CN115759455A - 一种基于时序高斯混合密度网络的负荷概率密度预测方法 - Google Patents
一种基于时序高斯混合密度网络的负荷概率密度预测方法 Download PDFInfo
- Publication number
- CN115759455A CN115759455A CN202211514681.4A CN202211514681A CN115759455A CN 115759455 A CN115759455 A CN 115759455A CN 202211514681 A CN202211514681 A CN 202211514681A CN 115759455 A CN115759455 A CN 115759455A
- Authority
- CN
- China
- Prior art keywords
- probability density
- load
- prediction
- network
- gaussian
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000203 mixture Substances 0.000 title claims abstract description 49
- 230000015654 memory Effects 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 108090000672 Annexin A5 Proteins 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时序高斯混合密度网络的负荷概率密度预测方法,包括:S1、获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;S2、构建负荷概率密度预测模型;S3、利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;S4、利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测。本发明通过构建包含长短期记忆网络、注意力机制层和混合高斯概率密度网络的负荷概率密度预测模型,可以得到负荷概率密度预测的区间范围,且相比现有方法得到的区间范围更窄,覆盖率更高,有效提高电力***负荷预测精度。
Description
技术领域
本发明涉及电力负荷预测技术领域,特别涉及一种基于时序高斯混合密度网络的负荷概率密度预测方法。
背景技术
电力负荷预测是电力***安全、经济运行的基础,为电力***规划和运行、能源交易、经济调度等提供重要信息。与此同时,分布式电源与可再生能源的大规模接入配电网,是实现双碳目标,构建以新能源为主体的新型电力***的一种有效方式。在电力***中,可再生能源出力和负荷需求间歇性波动且互补,使得配电网整体负荷具有不确定的波动性和时变性。因此,未来调度问题需重视不确定性因素的影响。
近年来出现了多种短期负荷预测方法,包括神经网络、支持向量机和模糊推理***等。但只能进行点预测,难以表征负荷的不确定性。因此,考虑不确定性预测方法,对负荷功率预测,全面刻画负荷的不确定性分布信息,实现负荷不确定因素建模。但是,这些现有的预测方法的预测准确度仍难以满足现实需求,仍然存在较大的提升空间。
发明内容
本发明要解决的技术问题是提供一种可行性高、准确率高的基于时序高斯混合密度网络的负荷概率密度预测方法。
为了解决上述问题,本发明提供了一种基于时序高斯混合密度网络的负荷概率密度预测方法,所述基于时序高斯混合密度网络的负荷概率密度预测方法包括以下步骤:
S1、获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;
S2、构建负荷概率密度预测模型,所述负荷概率密度预测模型包括输入层、长短期记忆(Long Short-Term Memory,LSTM)网络、注意力机制(Attention Mechanism)层、混合高斯概率密度网络(Gaussian Mixed Density Networks,GMDN)和输出层;所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围;
S3、利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;
S4、利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测;
所述混合概率密度的均值和方差计算公式如下:
其中,为混合概率密度的均值;vvar(ξ)为混合概率密度的方差;ξ为第二中间值;n为高斯正态分布参数的组数;πi(ξ)为第i组高斯正态分布出现的概率;σi 2(ξ)为第i组高斯正态分布的方差;μi(ξ)为第i组高斯正态分布的均值。
作为本发明的进一步改进,所述归一化均方根偏差、归一化平均绝对偏差、预测区间覆盖率和预测区间平均宽度的计算公式如下:
其中,NRMSD为归一化均方根偏差,NMAD为归一化平均绝对偏差,PICP为预测区间覆盖率,PIAW为预测区间平均宽度,pp,j为第j个样本预测值,pr,j为第j个样本实际值,N是测试集样本个数,和是置信度c时预测的区间范围的下限和上限。
作为本发明的进一步改进,还包括以下步骤:
利用测试集用于对训练好的负荷概率密度预测模型进行测试,并对预测结果进行评价。
作为本发明的进一步改进,步骤S3中,通过设置不同组数的高斯正态分布参数对负荷概率密度预测模型进行训练,得到不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型;并利用测试集对不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型进行测试,以确定高斯正态分布参数的最优组数。
作为本发明的进一步改进,步骤S3中,根据预测序列的长度选择不同长度的输入序列对负荷概率密度预测模型进行训练,得到不同长度的输入序列对应的训练好的负荷概率密度预测模型;并利用测试集对不同长度的输入序列对应的训练好的负荷概率密度预测模型进行测试,以确定输入序列的最优长度作为所述长短期记忆网络的滑动时间窗长度。
作为本发明的进一步改进,步骤S4中,选择归一化均方根偏差以及归一化平均绝对偏差对点预测结果进行评价,选择预测区间覆盖率和预测区间平均宽度对区间范围的预测结果进行评价。
作为本发明的进一步改进,所述对获取的电力***历史负荷数据进行预处理,包括:利用插值法对历史负荷数据中的异常值进行修正,并对历史负荷数据进行归一化,并划分训练集和测试集。
本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本发明还提供了一种基于时序高斯混合密度网络的负荷概率密度预测***,其包括:
数据预处理模块,用于获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;
模型构建模块,用于构建负荷概率密度预测模型;所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层,所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围;
模型训练模块,用于利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;
负荷概率密度预测模块,用于利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测;
所述混合概率密度的均值和方差计算公式如下:
其中,为混合概率密度的均值;vvar(ξ)为混合概率密度的方差;ξ为第二中间值;n为高斯正态分布参数的组数;πi(ξ)为第i组高斯正态分布出现的概率;σi 2(ξ)为第i组高斯正态分布的方差;μi(ξ)为第i组高斯正态分布的均值。
本发明的有益效果:
本发明基于时序高斯混合密度网络的负荷概率密度预测方法通过构建包含长短期记忆网络、注意力机制层和混合高斯概率密度网络的负荷概率密度预测模型,可以得到负荷概率密度预测的区间范围,且相比现有方法得到的区间范围更窄,覆盖率更高,有效提高电力***负荷预测精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例中基于时序高斯混合密度网络的负荷概率密度预测方法的流程图;
图2是本发明实施例中负荷概率密度预测模型的示意图;
图3是本发明实施例中负荷概率密度预测模型的原理图;
图4(a)是本发明实施例中基于时序高斯混合密度网络的负荷概率密度预测方法的预测结果;图4(b)是LSTM-QR算法的预测结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
如图1所示,本实施例公开了一种基于时序高斯混合密度网络的负荷概率密度预测方法,包括以下步骤:
步骤S1、获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;具体包括:利用插值法对历史负荷数据中的异常值进行修正,并对历史负荷数据进行归一化,并划分训练集和测试集。
步骤S2、构建负荷概率密度预测模型,所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层;参照图2,所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围。
为了便于理解,参照图3,在其中一实施例中,xt-3、xt-2、xt-1、xt为时间连续的历史负荷数据组成输入序列,xt-3、xt-2、xt-1、xt分别输入对应的长短期记忆网络,并分别得到第一中间值ht-3、ht-2、ht-1、ht,第一中间值ht-3、ht-2、ht-1、ht输入至注意力机制层,通过注意力权重αt-3、αt-2、αt-1、αt将第一中间值ht-3、ht-2、ht-1、ht加权求和,得到第二中间值ξ,第二中间值ξ输入至混合高斯概率密度网络,混合高斯概率密度网络用于拟合输出多组高斯正态分布参数πi、μi。
具体地,混合概率密度的均值和方差计算公式如下:
其中,为混合概率密度的均值;vvar(ξ)为混合概率密度的方差;ξ为第二中间值;n为高斯正态分布参数的组数;πi(ξ)为第i组高斯正态分布出现的概率;σi 2(ξ)为第i组高斯正态分布的方差;μi(ξ)为第i组高斯正态分布的均值。
其中,通过对方差开根号得到标准差,将均值加上标准差得到负荷概率密度预测的区间范围的上限,将均值减去标准差得到负荷概率密度预测的区间范围的下限。
步骤S3、利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型。
步骤S4、利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测。
可选地,选择归一化均方根偏差(Nornalized Root Mean Square Deviation,NRMSD)以及归一化平均绝对偏差(Nornalized Mean Absolute Deviation,NMAD)对点预测结果进行评价,选择预测区间覆盖率(Prediect Interval Coverage Probability,PICP)和预测区间平均宽度(Prediect Interval Average Width,PIAW)对区间范围的预测结果进行评价,各评价指标公式如下:
进一步地,本发明还包括以下步骤:
利用测试集用于对训练好的负荷概率密度预测模型进行测试,并对预测结果进行评价。
可选地,步骤S3中,通过设置不同组数的高斯正态分布参数对负荷概率密度预测模型进行训练,得到不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型;并利用测试集对不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型进行测试,以确定高斯正态分布参数的最优组数。
例如,先后设置2、3、4、5组高斯正态分布参数对负荷概率密度预测模型进行训练得到多个训练好的负荷概率密度预测模型,利用测试集对多个训练好的负荷概率密度预测模型进行测试,选择性能最优的负荷概率密度预测模型对应的高斯正态分布参数的组数作为最优组数。
可选地,步骤S3中,根据预测序列的长度选择不同长度的输入序列对负荷概率密度预测模型进行训练,得到不同长度的输入序列对应的训练好的负荷概率密度预测模型;并利用测试集对不同长度的输入序列对应的训练好的负荷概率密度预测模型进行测试,以确定输入序列的最优长度作为所述长短期记忆网络的滑动时间窗长度。
为了验证本发明的有效性,采用LSTM网络结合传统分位数回归法(quantileregression,CL-QR)与本发明作对比实验。
不同置信度下采用本发明和LSTM-QR算法的概率预测结果的评价指标统计对比如表1所示。
表1概率预测评价指标对比
如果预测区间覆盖率越大,预测区间平均宽度越小,说明模型在较小的区间内包含了较多的实际值,概率预测性能优异。表1中可以得到:(1)预测区间平均宽度和预测区间覆盖率随着置信度的增加而增加;(2)在同一置信度下,本发明较LSTM-QR算法,不仅预测区间平均宽度小,而且预测区间覆盖率大。在置信度为90%和95%时,前者预测区间宽度为后者的86.4%、84.9%,覆盖率比后者提高了8.2%、7.8%。
实验从概率性指标上评价了本发明的有效性,其能够针对负荷预测任务,输出一个较窄的预测区间,并使得负荷真实值包含在预测区间内。为更直观显示其优越性,随机选取4天负荷概率预测结果进行展示,如图4所示。
图4(a)是本发明实施例中基于时序高斯混合密度网络的负荷概率密度预测方法的预测结果;图4(b)是LSTM-QR算法的预测结果。从图4中可以看出,本发明不仅能够准确的跟随实际功率,而且不同时刻预测区间宽度不同,在负荷波动剧烈的时段,宽度较宽以包含实际值,说明能够自适应确定预测区间,且在95%置信区域内,包含了全部的实际值。LSTM-QR算法跟随实际功率性能不及本发明,预测区间宽度较大,甚至还有部分实际值在95%置信区间之外,总体本发明明显占优。
本发明基于时序高斯混合密度网络的负荷概率密度预测方法通过构建包含长短期记忆网络、注意力机制层和混合高斯概率密度网络的负荷概率密度预测模型,可以得到负荷概率密度预测的区间范围,且相比现有方法得到的区间范围更窄,覆盖率更高,有效提高电力***负荷预测精度。
实施例二
本实施例公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例一中所述基于时序高斯混合密度网络的负荷概率密度预测方法的步骤。
实施例三
本实施例公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例一中所述基于时序高斯混合密度网络的负荷概率密度预测方法的步骤。
实施例四
本实施例公开了一种基于时序高斯混合密度网络的负荷概率密度预测***,所述基于时序高斯混合密度网络的负荷概率密度预测***包括:
数据预处理模块,用于获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;
模型构建模块,用于构建负荷概率密度预测模型;所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层,所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围;
模型训练模块,用于利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;
负荷概率密度预测模块,用于利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测;
具体地,混合概率密度的均值和方差计算公式如下:
其中,为混合概率密度的均值;vvar(ξ)为混合概率密度的方差;ξ为第二中间值;n为高斯正态分布参数的组数;πi(ξ)为第i组高斯正态分布出现的概率;σi 2(ξ)为第i组高斯正态分布的方差;μi(ξ)为第i组高斯正态分布的均值。
本发明实施例中的基于时序高斯混合密度网络的负荷概率密度预测***用于实现前述的基于时序高斯混合密度网络的负荷概率密度预测方法,因此该***的具体实施方式可见前文中的基于时序高斯混合密度网络的负荷概率密度预测方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的基于时序高斯混合密度网络的负荷概率密度预测***用于实现前述的基于时序高斯混合密度网络的负荷概率密度预测方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,包括以下步骤:
S1、获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;
S2、构建负荷概率密度预测模型,所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层;所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围;
S3、利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;
S4、利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测;
所述混合概率密度的均值和方差计算公式如下:
2.如权利要求1所述的基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,还包括以下步骤:
利用测试集用于对训练好的负荷概率密度预测模型进行测试,并对预测结果进行评价。
3.如权利要求2所述的基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,步骤S3中,通过设置不同组数的高斯正态分布参数对负荷概率密度预测模型进行训练,得到不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型;并利用测试集对不同组数的高斯正态分布参数对应的训练好的负荷概率密度预测模型进行测试,以确定高斯正态分布参数的最优组数。
4.如权利要求2所述的基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,步骤S3中,根据预测序列的长度选择不同长度的输入序列对负荷概率密度预测模型进行训练,得到不同长度的输入序列对应的训练好的负荷概率密度预测模型;并利用测试集对不同长度的输入序列对应的训练好的负荷概率密度预测模型进行测试,以确定输入序列的最优长度作为所述长短期记忆网络的滑动时间窗长度。
5.如权利要求1所述的基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,步骤S4中,选择归一化均方根偏差以及归一化平均绝对偏差对点预测结果进行评价,选择预测区间覆盖率和预测区间平均宽度对区间范围的预测结果进行评价。
7.如权利要求1所述的基于时序高斯混合密度网络的负荷概率密度预测方法,其特征在于,所述对获取的电力***历史负荷数据进行预处理,包括:利用插值法对历史负荷数据中的异常值进行修正,并对历史负荷数据进行归一化,并划分训练集和测试集。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任意一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种基于时序高斯混合密度网络的负荷概率密度预测***,其特征在于,包括:
数据预处理模块,用于获取电力***历史负荷数据,对获取的电力***历史负荷数据进行预处理;
模型构建模块,用于构建负荷概率密度预测模型,所述负荷概率密度预测模型包括输入层、长短期记忆网络、注意力机制层、混合高斯概率密度网络和输出层;所述输入层用于将时间连续的历史负荷数据组成输入序列并输入至所述长短期记忆网络;所述长短期记忆网络用于学习所述输入序列中负荷数据之间的时序关系以得到第一中间值,并把得到的第一中间值输入至所述注意力机制层;所述注意力机制层用于根据历史负荷数据对未来预测序列的影响程度,进一步提取时序特征以得到第二中间值,并把得到的第二中间值输入至混合高斯概率密度网络;所述混合高斯概率密度网络用于拟合输出多组高斯正态分布参数,计算得到混合概率密度的均值和方差,并根据均值和方差得到负荷概率密度预测的区间范围;
模型训练模块,用于利用训练集对构建的负荷概率密度预测模型进行训练,得到训练好的负荷概率密度预测模型;
负荷概率密度预测模块,用于利用训练好的负荷概率密度预测模型对电力***进行负荷概率密度预测;
所述混合概率密度的均值和方差计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514681.4A CN115759455A (zh) | 2022-11-29 | 2022-11-29 | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514681.4A CN115759455A (zh) | 2022-11-29 | 2022-11-29 | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759455A true CN115759455A (zh) | 2023-03-07 |
Family
ID=85340616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211514681.4A Withdrawn CN115759455A (zh) | 2022-11-29 | 2022-11-29 | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759455A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777049A (zh) * | 2023-05-16 | 2023-09-19 | 国网山东省电力公司微山县供电公司 | 一种用户用电量预测方法及*** |
-
2022
- 2022-11-29 CN CN202211514681.4A patent/CN115759455A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777049A (zh) * | 2023-05-16 | 2023-09-19 | 国网山东省电力公司微山县供电公司 | 一种用户用电量预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027732B (zh) | 一种多风电场出力场景的生成方法及*** | |
CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及*** | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN111241755A (zh) | 电力负荷预测方法 | |
Yang et al. | A deep attention convolutional recurrent network assisted by k-shape clustering and enhanced memory for short term wind speed predictions | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN116702612A (zh) | 一种多维指标融合的cvt健康状态预测方法及*** | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及*** | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
Lin et al. | Using Computing Intelligence Techniques to Estimate Software Effort | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及*** | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN117035155A (zh) | 一种水质预测方法 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |