基于VaR和集成神经网络分位数回归的短期负荷概率预测

陈 腾; 阮 舟; 郑志敏

doi:10.3969/j.issn.1009-1831.2023.06.010

欢迎来到能源电力期刊网！

您当前的位置：

首页 >

文章列表页 >

基于VaR和集成神经网络分位数回归的短期负荷概率预测

能效与负荷管理 | 更新时间：2026-03-05

- 基于VaR和集成神经网络分位数回归的短期负荷概率预测
- Short-term load probability forecasting based on VaR and integrated neural network quantile regression
- 电力需求侧管理 2023年25卷第6期
- 作者机构：
  
  1. 国网浙江省电力有限公司杭州供电公司,杭州,310000
  2. 浙大宁波理工学院信息科学与工程学院,浙江,宁波,315000
- 作者简介：
- 基金信息：
  
  国网杭州供电公司输变电工程项目（1611HZ1900YJ）
- DOI：10.3969/j.issn.1009-1831.2023.06.010
  中图分类号：
- 纸质出版：2023
- 稿件说明：
移动端阅览
陈腾, 阮舟, 郑志敏. 基于VaR和集成神经网络分位数回归的短期负荷概率预测[J]. 电力需求侧管理, 2023,25(6).

陈腾, 阮舟, 郑志敏. Short-term load probability forecasting based on VaR and integrated neural network quantile regression[J]. 2023, 25(6).
陈腾, 阮舟, 郑志敏. 基于VaR和集成神经网络分位数回归的短期负荷概率预测[J]. 电力需求侧管理, 2023,25(6). DOI： 10.3969/j.issn.1009-1831.2023.06.010.

陈腾, 阮舟, 郑志敏. Short-term load probability forecasting based on VaR and integrated neural network quantile regression[J]. 2023, 25(6). DOI： 10.3969/j.issn.1009-1831.2023.06.010.

摘要

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先

利用相关性分析选取合适的天气变量和历史负荷。其次

通过Copula模型计算出风险阈值

该值被用于构造峰值二进制指示输入特征。接着

将所选特征集输入到卷积双向长短期神经网络预测模型

引入注意力机制给予数据不同关注。然后

采用核密度估计对负荷进行概率预测。最后

使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明

该模型具有更高的预测精度。

Abstract

Short-term load forecasting plays an important role in power system planning and operation. A hybrid short-term load probability density forecasting method based on convolutional bi-directional long short-term memory quantile regression blending attention mechanism is proposed. Firstly

the weather variables and historical loads are selected by using relevant mechanisms.Next

the Copula model is used to calculate the risk threshold

which is used to construct the peak binary indicator input characteristics. Then

the selected feature sets are input into the convolutional bi-directional long short-term memory quantile regression blending attention mechanism prediction model. Then

kernel density estimation is used to fit the load probabilistic prediction. Finally

the prediction performance is evaluated using the mean absolute percentage error and root mean square error. The simulation results show that proposed model has higher prediction accuracy.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于CNN-Attention-BiLSTM的碳化硅企业负荷预测与可调节潜力分析

基于并行混合神经网络的95598工单情感分析

基于VMD-SSA-BiLSTM的多维时序电力负荷预测

基于并联时序卷积神经网络的电力负荷短期预测

自适应多场景的单用户柔性负控效果评价算法