一种基于iMICN的非等距单调复合分位数回归的概率预测方法

本发明涉及短期电力负荷概率预测，具体涉及一种基于imicn的非等距单调复合分位数回归的概率预测方法。

背景技术：

1、提高短期电力负荷预测的精度和可靠性有利于发电厂和电力公司根据电力用户和电力市场的需求来获取最佳的发电量,对于实施节能减排、实现“双碳“目标都具有重要意义。在智能电网的高效管理和节能运行中,短期负荷预测仍然是不可或缺的一部分。与此同时,随着分布式能源发电系统的渗透率不断增加,智能电网发展和需求管理对未来的影响已经成为了电力系统管理面临的主要问题。所以,在全球能源系统安全的需求下,短期负荷预测精度和可靠性的提升是使得其迅速发展的必然要求。除此之外,经济调度也是电力系统的一个重点方向,它决定了电厂的运行计划和机组组合,在经济调度方面也需要短期电力负荷预测的支撑。

2、目前存在的负荷预测方法可归结为两大类:确定性负荷预测和不确定性负荷预测。其中确定性负荷预测又称之为点预测,不确定性负荷预测称之为概率预测又可分为区间预测(pi)和概率密度预测(pdf)。传统的点预测是对未来电力负荷的确定性估计,但是由于外界因素的突变会引起负荷产生难以预测的波动并且预测的结果和实际负荷也会存在着误差,所以点预测难以获得精确的待预测负荷值。与点预测不同,概率预测由于其捕捉未来需求不确定性的优越性而受到广泛关注,已经成为了负荷预测研究的热点。

3、在过去几十年里，概率预测绝大部分方法都是利用上下限估计(lube)和分位数回归(qr)预测区间和概率密度函数。这些方法具有分位数曲线交叉的问题。为了解决这种问题，有人提出使用单调复合分位数回归(mcqrnn)的方法。然而，这种方法的条件分位数等距递增，预测的区间覆盖率较低，无法获得高质量的区间和概率密度曲线。

4、概率预测的质量也取决于对历史数据的特征提取能力，这方面可以借助于点预测的模型。近年来深度学习模型被广泛应用在时间序列预测领域，有误差反向传播神经网络(bp)、卷积神经网络(cnn)、循环神经网络(rnn)、长短期记忆网络(lstm)、transformer等。bp对于初始权重过于敏感，不利于模型训练。cnn有很好的局部特征提取能力，但是忽略了时间序列的递归性。rnn、lstm由于链式求导反向传播，所以存在着梯度消失或爆炸的问题。transformer在计算机视觉、语音识别等领域表现卓越，但其时空复杂度较高，具有内存瓶颈。随之而来的是各种transformer的变体，如reformer、informer、pyraformer等，这些都是使用稀疏注意力降低复杂度，但是没有考虑到时间序列的多分量性。autoformer、fedformer也是transformer的变体，不同的是，它们使用季节-趋势的方法将时间序列分解成了季节分量和趋势分量，针对各分量的不同特点选择建模的方式是不同。micn没有局限于使用注意力机制，用多尺度等距卷积的方式提取到了时间序列中的局部特征和全局相关性。micn在时间序列中表现卓越，不过没能捕捉到复杂季节分量中的周期性和长期依赖性。

技术实现思路

1、本发明的目的是为了针对现有技术所存在的问题，提供一种基于imicn的非等距单调复合分位数回归的短期电力负荷概率预测方法，通过假设概率密度曲线为高斯分布，推导出了分位数增量公式的非等距形式，使得预测的条件分位数更加精确，近而获得高质量的区间和概率密度曲线，并将这种方法称作非等距单调复合分位数回归；时间二维变分模型(timesnet)将时间序列转换到二维空间，从二维的角度深度捕捉时间序列周期内和周期间的变化，可以有效的提取micn中的季节分量的周期性特征，双向长短期记忆网络(bilstm)通过前向和后向的双向传播方式，可以强化micn长距离依赖关系的提取；本发明结合micn、timesnet、bilstm的优势，设计了imicn深度学习模型大幅提高了预测精度，在不降低覆盖概率的情况下减小了预测区间宽度，再结合非等距单调复合分位数回归，在短期负荷概率预测中表现卓越。

2、为了实现上述目的，本发明采用如下技术方案。

3、一种基于imicn的非等距单调复合分位数回归的概率预测方法，包括以下步骤：

4、步骤s1、使用皮尔逊分析法对原始数据集进行特征筛选并作数据预处理，包括特征归一化和独热编码；

5、步骤s2、对筛选和预处理后的数据集进行划分，并将每次输入的数据量变为小批量；

6、步骤s3、使用imicn模型进行训练，得到高精度的中值，再使用非等距单调复合分位数回归预测条件分位数；

7、步骤s4、通过adam算法，根据弹球损失函数进行反向传播训练模型参数，根据验证集的损失值判断模型参数的训练效果；

8、步骤s5、将训练好的网络模型应用于测试集，得到最终的概率预测结果，并通过评价指标对预测结果进行评价。

9、具体的，步骤s1中所述皮尔逊分析法的公式为：

10、

11、采用max-min方式对原始数据特征进行归一化，将其转换到[0,1]区间中，时间序列输入记为x＝[x1,x2,x3,…,xn]，所述归一化公式为：

12、

13、所述独热编码指将影响短期负荷预测的因素进行编码后作为特征输入，包括星期、季节和节日。

14、具体的，步骤s2中所述对筛选和预处理后的数据集进行划分，所述数据集按照8：1：1的比例划分为训练集、测试集和验证集；所述将每次输入的数据量变为小批量，所述批量batch size设置为1024。

15、具体的，步骤s3所述使用非等距单调复合分位数回归预测条件分位数，具体为：

16、首先通过对原始序列进行多尺度混合分解mhdomp，获得季节分量和趋势分量，然后对复杂的季节分量进行深度的特征提取，对简单的趋势分量进行简单的线性回归处理，最后再将两种处理后的分量相叠加，以提取出不同分量的隐藏信息。

17、进一步地，所述对原始序列进行多尺度混合分解mhdomp，通过采用多种尺度的卷积核对序列进行全局平均池化分解出季节分量和趋势分量，所得分量分别经过timesnet模块、多尺度等距卷积mic模块和bilstm模块处理；

18、所述timesnet模块用于将一维时间序列转换到二维空间，进而将同相位的时间点对齐，对同相位的时间点进行建模处理，从而提取多周期间的相关性；

19、所述多尺度等距卷积mic模块通过关注不同位置的特征子空间以更加全面地识别特征信息，首先使用不同大小的卷积核用全局平均池化的方式进行季节-趋势分解，并将趋势分量定义为噪声，不对其作任何处理反将其舍弃，然后对每个卷积核分解出的季节分量的局部特征和全局相关性进行提取；

20、所述bilstm模块通过时间顺序的链式法则强化micn捕捉长期依赖关系的能力。

21、具体的，所述通过评价指标对预测结果进行评价，通过从点预测、区间预测和概率密度预测三个评价指标对预测结果进行综合评价，具体为：

22、点预测评价指标：平均绝对误差mae、均方根误差rmse、平均绝对百分比误差mape以及决定系数r2；

23、

24、

25、

26、

27、区间预测评价指标：区间覆盖概率picp、区间归一化平均宽度pinaw、基于覆盖宽度的准则cwc；

28、

29、

30、

31、概率密度评价指标：crpso；

32、

33、

34、与现有技术相比，本发明具有以下有益效果：

35、本发明为提高短期电力负荷概率预测的可靠性，提出了基于imicn的非等距单调复合分位数回归的概率预测方法，在micn的基础上融入timesnet、ffn、bilstm等模块。通过引入timesnet模块，将原本的一维时间序列转换到二维空间，将同相位时间点对齐，采用二维卷积深度挖掘周期内和周期间的信息，实现了不同时间跨度下的分段周期交互，将季节分量中潜藏的多周期性提取出来；在原本的micn的卷积中缺少非线性的拟合模块，难以拟合时间序列中的非线性。引入了ffn模块可以提高micn的性能；融入bilstm模块，强化了micn捕捉长期依赖关系的能力；同时使用非等距分位数增量公式改进单调复合分位数回归，大幅度提高了覆盖概率，获得高质量的预测区间和概率密度曲线；本发明结合micn、timesnet、bilstm的优势，设计了imicn深度学习模型大幅提高了预测精度，在不降低覆盖概率的情况下减小了预测区间宽度，再结合非等距单调复合分位数回归，在短期负荷概率预测中表现卓越。