【技術實現步驟摘要】
本專利技術涉及短期電力負荷區間預測，尤其涉及一種考慮區間構造的短期電力負荷區間預測方法。
技術介紹
1、構建以新能源為主體的新型電力系統是促進現代電力系統低碳轉型發展的重要前提與必然趨勢。在新型電力系統建設過程中，電力負荷預測技術具有重要地位。精準的短期電力負荷點預測結果能夠為決策者提供未來一天或未來幾天可靠的負荷變化信息，是新型電力系統最優調度策略的有效保障。
2、隨著新型電力系統的發展，負荷類型日益增多，用戶的用能行為愈加復雜多變，導致供需雙側的不確定性增長迅速，進而影響短期電力負荷點預測方法的準確性。在短期電力負荷點預測的基礎上，進行區間預測可以量化預測中的不確定性，在一定程度上反映電力負荷的波動性，為電力負荷真實值的預測提供了概率上限和下限，從而保障電力系統調度工作的穩定進行。
3、針對區間預測存在的區間寬度不易控制、原理復雜、計算成本高等問題，必須改進負荷區間預測技術，提高預測精度和自適應性，保障電力系統的穩定運行。
4、文獻號為cn115564123a的專利文獻公開一種基于多目標和貝葉斯優化的短期電力負荷區間預測，通過其方案引入多目標和貝葉斯優化理論，來構建基于mobo的深度學習區間預測模型。實驗結果表明：所提的模型能更加準確地描述電力負荷的波動范圍，但其同時存在：區間預測的區間寬度不易控制，原理復雜等問題。
5、文獻號為cn113850443a的專利文獻公開一種基于非參數bootstrap誤差抽樣的短期電力負荷區間預測方法，其方案采用非參數bootstrap方法對每個
技術實現思路
1、本專利技術的目的在于提供一種考慮區間構造的短期電力負荷區間預測方法，解決短期電力負荷區間預測存在的區間寬度不易控制、原理復雜、計算成本高等問題。
2、本專利技術實施例提供一種考慮區間構造的短期電力負荷區間預測方法，包括：
3、s1、構建電力負荷預測tcn-ead網絡模型并進行訓練，利用訓練后tcn-ead網絡模型獲取電力負荷點預測；
4、s2、以點預測為基準采用比例系數法構造預測區間；
5、s3、構建預測區間滿意度指標pisi；
6、s4、采用woa優化算法對tcn-ead網絡模型超參數進行尋優，獲取最優超參數tcn-ead網絡模型；同時結合pisi指標利用woa優化算法對預測區間比例系數進行尋優，計算最優比例系數；
7、s5、利用最優超參數tcn-ead網絡模型獲取點預測，基于點預測依據最優比例系數構建電力負荷最優預測區間。
8、可選地，所述tcn-ead網絡模型包括tcn模型；
9、其中，tcn模型由輸入層、輸出層以及多個tcn殘差模塊堆疊組成，公式表示為：
10、
11、其中，x為輸入層輸入，f為變換操作，h為殘差模塊數量，為輸出層輸出，relu為激活函數；
12、可選地，所述tcn-ead網絡模型還包括ead模型；
13、其中，ead模型由輸入層、編碼層、注意力層、解碼層和輸出層組成，包括步驟：
14、s11、編碼層對輸入向量進行編碼獲得輸出向量，公式為：
15、
16、h＝[h1,h2,...,hj,...,hi]t
17、
18、其中，編碼層包括多層gru單元，為輸入向量，h為輸出向量，hi表示i時刻的編碼層輸出向量；f(·)表示多層gru單元的編碼函數。
19、s12、編碼層輸出向量輸入注意力層，獲取編碼向量，公式表示為：
20、ej＝utanh(w0hj+b0)
21、
22、其中，ej表示第t時刻由編碼層的輸出向量hj所決定的注意力概率分布值；u和w0為權重系數；b0為偏置系數；αj為注意力權重；si表示第i時刻的編碼向量；
23、s13、編碼向量輸入解碼層進行解碼，解碼層包括多層gru單元，第g個gru單元中vi的計算，公式表示為：
24、
25、其中，vi-1是gru單元i-1時刻的狀態；vi是gru單元i時刻的輸出或狀態；sgi是gru單元i時刻的輸入；w是權重系數；σ是sigmoid函數；
26、s14、解碼向量vi輸入輸出層，獲取最終預測點值，公式表示為：
27、
28、其中，w1是輸出層的權重系數；b1是輸出層的偏置系數。
29、可選地，所述s2中以點預測為基準采用比例系數法構造預測區間，公式為：
30、
31、其中，式中xi和分別是tcn-ead網絡模型在i時刻的輸入值和點預測點值；u(xi)和l(xi)分別是tcn-ead網絡模型i時刻預測區間的上限和下限；ai和bi是i時刻的比例系數。
32、可選地，所述預測區間滿意度指標pisi包括區間覆蓋率picp、區間平均寬度百分比pimwp和區間平均中心偏差百分比pimcdp，其中：
33、區間覆蓋率picp，公式表示為：
34、
35、其中，ci表達式為：
36、
37、區間平均寬度百分比pimwp，公式表示為：
38、
39、區間平均中心偏差百分比pimcdp，公式表示為：
40、
41、其中，n是預測點的總個數；xi和yi分別是神經網絡在第i個采樣區間的輸入值和真實值；u(xi)和l(xi)分別預測區間的上界和下界；
42、可選地，所述構建預測區間滿意度指標pisi，公式為：
43、pisi＝1-pimwp(1+λpimcdp)(1+e-η(picp-μ))
44、其中，λ和η分別為pimcdp和picp評價指標的懲罰系數；μ是置信度(1-α)；若pisi計算結果小于0，則令pisi等于0。
45、可選地，所述woa優化算法中：
46、獵物位置為尋優超參數或尋優比例系數，鯨魚為待優化超參數或待優化比例系數，鯨魚群體為tcn-ead網絡模型一個待優化超參數集合或待優化比例系數集合；
47、第i只鯨魚個體的位置表示為：
48、xi＝[xi,1,xi,2,l,xi,m+2n]
49、其中，xi,j為鯨魚個體位置的坐標，其與待優化超參數集合或待優化比例系數集合的對應關系，公式為：
50、
51、其中，tcn-ead網絡模型的超參數集合為s，超參數個數為m，比例系數集合為a，b，比例系數個數都為n。
52、進一步地，采用woa優化算法對tcn-ead網絡模型超參數進行尋優，獲取最優超參數tcn-ead網絡模型；同時結合pisi指標利用woa優化算法對預測區間比例本文檔來自技高網...
【技術保護點】
1.一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述TCN-EAD網絡模型包括TCN模型；
3.根據權利要求2所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述TCN-EAD網絡模型還包括EAD模型；
4.根據權利要求3所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述S2中以點預測為基準采用比例系數法構造預測區間，公式為：
5.根據權利要求4所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述預測區間滿意度指標PISI包括區間覆蓋率PICP、區間平均寬度百分比PIMWP和區間平均中心偏差百分比PIMCDP，其中：
6.根據權利要求5所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，構建預測區間滿意度指標PISI，公式為：
7.根據權利要求1所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述WOA優化算法中：
8.根據權利
9.根據權利要求8所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述最優預測區間，表示公式為：
...【技術特征摘要】
1.一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述tcn-ead網絡模型包括tcn模型；
3.根據權利要求2所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述tcn-ead網絡模型還包括ead模型；
4.根據權利要求3所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述s2中以點預測為基準采用比例系數法構造預測區間，公式為：
5.根據權利要求4所述的一種考慮區間構造的短期電力負荷區間預測方法，其特征在于，所述預測區間滿意度指標pisi包括區間覆蓋率picp、區間平均寬度百分比pimwp和區間平均中心偏...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。