基于MCQRDDC的负荷概率预测模型_丁美荣.pdf

基于 MCQRDDC 的负荷概率预测模型丁美荣1,张航1,2,蔡高琰2,李宇轩1,温兴1,严彬彬1,曾碧卿11(华南师范大学软件学院,佛山528225)2(广东浩迪创新科技有限公司,佛山528299)通信作者:张航,E-mail:摘要:针对具有约束性的复合分位数回归网络(monotonecompositequantileregressionneuralnetwork,MCQRNN)无法较好地分析负荷数据之中的时序信息和内在规律的问题,本研究融合 MCQRNN 以及膨胀因果卷积网络(dilatedcausalconvolutionalnetworks,DCC),提出了一种新的分位数回归模型 MCQRDCC(monotonecompositequantileregressiondilatedcausalconvolutionalnetworks),该模型将输入划分为分位点输入与非约束输入,使该模型的输出随分位点的增大而增大,以此解决分位数交叉的问题.同时,使用 DCC 的结构,使该模型充分地分析负荷数据之中的序列信息,使得预测结果更加符合真实负荷的变化趋势.此外,MCQRNN 使用指数函数对约束权重矩阵和隐藏层权重进行转化,会影响反向传播时权重的调整,本研究使用 ReLU 函数代替指数函数可以解决这个问题,以此提高预测的精度.使用真实的负荷数据进行实验,实验结果表明,MCQRDCC 能有效地提高预测精度,相较于MCQRNN,其平均 Pinball 损失和 CWC 分别下降 2.11%和 9.31%,AIS 提升了 10.51%.关键词:负荷概率预测;分位数回归;分位数交叉;膨胀因果卷积网络;MCQRNN引用格式:丁美荣,张航,蔡高琰,李宇轩,温兴,严彬彬,曾碧卿.基于 MCQRDDC 的负荷概率预测模型.计算机系统应用,2023,32(2):281287.http:/www.c-s- Load Forecasting Model Based on MCQRDDCDINGMei-Rong1,ZHANGHang1,2,CAIGao-Yan2,LIYu-Xuan1,WENXing1,YANBin-Bin1,ZENGBi-Qing11(SchoolofSoftware,SouthChinaNormalUniversity,Foshan528225,China)2(HodiTechnologyCo.Ltd.,Foshan528299,China)Abstract:Monotonecompositequantileregressionneuralnetwork(MCQRNN)cannotanalyzethetimeseriesinformationandinternallawsinloaddatawell.Inordertoaddressthisissue,thisstudycombinesMCQRNNanddilatedcausalconvolutionalnetworks(DCC)andproposesanewquantileregressionmodelnamed,MCQRDCC.Thismodeldividestheinputintoquantileinputandunconstrainedinputtomaketheoutputofthemodelincreasewiththeincreaseinquantile,soastosolvetheproblemofquantilecrossing.Atthesametime,theDCCstructureisusedtohelpthemodelfullyanalyzethesequenceinformationintheloaddataandmakethepredictionresultsmoreinlinewiththechangingtrendoftherealload.Inaddition,MCQRNNutilizestheexponentialfunctiontotransformtheconstraintweightmatrixandthehiddenlayerweight,whichwillaffecttheweightadjustmentduringbackpropagation.Inthisstudy,theReLUfunctionisusedinsteadoftheexponentialfunctiontosolvethisproblemandimprovethepredictionaccuracy,andrealloaddataisadoptedforexperiments.TheexperimentalresultsshowthatMCQRDCCcaneffectivelyimprovepredictionaccuracy.ComparedwiththoseofMCQRNN,theaveragePinballlossandCWCofMCQRDCCaredecreasedby2.11%and9.31%,respectively,andAISisincreasedby10.51%.Key words:probabilisticloadforecasting;quantileregression;quantilecrossover;dilatedcausalconvolutionalnetworks(DCC);monotonecompositequantileregressionneuralnetwork(MCQRNN)计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(2):281287doi:10.15888/ki.csa.008941http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041收稿时间:2022-06-22;修改时间:2022-07-25;采用时间:2022-08-15;csa 在线出版时间:2022-10-28CNKI 网络首发时间:2022-11-16SoftwareTechniqueAlgorithm软件技术算法281电力负荷预测是依据历史负荷信息以及相应的外部影响因素(如当地的天气状况和温度等),对未来一段时间内负荷需求进行预判13,其对维持智能电网经济、安全以及稳定运行具有重大意义4,5.近年来,伴随着“碳中和”的全面推进以及智能电网的全面建设,分布式电网逐渐在各地开始部署,各种清洁能源(风能、光伏)也开始以微电网的方式接入电网之中6,这极大地提高了负荷的不确定性.由于确定性预测的方法难以分析和处理这种不确定性,而概率负荷预测能够捕获更多关于未来负荷不确定的信息,可以帮助决策层更全面地分析电力系统中潜在的风险7,8,所以概率预测成为现今研究的热点领域5.目前,负荷概率预测大致可以分为区间预测9、概率密度预测10和分位数预测5,7,8.如 Li 等人9提出一种基于 ForecastNet 的区间预测模型;Afrasiabi 等人10提出了一种基于深度混合网络直接预测负荷的概率密度函数.但是不论原始分布是何种类型,分位数回归皆能解释随机变量之间的关系5,11,因此备受关注.如Yang 等人11为有效地分析负荷之中的不确定性,提出了一种联合高斯过程的分位数回归方法.因为分位数回归是基于线性回归的,难以直接分析具有非线性和较强复杂性的数据,为了提高模型的非线性映射能力,研究者们开始将机器学习与分位数回归相结合.如 He 等人12为提高模型的非线性映射能力,提出了一种基于支持向量机的分位数回归模型;He 等人13提出了一种基于变分模态分解(variationalmodaldecomposition,VMD)分解的分位数回归树模型;Lin 等人14将深度学习与分位数回归相结合,提出了一种基于双阶段注意力机制长短时记忆网络(longandshort-termmemorynetwork,LSTM)分位数回归模型用于负荷概率预测.尽管基于机器学习和分位数回归的预测模型在解决非线性映射问题方面具备显著的优越性,但上述模型也都存在一个比较明显的亟待解决的问题,即分位数交叉问题,当样本空间有限时,会存在不同分位点下的回归曲线交叉的现象,这违背了分位数回归的基本原理,即随着分位点增大,其相应的回归值就越大15.为解决这个问题,Chen 等人16利用时间卷积网络(temporalconvolutionalnetwork,TCN)同时对所有的分位点进行估计,并构造了一种新的损失函数来防止分位数交叉,这在一定程度上可以缓解分位数交叉,但是无法从根本上解决这个问题;Huang 等人17是首先使用卷积神经网络(convolutionalneuralnetwork,CNN)进行确定性负荷预测,然后使用线性规划的方式进行分位数预测,并将分位数交叉的问题作为线性规划的约束.这种方式可以很好地解决分位数交叉的问题,但是随着训练数据的增加,线性规划的约束也会增加,导致线性规划的规模逐渐增大,从而使得该线性规划问题难以解决;Cannon18提出了一种具有单调性的神经网络 MCQRNN,其利用单调性可以保证高分位点的回归值一定大于低分位点的回归值,既保证了问题的可解性,也解决了分位数交叉问题,但是 MCQRNN 是基于多层感知机,无法进一步地分析负荷中的序列信息和其内在规律性.为了解决上述问题,本研究融合了可以提取时序信息的因果卷积网络以及 MCQRNN,提出了一种既可以防止分位数交叉,又能充分分析数据之中的时序信息的分位数回归网络,即具有约束性的复合膨胀因果卷积网络(MCQRDCC).为了验证 MCQRDCC 的有效性,本研究选取了德国巴登符腾堡州的真实负荷数据进行了实验,实验结果表明 MCQRDCC 不仅仅能有效地防止分位数交叉,还能充分分析负荷之中的时序信息和内在规律,准确地预测负荷变化的趋势,提高负荷概率预测的精度.1理论基础 1.1 膨胀因果卷积网络因果卷积网络(causalconvolutionalnetworks,CCN)是一种用于时序分析的卷积网络19,20,它相较于LSTM 等循环神经网络,CCN 没有循环机制,能够并行运行,所以它具备较快的训练速度20.CCN 中的各层之间存在因果关系,即当前层第 i 个神经元的值(Fi)只与上一层第 i 个神经元之前的值(xij)存在联系19,20,其公式如式(1)所示:Fi=K1j=0Wk jxij(1)其中,K 为卷积核的大小,Wk为卷积核的权重矩阵.然而,当输入的时序长度过长时,需要堆叠多层网络来扩大神经网络的感受野,但这会导致网络过深而难以训练的问题.为解决上述问题,膨胀因果卷积引入膨胀机制来扩大每一层网络的感受野,以此减少网络的深度19,20,其公式如式(2)所示:计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第2期282软件技术算法SoftwareTechniqueAlgorithmFi=K1j=0Wk jxijd(2)其中,d 为膨胀因子.1.2 分位数回归分位数回归即分析输入变量与预测值的条件分位数之间的关系,分位数线性回归的模型如式(3)所示:Y=X()(3)其中,为分位点(01),Y为 分位点下的预测回归值,X 是输入变量,表示影响预测值的各种因素()为参数向量5,该向量的求解可转化为如下优化问题5:min(Y X()(4)其中,(x)=max(x,(1)x)(5)1.3 MCQRNNMCQRNN 是由 Cannon18融合 MMLP(monotonemulti-layerperceptron)21和 CQRNN(compositequantileregressionneuralnetwork)22提出的一种用于防止分位数交叉的神经网络15,18.MCQRNN 将输入分为约束输入与非约束输入,当非约束输入不变,约束输入增大时,其输出随之增