基于MCQRDDC的负荷概率预测模型

摘要：

针对具有约束性的复合分位数回归网络(monotone composite quantile regression neural network,MCQRNN)无法较好地分析负荷数据之中的时序信息和内在规律的问题,本研究融合MCQRNN以及膨胀因果卷积网络(dilated causal convolutional networks,DCC),提出了一种新的分位数回归模型MCQRDCC(monotone composite quantile regression dilated causal convolutional networks),该模型将输入划分为分位点输入与非约束输入,使该模型的输出随分位点的增大而增大,以此解决分位数交叉的问题.同时,使用DCC的结构,使该模型充分地分析负荷数据之中的序列信息,使得预测结果更加符合真实负荷的变化趋势.此外,MCQRNN使用指数函数对约束权重矩阵和隐藏层权重进行转化,会影响反向传播时权重的调整,本研究使用ReLU函数代替指数函数可以解决这个问题,以此提高预测的精度.使用真实的负荷数据进行实验,实验结果表明,MCQRDCC能有效地提高预测精度,相较于MCQRNN,其平均Pinball损失和CWC分别下降2.11%和9.31%,AIS提升了10.51%.

关键词：负荷概率预测、分位数回归、分位数交叉、膨胀因果卷积网络、MCQRNN

所属期刊栏目：32

分类号：TM715;TP391;TU375

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：281-287