基于条件增强扩散模型的短期负荷概率预测OA北大核心CSTPCD

负荷概率预测可为电网规划提供指导,条件生成模型通过挖掘历史相似日信息,有效提高了预测性能。然而,以往研究未关注曲线形态信息和无条件模型的噪声解析作用,使得生成曲线的不确定性较高。为此,提出基于条件增强扩散模型的短期负荷概率预测方法。首先,构建改进的iTransformer日负荷预测模型,对相邻日负荷数据进行预测。其次,采用无条件噪声估计和条件噪声估计相结合的损失函数,构建结合多头自注意力机制和U型网络的扩散模型。然后,将日负荷预测结果和温度等特征作为条件输入,通过条件增强引导的反向扩散过程,将多组随机噪声进行去噪,生成多条负荷曲线进行概率密度分析。最后,基于中国某地区公开数据集展开算例分析,与多种模型进行对比,结果表明所提方法具有更高的预测精度。