摘"要：準確的凈負荷預(yù)測是有源低壓配電網(wǎng)優(yōu)化調(diào)度的依據(jù)。隨著光伏滲透率的提高和儲能、電動汽車充電站的普及，低壓配電網(wǎng)凈負荷的波動性和不確定性增大，常規(guī)確定性點負荷預(yù)測不能滿足臺區(qū)調(diào)度的需要。針對小數(shù)據(jù)集下凈負荷不確定性預(yù)測問題，提出一種基于寬度學(xué)習(xí)的含光儲充臺區(qū)的凈負荷區(qū)間預(yù)測方法。首先，通過變分模態(tài)分解算法將非平穩(wěn)的凈負荷數(shù)據(jù)分解為一系列相對平穩(wěn)的模態(tài)分量，從而降低數(shù)據(jù)的復(fù)雜性；然后，這些模態(tài)分量通過適用于小規(guī)模數(shù)據(jù)集的寬度學(xué)習(xí)系統(tǒng)算法實現(xiàn)點預(yù)測；最后，在點預(yù)測的基礎(chǔ)上建立一種區(qū)間優(yōu)化模型，將點預(yù)測模型轉(zhuǎn)換為區(qū)間預(yù)測模型。仿真實驗表明，所提算法能夠?qū)崿F(xiàn)較精確的凈負荷區(qū)間預(yù)測；與其他算法相比，在相同的置信區(qū)間要求下預(yù)測的區(qū)間更窄。

關(guān)鍵詞：凈負荷；區(qū)間預(yù)測；低壓配電網(wǎng)；寬度學(xué)習(xí)系統(tǒng)；變分模態(tài)分解

中圖分類號：TM715""""""文獻標識碼：A

Interval"Prediction"for"Net"Load"in"LowVoltage"

Distribution"Areas"with"Integrated"Photovoltaic，"

Energy"Storage，"and"Charging"Station

CUI"Wei1，"WANG"Junlong1，"WANG"Yifeng1，"WANG"Bing2，"CHEN"Lei2，"DONG"Bin3

（1.State"Grid"Hebei"Electric"Power"Co.，"Ltd.，"Shijiazhuang，Hebei"050000，"China;"

2.Hengshui"Power"Supply"Branch"of"State"Grid"Hebei"Power"Co.，"Ltd.，"Hengshui，"Hebei"053000，"China;"

3.Xuji"Metering"Co.，"Ltd.，"Xuchang，Henan"461000，"China）

Abstract：Accurate"net"load"prediction"serves"as"the"foundation"for"optimal"scheduling"in"active"lowvoltage"distribution"networks."With"the"increasing"penetration"of"photovoltaic"（PV）"systems"and"the"widespread"adoption"of"energy"storage"and"electric"vehicle"charging"stations，"the"volatility"and"uncertainty"of"net"load"in"lowvoltage"distribution"networks"have"significantly"increased."Traditional"deterministic"point"load"forecasting"methods"are"insufficient"to"meet"the"scheduling"needs"of"feederlevel"management."To"address"the"issue"of"net"load"uncertainty"prediction"in"the"context"of"small"datasets，"this"study"proposes"an"interval"forecasting"method"for"net"load"in"feeder"areas"with"integrated"PV，"storage，"and"charging"systems，"based"on"broad"learning."First，"the"variational"mode"decomposition"（VMD）"algorithm"is"employed"to"decompose"the"nonstationary"net"load"data"into"a"series"of"relatively"stationary"modal"components，"thereby"reducing"data"complexity."Subsequently，"these"modal"components"are"subjected"to"point"forecasting"using"the"broad"learning"system"（BLS）"algorithm，"which"is"wellsuited"for"smallscale"datasets."Finally，"an"interval"optimization"model"is"constructed"based"on"the"point"forecasting"results，"transforming"the"point"forecasting"model"into"an"interval"forecasting"model."Simulation"experiments"demonstrate"that"the"proposed"method"achieves"accurate"interval"forecasting"of"net"load."Compared"to"other"algorithms，"the"proposed"method"produces"narrower"prediction"intervals"under"the"same"confidence"level"requirements.

Key"words：net"load；interval"prediction；lowvoltage"distribution"substation；broad"learning"system；variational"mode"decomposition

隨著全球能源結(jié)構(gòu)轉(zhuǎn)型和可持續(xù)發(fā)展戰(zhàn)略的推進，含有可再生能源和分布式發(fā)電資源的新型電力系統(tǒng)正逐漸成為能源領(lǐng)域的研究熱點[1]。在眾多的可再生能源中，光伏能源因其清潔、低碳的特性備受青睞。與此同時，電動汽車作為新能源汽車的代表，也在逐步替代傳統(tǒng)燃油車輛，成為推動交通領(lǐng)域綠色轉(zhuǎn)型的重要力量[2]。在這樣的背景下，光伏能源、儲能和電動汽車在低壓配電網(wǎng)中的比例不斷提高，對其運行和管理提出了新的挑戰(zhàn)，其中凈負荷預(yù)測的重要性日益凸顯[3]。

集成光伏-儲能-充電設(shè)施的低壓臺區(qū)凈負荷預(yù)測，即將光伏、儲能和電動汽車充電站等因素考慮在內(nèi)的負荷預(yù)測，是有源低壓臺區(qū)優(yōu)化調(diào)度的基礎(chǔ)，是確保臺區(qū)穩(wěn)定經(jīng)濟運行的關(guān)鍵技術(shù)之一[4]。隨著可再生能源的大規(guī)模接入和電力市場的發(fā)展，含光儲充的凈負荷變得更加復(fù)雜和不確定。為了描述含光儲充的凈負荷的不確定性，通常采用概率預(yù)測（Probability"Prediction，PP）和區(qū)間預(yù)測（Interval"Prediction，IP）的方法[5]。概率預(yù)測方法通過估計未來負荷水平的概率分布，為每個可能的負荷值提供一個概率值。這種方法可以量化預(yù)測的不確定性，并且可以用來計算不同負荷水平的超過概率或發(fā)生頻率，但往往需要大量的數(shù)據(jù)進行計算，并且計算耗時較長[6]。區(qū)間預(yù)測方法則提供了一個負荷值的預(yù)期范圍，通常以置信區(qū)間的形式表示[7]。相比于概率預(yù)測，區(qū)間預(yù)測計算的數(shù)據(jù)量較少，計算復(fù)雜度較低，但預(yù)測表現(xiàn)受區(qū)間優(yōu)化的影響[8]。

考慮到光伏和電動汽車的波動性導(dǎo)致電力系統(tǒng)低壓臺區(qū)凈負荷的非平穩(wěn)性增加，通過采用信號分解技術(shù)簡化凈負荷數(shù)據(jù)的復(fù)雜度?，F(xiàn)有的研究中，通常采用的信號分解技術(shù)包括小波變換（Wavelet"Transform，WT）、經(jīng)驗?zāi)B(tài)分解（Empirical"Mode"Decomposition，EMD）、變分模態(tài)分解（Variational"Mode"Decomposition，VMD）等[9]。在預(yù)測模型方面，隨著人工智能技術(shù)的發(fā)展，基于機器學(xué)習(xí)的預(yù)測方法開始在凈負荷預(yù)測中得到廣泛應(yīng)用。這些方法包括支持向量機（Support"Vector"Machine，SVM）、極限學(xué)習(xí)機（Extreme"Learning"Machine，ELM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional"Neural"Network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent"Neural"Network，RNN）等[10]。除了上述的幾種模型，寬度學(xué)習(xí)系統(tǒng)（Broad"Learning"System，BLS）適用于小規(guī)模數(shù)據(jù)集，并且具有計算效率高的優(yōu)點，在時間序列預(yù)測方面也有很多研究和應(yīng)用[11]。文獻[12]提出一種基于魯棒稀疏BLS的預(yù)測方法，通過正則法提升了BLS的魯棒性。文獻[13]提出一種基于多模態(tài)動態(tài)潛變量BLS的負荷多步預(yù)測方法，動態(tài)潛變量建模提升了BLS的預(yù)測精度。文獻[14]通過結(jié)構(gòu)化流形學(xué)習(xí)提取混沌時間序列數(shù)據(jù)特征用于BLS的特征映射環(huán)節(jié)，從而提升了BLS的預(yù)測性能。

本文考慮到含光伏和充電樁的低壓臺區(qū)凈負荷的波動性和不確定性，建立了一種基于寬度學(xué)習(xí)的區(qū)間預(yù)測（Broad"Learning"Systembased"Interval"Prediction，BLSIP）方法。BLSIP首先通過變分模態(tài)分解算法作為信號分解模型解決凈負荷的非平穩(wěn)性問題，簡化凈負荷數(shù)據(jù)的復(fù)雜度。然后，BLSIP通過BLS作為預(yù)測模型實現(xiàn)精準確定性點預(yù)測。接著，建立一種區(qū)間構(gòu)造方法，并優(yōu)化區(qū)間的上下界，使得在置信水平下的預(yù)測區(qū)間盡可能窄。最后，通過實際案例進行仿真實驗，實驗結(jié)果驗證了所提方法的有效性。

1"凈負荷的點預(yù)測模型

1.1"信號分解

考慮到光伏、儲能和汽車充電站對凈負荷造成的非平穩(wěn)性，本文采用VMD算法對凈負荷數(shù)據(jù)進行分解，以解決凈負荷的非平穩(wěn)性問題。假設(shè)一段長度為n的凈負荷表示為：X（t）"="{x"1，"x"2，"…"，"xn}，其中t"="1，"2，"…，"N，則通過VMD分解為K個模態(tài)后，數(shù)據(jù)X與分解的模態(tài)分量IMF的關(guān)系表示為：

X（t）=∑Ki=1IMFi（t）+res（1）

其中t表示采樣時刻；res表示噪聲。

為了求解上述模態(tài)分量，VMD"通過構(gòu)造以下目標函數(shù)進行求解：

min"{ΙΜF(xiàn)i}{wi}∑K‖dt［（δ（t）+jπt）

ΙΜF(xiàn)i（t）］e－jwit‖22

s.t.∑KΙΜF(xiàn)i（t）=X（t）（2）

其中δ（t）表示單位脈沖函數(shù)；j是虛數(shù)單位；π表示圓的周長與直徑之比的常數(shù)；表示卷積；e表示自然對數(shù)的底數(shù)；wi表示IMF"i的中心頻率；表示偏導(dǎo)；‖‖22表示L2范數(shù)。

上述目標函數(shù)可以通過拉格朗日乘子法進行求解，從而將原始凈負荷數(shù)據(jù)X分解為K個模態(tài)分量IMF"="{IMF1，"…，IMFK}。

1.2"點預(yù)測

為了建立考慮多頻率尺度特征的點預(yù)測模型，首先，凈負荷數(shù)據(jù)X通過VMD分解，得到K個模態(tài)分量{IMF1，…，IMFK}。這些模態(tài)分量代表了凈負荷數(shù)據(jù)在不同頻率尺度上的特征，有助于捕捉數(shù)據(jù)的多層次動態(tài)行為。然后，X作為IMF0與VMD分解后得到的K個模態(tài)分量組合成新的多模態(tài)數(shù)據(jù)Z"="[IMF0，IMF1，"…，IMFK]。這種組合方式能夠在保留原始凈負荷數(shù)據(jù)全局特征的基礎(chǔ)上，引入不同頻率尺度的局部特征，從而為點預(yù)測模型提供更豐富的輸入信息。

點預(yù)測的任務(wù)是在時刻η，通過長度為h個歷史時刻的數(shù)據(jù)，預(yù)測未來第θ時刻的數(shù)據(jù)。點預(yù)測任務(wù)的數(shù)學(xué)表達式為：

Xη+θ=fpre（Zη，"Zη－1，"…，"Zη－h(huán)+1）（3）

其中f"pre表示預(yù)測模型。

考慮到深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，所需調(diào)節(jié)的參數(shù)較多，并且超參數(shù)調(diào)整過程極為耗時，往往難以達到所需的預(yù)測精度。此外，本文的適用場景為小規(guī)模數(shù)據(jù)集，因此，本文選擇BLS作為預(yù)測模型。預(yù)測模型的輸入構(gòu)造為P"="{p"1，"p"2，"…，"pm}，其中pi=[ZiZi+1"，…，Zi+h-1]，m=η-h+1，其模型架構(gòu)可參照圖1所示，其主要步驟如下。

Step1：輸入數(shù)據(jù)映射到特征節(jié)點。假設(shè)存在n_win組特征節(jié)點，輸入數(shù)據(jù)映射到第j組特征節(jié)點的數(shù)學(xué)表達式為：

Fj=φPWfeaj+χj，"j=1，"2，…，n_win（4）

其中Fj表示第j組特征節(jié)點的輸出；φ表示激活函數(shù);Wfeaj表示由輸入節(jié)點映射到第j組的特征節(jié)點的權(quán)重矩陣；χj表示第j組映射過程的偏重。

Step2：特征節(jié)點映射到增強節(jié)點。假設(shè)存在n_enhan個增強節(jié)點，則特征節(jié)點映射到增強節(jié)點的數(shù)學(xué)表達式為：

Henhan=ξFWenhan+χenhan，

h=1，2，…，n_enhan（5）

其中H"enhan表示增強節(jié)點的輸出；ξ表示激活函數(shù);"W"enhan表示所有特征節(jié)點映射到增強節(jié)點的權(quán)重矩陣；χ"enhan"j表示此映射過程的偏重。

Step3：特征節(jié)點和增強節(jié)點映射到輸出節(jié)點。

Xη+θ=F∣HenhanWoutput（6）

其中W"output"表示特征節(jié)點和增強節(jié)點映射到輸出節(jié)點Xη+θ的權(quán)重矩陣。

2"凈負荷的區(qū)間預(yù)測模型

2.1"區(qū)間預(yù)測原理

區(qū)間預(yù)測技術(shù)涉及在沒有明確上限或下限的情況下估計不確定量的界限，也稱為下上限估計。然而，區(qū)間預(yù)測缺少訓(xùn)練標簽，因此在區(qū)間預(yù)測時需要構(gòu)造合理的預(yù)測區(qū)間。假設(shè)預(yù)測的真實值是Y，則區(qū)間構(gòu)造方法為：

Yu=Y+wu

Yl=Y－wl（7）

其中Yu和Yl表示預(yù)測的上邊界和下邊界。w"u和wl表示重構(gòu)區(qū)間的寬度。

區(qū)間預(yù)測與區(qū)間構(gòu)造相互響應(yīng)。理想狀況下，預(yù)測的區(qū)間會收斂于構(gòu)造的區(qū)間。本文采用BLS作為預(yù)測模型，在BLS模型中，僅需要在上一環(huán)節(jié)的Step3進行偽逆運算，因此可以在精確的點預(yù)測的基礎(chǔ)上實現(xiàn)區(qū)間預(yù)測的增量優(yōu)化調(diào)整。本文所提的區(qū)間預(yù)測的模型如圖1所示。

2.2"所提區(qū)間優(yōu)化方法

區(qū)間構(gòu)造的目的是為區(qū)間預(yù)測提供有監(jiān)督學(xué)習(xí)方式的標簽。區(qū)間構(gòu)造的估計邊界值[Yl"Yu]應(yīng)該盡可能地包含真實的預(yù)測值Y，同時最小化重構(gòu)區(qū)間的寬度。因此，區(qū)間構(gòu)造的優(yōu)化目標函數(shù)設(shè)置為：

fcost"=Yui－Ui2+Yli－Li2（8）

其中Li和Ui分別為預(yù)測模型的第i個下界輸出和上界輸出。

在區(qū)間構(gòu)造的條件下，采用預(yù)測區(qū)間覆蓋率（PI"Coverage"Probability，"PICP）和預(yù)測區(qū)間平均寬度（PI"Normalized"Rootmeansquare"Width，"PINRW）對預(yù)測區(qū)間進行評價，從而達到預(yù)測的區(qū)間收斂于構(gòu)造的區(qū)間的目的。PICP和PINRW的定義如下：

PICP=1n∑ni=1Ci，

Ci=1，yi∈Li，Ui0，yiLi，Ui（9）

"PINRW"=1R1n∑ni=1Ui－Li2（10）

PICP和PINRW都是區(qū)間預(yù)測的重要評價指標，但是這兩個指標都不能充分反映預(yù)測區(qū)間的合理性。在實際過程中，PICP和PINRW存在矛盾。當PICP較高時可能導(dǎo)致PINRW較大，而當減小PINRW時又將導(dǎo)致PICP減小。因此，用覆蓋寬度準則（Coverage"Width"Criterion，CWC）來衡量這兩個指標。根據(jù)定義，CWC是由PICP和PINRW決定的兩個術(shù)語的乘積，其中PICP越高，PINRW越小，產(chǎn)生的CWC越小，表明預(yù)測區(qū)間具有更好的合理性。CWC的數(shù)學(xué)表達如下所示：

CWC=1+η2·PINRW1+γ（PICP）e－η1（PICP－μ）（11）

γ（PICP）=0，PICP≥μ1，PICPlt;μ（12）

其中η"1是對PICP的懲罰因子，η"2用于線性增加PINRW的影響，μ用于預(yù)測PINC的值，γ（PICP）是一個階梯函數(shù)，當PICP小于μ時，PICP的懲罰將被執(zhí)行。

在區(qū)間構(gòu)造的條件下，預(yù)測區(qū)間與構(gòu)造區(qū)間的擬合誤差表示為：

eu=∑ni=1Yui－Uin

el=∑ni=1Yli－Lin（13）

其中el和eu分別為下界和上界的平均擬合誤差。

為了優(yōu)化構(gòu)造的區(qū)間，區(qū)間估計的寬度應(yīng)該在每次訓(xùn)練結(jié)束后更新為平均擬合誤差el和e"u的α倍，其計算過程如下：

Δwu=k1·wu－eu·αΔwl=k1·wl－el·α（14）

wu←wu－Δwuwl←wl－Δwl（15）

其中k"1表示區(qū)間寬度的調(diào)節(jié)更新速度。PICP為了滿足預(yù)先設(shè)置的預(yù)測區(qū)間名義置信度（PI"Nominal"Confidence，"PINC），假設(shè)α為使PICP在訓(xùn)練過程中滿足PINC的系數(shù)；因此，可以利用這兩個指標的差值來優(yōu)化每次訓(xùn)練后的α，這也是保證PICP合格的一個有力約束。調(diào)整過程描述如下：

Δα=k2·PICP－PINC"train"α←α－Δα（16）

其中PINCtrain是預(yù)先分配給訓(xùn)練的PINC，k"2表示調(diào)整α的更新速度。

3"應(yīng)用及驗證

本文選取加州大學(xué)圣地亞哥分校提供的公開數(shù)據(jù)集，以驗證所提出模型的有效性[15]。該數(shù)據(jù)集采集自Trade"Street"Warehouse的一棟建筑，其數(shù)據(jù)采集頻率為每15分鐘一次。本文專注于分析所選建筑與主電網(wǎng)之間的凈負荷數(shù)據(jù)，該數(shù)據(jù)通過從總負荷中扣除光伏發(fā)電、電池儲能以及電動汽車充電站的輸出得到。

3.1"點預(yù)測結(jié)果

在本文中，鑒于包含光伏、儲能和電動汽車充電站的凈負荷數(shù)據(jù)表現(xiàn)出顯著的動態(tài)波動性，且在短時間尺度內(nèi)數(shù)據(jù)特征具有相似性，而在長時間尺度內(nèi)則表現(xiàn)出較大的差異性，我們決定選取一個月內(nèi)的小規(guī)模數(shù)據(jù)作為模型訓(xùn)練的樣本集，并開展提前24步的預(yù)測工作，即對接下來6小時內(nèi)的凈負荷數(shù)值進行預(yù)測。鑒于本文所處理的數(shù)據(jù)集規(guī)模較小，深度學(xué)習(xí)算法可能并不適宜。因此，本文選取了BLS、Elman神經(jīng)網(wǎng)絡(luò)、反向傳播神經(jīng)網(wǎng)絡(luò)（Back"Propagation"Neural"Network，"BPNN）和KELM作為對比模型。在這些模型中，每一層神經(jīng)元的節(jié)點數(shù)量通過網(wǎng)格搜索法在20至100的范圍內(nèi)進行優(yōu)化選擇，同時選用徑向基函數(shù)（Radial"Basis"Function，RBF）作為核函數(shù)，并設(shè)置迭代次數(shù)為200，以確保模型的收斂性和預(yù)測效果。

本文采用均方根誤差（Root"Mean"Square"Error，RMSE），平均絕對誤差（Mean"Absolute"Error，MAE）和對稱平均絕對百分比誤差（Symmetric"Mean"Absolute"Percentage"Error，SMAPE）進行點預(yù)測的評價，它們的定義如下所示。在所有公式中，bi表示真實值，b+i表示預(yù)測值，n_b表示b的長度。

1）RMSE定義為：

RMSE=1n_b∑n_bi=1bi－b+i2（17）

其中RMSE測量預(yù)測值與實際觀測值之間的誤差。RMSE值越小，表示預(yù)測模型的精度越高。

2）MAE定義如下：

MAE=1n_b∑n_bi=1|bi-b+i|（18）

其中MAE對異常值不太敏感。MAE越小，表示預(yù)測準確性越高。

3）SMAPE定義如下：

SMAPE=1n_b∑n_bi=1|bi-b+i|

（|bi|+|b+i|）/2（19）

其中SMAPE有助于評估預(yù)測模型中正錯誤和負錯誤的一致性和平衡性。SMAPE越小，表示預(yù)測準確性越高。

表1展示了不同預(yù)測模型在進行凈負荷提前24步點預(yù)測時的評價結(jié)果。從評價結(jié)果可以看出，BLS模型在RMSE、MAE和SMAPE等評價指標上的表現(xiàn)優(yōu)于其他模型，具有最小的誤差值，表明其預(yù)測精度最高。這一結(jié)果主要歸功于BLS模型采用嶺回歸偽逆算法來確定網(wǎng)絡(luò)權(quán)重，這種方法能夠有效降低模型過擬合的風(fēng)險，并增強模型對新數(shù)據(jù)的泛化能力。通過這種方式，BLS模型在處理凈負荷預(yù)測問題時展現(xiàn)出了較高的預(yù)測精度。

圖2展示了利用不同預(yù)測模型進行凈負荷提前24步點預(yù)測的結(jié)果。通過對比分析圖2中的預(yù)測曲線與真實負荷曲線，可以發(fā)現(xiàn)BLS模型所預(yù)測的凈負荷曲線與真實負荷曲線之間的擬合度最佳。例如，在第384至第576個采樣點的區(qū)間內(nèi)，原始負荷曲線的波形性相較于之前有所減弱。在這一區(qū)間，唯有BLS模型的預(yù)測曲線能夠準確地反映出真實負荷的波動特征，而其他模型的預(yù)測結(jié)果則未能精確捕捉到這一變化，這可能是由于這些模型存在過擬合的問題。因此，BLS模型在預(yù)測凈負荷方面表現(xiàn)出了較高的準確性。

3.2"區(qū)間預(yù)測結(jié)果

在上一節(jié)所討論的點預(yù)測結(jié)果分析中，BLS模型展現(xiàn)出了最高的預(yù)測精度?；诖?，本節(jié)將在BLS點預(yù)測成果的基礎(chǔ)上，運用本文提出的區(qū)間預(yù)測方法來實現(xiàn)對未來負荷的區(qū)間預(yù)測。為了進行比較分析，所采用的對比方法通過統(tǒng)計學(xué)手段來確定預(yù)測區(qū)間的上界和下界，同時，兩種預(yù)測方法的PINC均設(shè)定為90%，以確保預(yù)測結(jié)果的可靠性和一致性。通過這種對比，旨在進一步驗證所提出區(qū)間預(yù)測方法的有效性和適用性。

依據(jù)式（9）至式（11）對兩種區(qū)間預(yù)測方法進行評估，所得結(jié)果列于表2中。從表2的數(shù)據(jù)分析可見，本文所提出的區(qū)間預(yù)測方法在PICP、PINRW以及CWC等評價指標上均優(yōu)于傳統(tǒng)的統(tǒng)計學(xué)方法。這一結(jié)果表明，本文所提出的區(qū)間預(yù)測方法在實際應(yīng)用中更為合理，能夠提供更為準確且具有實用價值的凈負荷預(yù)測區(qū)間。

圖3展示了區(qū)間預(yù)測方法的對比結(jié)果。通過細致觀察圖中的數(shù)據(jù)，可以發(fā)現(xiàn)本文提出的區(qū)間預(yù)測方法所形成的預(yù)測區(qū)間相較于傳統(tǒng)統(tǒng)計方法而言，上下界之間的距離更為緊湊，即區(qū)間寬度更窄。這一現(xiàn)象表明，與統(tǒng)計學(xué)方法相比，本文所采用的區(qū)間預(yù)測技術(shù)能夠以更高的精度界定未來凈負荷的可能變化范圍，從而為電力系統(tǒng)的調(diào)度和管理提供更為精確的參考依據(jù)。

本文提出的區(qū)間預(yù)測方法的訓(xùn)練過程如圖4所示。在本文所設(shè)定的90%置信區(qū)間下，區(qū)間構(gòu)造的PICP在訓(xùn)練進行到第100輪時，逐漸穩(wěn)定并接近預(yù)設(shè)的目標置信水平PINC，同時α值也趨于穩(wěn)定。這一現(xiàn)象表明，區(qū)間預(yù)測的邊界值已經(jīng)通過優(yōu)化過程達到了預(yù)期的統(tǒng)計特性。因此，可以得出結(jié)論，本文所提出的區(qū)間預(yù)測方法是基于統(tǒng)計計算結(jié)果的有效預(yù)測手段。

4"結(jié)"論

為了給包含光伏發(fā)電和電動汽車充電站在內(nèi)的電力系統(tǒng)提供未來凈負荷的精確數(shù)值預(yù)測，以便更好地制定儲能設(shè)備和火力發(fā)電等資源的優(yōu)化調(diào)度方案，提出了一種新穎的基于寬度學(xué)習(xí)的區(qū)間預(yù)測方法。通過實際應(yīng)用所得到的結(jié)果，本文得出以下重要結(jié)論：

1）"在處理小規(guī)模數(shù)據(jù)集的情況下，BLS模型展現(xiàn)出了卓越的泛化能力，其點預(yù)測的準確度在所有比較模型中表現(xiàn)最佳。

2）"通過對預(yù)測區(qū)間進行優(yōu)化和重構(gòu)，本文所提出的區(qū)間預(yù)測方法能夠有效地縮減預(yù)測區(qū)間的寬度。這一改進對于提高在不確定性條件下進行優(yōu)化調(diào)度的經(jīng)濟性具有重要意義。

在未來的研究工作中，本文計劃專注于自適應(yīng)局部區(qū)間預(yù)測的探索。具體而言，研究將致力于在保持整體預(yù)測置信區(qū)間要求不變的大前提下，針對不同的局部時刻采用差異化的置信區(qū)間設(shè)置。通過這種方式，旨在實現(xiàn)對預(yù)測區(qū)間寬度的優(yōu)化，進一步提升預(yù)測模型的精確度和適用性。

參考文獻

［１］"孔祥玉，"馬玉瑩，"艾芊，"等."新型電力系統(tǒng)多元用戶的用電特征建模與用電負荷預(yù)測綜述[J]."電力系統(tǒng)自動化，"2023，"47（13）："2-17.

［2］"WAZIRALI"R，"YAGHOUBI"E，"ABUJAZAR"M"S"S，"et"al."Stateoftheart"review"on"energy"and"load"forecasting"in"microgrids"using"artificial"neural"networks，"machine"learning，"and"deep"learning"techniques[J]."Electric"Power"Systems"Research，"2023，"225："109792.

［3］"ZHANG"Y"F，"WEN"H"L，"WU"Q"W，"et"al."Optimal"adaptive"prediction"intervals"for"electricity"load"forecasting"in"distribution"systems"via"reinforcement"learning[J]."IEEE"Transactions"on"Smart"Grid，"2023，"14（4）："3259-3270.

［4］"GU"Z"W，"SHEN"Y"T，"WANG"Z"J，"et"al."Load"forecasting"model"considering"dynamic"coupling"relationships"using"structured"dynamicinner"latent"variables"and"broad"learning"system[J]."Engineering"Applications"of"Artificial"Intelligence，"2024，"133："108180.

［5］"WANG"R"H，"LI"C"S，"FU"W"L，"et"al."Deep"learning"method"based"on"gated"recurrent"unit"and"variational"mode"decomposition"for"shortterm"wind"power"interval"prediction[J]."IEEE"Transactions"on"Neural"Networks"and"Learning"Systems，"2020，"31（10）："3814-3827.

［6］"黎靜華，"駱怡辰，"楊舒惠，"等."可再生能源電力不確定性預(yù)測方法綜述[J]."高電壓技術(shù)，"2021，"47（4）："1144-1157.

［7］"唐君毅，"丁碧薇，"楊琪."考慮風(fēng)電預(yù)測區(qū)間的電力系統(tǒng)靈活性評估方法[J]."電氣傳動，"2023，"53（7）："49-55."

［8］"朱立軒，"萬燦，"鞠平."計及不確定性的電力系統(tǒng)區(qū)間分析研究綜述[J]."電力自動化設(shè)備，"2023，"43（7）："1-11."

［9］"吳向明，"宋楠，"李曉軍，"等."基于二次模態(tài)分解和卷積雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的高比例光伏配電網(wǎng)線損預(yù)測[J]."電網(wǎng)技術(shù)，2024：1-11.

［10］盧武，"鄭人杰，"趙文彬，"等."基于EMDGRU的短期電力負荷預(yù)測方法[J]."電氣傳動，"2022，"52（21）："74-80."

［11］CHEN"C"L"P，"LIU"Z"L."Broad"learning"system："an"effective"and"efficient"incremental"learning"system"without"the"need"for"deep"architecture[J]."IEEE"Transactions"on"Neural"Networks"and"Learning"Systems，2018，29（1）："10-24.

［12］康逸群，"劉廈，"雷兢."基于魯棒稀疏寬度學(xué)習(xí)系統(tǒng)的短期風(fēng)電功率預(yù)測[J]."太陽能學(xué)報，"2024，"45（5）："32-43."

［13］夏蕾，"張世林，"李文美，"等."基于寬度學(xué)習(xí)的新型電力系統(tǒng)負荷多步預(yù)測方法[J]."供用電，"2024，"41（1）："100-108."

［14］HAN"M，"FENG"S"B，"CHEN"C"L"P，"et"al."Structured"manifold"broad"learning"system："a"manifold"perspective"for"largescale"chaotic"time"series"analysis"and"prediction[J]."IEEE"Transactions"on"Knowledge"and"Data"Engineering，2019，31（9）："1809-1821.

［15］UCSDmicrogriddatabase，"URL"https：//github.com/sushilsilwal3/UCSDMicrogridDatabase/tree/master.