǎng)絡(luò)，以影響因素或解釋變量作為輸入，以響應變量的分位數(shù)預 測作為輸出，包含一個有J個節(jié)點的隱層，在第τ分位點處，第一步，計算隱層第j個節(jié)點 值：
式中，
為第τ分位點處隱層權(quán)重向量；
為第τ分位點處隱層偏移向量；f(h)為隱層轉(zhuǎn)換函數(shù)；第二 步，計算輸出層節(jié)點值：
(2) 式中，
為第τ分位點處輸出層權(quán)重向量；b(<)) ( τ )為第 τ分位點處輸出層偏移；fW為輸出層轉(zhuǎn)換函數(shù)，這樣由式（1)和式（2)就組成了電力負荷 神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型。
3. 根據(jù)權(quán)利要求1所述的電力負荷條件密度預測方法，其特征在于：在步驟2)中，所 述的模型求解方法是： 所述的Huber范數(shù)表示如下：
⑶ 使用上述Huber范數(shù)對電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型中的非對稱"對勾"函數(shù)
!/{I 1/ > () ?"進行修正,得到修正后的非對稱"對勾"函數(shù)：
(4) 然后基于修正后的非對稱"對勾"函數(shù)對上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型 中期望的非對稱損失函數(shù)式進行修正，得到：
(5) 其樣本對應為經(jīng)驗損失函數(shù)：
(6) 式中，Yt為響應變量γ的時間序列取值，t = ι，2, "·，τ;最后取9=?\σ),使用標準的梯 度優(yōu)化算法進行上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型求解。
4. 根據(jù)權(quán)利要求3所述的電力負荷條件密度預測方法，其特征在于：所述的使用標準 的梯度優(yōu)化算法進行上述電力負荷神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型求解的過程如下：①取權(quán)重 向量
的初始值w(tl) ( τ);②計算函數(shù)
在點 --)(τ)處下降梯度方向
作為搜索方向Ρ?)(τ);③尋找可變步長：以 w(j)(〇為起點沿搜索方向Ρω(τ)尋找適當步長tW(T)，使目標函數(shù)值具有某種意義的 下降；④進行迭代計算，計算下一個解的位置：
令 j+1 = j，重復上述步驟②?④，直至
5. 根據(jù)權(quán)利要求1所述的電力負荷條件密度預測方法，其特征在于：在步驟3)中，所 述的模型選擇的方法是： 在上述經(jīng)驗損失函數(shù)中增加一個包含懲罰參數(shù)λ和隱層節(jié)點數(shù)J的懲罰項，得到：
(7) 式中，λ為懲罰參數(shù)，| |ν| |2為向量v的2-范數(shù)，j為隱層節(jié)點數(shù)；同時建立電力負荷 神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型選擇的AIC準則如下：
(8) 式中，[(P+2)J+1]為模型中待估計參數(shù)個數(shù)；之后通過網(wǎng)格搜索算法找到使得AIC準 則AIC( λ，J)達到最小的懲罰參數(shù)λ與隱層節(jié)點數(shù)J的組合，由此選擇出模型的結(jié)構(gòu)。
6. 根據(jù)權(quán)利要求1所述的電力負荷條件密度預測方法，其特征在于：在步驟4)中，所 述的使用核密度方法進行密度估計的方法是：在得到條件分位數(shù)預測結(jié)果之后，基于關(guān)系 式：
得到條件密度預測結(jié)果：
(9) 式中，h為最優(yōu)窗寬：
））為電力負荷Y在給定影響因素 X時的條件密 度函數(shù)。
【文檔編號】G06Q50/06GK104217258SQ201410469615
【公開日】2014年12月17日 申請日期:2014年9月15日 優(yōu)先權(quán)日:2014年9月15日
【發(fā)明者】劉樹勇, 王磊, 許啟發(fā), 何耀耀, 李娜, 穆健 申請人:國家電網(wǎng)公司, 國網(wǎng)天津市電力公司