本發(fā)明涉及電力負荷預(yù)測，具體為基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法。

背景技術(shù)：

1、隨著分布式資源滲透率不斷提升，受間隙發(fā)電功率和不穩(wěn)定用戶負荷需求的影響，配網(wǎng)凈負荷的不確定性和波動性愈發(fā)突出，電力負荷預(yù)測的難度也逐漸增加。因此，為充分捕捉未來負荷的不確定性，提升電力系統(tǒng)運行的安全性和穩(wěn)定性，精確且可靠的短期凈負荷概率預(yù)測尤為重要。

2、現(xiàn)有負荷概率預(yù)測方法可分為參數(shù)化和非參數(shù)化方法，其中，依賴于某種先驗性假設(shè)概率分布的參數(shù)化分析方法無法有效刻畫凈負荷的時序演化特性，在數(shù)據(jù)分布發(fā)生漂移情景下的實際適應(yīng)性較差，而以分位數(shù)回歸和核密度為代表的一些分參數(shù)化方法雖具有更高的靈活性和可靠性，但存在計算量成本高以及對負荷復(fù)雜波動模式解析能力不足等問題，為此，我們提出基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法，包括以下步驟：

3、接收配電網(wǎng)歷史凈負荷數(shù)據(jù)和多維氣象采集數(shù)據(jù)，通過xgboost算法和mic最大信息系數(shù)進行條件特征的篩選，并基于篩選得到的條件特征構(gòu)建條件特征集；

4、構(gòu)建高頻增強去噪擴散模型，基于歷史負荷數(shù)據(jù)和擴散模型前向擴散過程，形成噪聲化的凈負荷數(shù)據(jù)；

5、利用條件特征集與噪聲化的凈負荷數(shù)據(jù)對高頻增強去噪擴散模型進行訓(xùn)練，達到使用精度后輸入噪聲數(shù)據(jù)和條件特征實現(xiàn)對噪聲的精準預(yù)測，并通過反向去噪過程生成初始負荷概率預(yù)測結(jié)果；

6、基于核密度估計獲取置信區(qū)間分位數(shù)處的初始負荷預(yù)測值，進而通過改進的損失函數(shù)對高頻增強去噪擴散模型參數(shù)進行微調(diào)更新；

7、利用更新后的高頻增強去噪擴散模型，通過反向擴散獲得最終的凈負荷概率預(yù)測結(jié)果。

8、進一步地，構(gòu)建條件特征集，具體包括如下：

9、（1）以早晚6點為邊界，將輸入的配電網(wǎng)歷史凈負荷數(shù)據(jù)和多維氣象采集數(shù)據(jù)劃分為日間、夜間兩個場景；

10、（2）針對不同場景，采用xgboost算法量化輸出各氣象特征對負荷變化的影響重要度數(shù)值，采用mic最大信息系數(shù)計算特征間的線性/非線性相關(guān)性，綜合考慮特征重要性和相關(guān)性，形成氣象特征集；

11、（3）將得到的氣象特征集與歷史負荷數(shù)據(jù)和獨熱編碼后的日期變量結(jié)合構(gòu)成完整的擴散模型條件輸入特征集。

12、進一步地，對歷史氣象數(shù)據(jù)特征及歷史負荷數(shù)據(jù)特征進行歸一化處理作為后續(xù)輸入，具體處理公式如下：

13、

14、式中， y*為歸一化處理后的特征數(shù)據(jù)， y*∈[0,1]， y為原始特征數(shù)據(jù)； ymax和 ymin為總樣本數(shù)據(jù)中對應(yīng)數(shù)據(jù)的最大值、最小值。

15、進一步地，所述高頻增強去噪擴散模型包括編碼器和解碼器，編碼器為基于融合小波注意力的cnn-lstm網(wǎng)絡(luò)和linear層，用于實現(xiàn)對輸入噪聲數(shù)據(jù)和條件特征的編碼；解碼器為多通道卷積神經(jīng)網(wǎng)絡(luò)，用于實現(xiàn)對噪聲的精準預(yù)測。

16、進一步地，所述選用交叉注意力機制作為條件引導(dǎo)架構(gòu)，基于條件引導(dǎo)架構(gòu)挖掘輸入噪聲值和條件特征間的關(guān)聯(lián)，融合信息后作為解碼器輸入。

17、進一步地，所述構(gòu)建基于融合小波注意力的cnn-lstm網(wǎng)絡(luò)，具體如下：

18、（1）將離散小波變換和自注意力機制結(jié)合，通過對線性層映射的特征做多層級小波分解；

19、（2）在頻域采用自注意力機制對高頻細節(jié)分量進行自適應(yīng)增強，高頻增強后通過cnn-lstm提取局部關(guān)鍵和長期依賴信息。

20、進一步地，所述離散小波變換，其計算公式如下：

21、

22、式中： α0為初始尺度參數(shù)； τ為平移參數(shù)； ψ*(?)為小波基函數(shù)； m為縮放常數(shù)(表示分解的級數(shù))； n為平移常數(shù)； m、 n均為整數(shù)；t為原始信號時間變量。

23、進一步地，所述自注意力機制的高頻分量增強公式如下：

24、

25、式中：softmax表示歸一化處理； q、 k、 v為系數(shù)線性變換后的矩陣，計算公式如下：

26、

27、式中：、和為需學(xué)習(xí)的參數(shù)矩陣；為第 m層的細節(jié)系數(shù)矩陣。

28、進一步地，所述改進的損失函數(shù)如下：

29、

30、

31、

32、式中，為改進后的損失函數(shù)；為通過mse指標(biāo)計算的原始損失函數(shù)；為設(shè)計的輔助損失函數(shù)；λ為加權(quán)權(quán)重；為第 t步加入的真實噪聲值；為噪聲神經(jīng)網(wǎng)絡(luò)預(yù)測的第 t步噪聲值，c為條件輸入，x t為歷史負荷值前向擴散 t步得到的噪聲數(shù)據(jù)；和為由mub和mlb擴散 t步得到的噪聲數(shù)據(jù)，其中mub和mlb為初始預(yù)測結(jié)果在置信區(qū)間上下界處的負荷值，可由核密度估計得到。

33、進一步地，所述核密度估計及預(yù)測區(qū)間的計算公式如下：

34、

35、

36、

37、式中： x為概率密度函數(shù) f( x)的自變量， x∈r； f(?)為核密度估計所得的累計分布函數(shù)； n1和 h分別為估計的負荷數(shù)量與帶寬； x η為用于估計的第 η個元素； k(?)為核函數(shù)； qα為標(biāo)稱分位水平α處的分位數(shù)值； γ為概率預(yù)測區(qū)間的標(biāo)稱覆蓋概率；和為負荷概率預(yù)測區(qū)間 p1, γ上下邊界的標(biāo)稱分位水平。

38、本發(fā)明至少具備以下有益效果：

39、1、本發(fā)明提供的基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法，針對高比例清潔能源接入場景下，日間、夜間凈負荷形態(tài)差異較大這一狀況，為避免個別時段重要特征被掩蓋，通過xgboost算法和mic最大信息系數(shù)提取關(guān)鍵氣象特征，并結(jié)合歷史負荷數(shù)據(jù)與日期變量構(gòu)成條件輸入特征集，更精簡全面地提煉了不同場景下對凈負荷影響較大的條件特征。

40、2、本發(fā)明提供的基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法，針對凈負荷數(shù)據(jù)的非平穩(wěn)性與強波動性，采用高頻增強去噪擴散模型進行預(yù)測結(jié)果生成，主要針對編碼和解碼環(huán)節(jié)，分別設(shè)計了融合小波注意力的cnn-lstm網(wǎng)絡(luò)和多通道卷積神經(jīng)網(wǎng)絡(luò)，通過對高頻信號的自適應(yīng)增強和對多尺度特征的有效提取，提升了模型對復(fù)雜負荷波動模式的精準刻畫能力。

41、3、本發(fā)明提供的基于高頻增強去噪擴散模型的短期凈負荷概率預(yù)測方法，考慮單次模型預(yù)測結(jié)果質(zhì)量可能存在缺陷，基于改進損失函數(shù)，在有限計算復(fù)雜度和時耗范圍內(nèi)，對預(yù)訓(xùn)練模型參數(shù)進行更新，能夠適當(dāng)收縮區(qū)間寬度并提高預(yù)測結(jié)果的穩(wěn)定性，為配網(wǎng)計劃生產(chǎn)、運行調(diào)度提供更加可靠的決策依據(jù)。

42、當(dāng)然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。