本發明公開了基于約束并行LSTM分位數回歸的電力負荷概率預測方法，包括收集多個樣本日的負荷功率和影響因素數據，形成數據集；設置模型超參數；建立約束并行LSTM模型，對約束并行LSTM模型中各個分位點LSTM進行預訓練，獲得權重、偏置參數集；對約束并行LSTM模型進行整體訓練，訓練過程中對權重、偏置參數進行微調，確定約束并行LSTM模型的最佳權重、偏置參數；將驗證集輸入訓練好的約束并行LSTM模型，根據驗證誤差選出模型的最佳超參數；將測試樣本輸入具有最佳超參數的約束并行LSTM模型，對約束并行LSTM模型輸出的預測結果進行反歸一化。本發明采用約束并行LSTM模型進行電力負荷的分位數回歸預測，使得預測負荷概率分布更合理，避免分位數預測值之間的交叉。

技術領域

本發明屬于電力負荷預測領域，具體涉及一種基于約束并行LSTM分位數回歸的電力負荷概率預測方法。

背景技術

短期電力負荷預測是電力系統安全、經濟運行的基礎，為電力系統規劃和運行、能源交易、機組啟停、經濟調度等提供重要信息。提高負荷預測的準確率有助于提高電力設備的利用率，并最大程度地減少能源浪費。

目前，負荷概率預測方法主要包括區間估計、核密度估計和分位數回歸等。前兩種方法主要基于點預測誤差的參數統計估計概率分布，而分位數回歸可直接解釋不同分位點下響應變量和因變量之間的關系，成為近年來負荷概率預測文獻關注的熱點。但是，分位數回歸的分位數預測值存在交叉的現象而導致不合理。

負荷概率預測方法較多是結合機器學習算法和分位數回歸法，構建分位數模型。然而傳統的機器學習算法，往往需要利用特征工程對數據進行處理。與傳統的機器學習方法相比，深度學習神經網絡被證明在應對大數據集的短期負荷預測方面更加有效。尤其是長短期記憶(long short-term memory,LSTM)神經網絡，如附圖2所示，因為其對時間序列形式的數據具有強適應性而得到了廣泛應用。

因此，研究一種基于約束并行LSTM神經網絡分位數回歸的短期電力負荷概率預測方法。

發明內容

本發明的技術問題是現有的電力負荷的分位數回歸方法的分位數預測值存在交叉的現象而導致不合理。

本發明的目的是解決上述問題，提供一種基于約束并行LSTM分位數回歸的電力負荷概率預測方法，將LSTM的魯棒性和記憶特性與分位數回歸的概率預測功能相結合，并考慮預測負荷概率分位數的固有特性，加入考慮分位數預測值之間約束關系的組合層，構建約束并行長短期記憶網絡模型((constrained parallel Long-Short Term Memory，CP-LSTM)進行電力負荷的分位數回歸預測，使得預測負荷概率分布更合理，避免分位數預測值之間的交叉。

本發明的技術方案是基于約束并行LSTM分位數回歸的電力負荷概率預測方法，包括以下步驟，

步驟1：收集多個樣本日的負荷功率和影響因素數據，形成數據集并分為訓練集、驗證集和測試集；

步驟2：設置模型超參數；

步驟3：建立約束并行LSTM模型，采用并行式訓練方法，對約束并行LSTM模型中各個分位點下并行LSTM進行預訓練，獲得全局參數集{W(τi),b(τi)}_opt；

步驟4：將得到全局參數集{W(τi),b(τi)}_opt作為約束并行LSTM模型的初始參數，對約束并行LSTM模型進行整體訓練，訓練過程中對權重、偏置參數進行微調，確定約束并行LSTM模型的最佳權重、偏置參數；

步驟5：將驗證集輸入訓練好的約束并行LSTM模型，根據驗證誤差選出模型的最佳超參數；步驟6：將測試樣本輸入具有最佳超參數的約束并行LSTM模型，對約束并行LSTM模型輸出的預測結果進行反歸一化，得到預測日中各時刻預測負荷的多個分位數預測值；