【技術實現步驟摘要】
本專利技術涉及電網調度控制自動化，并且更具體地，涉及一種基于模態分解和獨立注意力機制的電力系統負荷預測方法及系統。
技術介紹
1、電力系統負荷預測作為電力系統調控的一個重要環節，一直以來深受電力專家學者的關注。電力系統負荷預測是指預測電力系統未來一段時間內的電力負荷的過程，超短期負荷預測是指預測未來1小時內的負荷數據。負荷預測主要目的是預測未來電力需求，以便有效地管理電力供應和系統穩定性。因此，準確預測負荷對電力系統的可靠運行和安全管理至關重要。
2、在方法上，電力系統負荷預測涉及多個技術手段。時間序列分析是最基礎的方法之一，通過分析歷史負荷數據，利用自回歸模型、移動平均模型等預測未來負荷。回歸分析則通過建立負荷與氣象因素(如氣溫、濕度)、經濟活動等之間的關系，進行預測。近年來，機器學習和深度學習方法被廣泛應用于負荷預測，包括支持向量機(support?vectormachine，svm)、隨機森林(random?forest，rf)、長短期記憶網絡(long?short?termmemory，lstm)、transformer及其各種變體等，這些方法能夠處理復雜的數據模式，相較于傳統的方法在一定程度上提高了預測精度。
3、負荷波動性通常較大，具有非平穩的特性，采用經驗模態分解的方法對數據進行濾波處理可以降低負荷序列的復雜度。經過模態分解的數據得到的本征模態函數分量較多，需要考慮對本征模態函數分量進行重組，以減少計算時間。預測模型對于負荷預測尤為重要，需要選取近年新穎的、精度高的模型進行預測，同時還要考慮
4、因此，需要一種基于模態分解和獨立注意力機制的電力系統負荷預測方法及系統。
技術實現思路
1、本專利技術提出一種基于模態分解和獨立注意力機制的電力系統負荷預測方法及系統，以解決如何高效地進行負荷預測的問題。
2、為了解決上述問題，根據本專利技術的一個方面，提供了一種基于模態分解和獨立注意力機制的電力系統負荷預測方法，所述方法包括：
3、獲取用于負荷預測的負荷歷史數據；
4、對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，并基于所述第一本征模態函數分量獲取第二本征模態函數分量；
5、構建包含獨立注意力機制的itransformer模型；
6、將所述第二本征模態函數分量輸入到所述itransformer模型中，輸出負荷預測值。
7、優選地，其中對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，包括：
8、對由負荷歷史數據組成的負荷序列x(t)，進行hilbert變換后變為計算其瞬時幅值a(t)和瞬時頻率為：
9、
10、采用a({tmax})和a({tmin})作為a(t)極大值序列和極小值序列，并對其進行分別插值得到β1(t)和β2(t)，并計算其瞬時均值a1(t)和瞬時包絡a2(t)為：
11、
12、對與插值，得到η1(t)與η2(t)，并計算其瞬時頻率分量與為：
13、
14、
15、計算局部截止頻率為：
16、
17、對局部截止頻率重構，得到f(t)為：
18、
19、計算f(t)的極值點，并將極點值作為濾波器的節點，并用b-spline插值對x(t)進行逼近，計算停止信號θ(t)為：
20、
21、若θ(t)小于閾值ξ，則將x(t)作為一個第一本征模態函數分量；若θ(t)大于閾值ξ則令x1(t)＝xt-m(t)，其中，m(t)為瞬時包絡局部平均值，并從式(1)開始重新計算至式(9)；
22、其中，bloughlin(t)為loughlin瞬時帶寬；為平均瞬時頻率。
23、優選地，其中基于所述第一本征模態函數分量獲取第二本征模態函數分量，包括：
24、基于樣本熵算法計算每個第一本征模態函數分量的樣本熵，并將樣本熵差值在預設范圍內的樣本熵對應的第一本征模態函數分量進行合并，以獲取第二本征模態函數分量。
25、優選地，其中基于樣本熵算法計算每個第一本征模態函數分量的樣本熵，包括：
26、對于任一個第一本征模態函數分量，對該任一個第一本征模態函數分量進行分段處理，分為多個長度為m和m+1的子序列，并基于獲取的多個子序列計算該任一個第一本征模態函數分量的樣本熵。
27、優選地，其中構建包含獨立注意力機制的itransformer模型，包括：
28、(1)利用獨立注意力機制來處理所有變量標記，模型學習不同變量之間的相互依賴關系；其中，獨立注意力機制的原理為：
29、給定一個xij∈rd，計算xij附近位置為ab∈nk(i，j)區域的輸出yij的注意力公式為：
30、
31、在獨立注意力機制中嵌入位置信息，并將其編碼；其中，在位置(i，j)的點到每個位置的ab∈nk(i，j)，它有2個偏移量，分別是行偏移量a-i和列偏移量b-i，兩者分別與嵌入ra-i和rb-i相互影響，通過將兩者嵌入連接起來，形成組合嵌入ra-i，b-i，引入位置信息后的注意力計算式為：
32、
33、其中，qij，kab和vab分別為位置(i，j)及附近點的查詢向量、鍵向量和值向量；softmaxab是在位置(i，j)相鄰的點中計算的softmax；
34、(2)在itransformer模型的前饋層對注意力機制的輸出進行層歸一處理，包括：
35、
36、其中，h＝[h1,h2,…,hn]為具有n個變量的輸入，hn是第n個變量的表示向量，mean表示向量hn的均值，var表示向量hn的方差。
37、優選地，其中所述方法還包括：
38、基于平均絕對誤差ymae和平均絕對百分比誤差ymape兩種誤差評價指標對模型進行評估；其中，計算有n個預測結果的誤差包括：
39、
40、其中，yact(i)和ypred(i)為第i個數據點的負荷的實際值與預測值；yact(i)和ypred(i)的值越小，表示模型預測精度越高。
41、根據本專利技術的另一個方面，提供了一種基于模態分解和獨立注意力機制的電力系統負荷預測系統，所述系統包括：
42、數據獲取單元，用于獲取用于負荷預測的負荷歷史數據；
43、經驗模態分解單元，用于對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，并基于所述第一本征模態函數分量獲取第二本征模態函數分量；
44、模型構建單元，用于構建包含獨立注意力機制的itransformer模型；
45、預測單元，用于將所述第二本征模態函數分量輸入到所述itransformer模型中，輸出負荷預測值。
本文檔來自技高網...
【技術保護點】
1.一種基于模態分解和獨立注意力機制的電力系統負荷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，包括：
3.根據權利要求1所述的方法，其特征在于，基于所述第一本征模態函數分量獲取第二本征模態函數分量，包括：
4.根據權利要求3所述的方法，其特征在于，基于樣本熵算法計算每個第一本征模態函數分量的樣本熵，包括：
5.根據權利要求1所述的方法，其特征在于，構建包含獨立注意力機制的iTransformer模型，包括：
6.根據權利要求1所述的方法，其特征在于，所述方法還包括：
7.一種基于模態分解和獨立注意力機制的電力系統負荷預測系統，其特征在于，所述系統包括：
8.根據權利要求7所述的系統，其特征在于，所述經驗模態分解單元，對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，包括：
9.根據權利要求7所述的系統，其特征在于，所述經驗模態分解單元，基于所述第一本征模態函數分量獲取第二本征模
10.根據權利要求9所述的系統，其特征在于，所述經驗模態分解單元，基于樣本熵算法計算每個第一本征模態函數分量的樣本熵，包括：
11.根據權利要求7所述的系統，其特征在于，所述模型構建單元，構建包含獨立注意力機制的iTransformer模型，包括：
12.根據權利要求7所述的系統，其特征在于，所述系統還包括：
13.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1-6中任一項所述方法的步驟。
14.一種電子設備，其特征在于，包括：
...【技術特征摘要】
1.一種基于模態分解和獨立注意力機制的電力系統負荷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，對所述負荷歷史數據進行經驗模態分解，獲取第一本征模態函數分量，包括：
3.根據權利要求1所述的方法，其特征在于，基于所述第一本征模態函數分量獲取第二本征模態函數分量，包括：
4.根據權利要求3所述的方法，其特征在于，基于樣本熵算法計算每個第一本征模態函數分量的樣本熵，包括：
5.根據權利要求1所述的方法，其特征在于，構建包含獨立注意力機制的itransformer模型，包括：
6.根據權利要求1所述的方法，其特征在于，所述方法還包括：
7.一種基于模態分解和獨立注意力機制的電力系統負荷預測系統，其特征在于，所述系統包括：
8.根據權利要求7所述的系統，其特征...
【專利技術屬性】
技術研發人員：范士雄，李東琦，王鐵柱，馬士聰，郭劍波，江克證，羅魁，荊逸然，侯瑋琳，郭雅蓉，單熙雯，趙澤寧，徐浩田，高正男，李蘇寧，
申請(專利權)人：中國電力科學研究院有限公司，
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。