基于气候分类和深度学习的短期负荷概率预测.pdfVIP

摘要

随着碳达峰、碳中和目标的提出，电力系统中新能源的并网比例不断攀升，同

时伴随着新能源出力的不确定性、间歇性影响，将进一步加大源荷两侧的不确定性，

地区电网负荷预测的难度在逐步上升。这对于精细化的负荷预测来说，提出了新的

挑战。准确的负荷预测对维持电网安全稳定，保证电能产销平衡有着重要的意义。

概率预测相比点预测不仅在宏观层面上提供更多的信息，也能度量具体某一时刻的

概率分布。因此，为了改善当前负荷预测精度低且难以度量负荷不确定性的问题，

本文以山西某地区为研究对象，开展对短期负荷预测的研究。

针对负荷数据体量大、随机性强造成预测困难的问题，结合山西某地区电力负

荷实测数据以及相关因素，开展了负荷特性分析，并根据负荷特点对数据进行预处

理。预处理过程先对非数字型因素进行编码、异常数据进行处理，其次对数据集进

行归一化，最后经过相关性分析剔除风速、风向这两种相关性较低的因素，将负荷、

温度、湿度、气压、日期类型、天气类型作为预测模型的输入特征。经过数据的预

处理，提高了数据质量、精简了数据规模，为后文负荷预测提供真实可靠的数据来

源。

针对单一神经网络模型预测精度提升困难的问题，在数据预处理的基础上，考

虑负荷数据的季节差异性、非线性以及时序性，搭建了基于气候分类和TCNA-

LSTM神经网络的负荷点预测模型，气候分类算法通过对负荷相关程度最高的两类

因素进行空间尺度的聚类和时间尺度的分段，实现了负荷数据集的重新归类。该方

法能够有效减少预测过程中训练数据集的规模，并保证了每一分段时间上的连续性。

在TCNA-LSTM网络中先由TCN路径挖掘高维特征信息并通过注意力机制增加重

要特征的权重，其次通过LSTM路径进一步挖掘时间序列特征，然后对特征进行融

合实现预测。最后在两种场景下进行实验对比，结果表明，气候分类对预测结果有

着较为明显的提高，同时本文模型相比于其他模型拥有更高的预测精度。

针对点预测难以对负荷的不确定性进行评估的问题，在负荷点预测研究的基础

上，搭建了基于气候分类、TCNA-LSTM神经网络和分位数回归的负荷概率预测模

型。该方法将神经网络的推断能力与分位数回归的概率预测功能相结合，同时得到

预测时刻不同分位点对应的分位数预测结果，通过核密度估计获得概率密度预测结

果。最后采用概率预测评价指标与不同模型进行实验对比，结果表明本文模型在概

率预测性能上更加可靠，精度更高。

关键词：气候分类；时间卷积神经网络；长短期记忆神经网络；概率预测

ABSTRACT

Withtheproposalofthegoalofcarbonpeakingandcarbonneutrality,thegrid-

connectedproportionofnewenergyinthepowersystemcontinuestorise.Meanwhile,the

uncertaintyandintermittentinfluenceofnewenergyoutputwillfurtherincreasethe

uncertaintyonbothsidesofthesourceandload,andthedifficultyofregionalpowergrid

loadpredictionisgraduallyincreasing.Thispresentsanewchallengeforrefinedload

forecasting.Accurateloadforecastingisofgreatsignificancetomaintainthesafetyand

stabilityofpowergridandensurethebalanceofpowerproductionandmarketing.

Comparedwithpointprediction,probabilisticp