基于BiGRU-Copula的多重不确定性变量的概率区间预测方法.docxVIP

基于BiGRU-Copula的多重不确定性变量的概率区间预测方法 摘要：有效的概率预测方法有助于提升电网企业调度运行的经济性、可靠性。提出了一种基于BiGRU-Copula的多重不确定性变量的概率区间预测方法。首先引入深度学习方法，建立基于BiGRU的区间概率预测模型；然后建立针对多重不确定性因素概率特性采样的Copula模型；通过采样得到不同预测场景。基于真实历史数据设计仿真算例，结果表明：BiGRU适用于时序型序列的概率预测，基于Copula函数的采样方法能够更好地捕捉多元时变分布的统计信息，所提方法的预测结果更贴近真实情况。 电力系统的市场化发展加剧了发电侧和售电侧的竞争。随着能源系统低碳发展理念的深入，可再生能源发电的发展潜力也日益显现，一般以风能、光伏发电为主然而，预测模型难免存在误差，这些误差源自解释性变量中的噪声（例如，天气条件的混乱性质）以及模型的错误建立。传统的预测方法一般为确定性点预测方法，即预测变量的平均值。文献目前已有诸如鲁棒、区间和机会约束优化框架等技术，通过区间形式的概率预测来处理这些不确定性。文献但是，现有的概率区间预测方法仍然存在两个突出的缺陷有待进一步改进：1）传统的区间概率预测方法无法挖掘到风力发电、光伏发电、负荷等时间序列连续时间步之间的相互依赖关系，其预测精度存在进一步提升的空间；2）传统的区间概率预测方法没有考虑到多重不确定性因素交织背景下的变量相关性问题，造成预测精度受限。鉴于此，本文提出了一种基于BiGRU-Copula的多重不确定性变量的概率区间预测方法。首先引入双向门限循环单元（bidirection gated recurrent unit,BiGRU）对多重不确定性因素进行区间概率预测，然后建立Copula模型对不确定性变量进行抽样，以便生成符合多重分布的预测场景。基于真实数据的仿真算例表明，将门限循环单元（gated recurrent unit,GRU）网络与数据的双向处理相结合形成的BiGRU结构能够有效学习到时序数据前、后时间步数据间隐藏的相关性，其预测精度更高；基于Copula的多元预测分布采样能够有效处理多重不确定性因素间的相关性，其结果更贴近于实际。1 BiGRU网络模型1.1 BiGRU网络的基本结构近年来，随着计算机计算能力的提升，在拥有大量可用历史数据的情况下，数据驱动方法的预测性能优于现有的物理模型。其原因在于，数据驱动方法不依赖于预定义的复杂数学模型，而是试图通过自我学习能力来挖掘输入和输出间的隐藏信息，尤其是在处理复杂的非线性时间序列问题时，其优势更加明显研究表明作为RNN的一种改进型，LSTM有效解决了RNN训练过程中出现的梯度消失的问题其数学模型如下所示：式中：·表示矩阵元素相乘；*表示矩阵乘法；[]表示将向量拼接；WGRU网络可以看作是GRU神经元被无限复制并加以一定的连接方式形成的。以GRU为基本网络单元构建的GRU网络结构示意图如图2所示。由图2的网络结构可以看出：GRU网络中，信息的传输是由前向后单向传递，GRU网络可以记忆之前的信息，并利用之前的信息影响后面时刻的输出。GRU网络对于每一个时刻的输入结合当前模型的状态给出一个输出。传统GRU网络中信息的传输由前向后单向传的，然而某些实际问题中，当前时刻的输出不仅和之前的状态有关，也与之后的状态有关。双向GRU网络就是解决此类问题的有效模型。BiGRU是由单向的、方向相反的、输出由这两个GRU共同决定的由GRU神经元组成的神经网络模型。BiGRU网络结构示意图如图3所示。由图3可以看出：BiGRU网络是由两个单向GRU网络叠加形成。每一时刻，输入信息会同时提供给这两个方向相反的GRU网络，而输出则是由两个单向GRU网络共同决定。因此，从理论上来看，基于BiGRU网络的深度学习模型能够有效拟合时序强相关的问题。1.2 BiGRU网络模型的训练方式BiGRU网络模型训练的目的是在自我学习过程中使用历史数据集来修正模型参数，同时量化与预测相关的不确定性因素，以达到最大化预测的能力。即，寻找BiGRU网络模型中各神经元的最优权值和偏置，从而确定第i个区间预测范围的输出y概率区间预测结果是给出因变量的概率分布。一般来说，其概率分布可以通过建立参数化模型或非参数模型获得。本文分别建立参数、非参数两种训练模型并对其性能进行对比。1.2.1 参数模型为获得输出的概率分布，首先定义预测误差的统计参数模型，对不确定性分布进行假设，再利用BiGRU网络预测特定分布的参数（例如均值，方差，偏度，峰度等）。然后利用最大似然估计L（θ）通过训练BiGRU网络来调整网络参数，BiGRU网络的损失函数E本文采用高斯似然函数L式