李智勇 苏寅生 李斌 刘春晓 李豹 谭守标

摘 要：为了预测家庭短期电力负荷，提出一种基于多任务贝叶斯时空高斯过程的电力负荷预测方法，有效地捕捉不同居住社区之间的关联性和家庭之间的局部空间变化。为了更好地捕捉不同居住社区之间关联性，提出了一种新的多任务学习方法，即低秩Dirty模型，通过使用“公共特征集”和“共享低秩结构”来改进多任务贝叶斯时空高斯过程的学习。为了克服低阶dirty模型和高斯过程参数联合估计的困难，提出了一种迭代算法。实验结果表明，与已有的几种方法相比，该方法可以有效地预测电力负荷。

关键词：负荷预测;多任务学习;高斯过程;关联性;低秩结构

DOI：10.15938/j.jhust.2021.04.007

中图分类号：TP391.3

文献标志码：A

文章编号：1007-2683（2021）04-0046-10

Abstract：In order to forecast short-term household power load， a power load forecasting method based on multi-task Bayesian spatiotemporal Gaussian process（MT-BSGP） is proposed. The proposed method can effectively capture the relationship between different residential communities and the local spatial changes between families. In order to better capture the relevance between different residential communities， a new multi-task learning（MTL） method， namely low rank dirty model（LRDM）， is proposed. The proposed model improves the learning of multi-task Bayesian spatiotemporal Gaussian process by using “common set of features” and “shared low-rank structure”. In order to overcome the difficulty of joint estimation of LRDM and Gaussian process（GP） parameters， an iterative algorithm is proposed. The experimental results show that the proposed method can effectively forecast the power load compared with the existing methods.

Keywords：load forecasting; multi-task learning; Gaussian process; relevance; low-rank structure

0 引 言

负荷预测对于平衡电力供需、避免电网不稳定至关重要[1-4]。短期负荷预测主要是对一小时到一周的用电负荷进行预测，可以指导电力公司和发电厂通过按需发电来调节发电量以满足市场需求[5-9]。然而，由于电网的复杂性和用电量的不确定性，负荷预测仍然具有挑战性。随着新数据分析技术的发展，智能电表等先进数据采集系统的应用，提高了负荷预测水平。近年来，基于机器学习的负荷预测方法得到了越来越多的关注。例如，自回归综合移动平均（autoregressive integrated moving average，ARIMA）模型是最常用的方法之一[10]，多线性回归和高斯过程回归也是电力负荷预测的有效方法[11]。在机器学习领域，支持向量机、人工神经网络是应用广泛的电力负荷预测方法。……