一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法

技术领域

本发明属于短期电力负荷预测技术领域，涉及一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法。

背景技术

随着人民生活水平的提高、工业化的加速和人口的增长，对电力的需求也在不断增加。这不可避免地增加了电力系统运行的复杂性和不确定性。然而，电网的稳定运行是基于在所有时间尺度上的供需平衡。因此，准确的需求预测已成为电力系统管理中不可或缺的任务。准确估计未来的电力负荷变化对电网的决策和运行，以及电力公司和用户都具有重要意义。准确的负荷预测不仅为社会和人民提供了经济、可靠、可持续的电能，而且为电力市场投资规划提供有效的决策依据。短期电力负荷预测通常是指数小时或数周范围内的电力负荷预测。它是电力系统管理中的一项重要任务，涉及电力系统的维护计划、运行和规划。因此，准确、稳定的短期电力负荷预测可以大大降低电网公司的运营成本，帮助和提醒调度员确保电力系统的安全运行。

由于可再生能源在电力结构中的波动性和不稳定性，其对电网稳定性的影响越来越显著。掌握未来电力需求的趋势，实现电力供需平衡也越来越困难。电力负荷预测领域已经开展了各种新的研究，目前有大量的短期电力负荷预测模型。这些模型主要分为传统的预测方法和现在预测技术两大类，分别是基于统计建模和人工智能提出的。

传统的统计预测方法包括时间序列分析和回归分析，ARMA和ARIMA方法都需要将原始数据转换为平稳时间序列。此外，ARMA和ARIMA方法只处理线性序列分析，而不适用于功率负荷数据中的非线性序列。随着SVR模型在负荷预测中的成熟应用，它可以解决复杂的非线性回归问题，在小样本问题上具有优势，但是难以适应大规模样本。随着人工智能的发展，机器学习方法出现，以神经网络预测技术为主。然而，机器学习方法也存在一些缺点，即难以处理缺失的数据，也很容易出现过拟合的问题。无论是传统的预测模型还是现代神经网络预测模型，都是产生确定的点预测值，每次输出一个值。由于负荷受气候变化和季节因素等的影响具有不确定性以及波动性，因此，点预测方法不能提供良好的预测性能，需要建立一个稳定的电力负荷预测模型。电力负荷数据本质上是一个随机的、非线性的序列，它包含很多不确定的影响因素。因此，需要概率预测或区间预测来提供更多关于预测可能偏差的信息。

发明内容

有鉴于此，本发明的目的在于提供一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法，针对不同区间的预测误差进行抽样，将区间预测通过统计量转换为区间预测，从而实现区间预测的构造，并实现对短期电力负荷进行准确的预测。

为达到上述目的，本发明提供如下技术方案：

一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法，具体包括以下步骤：

S1：对采集到的原始负荷时间序列数据采用滑动窗口法进行预处理，建立短期电力负荷数据集，并将数据集按7：3的比例分为训练集和测试集；

S2：建立ELM-AdaBoost模型，输入预处理后的数据集，获得确定点的预测值；

S3：将测试集根据确定的间隔分为不同的区间段，并计算每个区间段内的预测误差，将数据量较小的相邻区间段进行合并；

S4：对每个区间内的误差数据进行Bootstrap抽样，得到不同置信度下，不同区间段内误差的置信区间；

S5：确定观测值所属的区间段，构建关于预测误差的统计量，将误差的置信区间转换为预测值的预测区间，从而实现了电力负荷的区间预测。

进一步，步骤S1中，采用滑动窗口法对采集到的原始负荷时间序列数据进行预处理，将时间序列数据转换为矩阵数据，建立短期电力负荷数据集。

进一步，步骤S2中，建立的ELM-AdaBoost模型是以极限学习机(Extreme LearningMachine,ELM)为基础回归模型，通过AdaBoost算法训练得到T个弱预测器，对其赋予相应的权重，组合成一个强预测器

进一步，步骤S4中，不同区间段内误差的置信区间EI＝(EI

本发明的有益效果在于：

(1)本发明采用滑动窗口法对时间序列数据进行预处理，以确保数据能够适应模型的正常训练。

(2)本发明采用非参数Bootstrap抽样方法对预测误差序列进行统计分析，构造区间预测，提高预测精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法的流程图；

图2为本实例中澳大利亚昆士兰州短期电力负荷区间预测结果。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1，本发明设计的基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法，对采集到的原始负荷时间序列数据进行预处理，将时间序列数据通过滑动窗口法转换为矩阵数据，建立短期电力负荷数据集；使用ELM-AdaBoost模型对电力负荷数据进行点预测，得到每一时刻的点预测值；通过Bootstrap误差抽样方法对不同区间的误差进行抽样，建立区间预测方法对未来三天的负荷曲线进行区间预测，具体包括以下步骤：

步骤1：对采集到的数据进行预处理时，以窗口宽为4进行滑动，如图2所示，通过实施更新，将时间序列数据x＝(x

其中，

Y＝[Y

步骤2：以ELM为基础回归模型，通过AdaBoost算法训练得到T个弱预测器，对其赋予相应的权重，组合成一个强预测器

步骤3：对测试集进行等间隔划分，并计算每个区间段内的预测误差，将数据量较小的相邻区间段进行合并；

步骤4：对每个区间内的误差数据进行Bootstrap抽样，得到不同置信度下，不同区间段内误差的置信区间EI＝(EI

步骤5：确定观测值所属的区间段，构建关于预测误差的统计量，将误差的置信区间转换为预测值的预测区间，从而实现了电力负荷的区间预测。

表1本实施例中最终区间划分的结果表

表2本发明预测模型与现有预测模型的实施效果比较

由表2可知，ELM-AdaBoost模型的预测效果最好，FICP平均值为66.32％，分别比BP模型、ELM模型和BP-AdaBoost模型的平均FICP高1.16％、2.89％、4.05％；MWFI平均值为1.07％；相对于其他几个模型变化不是很大。BP-AdaBoost模型的预测效果最差，FICP和MWFI值的平均值分别为62.27％和1.10％。

上述结果表明，采用ELM-AdaBoost作为点预测模型和非参数Bootstrap采样的区间预测方法可以为电力系统提供更准确的预测结果，不仅使电力管理更加方便，而且使电网运行安排更加合理。采用ELM-AdaBoost模型作为点预测模型，不同置信水平下的区间预测结果如图2所示。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。