面向工业用户的有功无功多元联合概率预测方法及系统

1.本发明属于有功无功多元联合概率预测技术领域，具体地而言为一种面向工业用户的有功无功多元联合概率预测方法及系统。


背景技术：

2.相比于工业用户负荷预测，电力系统总负荷受许多外部因素的影响，如气温、时间、人口、经济、地理条件等，而工业负荷则主要由企业的生产经营活动决定，受上述因素的影响较小。
3.大多数负荷预测文件都在处理高压下的天气响应负荷，而工业负荷预测则很少。由于许多工厂和工厂的电力消耗很大，因此他们强烈希望改善能源管理。从单个设备级别到工厂级别的准确短期工业负荷预测可能对工厂及其负荷服务实体都有利。
4.无功功率预测对于管理工厂和工厂的能源系统至关重要。然而，科学界对工业负荷预测的关注很少，而对无功功率的预测则更少。很少研究开发工厂短期无功功率预测系统的挑战。工业负荷可能取决于许多因素，例如计划的过程和工作班次，这在传统的负荷预测模型中并不常见或不必要。而且，无功功率的特性与有功功率有很大的不同，因此经典负荷预测模型中的一些常用变量可能对预测无功功率变得毫无意义。
5.负荷预测应用中的术语“负荷”通常是指有功功率(以kw为单位)或能量(以kwh为单位)。很少有论文致力于无功功率预测。许多重要的操作都依赖于对无功功率的正确理解，例如volt/var优化，电能质量改善，频率控制和稳态潮流分析。因此，准确的无功功率预测对于电力工程师来说是必不可少的，以便深入了解未来的无功功率曲线并在输配电水平上提高电网的卓越运营水平。
6.近年来，智能电网的实际实施和能源市场的开放推动了对准确无功功率预测的额外需求。在智能电网框架中，分布式能源的日前和小时前调度中需要无功功率预测，以确保符合网络约束。为了追求科学调度，在总级别和单个负荷级别都需要这些预测，其中讨论了无功功率对解决应用于智能电网和微电网的最佳功率流的影响。电力市场也涉及无功功率预测。在许多国家，电力市场只能应付固定时间间隔内的有功功率交易。然而，需要无功功率预测来测试传输系统运营商从发电厂到负荷的能源路径的技术可行性，如果违反技术约束，运营商将重新配置市场资产。此外，预计无功功率预测将在不久的将来成为无功市场的基本输入。
7.传统无功功率预测的方法是将有功功率预测值乘以与平均功率因数相关的系数，或者是单纯依靠系统操作员经验的方法。有研究文献提出了人工神经网络来预测住宅建筑物和变电站的无功功率。在概率框架中还提出了神经网络来预测散装供应客车的无功功率。利用另一种基于有功和无功之间的线性和分段线性关系的方法来建立无功功率的回归模型。takagi-sugeno模糊方法应用于有功和无功功率的超短期预测。
8.解决了短期工业无功功率预测(stlf)的新问题，工业负荷预测和无功功率预测之间的重叠区域。由于在模型构建中必须考虑不同且不均匀的输入，因此该问题并非无关紧
要。24/7全天候运行的工厂可能与仅在工作日运行的工厂具有不同的无功功率曲线。手动控制的机器可能具有与熔炉或自动化机器不同的无功功率曲线。另外，无功功率可能或多或少地对消耗的有功功率或电源电压敏感。它可能会或可能不会响应天气。即使在同一工厂内，设备级别的负荷也可能彼此不同。因此，在建立准确的无功功率预测模型之前，必须确定并调查特定的日历，天气和电气变量。
9.电力需求受随机特征的影响，使输配电网络的管理复杂化。精确的负荷概率预测的可用性是许多电力系统任务的关键，这些任务最好通过考虑需求和相关负荷的不确定性的基于风险的优化程序得以解决。随着负荷的增大，概率预测对于电力系统的运行也越来越重要，因此，为大用户开发特定的预测系统是有必要的。工业工厂就很有必要：例如，意大利一年消耗的总电能的40％以上被输送到工业系统。由于大量的消耗，大型企业和大型工业工厂可能会从直接参与电力市场和改善他们的能源管理中得到实质性的益处。随着多个制造过程可能会被移除或转移，工业微电网可能会在大型工厂里实现，从而更好的利用分布式能源。因此，提高工业公用事业的预测精度可能会对整个电力系统的运行和管理以及设备的所有者产生积极的影响。
10.传统关于概率负荷预测的研究主要集中在参数预测模型的发展上。近年来，关于概率负荷预测的文献有了很大的发展，研究的重点也转向了非参数建模。相关的概率负荷预测系统是基于分位数回归模型(qr)和分位数回归均值、分位数回归森林(qrfs)(也在最优组合框架中)、或梯度提升模型。这些模型已广泛应用于变电站或智能电表节点；然而，当目标负荷是工业工厂的需求时，预测系统的准确性可能会下降。这是由于影响工业需求的特定特征、工业负荷分布的特定季节模式以及环境温度对预测工业负荷的重要性相对较小。提高工业负荷预测准确性的唯一方法是开发专门的考虑到所有这些具体特征的预测系统。


技术实现要素：

11.本发明所要解决的技术问题在于提供一种面向工业用户的有功无功多元联合概率预测方法，解决预测系统的准确性下降的问题。
12.本发明是这样实现的，一种面向工业用户的有功无功多元联合概率预测方法，该方法包括：
13.将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；
14.将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；
15.将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。
16.进一步地，有功功率的单个预测分位数和无功功率的单个预测分位数通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成。
17.进一步地，分位数回归森林模型qrf预测分位数在时间范围h的损失函数pl为:
18.pl
h(αl)
＝[p
h-p
h^(α
l
)
]
·
[αl-1{ph≤ph
^(αl)
}]
[0019]
如果括号中指定的条件为真，函数1{〃}等于1；如果括号中指定的条件为假，函数1{〃}等于0。
[0020]
进一步地，所述分位数回归森林模型qrf中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。
[0021]
进一步地，单变量分位数回归模型uqr用于预测目标时段h的有功功率预测分位数p和无功功率预测分位数q，通用目标变量的预测分位数为:
[0022][0023]
其中是模型系数的向量，通过最小化对应的训练期间的损失函数pl来估计。
[0024]
进一步地，所述多元分位数回归模型在分位数回归森林模型qrf时间范围h的损失函数pl扩展到二元目标变量y，分位数回归森林模型qrf的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型qrf的参数向量变成参数大小增加的向量
[0025]
包含有功和无功功率的预测αl分位数的向量为：
[0026][0027]
式中：x
h(αl)
为以下2
×
2矩阵:
[0028][0029]
包含j个二元目标变量的j个预测变量的行向量x
h(pq)
和j个零的行向量01×j，矩阵x
h(αl)
对于所有考虑的分位数是相同的；
[0030]
是多元分位数回归模型αl分位数估计系数的2j
×
1向量；
[0031][0032]
参数是通过最小化训练期间的损失函数pl来估计。
[0033]
进一步地，参数是通过最小化训练期间的损失函数pl来估计包括：
[0034]
定义一个指数o＝h-k+1，让p＝{po-m,po-(m-1),
…
,po-1}
[0035]
和q＝{qo-m,qo-(m-1),
…
,qo-1}的过去可用有功和无功的列向量，得到：
[0036][0037]
为有功功率和无功功率的mth残差，
[0038]
为无功功率的mth残差。
[0039]
进一步地，根据参数采用线性规划形式求解有功、无功功率l分位数:
[0040][0041]
式中2l
×
2j〃l矩阵xh为:
[0042][0043]
是一个2j〃l
×
1的系数向量:
[0044][0045]
以及0n×n是一个n
×
n的0矩阵；
[0046]
是以下约束线性规划问题解的子集:
[0047]
[0048][0049][0050]c·
b≤0
2(l-1)
·m×1[0051]
式中[p]
l
×1和[q]
l
×1是向量p和q复制l次；
[0052][0053][0054]
[0055][0056][0057][0058]
在这些方程中，1n×n是一个由1组成的n
×
n矩阵，in×n是n
×
n单位矩阵。
[0059]
进一步地，所述电压数据选择电压瞬时幅值的平均值。
[0060]
进一步地，所述多元分位数回归模型采用固定源窗口和滚动窗口的两种mqr训练方式。
[0061]
本发明另一方面还提供一种面向工业用户的有功无功多元联合概率预测系统，
[0062]
概率有功功率预测单元，将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，得到有功功率的单个预测分位数；
[0063]
概率无功功率预测单元，将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，得到无功功率的单个预测分位数；
[0064]
多元分位数回归单元，将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，得到有功功率预测分位数和无功功率预测分位数。
[0065]
进一步地，所述概率有功功率预测单元以及概率无功功率预测单元通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成有功功率的单个预测分位数和无功功率的单个预测分位数。
[0066]
进一步地，分位数回归森林模型qrf预测分位数在时间范围h的损失函数pl为:
[0067]
pl
h(αl)
＝[p
h-p
h^(αl)
]
·
[αl-1{ph≤ph
^(αl)
}]
[0068]
如果括号中指定的条件为真，函数1{〃}等于1；如果括号中指定的条件为假，函数1{〃}等于0。
[0069]
进一步地，所述分位数回归森林模型qrf中每棵树的根到每棵树的叶子的每条路
径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。
[0070]
进一步地，单变量分位数回归模型uqr用于预测目标时段h的有功功率预测分位数p和无功功率预测分位数q，通用目标变量的预测分位数为:
[0071][0072]
其中是模型系数的向量，通过最小化对应的训练期间的损失函数pl来估计。
[0073]
进一步地，所述多元分位数回归模型在分位数回归森林模型qrf时间范围h的损失函数pl扩展到二元目标变量y，分位数回归森林模型qrf的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型qrf的参数向量变成参数大小增加的向量
[0074]
包含有功和无功功率的预测αl分位数的向量为：
[0075][0076]
式中：x
h(αl)
为以下2
×
2矩阵:
[0077][0078]
包含j个二元目标变量的j个预测变量的行向量x
h(pq)
和j个零的行向量01×j，矩阵x
h(αl)
对于所有考虑的分位数是相同的；
[0079]
是多元分位数回归模型αl分位数估计系数的2j
×
1向量；
[0080][0081]
参数是通过最小化训练期间的损失函数pl来估计。
[0082]
进一步地，参数是通过最小化训练期间的损失函数pl来估计包括：
[0083]
定义一个指数o＝h-k+1，让p＝{po-m,po-(m-1),
…
,po-1}
[0084]
和q＝{qo-m,qo-(m-1),
…
,qo-1}的过去可用有功和无功的列向量，得到：
[0085]
[0086]
为有功功率和无功功率的mth残差，
[0087]
为无功功率的mth残差。
[0088]
进一步地，根据参数采用线性规划形式求解有功、无功功率l分位数:
[0089][0090]
式中2l
×
2j〃l矩阵xh为:
[0091][0092]
是一个2j〃l
×
1的系数向量:
[0093][0094]
以及0n×n是一个n
×
n的0矩阵；
[0095]
是以下约束线性规划问题解的子集:
[0096][0097][0098][0099]c·
b≤0
2(l-1)
·m×1[0100]
式中[p]
l
×1和[q]
l
×1是向量p和q复制l次；
[0101][0102][0103][0104]
[0105][0106][0107]
在这些方程中，1n×n是一个由1组成的n
×
n矩阵，in×n是n
×
n单位矩阵。
[0108]
本发明与现有技术相比，有益效果在于：
[0109]
本发明首次提出基于多元方法拟合有功功率和无功功率之间的物理相互关系，量化外源电力预测影响因子和工业行业运行特征的有效性；
[0110]
本发明基于单个预测的多元分位数回归模型mqr改进，本发明首次提出了一种新型多变量工业有功和无功预测方法；其中，有功功率和无功功率的单变量预测分位数分别由分位数回归森林qrf和单变量分位数回归模型uqr建立。这些预测因子被传递到mqr模型，该模型以预测分位数的形式返回有功和无功的多元预测，mqr模型同时处理两个目标变量。
[0111]
本发明提出了线性规划形式下mqr参数估计的具体求解方法；考虑不同的分位数数量级，通过求解不等式约束避免分位数交叉的线性规划问题来估计mqr参数。
附图说明
[0112]
图1为本发明实施例提供的方法流程图；
[0113]
图2为本发明实施例提供的多元预测系统使用的滚动窗口(a)和固定原点窗口(b)时间轴。
具体实施方式
[0114]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0115]
参见图1所示，一种面向工业用户的有功无功多元联合概率预测方法，该方法包括：
[0116]
将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；
[0117]
将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；
[0118]
将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。
[0119]
在本发明中有功功率的单个预测分位数和无功功率的单个预测分位数通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成，分位数回归森林模型qrf和单变量分位数回归模型uqr可基于确定性工业负荷点预测结果。在输入预测因子的选择方面，与输电系统中大量供应节点的负荷或商业和住宅建筑的负荷相比，工业负荷通常对环境温度的敏感性较低，向模型中添加温度因素可能会导致预测准确性下降。工业负荷的具体行业特点或许可以被利用预测有功和无功功率。其中，本发明通过捕捉有功功率和无功功率之间的相互关系，功率变量可以提高建模准确性。
[0120]
本方法预测因子在单独分位数回归森林模型qrf和单变量分位数回归模型uqr中选择原则为：
[0121]
1)当以无功功率为目标时，选择有功功率作为预测因子，反之亦然。
[0122]
2)选择相关电压瞬时幅值的平均值，为有功和无功功率提供预测信息。
[0123]
3)随着电力市场的灵活推广，工业用户逐渐参与到电力市场，通过需求响应和辅助服务降低生产成本，因此，电价逐渐成为工业用户的敏感影响因素，因此，本方法选择电价数据作为预测的输入量。
[0124]
4)选择日历效应变量数据是因为它们是负荷预测研究中常用的预测因子。工业负荷时间序列往往具有季节性和异方差。利用一天中的小时(hod)、一天的类型(tod)和这个月的一天(dom)的虚拟日历效应变量来解释这些特征，允许根据日季节性、周季节性和月季节性分别进行不同的预测。变量dom在负荷预测研究中并不常见，本方法用它来建模可按月安排的维护计划、供应周期和生产周期。
[0125]
日历效应变量与其他预测因子的相互作用可以根据具有相同日程相似性的数据来区分模型参数的估计。这样可以对负荷模式进行详细的描述。本方法所有负荷分布属于不同的工作机制，也以相同的方式处理它们。
[0126]
由分位数回归森林模型qrf和单变量分位数回归模型uqr得到的单个预测分位数联合输入到多元分位数回归模型mqr中，多元分位数回归模型mqr的预测因子是分位数回归森林模型qrf和单变量分位数回归模型uqr得到的单个预测分位数，以及日历效应变量。日历效应变量和其他预测因子之间的相互作用能够在预测系统的基础和多变量水平上捕捉负荷用电模式的季节性特征。
[0127]
本发明提出的多元分位数回归模型mqr中，多变量目标变量定义为r
l2
(有功功率l预测分位数和无功功率l预测分位数)，因此它不是一个简单的双变量目标变量(有功功率和无功功率)。
[0128]
由于有功功率和无功功率是相互关联的，并由多元方法综合建模；其次，随着新的观测数据出现，多元分位数回归模型mqr可以进行动态重估，继而提高多元方法最终预测的准确性。
[0129]
在多元方法中，单个概率模型只在固定的训练数据库上训练一次，而多元分位数回归模型mqr参数在新的观测数据可用时，可以不断地重新估计。在本发明中，70％的可用数据用于训练单个概率模型，15％用于训练mqr模型，15％用于测试所本发明提的多元方法
的准确性。可根据具体情况选择不同的占比。多元分位数回归模型mqr参数估计采用线性规划算法求解，其收敛周期比预测周期短得多。为了研究确定多元分位数回归模型mqr训练数据的不同数据占比过程，给出了基于滚动窗口的多元分位数回归模型mqr训练方案和基于固定原点窗口的多元分位数回归模型mqr训练方案。
[0130]
本发明使用两个分位数回归森林模型qrf(分别表示为qrf
(p)
和qrf
(q)
)分别预测目标时段h的有功功率p和无功功率q。分位数回归森林模型qrf从组成森林的t回归树集合中构建预测分位数。为了增加多样性，森林中的每棵树都是独立生长的。
[0131]
用于训练分位数回归森林模型qrf的数据包括n个目标变量(即qrf
(p)
的有功功率p和qrf
(q)
的无功功率q)的过去观测值，以及对应的n个预测向量(构成矩阵x
(p)
和x
(q)
)。矩阵x
(p)
和x
(q)
的预测分别qrf
(p)
和qrf
(q)
由滞后有功功率(如p
h-k
,p
h-k-1
,
…
,p
h-24
,p
h-168
),滞后无功功率(如q
h-k
,q
h-k-1
,
…
,q
h-24
,q
h-168
),滞后电压(如v
h-k
,v
h-k-1
,
…
,v
h-24
,v
h-168
)和日历效应变量(hodh,todh和domh)。本发明中滞后变量允许对变量之间的时间依赖性建模。这些数据被分成t个数据子集，每个子集用于训练森林中的一棵树。参见图2(a)和(b)数据覆盖了中单变量模型训练数据组条所对应的时期。
[0132]
在训练分位数回归森林模型qrf后，预测因子x
h(p)
和预测因子x
h(q)
(可在预测原点h-k处使用，但与目标时间范围h相关)，每棵树的根到每棵树的叶子的每条路径都是不同的。预测分位数被构建为包含这些叶子的结果的加权平均值(即，目标变量过去值的子集)。
[0133]
分位数回归森林模型qrf的超参数和最佳预测因子配置在10倍交叉验证中进行优化，选择平均pingball损失函数pl最小的配置。损失函数pl的定义只针对有功功率。本发明首次定义有功和无功联合预测α
l
分位数ph^
(αl)
在时间范围h的损失函数pl为:
[0134]
pl
h(αl)
＝[p
h-ph^
(αl)
]
·
[αl-1{ph≤ph^
(αl)
}]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
[0135]
如果括号中指定的条件为真，函数1{〃}等于1；如果括号中指定的条件为假，函数1{〃}等于0。
[0136]
本发明提出的两个单变量分位数回归模型uqr(表示为uqr
(p)
和uqr
(q)
)，区别于传统的只预测有功功率，分别用于预测目标时段h的有功功率p和无功功率q。单变量分位数回归模型uqr允许估计预测分位数作为预测因子的线性组合。通用目标变量z(即有功功率p或无功功率q)的预测αl分位数为:
[0137][0138]
其中是模型系数的向量，通过最小化图2中红色条形图所对应的训练期间的pl来估计。
[0139]
本发明提出的pl最小化问题通过线性规划形式制定和解决。用于训练单变量分位数回归模型uqr的数据包括n个目标变量(即uqr
(p)
的有功功率p和uqr
(q)
的无功功率q)的过去观测值，以及对应的n个预测向量(构成矩阵x
(p)
和x
(q)
)。矩阵x
(p)
和x
(q)
的预测分别uqr
(p)
和uqr
(q)
由滞后有功功率(如p
h-k
,p
h-k-1
,
…
,p
h-24
,p
h-168
),滞后无功功率(如q
h-k
,q
h-k-1
,
…
,q
h-24
,q
h-168
),滞后电压(如v
h-k
,v
h-k-1
,
…
,v
h-24
,v
h-168
)和日历效应变量(hodh,todh和domh)。
[0140]
本发明提出的单变量分位数回归在实际应用中可以在10倍交叉验证中优化最佳预测因子结构，选择平均pl最小的结构。
[0141]
本发明提出的多元分位数回归模型mqr是单变量分位数回归模型uqr对多个目标
变量的改进。它是本发明针对h时段有功功率和无功功率的情况专门制定的。将公式(1)扩展到二元目标变量y，公式(1)中uqr的预测向量x
h(z)
变成了预测向量x
h(αl)
，而公式(1)中uqr的参数向量变成了参数大小增加的向量
[0142]
包含有功和无功公功率的预测αl分位数的向量为：
[0143][0144]
式中：x
h(αl)
为以下2
×
2矩阵:
[0145][0146]
包含j个二元目标变量(由qrf或uqr提供的有功和无功单变量预测，以及日历效应变量hodh、todh和domh)的j个预测变量的行向量x
h(pq)
和j个零的行向量01×j。矩阵x
h(αl)
对于所有考虑的分位数(即)是相同的，以避免模型选择过程中不必要的麻烦；
[0147]
是mqr模型αl分位数估计系数的2j
×
1向量:
[0148][0149]
参数是通过最小化图2中绿色条所对应的训练期间的损失函数pl来估计的。训练数据由有功功率和无功功率的m观测值组成,直到预测原点h-k。如果mqr模型在滚动窗口方案下训练，m是一个常数，而如果mqr模型在固定原点窗口方案下训练，m随时间增加。
[0150]
为了简化分析公式，定义了一个指数o＝h-k+1。让p＝{p
o-m
,p
o-(m-1)
,
…
,p
o-1
}和q＝{q
o-m
,q
o-(m-1)
,
…
,q
o-1
}的过去可用有功和无功的列向量(注意，每个向量包含m值，直到预测原点h-k)。公式(4)中的参数是通过求解以下优化问题来估计的，其目的是最小化训练数据上的pl:
[0151][0152]
式中对于公式(5)中的估计值，以及：
[0153][0154][0155]
分别为有功功率和无功功率的m
th
残差，即m
th
实测值与模型给出的相应值的差值。
[0156]
在本发明中，多元分位数回归模型mqr被扩展为同时处理两个目标变量的多个分位数。在mqr参数估计过程中，分位数在训练期间被限制为非递减顺序。这并不能保证测试期间的预测分位数也是按非递减顺序排列的，但是，通过对预测分位数进行排序，可以减少对结果进行后处理的依赖。
[0157]
本发明中mqr参数估计采用线性规划形式求解有功、无功功率l分位数:
[0158][0159]
式中2l
×
2j〃l矩阵xh为:
[0160][0161]
是一个2j〃l
×
1的系数向量:
[0162][0163]
以及0n×n是一个n
×
n的0矩阵。
[0164]
将使用以前用于表示单分位数mqr的相同表示法。p,q和o的含义与前面解释的相同，x
(pq)
是过去预测因子(由基础概率模型提供的有功和无功的单变量预测，以及日历效应变量)的m
×
j矩阵:
[0165][0166]
公式(11)中的参数是以下约束线性规划问题解的子集:
[0167][0168][0169][0170]c·
b≤0
2(l-1)
·m×1[0171]
式中[p]
l
×1和[q]
l
×1是向量p和q复制l次
[0172][0173]
[0174][0175][0176][0177][0178]
在这些方程中，1n×n是一个由1组成的n
×
n矩阵，in×n是n
×
n单位矩阵。增加(13)中的最后一行约束，以避免训练期间分位数交叉。
[0179]
另一实施例中，还提供一种实现预测方法的一种面向工业用户的有功无功多元联合概率预测系统，包括，
[0180]
概率有功功率预测单元，将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，得到有功功率的单个预测分位数；
[0181]
概率无功功率预测单元，将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，得到无功功率的单个预测分位数；
[0182]
多元分位数回归单元，将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，得到有功功率预测分位数和无功
功率预测分位数。
[0183]
其中，概率有功功率预测单元以及概率无功功率预测单元通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成有功功率的单个预测分位数和无功功率的单个预测分位数。
[0184]
进一步地，所述概率有功功率预测单元以及概率无功功率预测单元通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成有功功率的单个预测分位数和无功功率的单个预测分位数。
[0185]
进一步地，分位数回归森林模型qrf预测分位数在时间范围h的损失函数pl为:
[0186]
pl
h(αl)
＝[p
h-p
h^(αl)
]
·
[αl-1{ph≤ph
^(αl)
}]
[0187]
如果括号中指定的条件为真，函数1{〃}等于1；如果括号中指定的条件为假，函数1{〃}等于0。
[0188]
进一步地，所述分位数回归森林模型qrf中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。
[0189]
进一步地，单变量分位数回归模型uqr用于预测目标时段h的有功功率预测分位数p和无功功率预测分位数q，通用目标变量的预测分位数为:
[0190][0191]
其中是模型系数的向量，通过最小化对应的训练期间的损失函数pl来估计。
[0192]
进一步地，所述多元分位数回归模型在分位数回归森林模型qrf时间范围h的损失函数pl扩展到二元目标变量y，分位数回归森林模型qrf的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型qrf的参数向量变成参数大小增加的向量
[0193]
包含有功和无功功率的预测αl分位数的向量为：
[0194][0195]
式中：x
h(αl)
为以下2
×
2矩阵:
[0196][0197]
包含j个二元目标变量的j个预测变量的行向量x
h(pq)
和j个零的行向量01×j，矩阵x
h(αl)
对于所有考虑的分位数是相同的；
[0198]
是多元分位数回归模型αl分位数估计系数的2j
×
1向量；
[0199][0200]
参数是通过最小化训练期间的损失函数pl来估计。
[0201]
进一步地，参数是通过最小化训练期间的损失函数pl来估计包括：
[0202]
定义一个指数o＝h-k+1，让p＝{po-m,po-(m-1),
…
,po-1}
[0203]
和q＝{qo-m,qo-(m-1),
…
,qo-1}的过去可用有功和无功的列向量，得到：
[0204][0205]
为有功功率和无功功率的mth残差，
[0206]
为无功功率的mth残差。
[0207]
进一步地，根据参数采用线性规划形式求解有功、无功功率l分位数:
[0208][0209]
式中2l
×
2j〃l矩阵xh为:
[0210]
[0211]
是一个2j〃l
×
1的系数向量:
[0212][0213]
以及0n×n是一个n
×
n的0矩阵；
[0214]
是以下约束线性规划问题解的子集:
[0215][0216][0217][0218]c·
b≤0
2(l-1)
·m×1[0219]
式中[p]
l
×1和[q]
l
×1是向量p和q复制l次；
[0220][0221]
[0222][0223][0224][0225][0226]
在这些方程中，1n×n是一个由1组成的n
×
n矩阵，in×n是n
×
n单位矩阵。
[0227]
本发明首次将分位数回归森林(qrf)和单变量分位数回归模型(uqr)应用于概率工业有功和无功预测，提出基于多元方法拟合有功功率和无功功率之间的物理相互关系，量化外源电力预测影响因子和工业行业运行特征的有效性；其次，基于单个预测的mqr改进，本发明提出了一种新型多变量工业有功和无功预测方法；其中，有功功率和无功功率的单变量预测分位数分别由qrf和uqr建立。这些预测因子被传递到多元分位数回归模型(mqr模型)，该模型以预测分位数的形式返回有功和无功的多元预测，mqr模型同时处理两个目标变量。再次，本发明提出了线性规划形式下mqr参数估计的具体求解方法；考虑不同的分位数数量级，通过求解不等式约束避免分位数交叉的线性规划问题来估计mqr参数。最后，给出了基于固定源窗口和滚动窗口的两种mqr训练方案。
[0228]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0229]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0230]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0231]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0232]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种面向工业用户的有功无功多元联合概率预测方法，其特征在于，该方法包括：将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。2.按照权利要求1所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，有功功率的单个预测分位数和无功功率的单个预测分位数通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成。3.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，分位数回归森林模型qrf预测分位数在时间范围h的损失函数pl为:pl
h(αl)
＝[p
h-p
h^(αl)
]
·
[αl-1{p
h
≤ph
^(αl)
}]如果括号中指定的条件为真，函数1{
·
}等于1；如果括号中指定的条件为假，函数1{
·
}等于0。4.按照权利要求3所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，所述分位数回归森林模型qrf中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。5.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，单变量分位数回归模型uqr用于预测目标时段h的有功功率预测分位数p和无功功率预测分位数q，通用目标变量的预测分位数为:其中是模型系数的向量，通过最小化对应的训练期间的损失函数pl来估计。6.按照权利要求2所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，所述多元分位数回归模型在分位数回归森林模型qrf时间范围h的损失函数pl扩展到二元目标变量y，分位数回归森林模型qrf的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型qrf的参数向量变成参数大小增加的向量包含有功和无功功率的预测αl分位数的向量为：式中：x
h(αl)
为以下2
×
2矩阵:包含j个二元目标变量的j个预测变量的行向量x
h(pq)
和j个零的行向量01×
j
，矩阵x
h(αl)
对于所有考虑的分位数是相同的；
是多元分位数回归模型αl分位数估计系数的2j
×
1向量；参数是通过最小化训练期间的损失函数pl来估计。7.按照权利要求6所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，参数是通过最小化训练期间的损失函数pl来估计包括：定义一个指数o＝h-k+1，让p＝{po-m,po-(m-1),
…
,po-1}和q＝{qo-m,qo-(m-1),
…
,qo-1}的过去可用有功和无功的列向量，得到：得到：为有功功率和无功功率的mth残差，为无功功率的mth残差。8.按照权利要求6所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，根据参数采用线性规划形式求解有功、无功功率l分位数:式中2l
×
2j
·
l矩阵x
h
为:
是一个2j
·
l
×
1的系数向量:以及0
n
×
n
是一个n
×
n的0矩阵；是以下约束线性规划问题解的子集:的子集:的子集:c
·
b≤0
2(l-1)
·
m
×1式中[p]
l
×1和[q]
l
×1是向量p和q复制l次；
在这些方程中，1
n
×
n
是一个由1组成的n
×
n矩阵，i
n
×
n
是n
×
n单位矩阵。9.一种面向工业用户的有功无功多元联合概率预测系统，其特征在于，该系统包括：概率有功功率预测单元，将有功功率数据作为目标变量，电价数据、电压数据、日历效
应变量数据以及有功功率数据作为第一预测因子，得到有功功率的单个预测分位数；概率无功功率预测单元，将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，得到无功功率的单个预测分位数；多元分位数回归单元，将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，得到有功功率预测分位数和无功功率预测分位数。10.按照权利要求9所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，所述概率有功功率预测单元以及概率无功功率预测单元通过分位数回归森林模型qrf和单变量分位数回归模型uqr交替生成有功功率的单个预测分位数和无功功率的单个预测分位数。11.按照权利要求10所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，分位数回归森林模型qrf预测分位数在时间范围h的损失函数pl为:pl
h(αl)
＝[p
h-p
h^(αl)
]
·
[αl-1{p
h
≤ph
^(αl)
}]如果括号中指定的条件为真，函数1{
·
}等于1；如果括号中指定的条件为假，函数1{
·
}等于0。12.按照权利要求11所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，所述分位数回归森林模型qrf中每棵树的根到每棵树的叶子的每条路径都是不同的，预测分位数被构建为包含这些叶子的结果的加权平均值。13.按照权利要求10所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，单变量分位数回归模型uqr用于预测目标时段h的有功功率预测分位数p和无功功率预测分位数q，通用目标变量的预测分位数为:其中是模型系数的向量，通过最小化对应的训练期间的损失函数pl来估计。14.按照权利要求10所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，所述多元分位数回归模型在分位数回归森林模型qrf时间范围h的损失函数pl扩展到二元目标变量y，分位数回归森林模型qrf的预测向量x
h(z)
变成预测向量x
h(αl)
，分位数回归森林模型qrf的参数向量变成参数大小增加的向量包含有功和无功功率的预测αl分位数的向量为：式中：x
h(αl)
为以下2
×
2矩阵:包含j个二元目标变量的j个预测变量的行向量x
h(pq)
和j个零的行向量01×
j
，矩阵x
h(αl)
对于所有考虑的分位数是相同的；是多元分位数回归模型αl分位数估计系数的2j
×
1向量；
参数是通过最小化训练期间的损失函数pl来估计。15.按照权利要求14所述的面向工业用户的有功无功多元联合概率预测系统，其特征在于，参数是通过最小化训练期间的损失函数pl来估计包括：定义一个指数o＝h-k+1，让p＝{po-m,po-(m-1),
…
,po-1}和q＝{qo-m,qo-(m-1),
…
,qo-1}的过去可用有功和无功的列向量，得到：得到：为有功功率和无功功率的mth残差，为无功功率的mth残差。16.按照权利要求14所述的面向工业用户的有功无功多元联合概率预测方法，其特征在于，根据参数采用线性规划形式求解有功、无功功率l分位数:式中2l
×
2j
·
l矩阵x
h
为:
是一个2j
·
l
×
1的系数向量:以及0
n
×
n
是一个n
×
n的0矩阵；是以下约束线性规划问题解的子集:的子集:的子集:c
·
b≤0
2(l-1)
·
m
×1式中[p]
l
×1和[q]
l
×1是向量p和q复制l次；
在这些方程中，1
n
×
n
是一个由1组成的n
×
n矩阵，i
n
×
n
是n
×
n单位矩阵。

技术总结
本发明属于多元联合概率预测领域，为一种面向工业用户的有功无功多元联合概率预测方法及系统，包括：将有功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率有功功率预测模型得到有功功率的单个预测分位数；将无功功率数据作为目标变量，电价数据、电压数据、日历效应变量数据以及有功功率数据作为第一预测因子，通过概率无功功率预测模型得到无功功率的单个预测分位数；将有功功率预测分位数与无功功率预测分位数作为第二预测因子，将有功功率数据和无功功率数据作为目标变量，采用多元分位数回归模型得到有功功率预测分位数和无功功率预测分位数。解决预测系统的准确性下降的问题。性下降的问题。性下降的问题。


技术研发人员：王冠夫 唐俊刺 乔路丽 刘广利 刘盛琳 宋丽 周军 姜枫 冯占稳 蔡壮 崔嘉 李子涵 李昊禹 谢易澎 赵笑东 高涤非 张垒
受保护的技术使用者：国网辽宁省电力有限公司 国家电网有限公司 沈阳工业大学
技术研发日：2022.10.14
技术公布日：2023/7/22