(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210877305.5 (22)申请日 2022.07.25 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区八一路 299号 申请人 中国电力科 学研究院有限公司 　 国网天津市电力公司 (72)发明人 廖思阳　姜新雄　徐箭　李琰　 王新迎　尚学军　王天昊　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 鲁力 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于动态时序预测的电力系统典型场 景概率预测方法 (57)摘要 本发明涉及一种基于动态时序预测的电力 系统典型场景概率预测方法， 首先构建针对于特 征变量的动态时序预测模型； 使用支持向量机对 数据知识进行建模， 获取数据样本决策分数； 采 用sigmoid函数对样本决策分数进行修改， 将其 映射至区间[0,1]； 最后利用极大似然估计确定 sigmoid参数取值， 实现对目标典型场景的定量 概率预测。 本发 明使用最大 互信息对原始数据进 行了降维， 将动态时序预测模型与场景分类模型 相结合， 并使用基于极大似然估计的决策分数概 率转化方法， 将电力系统典型场景的分类信息转 化为概率信息， 更有利于调度运行人员评估系统 未来风险， 制定更为 准确的调度运行计划。 权利要求书2页 说明书11页 附图5页 CN 115293249 A 2022.11.04 CN 115293249 A 1.一种基于动态时序预测的电力系统典型场景概 率预测方法， 其特 征在于， 包括 根据电力系统目标典型场景的物理特性， 基于最大互信 息度量方法筛选出与其相关的 特征子集， 并从历史数据中收集这些特征变量的时间序列数据， 结合 目标典型场景状态序 列形成多维时间序列数据集； 基于长短时间记忆网络与历史时间序列数据， 通过交叉验证和网格搜索， 构建针对于 关联特征变量的动态时序预测模 型， 使用支持向量机(SVM)对数据知识进 行建模， 对 所筛选 特征的历史样本进行分类学习， 获取针对于每一个数据样本的决策分数； 采用一个带参数的sigmoid函数， 对SVM的决策分数输出进行修改， 并将决策分数值映 射到区间[0,1]， 利用极大似然估计方法确 定sigmoid函数中的参数取值， 实现决策分数到 概率值的映射， 得到电力系统目标典型场景概率预测模型， 最终结合特征变量的动态时序 预测结果实现对电力系统目标典型场景的定量 概率预测。 2.根据权利要求1所述的预测方法， 其特征在于， 确定 需要预测的电力系统目标典型场 景， 依据历史数据信息构建该目标典型场景的状态序列 N为数据点的总个数， yk为 第k个时间点的目标场景状态取值， yk∈{0,1}， yk＝1表示目标场景发生， 正例， yk＝0表示目 标场景未发生， 负例； 同时获取历史数据信息中所记录的各特征变量的时间序列数据， 记 为 X， 随后使用最大互信息系数(MIC)度量方法获取每个特征变量与目标典型场景状态序列Y 之间的MIC系数， 并设置阈值剔除低相关的特征变量， 得到特征子集 D'等于特征 变量的总个数D减去被剔除特征变量的个数； 随后从历史数据中提取特征子集Q中所包含的 特征变量的时间序列数据， 并结合目标典型场景状态序列Y， 形成多维时间序列数据集。 3.根据权利要求1所述的预测方法， 其特征在于， 使用长短时间记忆网络， 构建针对于 特征子集Q中所包含的每一个特征变量的动态时序预测模型， 称为特征变量动态时序预测 模型； 长短时间记忆网络的训练输入为 X'k为输入多维时间序列样本， x'k+α为 对应于样本X'k的回归预测目标， α 为时序预测的提前时间步数； 通过交叉验证与网格搜索， 训练得到的特征变量动态 时序预测模型可实现对特征子集Q中的特征变量的提前α 时间步 的预测。 4.根据权利要求1所述的预测方法， 其特征在于， 建立电力系统目标典型场景预测分类 监督格式数据集 yk＝1表示样本xk′属于正例， yk＝0表示样本xk′属于负例， 随后将 其分为m组； 提取其中m ‑1组使用支持向量机模 型构建电力系统典型场景分类模 型， 得到SVM 决策函数f(.)， 随后使用决策函数f(.)获取针对于剩下1组样 本的决策分数并进行存储， 重 复此过程m次， 每次所提取的m ‑1组样本不同， 可以获取针对于每一个数据样本的决策分数， 建立决策分数 ‑标签集 对于第k个数据样本xk′， 支持向量机模型对其决策分数为 fk， yk为第k个时间点的目标场景状态取值， k ＝1,2,...,N。 5.根据权利要求1所述的预测方法， 其特征在于， 采用一个带A、 B参数的sigmoid函数， 对SVM输出的决策分数进行修改， 将决策分数映射到[0,1]区间， 并基于步骤3所获取的决策 分数‑标签集 使用极大似然估计方法确定sigmoid函数的参数A、 B的取值， 实现从 决策分数到目标典型场景发生 概率的转化。 6.根据权利要求1所述的预测方法， 其特征在于， 采用的基于sigmoid函数的决策分数权　利　要　求　书 1/2 页 2 CN 115293249 A 2映射形式如下： 式中： A、 B 为sigmoid函数参数， f为对应于输入样本x ′的决策分数值， P(y＝1x ′)表示输 入样本x′属于正例的概 率。 7.根据权利要求1所述的预测方法， 其特征在于， 基于获取的决策分数 ‑标签集 使用极大似然估计方法求 解参数A、 B的具体过程如下： 式中： 为对应于第k个样本属于正例的概率估计； N+为全部样本中 属于正例的样本的个数， N‑为全部样本中属于负例的样本的个数； 通过对minF(A,B)的求 解， 可以得到参数A、 B， 从而将SVM模型的决策分数转 化为概率输出。 8.根据权利要求1所述的预测方法， 其特征在于， 动态获取当前时间t能得到的最新的 多维时间序列样本X't， 将其输入步骤2中建立的特征变量动态时序预测模型中， 获取关于 D'个特征变量的提前α 时间步的预测值x't+α， 将x't+α输入步骤3中建立的SVM电力系统典型 场景分类模型之中， 获取其相应的决策分数ft+α， 并使用步骤4中已确定A、 B参数的sigmoid 函数， 得到样本x't+α属于正例的概率pt+α， 即电力系统目标典型场景在未来α 时间步发生的 概率， 完成目标典型场景提前α 时间步的概 率预测。权　利　要　求　书 2/2 页 3 CN 115293249 A 3