摘要:新能源并网后的供电体系存在具有较高的间歇性和随机性，这将为电力生产和调度的平衡带来巨大挑战，而如何量化电力负荷的不确定性对电力系统安全经济地运行起着重要作用。为此，提出一种基于多目标和贝叶斯优化(multi-objective optimization and Bayesian optimization, MOBO)的深度学习区间预测模型，能在给定的置信水平下描述电力负荷的变化趋势。在预测模型的构建过程中，依据分位数回归理论计算出电力负荷在不同分位点处的预测区间，再通过有效性检验，筛选出合理的预测模型。同时，采用多目标优化和贝叶斯优化算法理论对深度学习模型的超参数进行调优。使用美国纽约州米尔伍德的电力负荷数据集对所提出的模型进行验证，实验结果表明，与其他模型相比，模型在不同置信水平下均有着更高的预测区间覆盖率和更窄的区间平均宽度，更能精确地描述未来电力负荷的波动范围。

摘要:深度学习模型在时间序列预测中得到了广泛的应用，然而，传统的深度学习点预测模型更多关注未来某个特定时刻 的预测值，无法描述复杂时间序列预测的不确定性。此外，大多数深度学习模型的预测过程是不透明的，使用者对深度学习 预测模型的内部机理缺乏认识，导致模型预测的可解释性偏低。针对上述问题，引入了分位数回归理论，刻画复杂时间序列 预测的不确定性特征；构建可解释深度学习模型并应用于纽约州首府地区的短期电力负荷预测。结果表明，预测模型在两个 数据集上都具有较好的区间预测结果，置信水平为95%时，该模型在1月和7月的PICP 值分别为94.28%、93.23%,区间覆 盖率趋于置信水平。相比于对比模型，模型的预测精度高、泛化能力强，能够提升短期电力负荷预测中的稳定性，可为电网管 理者的相关决策提供数据支撑。