[发明专利]一种基于ForecastNet的短期电力负荷区间预测方法

说明书

本发明涉及电力系统短期负荷预测技术领域，本发明公开了一种基于ForecastNet的短期电力负荷区间预测方法。首先将单变量历史负荷数据预处理后作为输入。然后切分数据集，利用K折交叉验证训练ForecastNet模型，得到具有高斯混合密度分量输出额模型。最后将测试集导入其中生成带有置信区间的负荷预测结果。ForecastNet的深度前馈体系结构准确地捕捉电力负荷的时变特性，确定性点预测结合概率性预测，量化预测结果的不确定性，以概率区间形式输出电力负荷预测。本发明具有预测区间质量高、预测精度高的优势，具有很高的工程实用价值。

技术领域

本发明属电力系统技术领域，具体涉及一种基于ForecastNet的短期电 力负荷区间预测模型建立方法。

背景技术

随着大量分布式新能源并网，主动式负荷种类增多，电力系统的不确定 性因素和非稳定性因素逐渐增多，给电力调度决策工作带来了更大程度的风 险和挑战。电力系统负荷预测能够为电力生产、电网规划、安全调度等提供 重要参考依据，对实现更有效的能源规划和调度，最大限度地减少能源浪费 具有重要意义。短期电力负荷预测是电力系统负荷预测的重要组成部分，也 是智能电网建设的基本环节之一。精确的短期电力负荷预测结果对电网的稳 定运行和合理规划具有重要意义，更高精度的负荷预测成为国内外学者的研究目标。

随着电网系统的延伸和完善，电力需求的不确定性需要在电力系统经济 安全调度中准确的体现出来。传统预测模型大多是确定性点预测模型，无法 提供更加全面的负荷信息以供电力决策者参考。与确定性预测不同，概率性 预测能够有效地反映出蕴含在确定性预测结果中的不确定性成分，有利于电 力系统的评估。作为一种概率性预测模型，高斯过程回归(GPR)在电力负荷预 测领域已经得到广泛应用。然而高斯过程回归模型在离线训练学习中，模型 的参数没有发生变化，不能准确地捕捉电力负荷的时变特性，因此随着时间 的推移，预测精度也会逐渐下降。另外，上述电力负荷预测研究大多基于多 变量数据集。实际数据采集中，数据种类的数量直接关乎采集工作的复杂度。 如果能以单一的历史电力负荷数据预测出未来短期内的电力需求量，可大大 降低数据采集工作量。

综上所述，针对单一变量负荷数据样本，提出了一种基于ForecastNet 的短期电力负荷区间预测方法。

发明内容

针对现有技术的不足，本发明提出了一种基于ForecastNet的短期电力 负荷区间预测方法。本发明利用深度前馈体系结构准确地捕捉电力负荷的时 变特性，确定性点预测结合概率性预测，量化预测结果的不确定性，以概率 区间形式输出电力负荷预测。能够单一变量历史负荷数据集上实现对短期电 力负荷数据的准确预测，旨在降低短期负荷预测误差率，从而为电网系统安 全调度提供数据支持。为电力生产、电网规划、安全调度等提供重要参考依 据。

1.一种基于ForecastNet的短期电力负荷区间预测方法，包括如下步 骤：

步骤1：获取电力负荷数据，数据预处理；

先进行空缺值填补，利用相邻两个时间点的数据均值对空缺值进行填 补；

之后进行数据归一化处理，将数据映射到[0,1]区间上；

步骤2：ForecastNet模型初始化，设置预测步长、隐藏层个数、学习 率；

步骤3：将数据集切分成训练集和测试集，采用K折交叉验证法将训 练集导入ForecastNet模型进行训练，以均方误差MSE作为损失函数；

步骤4：训练得到具有高斯混合密度输出的模型，之后将测试集导入 其中；

步骤5：从测试数据集中生成并绘制样本的预测，最后生成带有置信 区间的负荷预测。