一种家庭电力负荷概率预测方法及应用

1.本发明属于家庭负荷预测技术领域，更具体地，涉及一种家庭电力负荷概率预测方法及应用。


背景技术：

2.作为我们现代社会最大的人工系统之一，电力系统在发电侧和需求侧都变得越来越复杂和不确定。清洁可再生能源的大规模投入使用对其有效渗透带来了更多挑战。此外，现代电力负荷需求的峰值与平均值之比升高，导致发电、输电和配电系统的成本升高，甚至会危及电力系统的稳定运行。应对这些挑战的方法之一是需求侧响应。通过鼓励和帮助终端用户根据不断变化的电价和系统的运行状况调整他们的用电，需求侧响应促进了用户的互动和响应，为电力系统的安全经济平稳运行带来了便利。为了有效地设计和实施需求侧响应程序，家庭负荷预测是一项关键的分析任务。此外，精确的家庭电力负荷预测有助于更好地进行负荷调度和储能系统的运行，使配电网的管理更加有效，并提高经济效益、组件寿命和系统可靠性。因此，研究一种家庭电力负荷概率预测方法是有现实意义的。
3.随着人工智能技术的发展与应用，大量人工智能方法被应用在家庭电力负荷的预测领域中；然而，居民的用电行为具有一定时效性，大部分现有的技术只能基于历史数据离线训练预测模型，无法从实时的数据中捕获居民变化的电能消费习惯。因此，在考虑居民用电行为的时间相关性的基础上，如何充分地表征和学习家庭负荷数据的不确定性，是一个难点问题。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种家庭电力负荷概率预测方法及应用，用以解决现有技术难以对家庭负荷进行精确预测的技术问题。
5.为了实现上述目的，第一方面，本发明提供了一种家庭电力负荷概率预测方法，包括以下步骤：
6.s1、对当前待预测时刻t下的负荷特征向量进行预处理后，输入到神经网络模型中进行非线性映射，得到时刻t下的映射特征；其中，时刻t下的负荷特征向量包括：时刻t之前t时间段内的家庭电力负荷值和待预测时刻t的日历变量；
7.s2、将时刻t下的映射特征输入到稀疏高斯过程回归模型中，从而对时刻t下的家庭电力负荷进行概率预测，得到时刻t下家庭电力负荷的预测均值和预测方差；
8.其中，上述神经网络模型和稀疏高斯过程回归模型通过在线学习的方式训练得到，具体为：每预测得到一个时刻下家庭电力负荷的预测均值和预测方差后，采集该时刻下的真实负荷值，并基于该时刻下的映射特征、以及该时刻下家庭电力负荷的预测均值和预测方差，对稀疏高斯过程回归模型的参数进行在线更新，与此同时，通过最小化该时刻下的真实负荷值与预测均值之间的差异，对神经网络模型中的参数进行在线更新；
9.上述神经网络模型在进行在线学习之前通过离线学习的方式进行初始化，具体包
括：对训练数据集中的各历史时刻下的负荷特征向量进行预处理后，输入到负荷预测模型中，并通过最小化负荷预测模型输出的各历史时刻下的负荷预测值与对应实际负荷值之间的差异，对负荷预测模型中的参数进行更新；其中，负荷预测模型包括级联的上述神经网络模型和全连接层。
10.进一步优选地，上述神经网络模型为软脉冲神经网络；其中，软脉冲神经网络的第l层神经元在t时刻的输出为：
[0011][0012]
其中，为软脉冲神经网络的第l层神经元在t时刻的内在状态；w
l
为软脉冲神经网络的第l层的权重参数；为软脉冲神经网络的第l-1层神经元在t时刻的输出；d
l
为软脉冲神经网络第l层神经元的膜电位衰减量；为软脉冲神经网络的第l层神经元在t-1时刻的内在状态；为软脉冲神经网络的第l层神经元在t-1时刻的输出；b
l
为软脉冲神经网络的第l层神经元的脉冲阈值；g(
·
)为双曲正切激活函数，h(
·
)为线性激活函数；
⊙
表示hadamard积。
[0013]
进一步优选地，每预测得到一个时刻下家庭电力负荷的预测均值和预测方差后，采用在线时空学习算法，对神经网络模型中的参数进行在线更新，以最小化该时刻下的真实负荷值与预测均值之间的差异。
[0014]
进一步优选地，每预测得到一个时刻下家庭电力负荷的预测均值和预测方差后，基于该时刻下的映射特征、以及该时刻下家庭电力负荷的预测均值和预测方差，采用在线贝叶斯学习算法，对稀疏高斯过程回归模型的参数进行在线更新。
[0015]
进一步优选地，t时刻下的负荷特征向量为：
[0016]
x
t
＝[y
t-t
,y
t-t 1
,
…
,y
t-1
,d,h,m]
[0017]
其中，y
t-1
为t-1时刻下的家庭电力负荷值；d，h，m为日历变量，d为t时刻所对应的周内的第几天；h为t时刻所对应的一天内的第几个小时；m为t时刻所对应的小时的第几分钟。
[0018]
进一步优选地，对负荷特征向量进行预处理的方法，包括：对负荷特征向量中的日历变量进行独热编码；对负荷特征向量进行归一化处理。
[0019]
第二方面，本发明提供了一种家庭电力负荷概率预测系统，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本发明第一方面所提供的家庭电力负荷概率预测方法。
[0020]
第三方面，本发明提供了一种电力系统的负荷调度方法，包括：
[0021]
在每一时刻下，采用本发明第一方面所提供的家庭电力负荷概率预测方法得到电力系统下不同家庭的电力负荷预测均值，聚合不同家庭的电力负荷预测均值得到微电网的总负荷预测值，并基于该总负荷预测值进行微电网的最优负荷调度。
[0022]
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的家庭电力负荷概率预测方法和/或本发明第三方面所提供的电力系统的负荷调度方法。
[0023]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0024]
1、本发明提供了一种家庭电力负荷概率预测方法，考虑到家庭负荷数据的时间相关性，采用神经网络模型对时间序列进行建模；针对家庭负荷的强不确定性，采用稀疏高斯过程回归模型进行不确定性表征；此外，在模型训练的过程中，构建了离线-在线双模式学习方式，通过离线学习保障了神经网络模型的初始性能，通过在线学习实时更新稀疏高斯过程回归模型中的后验分布以及神经网络模型中的参数，增强了神经网络模型和稀疏高斯过程回归模型的精度和适应性，且充分利用了实时数据来学习居民用电行为的不确定性；本发明充分考虑了家庭负荷的时间相关性和不确定性，在预测过程中，将负荷特征向量输入到神经网络模型进行时间序列建模，再将输出特征输入稀疏高斯过程回归模型得到最终的预测结果，可以动态捕获家庭电力负荷的变化趋势，准确而高效地对家庭负荷进行预测。
[0025]
2、本发明所提供的家庭电力负荷概率预测方法，考虑到家庭负荷数据的时间相关性，采用软脉冲神经网络对输入的负荷特征向量进行时间序列建模，且软脉冲神经网络中包括前馈结构和内在状态单元，其参数量小、结构简单，能够有效地进行时间序列建模，在训练过程中计算地复杂度较低，在处理海量的家庭负荷数据时，可以有效提升模型学习效率，减小过拟合风险，进一步提升模型训练的准确性。
[0026]
3、本发明所提供的家庭电力负荷概率预测方法，采用稀疏高斯过程回归模型对软脉冲神经网络输出的高层次和抽象的特征向量进行推断学习，计算复杂度和存储量均较低，适用于在线场景的应用，且在贝叶斯理论框架下利用在线数据进行迭代更新，能够最大限度地减少稀疏化导致的信息损失，逐步构建有效的后验分布来捕获居民实时的用电行为，获得家庭负荷的预测概率密度函数来表征其不确定性。
[0027]
4、本发明所提供的家庭电力负荷概率预测方法，采用在线时空学习算法，利用实时的家庭负荷数据对神经网络模型中的参数进行在线更新，提高了神经网络的表征的精准度和适应性，也避免了传统训练方法对海量数据和高计算资源的需求，以较小的计算成本实现对海量家庭负荷数据流的学习。另外，相较于其它神经网络的在线训练算法，在线时空学习对循环神经网络的架构和类型都具有高度兼容性，从而避免了神经网络设计的局限性。
[0028]
5、在离线训练结束后，本发明所提供的家庭电力负荷概率预测方法表现为在线算法，其计算时间随数据量的增长而线性增长，其存储容量随数据量的增长保持恒定。因此，本发明所提供的家庭电力负荷概率预测方法在充分考虑了家庭负荷数据特性的前提下，可以对各住宅的海量电能消费数据进行分别建模和预测，训练和预测过程可以自动执行，不需要存储海量的实时数据，不需要人为干预和重复训练，预测结果可对居民或者电力市场的各参与者起到有益的指导作用。
附图说明
[0029]
图1为本发明提供的家庭电力负荷概率预测方法流程图；
[0030]
图2为本发明实施例提供的ausgrid resident数据集某用户的全年负荷曲线；
[0031]
图3为本发明实施例提供的umass smart home数据集某用户的全年负荷曲线；
[0032]
图4为本发明实施例提供的离线学习的误差收敛曲线；
[0033]
图5为本发明在ausgrid resident数据集四个用户测试数据上的预测区间和真实
负荷对比图；
[0034]
图6为本发明在umass smart home数据集四个场景测试数据上的预测区间和真实负荷的对比图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0036]
为了实现上述目的，第一方面，本发明提供了一种家庭电力负荷概率预测方法，如图1所示，包括：
[0037]
训练阶段：
[0038]
本发明中模型的训练阶段包括离线学习和在线学习。
[0039]
1)离线学习：
[0040]
在进行在线学习之前先通过离线学习的方式对神经网络模型进行初始化，以保障神经网络模型的初始性能；具体包括：对训练数据集中的各历史时刻下的负荷特征向量进行预处理后，输入到负荷预测模型中，并通过最小化负荷预测模型输出的各历史时刻下的负荷预测值与对应实际负荷值之间的差异，对负荷预测模型中的参数进行更新；其中，负荷预测模型包括级联的上述神经网络模型和全连接层。
[0041]
全连接层用于将神经网络模型输出的特征向量线性投影为单维预测值(确定性预测)，其计算方式为：
[0042][0043]
其中，代表线性投影的参数，代表t时刻神经网络模型的输出向量，代表t时刻全连接层的输出预测值。
[0044]
根据预测值和真实值计算预测损失。对于m对预测值和真实值y
t
，计算均方误差损失e：
[0045][0046]
在一种可选实施方式下，对上述模型参数进行梯度下降更新，计算方式为：
[0047][0048]
其中，θ代表神经网络模型和全连接层的参数，包括w
l
，b
l
，和η代表学习率。
[0049]
重复上述梯度下降更新步骤直到损失函数收敛，完成离线学习。考虑到数据时间相关性，数据并非打乱且独立的输入到软脉冲神经网络中，而是将一批样本按时间顺序依次输入到模型中。
[0050]
2)在线学习：
[0051]
考虑到短时间内的家庭用电习惯存在一定的惯性，不会发生太大变化，本发明通过在线学习的方式对神经网络模型和稀疏高斯过程回归模型进行训练，进一步增强了神经
网络模型和稀疏高斯过程回归模型的精度和适应性；具体包括：每预测得到一个时刻t下家庭电力负荷的预测均值和预测方差后，采集该时刻t下的真实负荷值，并基于该时刻t下的映射特征、以及该时刻t下家庭电力负荷的预测均值和预测方差，对稀疏高斯过程回归模型的参数进行在线更新，与此同时，通过最小化该时刻下的真实负荷值与预测均值之间的差异，对神经网络模型中的参数进行在线更新；
[0052]
需要说明的是，每预测得到一个时刻下家庭电力负荷的预测均值和预测方差后，基于该时刻下的映射特征、以及该时刻下家庭电力负荷的预测均值和预测方差，可以采用在线贝叶斯学习算法、变分推断等方法，对稀疏高斯过程回归模型的参数进行在线更新。
[0053]
优选地，采用在线贝叶斯学习算法，对稀疏高斯过程回归模型的参数进行在线更新，具体包括：
[0054]
(1)为了避免基向量集(bv集)的无限扩张，影响在线部署时的计算效率，首先判断是否将φ
t
添加到bv集中(稀疏化)。评价标准为稀疏化导致的后验均值变化υ是否超过既定的上限对于φ
t
，计算υ
t
如下:
[0055][0056][0057]
其中，代表协方差矩阵(gram矩阵)k
t-1
的逆矩阵。gram矩阵k
t-1
的第i行第j列元素为t-1时刻的bv集内的第i个基向量和第j个基向量代入初始核k0下的值
[0058]
(2)如果υ
t
大于对于后验函数的参数进行如下更新(扩张更新)：
[0059]
α
t
＝ψ(α
t-1
) q
tst
[0060][0061]st
＝ψ(c
t-1kt-1
(φ
t
)) e
t
[0062][0063]
式中，符号ψ代表通过填零来拓展额外一个维度。
[0064]
此时，添加φ
t
到bv集内。
[0065]
否则，进行如下更新(软更新)：
[0066][0067][0068][0069][0070][0071]
此时，不添加φ
t
到bv集内。
[0072]
(3)对于有如下的递归更新式:
[0073][0074]
(4)如果进行了扩张更新，则更新后的bv集的向量数n可能会超过预设的阈值此时，通过下面的方法删去额外的基向量：
[0075]
1)对bv集内的所有基向量根据υ
t
的计算公式计算基向量的分数υi；
[0076]
2)按照下列公式删除υi最小的基向量：
[0077][0078][0079][0080]
其中，(-i)代表向量的第i个元素被删去，(-i,
·
)和(
·
，-i)代表矩阵的第i行和第i列被删除。
[0081]
进一步需要说明的是，每预测得到一个时刻下家庭电力负荷的预测均值和预测方差后，采用在线时空学习算法时间前向传播算法、e-prop算法等方法，对神经网络模型中的参数进行在线更新，以最小化该时刻下的真实负荷值与预测均值之间的差异。
[0082]
优选地，采用在线时空学习算法，对神经网络模型中的参数进行在线更新。通过将复杂的更新梯度近似为时间分量和空间分量的乘积，从而将计算机求梯度转化为求解矩阵乘法，大大加快了深度循环神经网络的更新效率。其中，损失函数对于每层参数θ
l
的求导可以近似为：
[0083][0084]
其中，代表梯度中的时间分量，在预测时刻t下家庭电力负荷的预测均值和预测方差的过程中通过计算神经网络模型中每个参数θ的资格迹获取得到；称为学习信号，代表着梯度中的空间分量，对于一个κ层的软脉冲神经网络,任意一层的学习信号可以由以下公式求得：
[0085]
[0086][0087]
其中，代表对外层软脉冲神经网络接收到的学习信号，对于内层的网络，学习信号可由式中所示递归求解。
[0088]
最后，更新软脉冲神经网络的参数：
[0089][0090]
其中，代表学习率。
[0091]
在线应用阶段：
[0092]
s1、对当前待预测时刻t下的负荷特征向量x
t
进行预处理后，输入到神经网络模型中进行非线性映射，得到时刻t下的映射特征φ
t
；其中，时刻t下的负荷特征向量包括：时刻t之前t时间段内的家庭电力负荷值和待预测时刻t的日历变量；
[0093]
具体地，t时刻下的负荷特征向量为：
[0094]
x
t
＝[y
t-t
,y
t-t 1
,
…
,y
t-1
,d,h,m]
[0095]
其中，y
t-1
为t-1时刻下的家庭电力负荷值；d，h，m为日历变量，其中d为t时刻所对应的周内的第几天，取值范围为1到7；h为t时刻所对应的一天内的第几个小时，取值范围为1到24；m为t时刻所对应的小时的第几分钟，取值范围为1到60。
[0096]
需要说明的是，上述神经网络模型可以采用长短期记忆人工神经网络、门控制循环单元人工神经网络，用于对负荷特征向量进行时间序列建模。本发明优选为软脉冲神经网络，与人工神经元网络的单元相比，软脉冲神经网络的单元的生物拟态结构对人类神经元的建模更具有生物现实意义，架构更简单，表征能力和计算效率更高。具体地，软脉冲神经网络的第l层神经元在t时刻的输出为
[0097][0098]
其中，为软脉冲神经网络的第l层神经元在t时刻的内在状态；w
l
为软脉冲神经网络的第l层的权重参数；为软脉冲神经网络的第l-1层神经元在t时刻的输出；d
l
为软脉冲神经网络第l层神经元的膜电位衰减量；为软脉冲神经网络的第l层神经元在t-1时刻的内在状态；为软脉冲神经网络的第l层神经元在t-1时刻的输出；b
l
为软脉冲神经网络的第l层神经元的脉冲阈值；g(
·
)为双曲正切激活函数，h(
·
)为线性激活函数；
⊙
表示hadamard积。
[0099]
为了进行后续的在线时空学习，需要在此阶段同时计算神经网络模型的每个参数θ的资格迹
[0100][0101][0102]
[0103][0104][0105][0106][0107]
其中，和分别代表l层网络参数w资格迹和资格张量；diag将向量转化为对角矩阵。
[0108]
s2、将时刻t下的映射特征输入到稀疏高斯过程回归模型中，从而对时刻t下的家庭电力负荷进行概率预测，得到时刻t下家庭电力负荷的预测均值和预测方差；
[0109]
具体包括：
[0110]
定义基核k0，初始化高斯先验的参数c0，α0；
[0111]
对于时刻t，存在如下高斯后验：
[0112][0113][0114]
对于上式中的和δ，有：
[0115][0116][0117]
其中，代表加到协方差函数上的白噪声的幅值。
[0118]
对于时刻t，代入φ
t
可得该时刻的概率预测结果其中：
[0119][0120][0121]
n代表正态分布，和分别代表预测均值和预测方差。
[0122]
进一步地，在一种可选实施方式下，对负荷特征向量进行预处理的方法，包括：对负荷特征向量中的日历变量进行独热编码；对负荷特征向量归一化处理。
[0123]
例如，对t时刻下负荷特征向量中的日历变量进行独热编码，形成扩展的输入特征向量。独热编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值，然后，每个整数值被表示为二进制向量，将整数索引标记为1，其余都标为0。用d，h，m分别表示d，h，m的独热编码向量，则有：
[0124]
x
t
＝[y
t-t
,y
t-t 1
,
…
,y
t-1
,d,h,m]
[0125]
此时，d为7维的向量，h为24维的向量，m的维度取决于数据分辨率。
[0126]
标准化处理的方式有多种，可以为线性函数归一化、z-score标准化等；本实施方式下采用z-score标准化方法，具体为：
[0127][0128]
其中，μ和σ分别代表训练数据每一维的均值和方差。
[0129]
为了进一步说明本发明所提供的家庭电力负荷概率预测方法，下面结合附图和实施例对本发明做进一步说明。
[0130]
以澳大利亚的ausgrid resident数据集和美国umass smart home数据集为例对本发明的预测模型进行操作说明和效果展示。ausgrid resident数据集以半小时为分辨率记录了澳大利亚配电网中300个居民消费者从2011年开始3年内的智能电表数据。这里我们选用了4个家庭在2013年的用电数据进行实验验证，每个用户的数据量为17520。umass smart home数据集记录了7个家庭从2014年到2016年各电表的用电数据，由于数据的不完整性，我们根据此数据集创建了4个研究场景进行实验验证，详细信息如表1所示。两个数据集的单个场景负荷曲线如图2和图3所示。
[0131]
表1umasssmarthome数据集场景构建信息
[0132][0133]
本实施例中的神经网络模型为软脉冲神经网络(软尖峰神经网络)。
[0134]
实施例步骤如下：
[0135]
实施步骤1：对基于软脉冲神经网络和全连接层(fcn)的确定性预测模型进行离线训练。将步骤一独热编码后的负荷特征向量的h设为12，预测目标设置为下一时间步读取的数据，也就是提前半小时分钟预测半小时后的电表读数。将数据的前80％设置为训练数据，后20％设置为测试数据，并对训练和预测数据采用z-score标准化，计算方式如下：
[0136][0137]
其中，下标train代表对训练集和测试集做归一化时只用训练集的均值和方差。
[0138]
利用归一化后的历史数据进行离线训练。设置软脉冲神经网络的架构为三层，每层64个软尖峰神经元，设置激活函数g和h分别为双曲正切函数和线性函数，设置全连接层的输入维度为64，输出维度为1，设置学习率为0.001，迭代次数为50代，最终误差收敛曲线如图4所示。
[0139]
实施步骤2，继承离线训练的软脉冲神经网络对实时的特征向量进行非线性投影，再输入到稀疏高斯过程产生后验预测分布，完成单步预测。
[0140]
具体地，继承离线训练的软脉冲神经网络，初始化所有高斯过程的参数为一维0向量，定义初始基核k0为高斯核：
[0141][0142]
其中，为高斯核的参数。
[0143]
创建初始特征向量计算软脉冲神经网络非线性映射后的向量同时计算每层参数的资格迹
[0144]
将代入输入到稀疏高斯过程回归模型中，得到t0时刻预测结果：
[0145][0146][0147]
当t0时刻真实负荷被收集到，实施步骤3，开始采用贝叶斯在线学习更新稀疏高斯过程的后验函数。对于计算比较和若大于执行上述扩张更新操作，否则执行上述软更新操作。判断此时bv集内基向量数n是否超出上界若超出，执行上述删除υi最小的基向量的操作。
[0148]
实施步骤4，开始在线时空学习更新软脉冲神经网络。计算每层的学习信号，并更新软脉冲神经网络中每层的参数。
[0149]
第一个时段t0的预测和更新完成。从训练集开始到测试集结束，在每个时段的数据重复步骤2-4，直到获得测试阶段的所有时刻预测值。
[0150]
本发明在两个数据集共八个用户的预测效果如图5和图6所示，其中三个置信区间(confidencelevel,cl)包括99％，90％和80％的预测区间被展示其中。图示表明本发明可以获得有效的预测区间来表征具有高度不确定性的家庭负荷。
[0151]
为了验证本发明的性能，选取三个经典模型作为对比模型：高斯过程(gp)、长短期记忆深度网络(lstm)、最小绝对收缩和选择算法(lasso)；选取两个误差指标量化预测性能：均方根误差(rmse)、平均绝对误差(mae)。本发明和对比算法在两个数据集共八个用户的预测性能如表2和表3所示：
[0152]
表2 ausgrid resident数据集
[0153][0154]
表3 umass smart home数据集
[0155][0156]
总的来说，本发明的预测性能优于三个对比模型。接下来验证离线学习和在线学习对本发明的性能提升作用。构建两个新的对比模型，这里命名为模型1和模型2。对于模型1，离线学习阶段不执行。对于模型2，在测试集上不再执行在线学习。因此，模型1和模型2为本发明的纯在线和纯离线版本。采用相同的实验设置，得到实验结果表4表5所示。
[0157]
表4 ausgrid resident数据集
[0158][0159]
表5 umass smart home数据集
[0160][0161]
表4和表5在两个数据集上分别验证了离线学习和在线学习的效果。本发明在两个数据集共8个用户的性能优于模型1和模型2，验证了离线学习和在线学习都可以进一步提升模型的准确性。
[0162]
综上，本发明提出了一种考虑离线学习和在线学习的家庭负荷概率预测方法。首先，将人工构建的特征向量输入深度软脉冲神经网络进行时间序列建模，再将输出特征输入稀疏高斯过程进行贝叶斯推断并产生后验概率预测函数。针对软脉冲神经网络和高斯过程的更新，本发明构建了离线-在线双模式学习方式：采用梯度下降技术离线训练软脉冲神经网络，采用在线贝叶斯学习和在线时空学习实时更新后验分布和软脉冲神经网络的参数。本方法通过离线学习保障了模型的初始性能，通过在线学习增强了模型的精度和适应性，可以动态地捕获不断变化的消费行为模式,准确而高效地产生家庭负荷的概率预测值，对具有高随机性的时间序列预测研究具有指导意义。
[0163]
第二方面，本发明提供了一种家庭电力负荷概率预测系统，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本发明第一方面所提供的家庭电力负荷概率预测方法。
[0164]
相关技术方案同本发明第一方面所提供的家庭电力负荷概率预测方法，这里不做赘述。
[0165]
第三方面，本发明提供了一种电力系统的负荷调度方法，包括：
[0166]
在每一时刻下，采用本发明第一方面所提供的家庭电力负荷概率预测方法得到电力系统下不同家庭的电力负荷预测均值，聚合不同家庭的电力负荷预测均值得到微电网总负荷预测值，然后，基于所得的微电网用电总负荷的预测值，基于发电成本、网损、碳排量等对象构建目标函数，在满足微电网安全稳定运行的约束下，采用线性规划、启发式优化、强化学习等方法求解最优负荷调度策略，再将求解得到的最优负荷调度策略发送到微电网中，执行微电网的负荷调度。
[0167]
相关技术方案同本发明第一方面所提供的家庭电力负荷概率预测方法，这里不做赘述。
[0168]
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的家庭电力负荷概率预测方法和/或本发明第三方面所提供的电力系统的负荷调度方法。
[0169]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。