采用面積灰關(guān)聯(lián)決策的高斯過程回歸概率短期負(fù)荷預(yù)測

黃南天, 齊 斌, 劉座銘, 蔡國偉, 邢恩愷

(1. 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點實驗室(東北電力大學(xué)), 吉林省吉林市 132012; 2. 國網(wǎng)吉林省電力有限公司電力科學(xué)研究院, 吉林省長春市 130021)

0 引言

短期負(fù)荷預(yù)測是電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟(jì)運行的重要保障[1]。短期負(fù)荷具有不確定性、隨機(jī)性等特點[2],確定性預(yù)測結(jié)果無法反映負(fù)荷變化的可靠波動范圍[3]。因此,須研究概率短期負(fù)荷預(yù)測方法,以概率預(yù)測結(jié)果度量負(fù)荷變化不確定性,作為電力系統(tǒng)決策的依據(jù)[4]。

現(xiàn)有概率短期負(fù)荷預(yù)測方法根據(jù)預(yù)測結(jié)果形式分為區(qū)間預(yù)測與概率密度預(yù)測[5]。區(qū)間預(yù)測方法主要有預(yù)測誤差分布特性統(tǒng)計法[4,6]、上下限估計法[7]、分位數(shù)回歸平均法[8]、概率式預(yù)測法[9-10]等。其中,預(yù)測誤差分布特性統(tǒng)計法對歷史負(fù)荷數(shù)據(jù)需求大,專家劃分負(fù)荷統(tǒng)計區(qū)段主觀性強(qiáng)。概率密度預(yù)測研究多集中于基于分位數(shù)回歸的概率密度預(yù)測法[11-12],預(yù)測模型耗時隨模型結(jié)構(gòu)復(fù)雜度增加明顯上升[12]。

概率式預(yù)測法中,高斯過程回歸(Gaussian process regression,GPR)方法參數(shù)少,自適應(yīng)確定超參數(shù),非參數(shù)推斷靈活[13]。相較預(yù)測誤差分布特性統(tǒng)計法,預(yù)測結(jié)果有概率意義[14],無須統(tǒng)計歷史預(yù)測誤差;相較基于分位數(shù)回歸的概率密度預(yù)測法,無須對每一分位點建模,模型結(jié)構(gòu)更簡單。協(xié)方差函數(shù)是構(gòu)建GPR預(yù)測模型的關(guān)鍵[15],為選擇合適的協(xié)方差函數(shù),構(gòu)建最優(yōu)GPR模型,須采用確定性與概率性評價指標(biāo)評價模型概率預(yù)測效果[10,16]。但不同指標(biāo)各有側(cè)重,概率負(fù)荷預(yù)測多指標(biāo)評價時,易存在指標(biāo)間結(jié)論相互沖突的問題:最優(yōu)確定性、概率性指標(biāo)不統(tǒng)一于同一模型[10,12],或覆蓋率與區(qū)間寬度等概率性指標(biāo)間相互矛盾[5,17]。……