短期负荷区间预测

1、输入特征：①负荷特征部分；②时间天气特征部分

2、传入：卷积神经网络和反向传播神经网络训练

3、拼接输出后传入全连接层构成深度学习模型，该模型与分位数回归结合起来，并行生成预测负荷的多个分位数结果。

确定性负荷预测：预测结果是任意时刻的确定性具体指

概率性负荷预测：预测结果是负荷取不同值的分布概率（现有的大多是假设预测结果服从一定的概率分布，利用模型预测数据，得到预测数据的概率分布函数参数，从而完成概率负荷预测）

负荷区间预测：给出同一时刻的预测结果可能出现的区间，先确定区间预测的中心结果，再次结果上设置一定的区间宽度，从而获得区间预测

一、负荷特性分析：

原始负荷=负荷趋势+周期性负荷变化+噪声负荷

利用相邻数据差分方法可以获得上述等式右侧的三项？

周期性变化=当前时刻负荷-上星期同日同时负荷值

负荷趋势+噪声负荷=原始负荷-周期性变化

天气数据：最高温度、最低温度、平均温度、相对湿度、降雨量

计算负荷与天气数据的皮尔逊相关系数，发现温度的影响最为显著

综上：负荷与季节、节假日（春节、国庆）、工作日、气温有着明显联系，在进行短期负荷预测的时候考虑上述因素的影响。

二、负荷区间预测思路：

常规区间预测方法：计算各个确定性负荷预测模型的预测值的概率分布函数，计算分布函数的标准差，然后在确定性负荷上加减标准差即为遇见预测的上下限。但是该方法存在一定主观性，一开始就已经设定其分布满足某种分布函数。

该文章的方法：采用统计的方法对历史负荷预测误差进行归类统计

负荷区间预测是常规确定性负荷预测的延伸，在验证预测误差的概率分布具有实用价值后，可以利用误差统计规律分析负荷整体确定性预测值中各负荷值的可能分布，从而给出未来负荷可能值的区间结果。

为实现负荷区间预测，需估算负荷变化范围，并了解该范围的可靠性，包括负荷值的真实值。

对于给定值a(0<a<1)，根据置信空间的定义，对于任何负荷值P满足：

其中：为P的置信水平为1-a的置信区间，、