[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

说明书

本发明公开一种基于PCA和分位数回归森林的短期负荷概率密度预测方法，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。本发明提供的方法有效地提高了短期负荷预测精度，可以获得任意时刻负荷概率密度预测结果，能够较好解决电力系统短期负荷预测问题。

技术领域

本发明涉及一种电力系统短期负荷概率密度预测方法，对电力系统负荷进行预测，属于电力系统技术领域。

背景技术

电力系统负荷预测是保障电网安全稳定运行技术措施之一，不同时间尺度的负荷预测对安排电力生产调度、设备检修计划及中长期电网规划都具有极其重要的意义。

长期以来，国内外学者对电力系统短期负荷预测进行了大量深入研究，取得了丰硕成果，同时在实际现场应用中得到了有效检验。常用的负荷预测主要有时间序列分析、人工神经网络、支持向量机、相关向量机及其改进方法。然而随着新能源，如风能、太阳能大规模接入电网，对电网的安全稳定运行带来了极大的挑战。2030～2050年，我国可再生能源的发电量占比达30％以上，高比例可再生能源并网将成为未来电力系统的重要特征，对复杂运行场景下的电力负荷预测理论与方法提出了更高的要求。此外，一般的负荷预测方法只能给出确定性的点预测结果，难以反映负荷的不确定性特征。电力负荷概率密度预测方法相对于传统的点预测与区间预测方法，能获得更丰富信息，从而为电力系统风险分析、可靠性分析提供更科学的决策依据。

电力系统负荷受多种因素影响，如经济、气象、社会政策、节假日等，表现出显著的非线性特征。这些因素间往往存在较强的相关性，当有多个相关量时，网络的高维数和各相关量之间的自相关性将使得模型训练复杂，影响着运算效率及模型精度。因此，有必要对模型的输入变量进行预处理，从输入变量集合中提取出一部分相关性较大的相关量代替所有的输入变量，同时舍弃一些相关性较小的相关量。为有效提高负荷预测精度，本发明采用主成分分析(principal component analysis,PCA)对原始输入变量集合进行降维处理。

分位数回归森林(quantile regression forests,QRF)模型是由Nicolai在2006年提出的非参数集成机器学习方法，结合了分位数回归理论与随机森林(random forest,RF)方法优点，能够给出不同分位点回归预测结果。同时QRF兼具运算速度快、模型性能受参数影响小、较强容噪性等优点。本发明借助QRF强大的数据处理能力，建立电力负荷预测模型，通过算例验证本发明方法的有效性。

综上所述，本发明结合PCA和QRF优点，建立PCA-QRF短期负荷概率密度预测模型。首先，从负荷影响因素中选取一定数量的输入变量，采用PCA对输入变量集合进行降维处理。其次，对降维后的数据建立QRF预测模型，获得任意分位点负荷回归预测结果。最终，采用核密度估计获得负荷概率密度预测。

发明内容

发明目的：本发明针对现有电力系统负荷预测技术中存在的问题，如一般的负荷预测方法只能输出确定性的点预测结果、计算效率低等，提供一种基于PCA 和分位数回归森林的短期负荷概率密度预测方法。首先，从影响因素中选取一定数量的输入变量，采用PCA方法对原始输入变量集合进行降维处理。其次，对预处理后的数据建立基于分位数回归森林的短期负荷预测模型，并获得不同分位点条件下的回归预测结果。最后，采用核密度估计获得短期负荷概率密度预测。

技术方案：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，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；