本發(fā)明涉及電力負荷預(yù)測領(lǐng)域，尤其涉及一種短期電力負荷預(yù)測模型構(gòu)建方法及預(yù)測方法。

背景技術(shù)：

1、隨著智能電網(wǎng)技術(shù)的發(fā)展，系統(tǒng)需要能夠快速響應(yīng)電力需求的變化，電力負荷預(yù)測能夠使電網(wǎng)更加靈活和高效地進行電力分配和管理。而且，電力負荷預(yù)測是需求響應(yīng)和能源管理的基礎(chǔ)，通過預(yù)測負荷，可以更好地進行需求側(cè)管理，優(yōu)化電力資源的分配和使用。準(zhǔn)確的電力負荷預(yù)測則對電力系統(tǒng)的安全、穩(wěn)定和經(jīng)濟運行至關(guān)重要，它有助于避免供電不足或過剩，減少能源浪費，提高電網(wǎng)的經(jīng)濟效益。

2、氣溫、濕度、風(fēng)速和降水等氣象因素對電力負荷有顯著影響，但這些因素的不確定性和波動性增加了預(yù)測的難度。傳統(tǒng)的負荷預(yù)測方法已難以滿足現(xiàn)代電力系統(tǒng)對預(yù)測精度和效率的要求。

3、因此，現(xiàn)有技術(shù)還有待改進和發(fā)展。

技術(shù)實現(xiàn)思路

1、本發(fā)明的第一個目的在于提供一種短期電力負荷預(yù)測模型構(gòu)建方法，其基于改進的autoformer模型構(gòu)建短期電力負荷預(yù)測，能夠提高短期電力系統(tǒng)負荷的預(yù)測精度。

2、為達到上述目的，本發(fā)明提供的方案是：

3、一種短期電力負荷預(yù)測模型構(gòu)建方法，所述短期電力負荷預(yù)測模型構(gòu)建方法包括：收集電力系統(tǒng)的歷史數(shù)據(jù)，電力系統(tǒng)的歷史數(shù)據(jù)包括多個電力系統(tǒng)歷史負荷數(shù)據(jù)以及對應(yīng)的歷史氣象環(huán)境數(shù)據(jù)；對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集；將所述多個氣象群集的歷史氣象環(huán)境數(shù)據(jù)輸入時間卷積網(wǎng)絡(luò)tcn以提取氣象群集的氣象環(huán)境特征，并根據(jù)提取的氣象環(huán)境特征以及對應(yīng)的電力系統(tǒng)歷史負荷數(shù)據(jù)生成多個訓(xùn)練樣本；將所述多個訓(xùn)練樣本輸入改進的autoformer模型進行訓(xùn)練，得到短期電力系統(tǒng)負荷預(yù)測模型。

4、優(yōu)選地，所述對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集時，使用模糊c均值聚類算法對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集，所述使用模糊c均值聚類算法對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集，包括：獲取聚類數(shù)目c，并隨機初始化c個聚類中心；對于每個歷史氣象環(huán)境數(shù)據(jù)，計算其對于每個聚類中心的隸屬度；根據(jù)多個歷史氣象環(huán)||xi-ck||境數(shù)據(jù)的隸屬度，更新每個聚類中心；判斷更新后的聚類中心是否收斂，若是，則輸出最終的聚類中心和多個歷史氣象環(huán)境數(shù)據(jù)對應(yīng)的隸屬度矩陣；根據(jù)多個歷史氣象環(huán)境數(shù)據(jù)的隸屬度矩陣，按照模糊集合中的最大隸屬原則確定各歷史氣象環(huán)境數(shù)據(jù)所屬的聚類，得到多個氣象群集。

5、優(yōu)選地，所述時間卷積網(wǎng)絡(luò)tcn由多個卷積層堆疊而成，每個所述卷積層包括因果卷積模塊、膨脹卷積模塊和殘差連接模塊，所述因果卷積模用于保證模型在進行時間序列預(yù)測時的因果性，所述膨脹卷積模塊用于捕捉更長距離的依賴關(guān)系，所述殘差連接模塊通過將前一層的輸出直接添加到當(dāng)前層的輸出上以緩解深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失問題。

6、優(yōu)選地，所述改進的autoformer模型包括編碼器模塊、解碼器模塊和輸出層，所述解碼器模塊接收所述編碼器模塊輸出的分解成分，并對所述分解成分進行解碼和重構(gòu)，所述輸出層接收所述解碼器模塊的輸出結(jié)果，并輸出預(yù)測結(jié)果，所述編碼器模塊包括多個moedecomp序列分解層和自相關(guān)機制層，所述解碼器模塊包括處理趨勢周期性元素的累計結(jié)構(gòu)和處理季節(jié)性元素的堆疊自相關(guān)結(jié)構(gòu)。

7、優(yōu)選地，所述將所述多個訓(xùn)練樣本輸入改進的autoformer模型進行訓(xùn)練，得到短期電力系統(tǒng)負荷預(yù)測模型，包括：

8、將多個訓(xùn)練樣本作為長序列輸入所述編碼器模塊，獲取所述編碼器模塊生成的趨勢序列和季節(jié)性特征序列；

9、將生成的趨勢序列和季節(jié)性特征序列輸入所述解碼器模塊，獲取所述解碼器模塊的輸出結(jié)果；

10、將所述解碼器模塊的輸出結(jié)果輸入所述輸出層，獲取所述輸出層輸出的預(yù)測結(jié)果；

11、根據(jù)所述輸出層輸出的預(yù)測結(jié)果與真實的負荷數(shù)據(jù)計算損失函數(shù)，并通過反向傳播算法根據(jù)損失函數(shù)對所述改進的autoformer模型的參數(shù)進行梯度計算和更新，得到短期電力系統(tǒng)負荷預(yù)測模型。

12、優(yōu)選地，所述moedecomp序列分解層用于將輸入的訓(xùn)練樣本分解為趨勢分量和季節(jié)分量，趨勢分量的計算公式和季節(jié)分量的計算公式分別表示為：

13、xtrend＝soft?max(l(x))*(f(x))

14、xseasonal＝x-xtrend

15、式中，xtrend表示趨勢分量，xseaonal表示季節(jié)分量，x表示輸入的訓(xùn)練樣本，f(x)為一組平均池化濾波器，l(x)為用于混合趨勢的權(quán)重，softmax函數(shù)用于確保權(quán)重的總和為1。

16、優(yōu)選地，所述自相關(guān)機制層包括基于周期的依賴發(fā)現(xiàn)機制和時延信息聚合機制，所述基于周期的依賴發(fā)現(xiàn)機制用于識別時間序列中具有依賴關(guān)系的相似子序列，所述時延信息聚合機制用于將相似子序列的信息進行對齊和聚合。

17、本發(fā)明的第二個目的在于提供一種，短期電力負荷預(yù)測方法，所述短期電力負荷預(yù)測方法包括：獲取預(yù)測時間內(nèi)的預(yù)測氣象環(huán)境數(shù)據(jù)，并提取預(yù)測氣象環(huán)境數(shù)據(jù)的特征；將提取的特征輸入短期電力系統(tǒng)負荷預(yù)測模型以得到短期電力系統(tǒng)負荷預(yù)測數(shù)據(jù)，所述短期電力系統(tǒng)負荷預(yù)測模型采用如上所述的短期電力系統(tǒng)負荷預(yù)測模型。

18、優(yōu)選地，在提取預(yù)測氣象環(huán)境數(shù)據(jù)的特征之前，還包括：對獲取的預(yù)測氣象環(huán)境數(shù)據(jù)進行預(yù)處理。

19、本發(fā)明提供的技術(shù)方案中，通過對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，能夠更好地發(fā)現(xiàn)數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)和模式，有助于提高聚類的準(zhǔn)確性，而且，通過時間卷積網(wǎng)絡(luò)tcn提取氣象環(huán)境數(shù)據(jù)樣本的特征向量，有助于捕獲氣象環(huán)境數(shù)據(jù)的多層次特征，此外，改進的autoformer模型利用一組不同大小的平均濾波器來捕獲輸入信號中的多個趨勢特征，并通過數(shù)據(jù)相關(guān)的權(quán)重將這些趨勢特征組合起來，形成最終的趨勢表示，極大有效處理了具有復(fù)雜周期模式和趨勢成分的長時間序列，有助于減輕氣象環(huán)境數(shù)據(jù)不穩(wěn)定特性對預(yù)測結(jié)果的影響，從而能夠提升短期電力系統(tǒng)負荷預(yù)測模型的預(yù)測精度，進而能夠提高短期電力系統(tǒng)負荷的預(yù)測精度。

技術(shù)特征：

1.一種短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述短期電力負荷預(yù)測模型構(gòu)建方法包括：

2.如權(quán)利要求1所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集時，使用模糊c均值聚類算法對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集，所述使用模糊c均值聚類算法對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集，包括：獲取聚類數(shù)目c，并隨機初始化c個聚類中心；對于每個歷史氣象環(huán)境數(shù)據(jù)，計算其對于每個聚類中心的隸屬度；根據(jù)多個歷史氣象環(huán)境數(shù)據(jù)的隸屬度，更新每個聚類中心；判斷更新后的聚類中心是否收斂，若是，則輸出最終的聚類中心和多個歷史氣象環(huán)境數(shù)據(jù)對應(yīng)的隸屬度矩陣；根據(jù)多個歷史氣象環(huán)境數(shù)據(jù)的隸屬度矩陣，按照模糊集合中的最大隸屬原則確定各歷史氣象環(huán)境數(shù)據(jù)所屬的聚類，得到多個氣象群集。

3.如權(quán)利要求1所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述時間卷積網(wǎng)絡(luò)tcn由多個卷積層堆疊而成，每個所述卷積層包括因果卷積模塊、膨脹卷積模塊和殘差連接模塊，所述因果卷積模用于保證模型在進行時間序列預(yù)測時的因果性，所述膨脹卷積模塊用于捕捉更長距離的依賴關(guān)系，所述殘差連接模塊通過將前一層的輸出直接添加到當(dāng)前層的輸出上以緩解深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失問題。

4.如權(quán)利要求1所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述改進的autoformer模型包括編碼器模塊、解碼器模塊和輸出層，所述解碼器模塊接收所述編碼器模塊輸出的分解成分，并對所述分解成分進行解碼和重構(gòu)，所述輸出層接收所述解碼器模塊的輸出結(jié)果，并輸出預(yù)測結(jié)果，所述編碼器模塊包括多個moedecomp序列分解層和自相關(guān)機制層，所述解碼器模塊包括處理趨勢周期性元素的累計結(jié)構(gòu)和處理季節(jié)性元素的堆疊自相關(guān)結(jié)構(gòu)。

5.如權(quán)利要求4所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述將所述多個訓(xùn)練樣本輸入改進的autoformer模型進行訓(xùn)練，得到短期電力系統(tǒng)負荷預(yù)測模型，包括：

6.如權(quán)利要求4所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述moedecomp序列分解層用于將輸入的訓(xùn)練樣本分解為趨勢分量和季節(jié)分量，趨勢分量的計算公式和季節(jié)分量的計算公式分別表示為：

7.如權(quán)利要求4所述的短期電力負荷預(yù)測模型構(gòu)建方法，其特征在于，所述自相關(guān)機制層包括基于周期的依賴發(fā)現(xiàn)機制和時延信息聚合機制，所述基于周期的依賴發(fā)現(xiàn)機制用于識別時間序列中具有依賴關(guān)系的相似子序列，所述時延信息聚合機制用于將相似子序列的信息進行對齊和聚合。

8.一種短期電力負荷預(yù)測方法，其特征在于，所述短期電力負荷預(yù)測方法包括：

9.如權(quán)利要求8所述的短期電力負荷預(yù)測方法，其特征在于，在提取預(yù)測氣象環(huán)境數(shù)據(jù)的特征之前，還包括：對獲取的預(yù)測氣象環(huán)境數(shù)據(jù)進行預(yù)處理。

技術(shù)總結(jié)
本發(fā)明適用于短期電力負荷預(yù)測模型構(gòu)建方法領(lǐng)域，公開了短期電力負荷預(yù)測模型構(gòu)建方法及預(yù)測方法，短期電力負荷預(yù)測模型構(gòu)建方法包括：收集電力系統(tǒng)的歷史數(shù)據(jù)，電力系統(tǒng)的歷史數(shù)據(jù)包括多個電力系統(tǒng)歷史負荷數(shù)據(jù)以及對應(yīng)的歷史氣象環(huán)境數(shù)據(jù)；對多個歷史氣象環(huán)境數(shù)據(jù)進行聚類，得到多個氣象群集；將多個氣象群集的歷史氣象環(huán)境數(shù)據(jù)輸入時間卷積網(wǎng)絡(luò)TCN以提取氣象群集的氣象環(huán)境特征，并根據(jù)提取的氣象環(huán)境特征以及對應(yīng)的電力系統(tǒng)歷史負荷數(shù)據(jù)生成多個訓(xùn)練樣本；將多個訓(xùn)練樣本輸入改進的Autoformer模型進行訓(xùn)練，得到短期電力系統(tǒng)負荷預(yù)測模型，通過該方法構(gòu)建的短期電力負荷預(yù)測模型在預(yù)測短期電力負荷時，更加精準(zhǔn)。

技術(shù)研發(fā)人員：王小楊,鄧軼湘,吳正偉
受保護的技術(shù)使用者：北京理工大學(xué)珠海學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23