【技術實現(xiàn)步驟摘要】
本申請涉及電力系統(tǒng)綜合廠用電預測的領域，具體涉及一種基于深度學習的電力系統(tǒng)綜合廠用電預測方法、系統(tǒng)及設備、存儲介質。
技術介紹
1、電力系統(tǒng)綜合廠用電負荷預測的主要思路是根據(jù)地區(qū)用電負荷的變化規(guī)律進行有效分析和預測，傳統(tǒng)的用電負荷預測主要采用單耗法、彈性系數(shù)法以及負荷密度法等方法。隨著社會經濟的發(fā)展，我國能源發(fā)生了轉型，生產結構也在不斷進行調整，使負荷的特性愈加復雜，負荷預測開始普遍采用序列遞歸、線性回歸等方法，以及專家系統(tǒng)和神經網絡等人工智能技術進行負荷的規(guī)律識別。
2、新型電力系統(tǒng)中，大量新能源接入電網，分布式與集中式并舉，對地區(qū)網供（統(tǒng)配）負荷的預測影響較大，影響地區(qū)負荷預測的精確性，為地區(qū)負荷預測帶來極大的挑戰(zhàn)。同時，大量分布式光伏接入中低壓配電網，中低壓負荷的就地平衡以及分布式光伏功率上送，導致地區(qū)負荷在午高峰出現(xiàn)顯著低估，造成地區(qū)負荷預測難度加大。
3、隨著新能源發(fā)電功率預測技術的進步，地區(qū)新能源根據(jù)氣象、地理位置以及不同機組類型等綜合信息逐步實現(xiàn)新能源發(fā)電的短期、高效、精準預測，為新型電力系統(tǒng)的負荷預測提供可靠數(shù)據(jù)基礎。發(fā)電側發(fā)電負荷變化規(guī)律與用電側負荷相比，具有科學、合理的分析特性，可解釋性較強，因此，從發(fā)電側進行全區(qū)負荷預測成為一種新的思路，但該思路在探索應用過程中，由于新型電力系統(tǒng)發(fā)電結構的根本改變，新能源機組的廠用電與傳統(tǒng)火電、水電等機組的廠用電類型完全不同，因此，在通過發(fā)電負荷進行用電負荷還原折算的時候，廠用電率的變化導致發(fā)、用電負荷還原困難。由于新能源出力的隨機性和間歇性，導致各
技術實現(xiàn)思路
1、為了解決上述技術缺陷之一，本申請?zhí)峁┝艘环N基于深度學習的電力系統(tǒng)綜合廠用電預測方法、系統(tǒng)及設備、存儲介質。
2、根據(jù)本申請的第一個方面，提供了一種基于深度學習的電力系統(tǒng)綜合廠用電預測方法，包括：
3、采集預測地區(qū)中各時刻的特征數(shù)據(jù)，并根據(jù)各時刻的特征數(shù)據(jù)構建特征數(shù)據(jù)集；其中，特征數(shù)據(jù)包括各機組的計劃出力以及全區(qū)計劃負荷；
4、采用改進的自動編碼器對特征數(shù)據(jù)集進行編碼，得到編碼時序特征，然后采用解碼器對編碼時序特征進行重構，得到重構時序特征；
5、判斷重構時序特征是否與特征數(shù)據(jù)集相一致，若不一致，則通過損失函數(shù)對改進的自動編碼器和解碼器進行調整，直到調整后的重構時序特征與特征數(shù)據(jù)集相一致；
6、通過長短期記憶網絡對調整后的重構時序特征進行處理，得到電力系統(tǒng)綜合廠用電率和用電負荷的預測結果。
7、優(yōu)選地，所述根據(jù)各時刻的特征數(shù)據(jù)構建特征數(shù)據(jù)集，具體包括：
8、根據(jù)采集到的預測地區(qū)中各時刻的特征數(shù)據(jù)構建相應的時刻特征向量；t時刻的特征向量為：
9、；
10、式中，表示t時刻火電機組的計劃出力，表示t時刻水電機組的計劃出力，表示t時刻風電機組的計劃出力，表示t時刻瓦斯機組的計劃出力，表示t時刻集中式光伏電站的計劃出力，表示t時刻分布式光伏的計劃出力，表示t時刻全區(qū)計劃負荷；
11、構建t時刻的時序變化特征量為：；式中，表示t-1時刻的特征向量、表示t+1時刻的特征向量；
12、構建特征數(shù)據(jù)集：，式中，表示n時刻的時序變化特征量，，n表示采集的次數(shù)即時刻數(shù)量。
13、優(yōu)選地，所述改進的自動編碼器包括三層；
14、所述采用改進的自動編碼器對特征數(shù)據(jù)集進行編碼，得到編碼時序特征，具體包括：
15、將特征數(shù)據(jù)集輸入改進的自動編碼器的第一層中，通過自注意力機制對特征數(shù)據(jù)集中各時刻的時序變化特征量之間的相互依賴關系特征進行提取；采用門控循環(huán)網絡對提取出來的相互依賴關系特征進行整體時序特征的提取；將整體時序特征的提取結果作為改進的自動編碼器的第一層的輸出結果；
16、將改進的自動編碼器的第一層的輸出結果輸入改進的自動編碼器的第二層中；
17、將改進的自動編碼器的第二層的輸出結果輸入改進的自動編碼器的第三層中；
18、將改進的自動編碼器的第三層的輸出結果作為提取出的編碼時序特征。
19、優(yōu)選地，所述自注意力機制的提取公式為：
20、；
21、式中，表示相互依賴關系特征，q表示查詢矩陣，，k表示鍵矩陣，，v表示值矩陣，，表示查詢矩陣q或鍵矩陣k的維度，分別表示查詢矩陣、鍵矩陣、值矩陣的權重系數(shù)。
22、優(yōu)選地，所述采用門控循環(huán)網絡對提取出來的相互依賴關系特征進行整體時序特征的提取，具體包括：
23、重置門計算，重置門計算的公式為：；
24、式中，表示t時刻的重置門的輸出結果，表示激活函數(shù)，表示相互依賴關系特征，表示t-1時刻的隱狀態(tài)，、、表示重置門可學習的權重參數(shù)；
25、更新門計算，更新門計算的公式為：；
26、式中，表示t時刻的更新門的輸出結果，、、表示更新門可學習的權重參數(shù)；
27、在重置門作用下計算候選隱狀態(tài)，候選隱狀態(tài)的計算公式為：；
28、式中，表示t時刻的候選隱狀態(tài)，、、表示候選隱狀態(tài)可學習的權重參數(shù)，表示hadamard乘積；
29、隱狀態(tài)計算，隱狀態(tài)的計算公式為：；
30、式中，表示t時刻的隱狀態(tài)；
31、通過各時刻的隱狀態(tài)構建隱狀態(tài)矩陣，并將隱狀態(tài)矩陣作為整體時序特征的提取結果。
32、優(yōu)選地，所述通過長短期記憶網絡對調整后的重構時序特征進行處理，得到電力系統(tǒng)綜合廠用電率和用電負荷的預測結果，具體包括：
33、遺忘門計算，遺忘門的計算公式為：；
34、式中，表示t時刻遺忘門的輸出結果，表示t時刻調整后的重構時序特征，表示t時刻調整后的重構時序特征與遺忘門之間的權重矩陣，表示t時刻調整后的重構時序特征與遺忘門之間的偏置矩陣，表示t-1時刻輸出門與遺忘門之間的權重矩陣，表示t-1時刻輸出門與遺忘門之間的偏置矩陣，表示t-1時刻輸出門的輸出結果；
35、輸入門計算，輸入門的計算公式為：；
36、式中，表示t時刻輸入門的輸出結果，表示t-1時刻輸入門的輸出結果，表示t時刻輸入門的輸出層特征自學習輸出結果，，表示t時刻調整后的重構時序特征的自學習權重矩陣，表示t時刻調整后的重構時序特征的偏置矩陣；表示t-1時刻輸出門的自學習權重矩陣，表示t-1時刻輸出門的偏置矩陣，表示t時刻輸入門根據(jù)分配權重矩陣特征學習輸出結果，，表示t時刻調整后的重構時序特征與輸入門之間的權重矩陣，表示t時刻調整后的重構時序特征與輸入門之間的偏置矩陣，表示t-1時刻輸出門與輸入門之間的權重矩陣，表示t-1時刻輸出門與輸入門之間的偏置矩陣；
37、輸出門計算，輸出門的計算公式為：；
38、式中，表示t時刻輸出門的輸出結果，，表示t時刻調整后的重構時序特征與輸出門之間的權重矩陣，表示t時刻調整后的重構時序特征與輸出門之間的偏置本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，包括：
2.根據(jù)權利要求1所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述根據(jù)各時刻的特征數(shù)據(jù)構建特征數(shù)據(jù)集，具體包括：
3.根據(jù)權利要求2所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述改進的自動編碼器包括三層；
4.根據(jù)權利要求3所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述自注意力機制的提取公式為：
5.根據(jù)權利要求3所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述采用門控循環(huán)網絡對提取出來的相互依賴關系特征進行整體時序特征的提取，具體包括：
6.根據(jù)權利要求2所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于：所述通過長短期記憶網絡對調整后的重構時序特征進行處理，得到電力系統(tǒng)綜合廠用電率和用電負荷的預測結果，具體包括：
7.根據(jù)權利要求3所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于：所述改進的自動編碼器的第二層和第三層均采用全連接神經網絡進行特征提取；<...
【技術特征摘要】
1.一種基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，包括：
2.根據(jù)權利要求1所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述根據(jù)各時刻的特征數(shù)據(jù)構建特征數(shù)據(jù)集，具體包括：
3.根據(jù)權利要求2所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述改進的自動編碼器包括三層；
4.根據(jù)權利要求3所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述自注意力機制的提取公式為：
5.根據(jù)權利要求3所述的基于深度學習的電力系統(tǒng)綜合廠用電預測方法，其特征在于，所述采用門控循環(huán)網絡對提取出來的相互依賴關系特征進行整體時序特征的提取，具體包括：
6.根據(jù)權利要求2所述的基于深度學習的電力系統(tǒng)綜合...
【專利技術屬性】
技術研發(fā)人員：姬玉澤，陳文剛，蔣濤，王新瑞，田瑞敏，董建軍，李海燕，衛(wèi)棟，馬夏野，王艷，姚澤龍，李政宇，石韶敏，
申請(專利權)人：國網山西省電力公司晉城供電公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。