本發(fā)明涉及新能源出力、負(fù)荷預(yù)測(cè)，尤其涉及一種基于源荷共模的區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、在已有的源荷預(yù)測(cè)研究中，主要將新能源發(fā)電側(cè)和負(fù)荷需求側(cè)分開(kāi)各自進(jìn)行建模。從預(yù)測(cè)類(lèi)型上，源端主要是對(duì)風(fēng)機(jī)出力和光伏出力進(jìn)行預(yù)測(cè)；從時(shí)間尺度上，可分為超短期、短期、中長(zhǎng)期預(yù)測(cè)；從空間尺度上可分為區(qū)域級(jí)預(yù)測(cè)、場(chǎng)站級(jí)預(yù)測(cè)；不同時(shí)空尺度的新能源出力預(yù)測(cè)根據(jù)精度要求在研究方法和應(yīng)用上有所區(qū)別；荷端主要是對(duì)用電負(fù)荷需求進(jìn)行預(yù)測(cè)，進(jìn)一步又可化分為區(qū)域級(jí)全社會(huì)用電總量預(yù)測(cè)、區(qū)域級(jí)全年負(fù)荷峰值預(yù)測(cè)、區(qū)域級(jí)長(zhǎng)周期時(shí)序負(fù)荷曲線(xiàn)預(yù)測(cè)、行業(yè)用電負(fù)荷預(yù)測(cè)等。在傳統(tǒng)的做法中，一種是基于數(shù)值天氣預(yù)報(bào)(nwp)系統(tǒng)獲取氣象數(shù)據(jù)，采用pearson相關(guān)系數(shù)法或其他相關(guān)性計(jì)算方法得到與新能源出力、區(qū)域負(fù)荷強(qiáng)相關(guān)的氣象特征，與新能源歷史特征、歷史負(fù)荷特征組合，獨(dú)立建立模型預(yù)測(cè)新能源出力、區(qū)域負(fù)荷；另一種是采用時(shí)間序列分析的思路，采用經(jīng)驗(yàn)?zāi)B(tài)分解(emd)、奇異譜分析(ssa)、stl分解、因素分解法、seats分解法等，將原始時(shí)間序列分解為長(zhǎng)期趨勢(shì)、季節(jié)趨勢(shì)、周期波動(dòng)、隨機(jī)噪聲等部分，分析新能源出力特性、負(fù)荷特性，再利用概率統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、深度強(qiáng)化學(xué)習(xí)方法等建立預(yù)測(cè)模型。以上的分析方法和思路，在解決精確的區(qū)域電力負(fù)荷預(yù)測(cè)和新能源出力預(yù)測(cè)上還存在如下需求和挑戰(zhàn)：

2、(1)影響因素繁雜。源荷數(shù)據(jù)本身的波動(dòng)性大、隨機(jī)性強(qiáng)，受地理位置、季節(jié)變化、氣象、社會(huì)發(fā)展、政策規(guī)劃等因素影響較多，很難考慮全面；

3、(2)獨(dú)立模型在時(shí)空上的脫離。單獨(dú)構(gòu)建風(fēng)電出力預(yù)測(cè)模型、光伏出力預(yù)測(cè)模型、以及負(fù)荷預(yù)測(cè)模型未能充分利用時(shí)空上的關(guān)聯(lián)信息，未能考慮氣象變化、供需雙側(cè)不同模態(tài)的聯(lián)合效應(yīng)；

4、(3)模型長(zhǎng)周期學(xué)習(xí)能力弱。缺乏自適應(yīng)特征學(xué)習(xí)方式，通過(guò)手動(dòng)組合特征，在長(zhǎng)周期預(yù)測(cè)時(shí)由于模態(tài)之間的差異，不能較好地參考不同維度和更多的隱藏信息，影響模型預(yù)測(cè)能力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于克服上述現(xiàn)有技術(shù)的不足，提供了一種基于源荷共模的區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法，具體由以下技術(shù)方案實(shí)現(xiàn)：

2、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法，包括如下步驟：

3、步驟1)采集源荷端歷史序列與同時(shí)段氣象數(shù)據(jù)，

4、步驟2)通過(guò)變分模態(tài)分解的原始序列，得到用電負(fù)荷與新能源出力序列在不同頻率的多模態(tài)的特征序列；

5、步驟3)對(duì)用電負(fù)荷與新能源出力序列采用不同時(shí)間尺度特征分解，得到時(shí)間維度上不同周期長(zhǎng)度的特征序列；將對(duì)應(yīng)區(qū)域的氣象數(shù)據(jù)與對(duì)應(yīng)負(fù)荷序列、新能源出力序列采用pearson相關(guān)系數(shù)法計(jì)算，選取相關(guān)系數(shù)較大的氣象特征，組合成氣象特征序列；將時(shí)間維度的時(shí)間標(biāo)簽進(jìn)行獨(dú)熱編碼，得到時(shí)間編碼特征序列；將所述多模態(tài)特征序列、氣象特征序列、時(shí)間編碼特征序列進(jìn)行融合，得到多維特征融合序列組；

6、步驟4)基于多叉樹(shù)結(jié)構(gòu)構(gòu)建含有金字塔注意力模塊的模型，并基于設(shè)定的規(guī)則對(duì)所述模型優(yōu)化；金字塔注意力模塊，構(gòu)建原始序列不同時(shí)間尺度多分辨率表示，由不同時(shí)間尺度的節(jié)點(diǎn)構(gòu)成金字塔結(jié)構(gòu)的c叉樹(shù)；

7、步驟5)收集金字塔注意力模塊中所有尺度的最后一個(gè)節(jié)點(diǎn)給出的特征，映射到批次中的所有未來(lái)時(shí)間步，通過(guò)跨通道維度的全連接層獲得最終預(yù)測(cè)，將所有未來(lái)預(yù)測(cè)結(jié)果一起線(xiàn)性輸出。

8、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，所述模型還包括：數(shù)據(jù)嵌入模塊，分別嵌入所述獲取的包含觀(guān)測(cè)數(shù)據(jù)、協(xié)變量數(shù)據(jù)和位置的信息，接著將信息中的各項(xiàng)參數(shù)加在一起，形成新的特征表示；

9、多時(shí)間分辨率c叉樹(shù)模塊，使用粗尺度構(gòu)建多分辨率c叉樹(shù)，通過(guò)節(jié)點(diǎn)完成不同尺度之間的信息傳遞。

10、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，所述步驟2)中變分模態(tài)分解具體包括如下步驟：

11、步驟2-1)初始化模態(tài)函數(shù)集中心頻率集拉格朗日算子λ1、初始迭代次數(shù)b＝0；

12、步驟2-2)設(shè)置迭代次數(shù)b＝b+1；

13、步驟2-3)當(dāng)滿(mǎn)足w≥0時(shí)，更新每個(gè)模態(tài)的頻譜

14、

15、其中，表示懲罰系數(shù)，決定了分量模態(tài)函數(shù)的帶寬；w表示中心頻率，wk表示第k個(gè)模態(tài)的中心頻率；表示待分解信號(hào)的拉格朗日算子；表示待分解信號(hào)的頻域表示更新中心頻率wk：

16、

17、步驟2-4)更新拉格朗日乘子λ：

18、

19、其中，ε是噪聲容限參數(shù)；

20、步驟2-5)重復(fù)上述步驟2-2)至2-4)，直到滿(mǎn)足終止條件：

21、

22、其中，σ為判別精度且大于0。

23、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，所述多分辨率c叉樹(shù)中較粗尺度的節(jié)點(diǎn)匯總了相應(yīng)較細(xì)尺度的c節(jié)點(diǎn)信息。

24、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，金字塔注意力模塊的邊可以分為尺度間連接和尺度內(nèi)連接，其中最精細(xì)尺度的節(jié)點(diǎn)對(duì)應(yīng)時(shí)間序列的最小時(shí)刻點(diǎn)，較粗尺度的節(jié)點(diǎn)表示較大分辨率的特征。

25、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，基于設(shè)定的規(guī)則對(duì)所述模型優(yōu)化具體為：

26、設(shè)定s＝1，2，...，s依次表示金字塔注意力模塊中底部的最細(xì)尺度到頂部的粗尺度序列，表示尺度s上的第l個(gè)節(jié)點(diǎn)；每個(gè)節(jié)點(diǎn)可在三個(gè)尺度上關(guān)注一組相鄰節(jié)點(diǎn)相同尺度的相鄰a節(jié)點(diǎn)包括節(jié)點(diǎn)本身表示為c個(gè)子節(jié)點(diǎn)在c叉樹(shù)中表示為及其在c叉樹(shù)中的父節(jié)點(diǎn)表示為則有：

27、

28、節(jié)點(diǎn)處的注意力yi計(jì)算的表達(dá)式為：

29、

30、其中，l表示序列長(zhǎng)度，a表示同尺度的鄰接節(jié)點(diǎn)數(shù)量；表示尺度s的第l個(gè)節(jié)點(diǎn)的注意力層數(shù)；dk表示查詢(xún)向量長(zhǎng)度，q＝xwq，qi∈q，k＝xwk，ki∈k，v＝xwv，vl∈v，x是原始輸入樣本序列，wq、wk、wv是權(quán)值矩陣，q、k、v分別表示注意力機(jī)制中的查詢(xún)向量、鍵向量、值向量，vl∈v；

31、在訓(xùn)練過(guò)程中通過(guò)輸入序列不同時(shí)間尺度節(jié)點(diǎn)注意力信息表達(dá)優(yōu)化，獲得重點(diǎn)關(guān)注的特征信息，提升模型任意時(shí)間步長(zhǎng)的序列輸入輸出非線(xiàn)性擬合能力。

32、所述區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法的進(jìn)一步設(shè)計(jì)在于，所述步驟3)中將所述多模態(tài)特征序列、氣象特征序列、時(shí)間編碼特征序列通過(guò)隨機(jī)選擇法或最大熵原理進(jìn)行融合得到多維特征融合序列組。

33、本發(fā)明還提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器以及計(jì)算機(jī)程序，其中所述計(jì)算機(jī)程序存儲(chǔ)于所述存儲(chǔ)器中，并被配置為由所述處理器執(zhí)行以實(shí)現(xiàn)所述的基于源荷共模的區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法。

34、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行以實(shí)現(xiàn)所述的基于源荷共模的區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法。

35、本發(fā)明的優(yōu)點(diǎn)如下：

36、本發(fā)明的區(qū)域新能源出力與負(fù)荷預(yù)測(cè)方法通過(guò)聯(lián)合新能源出力、用電負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)等要素共同建模，使得模型能夠充分利用序列在時(shí)空上的關(guān)聯(lián)信息，提升了在供給側(cè)和需求側(cè)等多因素影響下復(fù)雜耦合關(guān)系的共模效應(yīng)。

37、該方法通過(guò)變分模態(tài)分解操作，從頻域上將隨機(jī)波動(dòng)序列分解為多個(gè)較規(guī)整的模態(tài)，從而提高了自適應(yīng)特征學(xué)習(xí)能力。

38、該方法通過(guò)金字塔c叉樹(shù)結(jié)構(gòu)進(jìn)行特征表示，在時(shí)間和空間維度提升模型學(xué)習(xí)效率，降低時(shí)間復(fù)雜度。

39、該方法通過(guò)端到端的模型訓(xùn)練，可學(xué)習(xí)任意時(shí)間步長(zhǎng)的序列輸入輸出，提升了模型長(zhǎng)周期學(xué)習(xí)能力，且同時(shí)考慮了源荷端的數(shù)據(jù)依賴(lài)關(guān)系，較好地參考不同維度和更多的隱藏信息，強(qiáng)化了模型預(yù)測(cè)能力。