1
基于深度学习分位数回归的电力负荷概率性预测方法
余登武 蒲凡诺 秦序胜 秦先鑫 谢若昕 李玲 徐勇
（国网重庆市电力公司万州供电分公司，重庆 万州 404100）
摘要：现有的短期负荷预测方法得到的都是一组确定的负荷预测序列，事实上，电力系统
包含着各种不确定因素，决策工作面临着一定的风险。针对这一问题，本文提出了一种基
于深度学习分位数回归的概率电力负荷预测方法，预测结果能使决策者认识到未来负荷的
不确定性和风险性。首先将输入数据划分成负荷特征部分和天气时间特征部分，分别传入
卷积神经网络和 BP 神经网络训练，再拼接输出传入全连接层构成深度学习模型。然后将
该模型与分位数回归结合起来，并行生成预测负荷的多个分位数结果。算例结果表明该方
法不仅可以获得更高精度，甚至可以获得某一置信水平下的负荷预测曲线的包络线。
关键词：深度学习；分位数回归；负荷概率性预测；卷积神经网络；BP 神经网络
中图分类号：TM73
Power load probabilistic prediction method based on deep learning quantile
regression
Yu Dengwu,PuFanNuo,QinXuSheng,Qin Xianxin,Xie Ruoxin,LiNing,XuYong
(State Grid Chongqing Electric Power Company Wanzhou Power Supply Branch, Chongqing wanzhou 404100, China)
Abstract: The existing short-term load forecasting methods are a set of determined load forecasting
series, in fact, the power system contains various uncertain factors, decision-making work is faced
with certain risks. To solve this problem, this paper proposes a probabilistic power load prediction
method based on deep learning quantile regression, and the prediction results can make decision
makers realize the uncertainty and risk of future load. Firstly, input data were divided into load
feature part and weather time feature part, which were fed into convolutional neural network and BP
neural network training respectively, and then the output was fed into the full connection layer to
form a deep learning model. Then the model is combined with quantile regression to generate
multiple quantile results of load prediction in parallel. Example results show that this method can not
only get higher accuracy, but also get the envelope of load prediction curve at a certain confidence
level.
Key words: Deep learning; Quantile regression; Probabilistic load prediction; Convolutional neural
network; BP neural network
0 引言
短期负荷预测对电力系统的安全经济
运行具有重要意义。传统的电力负荷预测
能得到的是一组确定的负荷预测序列，难
以满足电力市场下市场成员全面分析市场
风险的需要。如果能够得到预测误差的概
率分布和预测结果，可以帮助企业做出更
好的管理决策；根据概率分布结果，发电
公司也可以更好地在市场中占据主动地位
[1-4]
。因此，研究概率负荷预测具有重要意
义。目前，许多学者对概率负荷预测做了
大量的研究。鉴于传统的点负荷预测不能
考虑天气预测的影响，文献[5]提出了一种
利用高斯核密度估计将点负荷预测转化为
概率负荷预测的方法。在文献[6]中，首先
使用核密度估计方法将单个分位数预测转
化为概率密度曲线，然后建立优化问题以
获得不同概率密度预测的加权组合，提出
了一种基于多分位数预测的日负荷概率密
度预测方法。文献[7]提出了大规模用户场
- 1
- 2
- 3
前往页