[发明专利]短期负荷的概率预测方法和概率预测装置

说明书

本发明公开了一种短期负荷的概率预测方法和概率预测装置，该方法包括：将待预测区域内所有用户智能电表记录的历史负荷数据划分为训练集、集成集和待预测集；针对训练集中的历史负荷数据进行相关的计算得到用户在多个不同聚类数量下的划分结果；根据划分结果对聚类后的每一用户群体进行相关的训练，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；根据集成集中的历史负荷数据、每个预测模型和真实的整体负荷值，得到集成后的待预测区域负荷概率预测模型；根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。本发明的概率预测方法，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率。

技术领域

本发明涉及电力负荷预测技术领域，特别涉及一种短期负荷的概率预测方法和概率预测装置。

背景技术

近年来，智能电表在用户侧的普及率逐渐上升，电网公司在进行区域负荷预测时，可以依靠智能电表数据获得高频度、高分辨率的用户负荷数据。一般而言，一个区域的负荷通常由成百上千个用户负荷集聚而成，智能电表所记录的用户负荷将有助于提升区域整体负荷预测的精度。传统意义上的负荷预测主要是通过记录区域整体负荷的变化，随后构建相应的输入特征训练单一模型。考虑到利用智能电表数据来精细化预测区域整体负荷，产生了自下而上的分层负荷预测方法，即对单一用户的负荷分别构建预测模型，再将区域中所有用户的预测模型加总，得到整体预测模型。

目前，基于历史负荷数据进行负荷预测的技术已比较成熟，并在国内外大多数电网公司中投入了实用。波兰琴斯托霍瓦工业大学的学者提出了基于模式回归的电力预测模型(Dudek G.Pattern-based local linear regression models for short-term loadforecasting[J].Electric Power Systems Research,2016,130:139-147)，并应用于波兰电网的实际负荷数据集中。澳大利亚新南威尔士大学的研究者们提出了基于长短期记忆人工神经网络(LSTM)的短期居民用户负荷预测模型(Kong W,Dong Z Y,Jia Y,et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid,2019,10(1):841-851.)，并在澳大利亚政府公开的智能电网智能城市(Smart Grid Smart City,SGSC)提供的智能电表数据集上测试了预测精度。英国斯特拉思克莱德大学的学者们采用了自下而上的分层预测方法(Stephen B,Tang X,Harvey P R,et al.Incorporating practice theory in sub-profile modelsfor short term aggregated residential load forecasting[J].IEEE Transactionson Smart Grid,2017,8(4):1591-1598.)，首先对居民用户负荷进行单独预测，随后将预测的结果累加，得到整体预测结果，并将方法应用于英国真实智能电表数据集。总的来说，即使有研究采用了分层预测的方法来提升预测精度，多数方法均基于单一模型的结果，预测准确率仍有提升空间。集成学习的方法则可用于弥补单一预测模型的缺点。新加坡南阳理工大学的学者们使用集成学习将多个基于小波变换的预测方法集成(Li S,Goel L,WangP.An ensemble approach for short-term load forecasting by extreme learningmachine[J].Applied Energy,2016,170:22-29.)以提升预测精度。

进入能源互联网时代，由于分布式电源和电动汽车等的接入，用户侧负荷的波动比以往更剧烈，传统的负荷预测只关注未来某时刻的负荷大小，而在实际应用中，电网公司往往更关注未来负荷的概率分布情况，以更精确地实现对随机因素的刻画，即实现概率预测。近年来分层预测和集成预测的方法往往侧重于点预测，而忽略了概率预测的重要性。

发明内容