[发明专利]基于PCA和分位数回归森林的短期负荷概率密度预测方法

权利要求书

1.一种基于PCA和分位数回归森林的短期负荷概率密度预测方法，其特征在于：包括以下步骤：

(1)收集电力系统短期负荷预测所需的基本数据，如负荷历史数据，温度、湿度等气象信息，日期类型等；

(2)从所有影响因素中选取相关性较强的输入变量，并构造合适的训练样本集；

(3)采用主成分分析对步骤(2)得到的输入变量集合进行降维处理；

(4)对降维处理后的数据建立分位数回归森林预测模型，获得任意分位点条件下的回归预测结果；

(5)通过核密度估计获得短期负荷概率密度预测；

所述步骤(3)采用主成分分析对输入变量集合进行降维处理，所述主成分分析具体计算过程为：

3.1对n×p维原始数据进行标准化处理；n为构造的原始数据中样本的数量，p为输入变量维数；

用X₁,X₂,…,X_p表示X的各列向量，则原始数据经标准化后形成的矩阵元素为：

式中：x_ij为原始数据第i个样本第j维元素取值，i＝1,2,…,n，j＝1,2,…,p；E(X_j)、Var(X_j)分别为第j列元素均值和方差，即

3.2计算样本各维间相关系数矩阵R＝(r_ij)_p×p，其元素计算方法为式中：为标准化后的矩阵第i列和第j列间协方差；

3.3计算特征值与特征向量，解特征方程|λI-R|＝0并求出特征值λ_j，j＝1,2,…,p，按降序进行排列，即λ₁≥λ₂≥…≥λ_p≥0，对每一特征值λ_j，求得其特征向量为e_j，j＝1,2,…,p；

3.4计算主成分贡献率及累计贡献率， 主成分z_j贡献率为累计贡献率为一般取累计贡献率达到85％-95％的特征值λ₁,λ₂,…λ_m为第一、第二、…、第m个主成分，m≤p。

2.如权利要求1所述的一种基于PCA和分位数回归森林的短期负荷概率密度预测方法，其特征在于：步骤(2)从影响因素中选取相关性较强的输入变量，并构造合适的训练样本集，所选取的输入变量集合为：预测日前一日负荷、预测日前两日负荷、预测日前三日负荷、预测日前七日负荷、预测日前八日负荷、预测日前十四日负荷、去年同期同时刻负荷；温度数据包括：预测日温度、预测日前一日温度、预测日前两日温度、预测日前三日温度、预测日前七日温度、预测日前八日温度、预测日前十四日温度、去年同期同时刻温度；湿度数据包括：预测日湿度、预测日前一日湿度、预测日前两日湿度、预测日前三日湿度、预测日前七日湿度、预测日前八日湿度、预测日前十四日湿度、去年同期同时刻湿度；候选输入变量同时包括预测日日期类型。