基于CNN特征选择与QRGRU的电力负荷概率密度预测方法

摘要

针对一般预测方法难以提供负荷概率性信息,且难以兼顾负荷数据的时序性和天气、日类型等非连续特征的缺陷,文章提出一种基于卷积神经网络(Convolutional Neural Network,CNN)结合门控循环神经网络分位数回归(Gated Recurrent Neural Network Quantile Regression,QRGRU)的概率密度预测方法。将历史负荷值、天气及日类型等信息利用滑动时间窗构造连续特征图,通过CNN提取不同类型特征的潜在信息,以此作为QRGRU输入,预测不同分位点下未来一天任意时刻负荷的预测结果,并通过核密度估计获得任意时刻负荷的概率密度分布。实验结果表明,采用CNN学习不同类型特征与负荷需求的关系,并结合QRGRU和核密度估计技术,可以更好地解决电力负荷概率密度预测问题。