买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：电子科技大学;国网四川省电力公司电力科学研究院

摘要：本发明公开了一种基于Transformer网络和高斯过程残差建模学习的概率净负荷预测方法，首先，Transformer网络利用丰富的历史数据，获得净负载预测结构并对电力系统净负荷进行初步预测；在此基础上，利用高斯过程残差建模学习方法对Transformer网络的预测误差进行建模，通过残差高斯过程回归的后验模型获得Transformer网络的概率预测误差，并修正Transformer网络的预测结果，该方法能够结合神经网络和高斯过程方法的优点，从而获得准确的概率预测结果。

主权项：1.一种基于神经网络和高斯回归模型的电力系统净负荷预测方法，其特征在于，包括以下步骤：1、采集电力系统历史数据；采集电力系统在历史S+1个时刻的净负荷Y＝{y1,y2,…,yS+1}，以及与净负荷相关的变量Θ＝{θ1,θ2,…,θS+1}，其中，yS+1为电力系统在历史S+1时刻的净负荷，θS+1表示第S时刻预测第S+1时刻净负荷的相关变量组合；利用上述历史数据分别构建训练数据集以及测试数据集2、训练Transformer网络净负荷预测模型；2.1、设置训练的最大迭代次数，初始化Transformer网络净负荷预测模型g·的参数；2.2、从训练数据集中随机选取一组数据输入至Transformer网络净负荷预测模型，从而预测出当前时刻的净负荷计算模型预测结果的L1损失；2.3、重复步骤2.2k次，计算模型预测结果的平均L1损失是否小于预设值或到达设置的最大迭代次数。如果满足，则训练停止，得到训练好的Transformer网络净负荷预测模型g·，然后跳转至步骤3；否则，进入步骤2.4；2.4、利用梯度下降法更新Transformer网络净负荷预测模型的参数，更新完成后返回步骤2.2；3、训练残差高斯过程回归模型；3.1、设置训练的最大迭代次数，初始化残差高斯过程回归的参数；3.2、在训练数据集中随机选取k组数据输入Transformer网络净负荷预测模型得到预测净负荷值计算与对应实际净负荷值之间的残差将随机选取k组数据以及对应的残差输入到残差高斯过程回归模型，计算残差高斯过程回归模型预测结果的损失；3.3、重复步骤3.2K次，然后判断残差高斯过程回归模型预测结果的损失是否小于预设值或到达设置的最大迭代次数，如果满足，则迭代停止，得到训练好的残差高斯过程回归的后验模型f·，然后跳转至步骤4；否则，进入步骤3.4；3.4、通过可通过最大化对数边际似然函数更新残差高斯过程回归模型的权重； 其中，Θ和R为残差高斯过程回归模型的输入和输出；为Transformer网络预测的净负荷；σn表示高斯白噪声的协方差；I为单位矩阵；n表示残差高斯过程回归模型输入Θ的维数；kc·表示合成核函数，记为： 其中σin,σout,lin,lou表示残差高斯过程回归模型在训练过程中需要优化的参数；θi，θj表示残差高斯过程回归模型的输入；表示Transformer网络预测的净负荷；更新完成后返回步骤3.2；4、部署概率净负荷预测模型；4.1、部署Transformer网络净负荷预测模型；将测试数据集中的输入训练好的Transformer网络净负荷预测模型g·中，得到Transformer网络对T+1时刻到S+1时刻的净负荷预测值4.2、部署残差高斯过程回归模型；将测试数据集中的输入训练好的残差高斯过程回归的后验模型f·中，预测出残差的后验值 其中，θ*表示新输入残差高斯过程回归模型的特征；表示Transformer网络对特征θ*预测的净负荷；变量变量由此得到残差高斯过程回归模型对T+1时刻到S+1时刻的概率净负荷残差预测值4.3、得到修正后的净负荷预测结果；结合步骤4.1、4.2中得到的Transformer网络净负荷预测值和概率净负荷残差预测值获得T+1时刻到S+1时刻的修正后的净负荷预测结果：

全文数据：

权利要求：

百度查询： 电子科技大学 国网四川省电力公司电力科学研究院 基于神经网络和高斯回归模型的电力系统净负荷预测方法