研究背景

有效的電力負荷預測可以輔助電力調度部門經濟準確地制定生產計劃和運行方式，是“三型兩網”建設中實現電網發電側與需求側有效貫通的重要橋梁之一。目前，負荷預測主要有灰色關聯分析、時序分析法、神經網絡、支持向量機等幾類方法。

隨著深度學習的提出，深度神經網絡算法逐漸成為負荷預測研究中的代表。深度神經網絡具有特征自學習能力，在學習數據充分的情況下可用于擬合復雜非線性系統，但其訓練速度慢，參數多樣性也增加了網絡訓練的難度。

上述方法多用于對負荷確定點的預測，即預測模型輸出為確定值。然而電網發電側與需求側存在眾多不確定因素，點預測方法對負荷預測的不確定性描述有限，使電力生產決策面臨一定風險。相比于點預測，區間預測方法擴大了預測模型的輸出范圍，減少了不確定因素對預測精度的影響，能夠讓電網決策人員了解未來負荷的波動情況，具有重要的工程意義。

論文所解決的問題及意義

本文引入分位數回歸對簡單BP神經網絡模型進行誤差分析，以氣象因素及前一日用電負荷值為輸入特征，搭建BP-QR區間預測模型，實現不同置信水平下的用電負荷區間預測。通過算例分析表明，該模型簡單有效，且具有較好的置信水平適應性。

論文方法及創新點

分位數回歸是一種線性回歸算法，一般結合其他預測模型實現區間預測。BP神經網絡是經典機器學習算法之一，能夠擬合非線性數據，具有應用簡單、泛化能力強等優點。本文結合兩種算法，提出BP-QR區間預測模型結構框圖，如圖1所示。

圖1 BP-QR區間預測模型結構框圖

為了驗證BP-QR模型的預測效果，本文基于BP點預測模型的預測誤差搭建分位數回歸（QR）模型，根據氣象因素和前一日負荷值計算出分位數回歸參數，結合點預測結果實現區間預測。計算90%、80%和70%置信水平下區間預測的相對平均寬度及測試集數據預測覆蓋率。

為了進一步說明區間預測效果，本文分別在90%、80%及70%置信水平下，截取測試集中2014年03月28日～2014年06月15日共計80天數據樣本的預測結果，分別如圖2～圖4所示。

圖2 90%置信水平下的預測結果

圖3 80%置信水平下的預測結果

圖4 70%置信水平下的預測結果

結論

針對負荷點預測方法中電網運行不確定因素帶來的局限性，本文基于BP神經網絡與分位數回歸算法，提出了BP-QR負荷區間預測模型，模型輸入為氣象因素與前一日用電負荷值，輸出為當日用電負荷區間。算例結果表明，該模型準確反映了用電負荷的波動趨勢，相比于QR模型和正態分布模型，具有更高的預測精度，可用于短期負荷預測，為電力調度提供參考。

此外，算例誤差主要集中在波動較大的區間中，這類波動由于節假日等特殊情況產生，因此在未來研究中，可引入其他輸入特征進一步提高預測精度。

本文編自2022年第4期《電氣技術》，論文作者為陳軒偉，1994年生，碩士，助教，主要從事智能微電網方面的研究工作。本課題得到了廈門大學嘉庚學院校級孵化項目的支持。

引用本文

陳軒偉. 基于BP-QR模型的負荷區間預測[J]. 電氣技術, 2022, 23(4): 14-17. CHEN Xuanwei. Load interval forecasting based on BP-QR model. Electrical Engineering, 2022, 23(4): 14-17.