【技術實現步驟摘要】
本專利技術涉及新能源預測，尤其涉及一種基于sa-gan的電力市場新能源聯合預測方法及系統。
技術介紹
1、隨著全球能源互聯網的發展，電力市場的運行機制日益復雜，市場參與者的行為和新能源發電的不確定性增加了電力系統的運行難度。電力市場的可再生能源發電量是電力系統調度和市場運營的關鍵參數，準確預測這些數據對于保障電力系統的穩定運行和經濟效益至關重要。傳統的電力市場預測方法多基于統計學和時間序列分析，如自回歸移動平均模型（arima）、廣義自回歸條件異方差模型（garch）等。這些方法在處理線性關系和穩定時間序列時表現良好，但面對電力市場中的非線性和高度波動的數據時，其預測精度和適應能力往往不足。此外，傳統方法通常只能處理單變量預測，難以同時考慮多變量間的相互影響，限制了預測效果的提升。
2、隨著計算能力的提升和數據量的增加，深度學習技術在電力市場可再生能源預測中得到了廣泛應用。基于神經網絡的預測方法，如長短期記憶網絡（lstm）、卷積神經網絡（cnn）等，能夠捕捉數據中的復雜非線性關系，并在單變量預測方面取得了較好的效果。然而，這些方法大多側重于單變量預測，難以實現對風、光等多變量可再生能源數據的聯合預測，導致預測結果的全面性和精確性受限。
技術實現思路
1、本部分的目的在于概述本專利技術的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于
2、鑒于上述現有存在的問題，提出了本專利技術。因此，本專利技術提供了一種基于sa-gan的電力市場新能源聯合預測方法解決電力市場可再生能源發電量聯合預測精度不足的問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：
4、第一方面，本專利技術提供了一種基于sa-gan的電力市場新能源聯合預測方法，包括：
5、獲取電力市場歷史數據并進行預處理；
6、將注意力機制分別加入至生成對抗網絡中的生成器網絡和判別器網絡中，建立注意力-生成對抗預測模型；
7、將所述電力市場歷史數據輸入至所述注意力-生成對抗預測模型中進行訓練，通過生成器和判別器的對抗學習，不斷優化所述注意力-生成對抗預測模型參數；
8、將所述電力市場歷史數據利用訓練優化后的注意力-生成對抗預測模型進行聯合預測，獲取新能源未來發電數據。
9、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：將注意力機制加入至生成對抗網絡中的生成器網絡包括：
10、生成器網絡采用深度殘差網絡結構，結合自注意力層和全連接層，并引入動態權重調整機制，根據電力市場的歷史數據分布特性自適應性地調整所述深度殘差網絡結構的深度和寬度；
11、生成器網絡的自注意力層頭數設定為8，注意力頭的維度設定為64，全連接層層數設定為3，每層的神經元數設定為256、128和64，所述激活函數為relu。
12、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：將注意力機制加入至生成對抗網絡中的判別器網絡包括：
13、判別器網絡包括多尺度卷積層和自注意力層，通過多尺度特征提取捕捉電力市場歷史數據的微觀和宏觀模式；
14、判別器網絡的自注意力層的頭數設定為8，注意力頭的維度設定為64，卷積層的卷積核大小設定為3×3，卷積核數設定為32、64和128。
15、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：將所述電力市場歷史數據輸入至所述注意力-生成對抗預測模型中進行訓練包括：
16、初始化生成器和判別器的參數，在每一次訓練迭代中，使用電力市場歷史數據訓練判別器網絡，使判別器網絡區分電力市場歷史數據和生成器網絡生成的數據樣本；
17、使用電力市場歷史數據訓練判別器網絡后，利用將生成器網絡生成的數據樣本與電力市場歷史數據一起輸入判別器網絡，根據判別器網絡識別結果更新生成器網絡的參數。
18、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：還包括：
19、在注意力-生成對抗預測模型的訓練過程中，采用自適應性學習率調整策略，并結合量子啟發式算法優化注意力-生成對抗預測模型參數；
20、引入稀疏連接降低注意力-生成對抗預測模型復雜度并提高泛化能力。
21、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：新能源未來發電數據包括：
22、對預測得到的新能源未來發電數據進行評估，采用均方誤差、平均絕對誤差指標評估注意力-生成對抗預測模型的性能，根據評估結果，對注意力-生成對抗預測模型進行優化調整。
23、作為本專利技術所述的基于sa-gan的電力市場新能源聯合預測方法的一種優選方案，其中：對注意力-生成對抗預測模型進行優化調整包括：
24、分析新能源未來發電數據中的誤差分布，獲取誤差分析結果；
25、根據所述誤差分析結果，對注意力-生成對抗預測模型結構和參數進行調整，減少預測誤差；
26、所述調整方法為試湊法，利用試湊法多次嘗試可能組合，獲取注意力-生成對抗預測模型最優調整方案；
27、將調整后的注意力-生成對抗預測模型進行重新訓練，直至預測結果達到預期精度。
28、第二方面，本專利技術提供了一種基于sa-gan的電力市場新能源聯合預測的系統，包括：
29、數據獲取模塊，用于獲取電力市場歷史數據并進行預處理；模型預測模塊，用于將注意力機制分別加入至生成對抗網絡中的生成器網絡和判別器網絡中，建立注意力-生成對抗預測模型；優化模塊，用于將所述電力市場歷史數據輸入至所述注意力-生成對抗預測模型中進行訓練，通過生成器和判別器的對抗學習，不斷優化所述注意力-生成對抗預測模型參數；聯合預測模塊，用于將所述電力市場歷史數據利用訓練優化后的注意力-生成對抗預測模型進行聯合預測，獲取新能源未來發電數據。
30、第三方面，本專利技術提供了一種電子設備，包括：
31、存儲器和處理器；
32、所述存儲器用于存儲計算機可執行指令，所述處理器用于執行所述計算機可執行指令，該計算機可執行指令被處理器執行時實現所述基于sa-gan的電力市場新能源聯合預測方法的步驟。
33、第四方面，本專利技術提供了一種計算機可讀存儲介質，其存儲有計算機可執行指令，該計算機可執行指令被處理器執行時實現所述基于sa-gan的電力市場新能源聯合預測方法的步驟。
34、與現有技術相比，本專利技術的有益效果：
35、1、本專利技術通過引入自注意力機制（self-attention?mechanism），顯著提升了電力市場可再生能源數據的預測精度。自注意力機制能夠在預測本文檔來自技高網...
【技術保護點】
1.一種基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，包括：
2.如權利要求1所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，將注意力機制加入至生成對抗網絡中的生成器網絡包括：
3.如權利要求1或2所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，將注意力機制加入至生成對抗網絡中的判別器網絡包括：
4.如權利要求3所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，將所述電力市場歷史數據輸入至所述注意力-生成對抗預測模型中進行訓練包括：
5.如權利要求4所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，還包括：
6.如權利要求5所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，新能源未來發電數據包括：
7.如權利要求5或6所述的基于SA-GAN的電力市場新能源聯合預測方法，其特征在于，對注意力-生成對抗預測模型進行優化調整包括：
8.一種基于SA-GAN的電力市場新能源聯合預測的系統，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，存儲有計算機可執行指令，該計算機可執行指令被處理器執行時實現如權利要求1-7?任一所述基于SA-GAN的電力市場新能源聯合預測方法的步驟。
...【技術特征摘要】
1.一種基于sa-gan的電力市場新能源聯合預測方法，其特征在于，包括：
2.如權利要求1所述的基于sa-gan的電力市場新能源聯合預測方法，其特征在于，將注意力機制加入至生成對抗網絡中的生成器網絡包括：
3.如權利要求1或2所述的基于sa-gan的電力市場新能源聯合預測方法，其特征在于，將注意力機制加入至生成對抗網絡中的判別器網絡包括：
4.如權利要求3所述的基于sa-gan的電力市場新能源聯合預測方法，其特征在于，將所述電力市場歷史數據輸入至所述注意力-生成對抗預測模型中進行訓練包括：
5.如權利要求4所述的基于sa-gan的電力市場新能源聯合預測方法，...
【專利技術屬性】
技術研發人員：陳松，袁存發，康建輝，陳志凱，歐陽永子，
申請(專利權)人：朗坤智慧科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。