一种短期居民负荷的自适应区间预测方法与流程

1.本发明涉及电力负荷预测技术领域，具体是一种短期居民负荷的自适应区间预测方法。


背景技术：

2.短期居民负荷预测是电力负荷预测的重要组成部分，其对计算效率、迭代频率和预测准确率有较高的要求。准确的短期居民负荷预测对于电网安全稳定调度具有重要意义。现有大多数研究主要关注于负荷点预测，其只能提供一个确定的点预测结果，缺失对负荷数据不确定性的评估，使决策工作面临风险。因此，反映负荷波动范围和不确定度的基于一定置信度的预测区间能够合理地描述负荷的未来变化趋势。
3.目前，随着数据量的快速增长，深度学习的方法在负荷预测领域得到广泛应用，其能够更好地从海量数据中提取出有益信息。构建高质量预测区间，大量超参数限制了其计算效率。
4.针对上述现有问题，现提出一种短期居民负荷的自适应区间预测方法。


技术实现要素：

5.本发明的目的在于提供一种短期居民负荷的自适应区间预测方法，解决上述背景技术中现有缺少对负荷数据不稳定性评估、评估不合理、大量超参数影响计算效率等问题。
6.本发明的目的可以通过以下技术方案实现：
7.一种短期居民负荷的自适应区间预测方法，所述预测方法包括以下步骤：
8.步骤一、收集处理数据，建立负荷区间的上限以及下限预测模型。
9.步骤二、通过参数变换削减有偏凸损失函数的超参数个数，并将其作为优化上限预测模型和下限预测模型参数的损失函数，在提出的自适应更新策略的迭代调整下，实现损失函数超参数的自动寻优，求解最小化损失函数。
10.步骤三、根据最小化损失函数构建达到期望覆盖率且平均预测区间宽度最窄的最优预测区间。
11.步骤四、通过将单边覆盖率指标融入提出的自适应更新策略，进一步提升模型的预测性能和稳定性。
12.进一步地，所述步骤一中上限预测模型为下限预测模型为e(
·
)为改进的有偏凸损失函数，pu和 p
l
分别为上限预测模型和下限预测模型的网络参数，ωu和ω
l
分别为上限预测模型和下限预测模型损失函数的超参数，ωu＝{wu,cu}和ω
l
＝{w
l
,c
l
}，wu、cu分别为上限预测模型改进有偏凸损失函数惩罚项的权重、平移系数，w
l
、c
l
分别为下限预测模型改进有偏凸损失函数惩罚项
的权重、平移系数，的权重、平移系数，为区间上限的预测偏差，为区间下限的预测偏差，y
t
为第t个预测点对应的真实值，u
t
、l
t
为第t个预测点预测区间的上下限。
13.进一步地，所述步骤二包括预测区间覆盖率picp为 n为数据集中样本的个数，函数衡量第t个预测点的实际值y
t
是否在预测区间[l
t
,u
t
]之内，
[0014]
平均预测区间宽度pinaw为r为真实值的跨度，
[0015]
预测区间整体评价指标cwc为γ用于判断是否引入指数项，
[0016]
预测区间归一化均方根宽度pinrw为η1线性扩大pinrw的数值，η2为picp的惩罚系数，pinc为测试模型时预设的预测区间期望覆盖率。
[0017]
进一步地，所述步骤二中利用参数变换削减损失函数超参数个数的方法为：对有偏凸损失函数作等效变换，在最小化损失函数的场景下消去缩放系数，并去除正则化系数，将超参数个数从八个降至四个。
[0018]
进一步地，所述步骤三中求取最优预测区间的步骤为：s1、当预测区间覆盖率达到启动覆盖率时，利用自适应更新策略调整超参数构建改进有偏损失函数，否则超参数不变；s2、根据adam算法求解最小化损失函数问题得到上下限预测模型的更新参数；s3、利用上下限预测模型输出构成预测区间，此过程依次迭代循环直至收敛求得最优预测区间。
[0019]
进一步地，所述步骤四中单边覆盖率指标将预测区间等分为上下子预测区间，通过自适应更新策略使得上下子预测区间覆盖率均达到期望覆盖率，以保证真实值更均匀地分布在预测区间之中，使得预测区间覆盖率的控制更为精细且平均宽度进一步减小。
[0020]
进一步地，所述步骤四中提出的自适应更新策略直接利用改进有偏凸损失函数超参数与预测区间覆盖率的关系，构建超参数自适应更新策略，在最小化改进有偏损失函数求取上下限预测模型最优参数的过程中，对损失函数超参数进行寻优，以同时实现超参数最优调节和最优预测区间构建。
[0021]
进一步地，所述自适应更新策略的迭代更新公式为：
[0022][0023][0024]
[0025][0026]
上式中：k1和k2控制迭代更新速率，picp
*
为训练模型所预设的预测区间期望覆盖率，i表示当前迭代次数。
[0027]
进一步地，所述步骤一中收集处理数据包括对包含温度预报数据、前一周该时刻负荷历史数据的输入数据依次进行预处理、特征提取和归一化处理，再输入区间预测模型。
[0028]
进一步地，所述上限预测模型和下限预测模型通过门循环网络以及全连接神经网络实现，初始化参数分别由xavier和he初始化方法得到，网络结构通过对模型点预测结果进行交叉验证确定。
[0029]
本发明的有益效果：
[0030]
1、本发明预测方法，将短期居民负荷区间预测问题转换为上限和下限两个独立的预测子问题，利用两个独立的网络分别构建预测区间上下限，通过两个独立的损失函数监督上下限预测模型的参数学习，基于两个独立的单边覆盖率自适应调整两个损失函数的超参数，其显著提升了模型训练的独立性和自由度；
[0031]
2、本发明预测方法通过参数变换以及合理简化将其超参数个数削减至四个，显著降低了超参数调整难度，简化计算，并根据超参数与预测区间覆盖率的内在联系构建了自适应更新方法，在训练过程中自动优化损失函数的超参数，解决了有偏损失函数最优超参数预选困难的缺陷，并提升了训练效果的稳定性；
[0032]
3、本发明预测方法，将预测区间等分为两个子区间，其配合自适应更新策略有利于得到真实值分布更加均匀的预测区间，实现了预测区间更为细致的构建，进一步提升了预测区间质量，评估结果合理。
附图说明
[0033]
下面结合附图对本发明作进一步的说明。
[0034]
图1是本发明预测短期居民负荷区间的流程图；
[0035]
图2是本发明单步超前95％预测区间覆盖率下的本技术预测区间与实际值的对比图；
[0036]
图3是本发明图2中的局部放大图；
[0037]
图4是本发明四步超前95％预测区间覆盖率下的本技术预测区间与实际值的对比图；
[0038]
图5是本发明图4中的局部放大图；
[0039]
图6是本发明单步超前85％预测区间覆盖率下的损失函数超参数的收敛曲线示意图；
[0040]
图7是本发明单步超前85％预测区间覆盖率下的损失函数超参数的收敛曲线示意图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它
实施例，都属于本发明保护的范围。
[0042]
一种短期居民负荷的自适应区间预测方法，本发明为一种自适应迭代优化的框架，如图1所示，预测方法包括以下步骤：
[0043]
s1、数据预处理、特征提取以及生成训练所需张量
[0044]
将包括温度预报数据、前一周该时刻负荷历史数据的输入数据整合成包含输入输出向量的数据样本形式，对数据进行预处理和特征提取，并将数据变量归一化至[0,1]范围内，基于相关性分析得到的时间窗口大小，生成深度学习模型适用的训练所需张量。
[0045]
s2、提出负荷预测区间评价指标并初始化模型的整体参数
[0046]
负荷预测区间的评价指标包括平均预测区间宽度pinaw、预测区间覆盖率picp以及区间整体评价指标cwc，给定训练数据集为{(x1,y1),
…
,(xn,yn)}，预测区间评价指标分别如式(1)至式(7)所示：
[0047][0048][0049][0050][0051][0052][0053][0054]
上述式(1)至式(7)中，n是训练数据集中统计数据样本的个数,y1为第 1个预测点x1的实际值，yn为第n个预测点xn的实际值，函数衡量第t 个预测点的实际值y
t
是否在预测区间[l
t
,u
t
]之内,u
t
、l
t
为第t个预测点预测区间的上下限，r为真实值的跨度，γ用于判断是否引入指数项，η1线性扩大pinrw 的数值，η2为picp的惩罚系数，pinc为预设期望覆盖率。
[0055]
利用xavier和he初始化方法分别得到gru网络以及全连接神经网络的初始化网络参数，对模型点预测结果进行交叉验证确定网络结构，利用交叉验证方法得到更新速率k1、k2以及训练所设期望区间覆盖率picp
*
，随机生成损失函数超参数，其中损失函数惩罚项的权重w在[10,15]中随机生成，平移系数c在 [2,4]中随机产生。
[0056]
s3、构建以改进有偏凸损失函数为优化目标的区间预测模型
[0057]
预测模型采用gru网络和单输出全连接神经网络，利用gru从时间序列数据中提取特征，将提取出的信息送入全连接神经网络生成预测区间边界值，利用两个独立的上述网络分别作为区间上限预测模型和下限预测模型，通过求解改进有偏凸损失函数最小化问题
得到预测模型最优参数。
[0058]
构建改进有偏凸损失函数的步骤如下：
[0059]
(a)对于训练数据集{(x
t
,y
t
)|t＝1,
…
n}的目标y
t
，对应的预测区间上限和下限分别用u
t
和l
t
表示。区间上限和下限的预测偏差定义如式(8)：
[0060]
θ
u,t
＝y
t-u
t
,θ
l,t
＝l
t-y
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0061]
落在预测区间内的真实值对应的上限和下限偏差需满足式(9)：
[0062]
θ
u,t
≤0,θ
l,t
≤0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0063]
以q
t
代替q
u,t
和q
l,t
，则初始有偏凸损失函数形式如下：
[0064][0065][0066]
w为有偏凸损失函数惩罚项s(
·
)的权重，r和c为函数s(
·
)的缩放系数和平移系数。
[0067]
(b)通过参数变换削减损失函数超参数个数：对有偏凸损失函数作等效变换，在最小化损失函数的场景下消去缩放系数，并去除正则化系数，将超参数个数从八个降至四个。
[0068]
对上式(10)作参数变换则可消去s(
·
)中的超参数r，变换后的损失函数形式如下：
[0069][0070][0071]
在最小化损失函数的场景下，和作用一致，因此用代替代替得到改进有偏凸损失函数，如式(14)和(13)所示：
[0072][0073]
因此，改进后损失函数只存在两个超参数，即w和c。
[0074]
(c)基于改进有偏凸损失函数构建上下限预测模型参数的优化目标函数，通过求解其最小化问题得到预测模型最优参数，如式(15)和(16)所示：
[0075][0076][0077]
其中pu和p
l
分别为上限预测模型和下限预测模型的网络参数，ωu和ω
l
分别为上限预测模型和下限预测模型损失函数的超参数，ωu＝{wu,cu}和ω
l
＝{w
l
, c
l
}，nb代表训练
batch的样本数，wu、cu分别为上限预测模型改进有偏凸损失函数惩罚项的权重、平移系数，w
l
、c
l
分别为下限预测模型改进有偏凸损失函数惩罚项的权重、平移系数，为区间上限的预测偏差，为区间下限的预测偏差，y
t
为第t个预测点对应的真实值，u
t
、l
t
为第t个预测点预测区间的上下限，其计算公式同式(8)。
[0078]
s4、利用单边自适应更新策略优化调整损失函数超参数
[0079]
根据改进有偏凸损失函数的超参数与预测区间覆盖率的内在联系，设计一种自适应更新策略，在迭代训练的过程中自动寻找最优超参数。超参数w控制了惩罚项在损失函数中的比例，增大其数值从而对预测边界以外的点施加更大的惩罚，使得预测边界快速调整从而包含该点，相应的覆盖率得以提高，反之减少w的值即可降低预测区间覆盖率，因此关于w的自适应更新公式如式(17) 所示：
[0080]w←
w-k1·
(picp-picp
*
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0081]
picp
*
表示训练模型时所设的期望覆盖率。
[0082]
由于预测区间覆盖率并不要求达到100％，因此超参数c的作用是缓和惩罚项对于目标真实值的作用，减小c的值提升预测区间覆盖率，增大c的值则减小覆盖率，关于c的自适应更新公式如式(18)所示：
[0083]c←
c k2·
(picp-picp
*
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0084]
为了提高自适应更新策略对于控制预测性能的细致度并进一步提升预测质量，提出一种单边覆盖率的预测区间评价指标，其将预测区间等分为两个子区间分别计算覆盖率，其计算公式如式(19)至(21)所示：
[0085][0086][0087][0088]
在理想情况下，区间覆盖率满足picpu＝picp
l
＝picp＝picp
*
，此时得到真实值在预测区间中更加均匀的分布，从而优化预测区间的平均宽度，基于单边覆盖率指标，得到损失函数超参数的自适应更新公式，如式(22)所示：
[0089][0090]
其中i表示迭代次数。
[0091]
上式称为单边自适应更新策略，当预测区间覆盖率达到启动覆盖率时，利用上式迭代调整超参数的数值，再将其传入损失函数，求解得到预测模型的参数，如此不断迭代直至收敛，从而得到最优预测区间。
[0092]
选取某区域两百多户居民在某年第一季度负荷功率的平均值数据作为实施案例的数据来源，数据的时间分辨率为15分钟/点。对原始数据预处理成数据样本，将前2/3的数据作为训练数据，后1/3的数据作为测试数据。分别针对85％、 90％和95％的额定覆盖率，
分别训练预测步长为15分钟和1小时的预测模型，即单步和四步超前预测模型。
[0093]
基于测试集预测结果，使用平均覆盖率偏差指标对预测模型的可靠性和稳定性进行评估，计算公式如式(23)所示，利用评估指标cwc对预测区间作整体评估。
[0094]
acd＝picp-pinc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0095]
采用本技术所公开方法得到的预测区间的评估结果如表1所示。
[0096]
表1各超前步数及期望覆盖率下本技术预测区间的评估结果
[0097][0098]
通过评估结果可以看出，本技术能够将覆盖率细致地控制在预设期望覆盖率pinc的附近并满足覆盖率需求，同时保证优越的平均区间宽度和区间总体质量。图2和图3，展示了期望覆盖率为95％、超前一步预测的部分预测区间，图4和图5展示了期望覆盖率为95％、超前四步预测的部分预测区间。由图2-5 可以看出，本发明方法能够在保证良好可靠性的条件下实现较好的区间锐度。
[0099]
图6和图7展示了本技术所公开方法的收敛性能曲线，在40次迭代下即可达到收敛，满足短期负荷预测对于计算时间的要求。
[0100]
表2通过具体实验对本技术所述方法中单边覆盖率指标的作用加以证明。采用单边覆盖率偏差指标来衡量真实值在预测区间中分布的均匀程度，其计算公式如式(24)所示，值越小表示真实值在预测区间中的分布更加均匀。
[0101]
δpicp＝|picp
u-pinc| |picp
l-pinc|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0102]
采用预测区间整体覆盖率的自适应更新方法称为双边自适应更新策略，而采用单边覆盖率的本技术方法称为单边自适应更新策略。
[0103]
表2单步90％期望覆盖率下双边和单边自适应更新策略的对比结果
[0104][0105]
根据对比结果可知，单边覆盖率指标使得自适应更新策略对于覆盖率的控制更加精细、真实值在预测区间中的分布更加均匀并且有效降低了预测区间的平均宽度。
[0106]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、材料或者特点包含于本发明的至少一个实施例或示
例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0107]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。